Das Klonen von KI-Stimmen schafft Sicherheitslücken
Laut McAfee (McAfee) führt die KI-Technologie zu einem Anstieg der Zahl von Online-Sprachbetrügereien, und es sind nur drei Sekunden Audio erforderlich, um die Stimme des Opfers zu klonen. McAfee befragte 7.054 Personen aus sieben Ländern und stellte fest, dass jeder vierte Erwachsene schon einmal mit irgendeiner Form von KI-Sprachbetrug konfrontiert war. 10 % gaben an, betrogen worden zu sein, und 15 % gaben an, dass jemand, den sie kannten, betrogen wurde. 77 % der Opfer gaben an, dadurch Geld verloren zu haben.
Darüber hinaus haben Sicherheitsforscher von McAfee Research Labs nach eingehender Untersuchung der KI-Sprachklonungstechnologie und ihrer Verwendung durch Cyberkriminelle die folgenden wichtigen Schlussfolgerungen gezogen.
Betrüger nutzen KI-Technologie, um Stimmen zu klonen
Jede Stimme ist einzigartig, gleichbedeutend mit biologischen Merkmalen Fingerabdrücke, weshalb das Zuhören einer Person eine weithin akzeptierte Methode ist, Vertrauen aufzubauen.
Aber 53 % der Erwachsenen teilen ihre Sprachdaten mindestens einmal pro Woche online (über Kanäle wie soziale Medien und Voicemail), und 49 % der Erwachsenen teilen sie jede Woche Bis zu 10 Mal teilen, die Stimme einer Person zu klonen ist heute eines der mächtigsten Werkzeuge im Arsenal eines Cyberkriminellen.
Mit der rasanten Verbreitung und Entwicklung von Tools der künstlichen Intelligenz ist es für Kriminelle einfacher denn je, die Bilder, Videos und Stimmen von Freunden und Familie zu manipulieren (Letztere möglicherweise). am beunruhigendsten sein) unruhig).
Die Untersuchungen von McAfee zeigen, dass Betrüger jetzt KI-Technologie nutzen, um Stimmen zu klonen und dann gefälschte Voicemails zu versenden oder die Adressbuchkontakte der Opfer anzurufen, um sich als sie selbst auszugeben. Dabei sind Schwierigkeiten aufgetreten. 70 % der Erwachsenen sagen, dass es schwierig sei, zwischen geklonten Stimmen und echten Stimmen zu unterscheiden. Kein Wunder, dass diese Technologie bei Kriminellen immer beliebter wird.
45 % der Befragten gaben an, dass sie auf eine betrügerische Voicemail oder Sprachnotiz antworten würden, die vorgab, von einem Freund oder Familienmitglied zu stammen, insbesondere wenn die Stimme von ihrem Partner oder Familienmitglied käme Ehepartner (40 %), Eltern (31 %) oder Kinder (20 %).
Opfer von KI-Sprachbetrug haben schwere Verluste erlitten
Eltern über 50 sind die Gruppe, die am meisten betroffen ist wahrscheinlich Der Anteil der Sprachantworten von Kindern erreichte 41 %. Am häufigsten werden Nachrichten beantwortet, in denen behauptet wird, sie hätten einen Autounfall gehabt (48 %), seien ausgeraubt worden (47 %), hätten ihr Telefon oder ihre Brieftasche verloren (43 %) oder hätten auf einer Auslandsreise Hilfe benötigt (41 %).
Aber wenn Opfer auf KI-Sprachbetrug hereinfallen, drohen ihnen oft hohe Verluste. Mehr als ein Drittel der Opfer gaben an, mehr als 1.000 US-Dollar verloren zu haben, und 7 % wurden um 5.000 bis 15.000 US-Dollar betrogen.
Die Umfrage ergab außerdem, dass die Zunahme von Deepfakes und Desinformation dazu geführt hat, dass die Menschen vorsichtiger gegenüber dem sind, was sie online sehen. 32 % der Erwachsenen gaben an, dass dies jetzt der Fall sei vorsichtiger denn je Sie alle misstrauen den sozialen Medien noch weniger.
Steve Grobman, Chief Technology Officer von McAfee, sagte: „Künstliche Intelligenz bringt unglaubliche Möglichkeiten mit sich, aber wie bei jeder Technologie gibt es auch bei dieser Technologie immer Herausforderungen Das erleben wir heute mit benutzerfreundlichen KI-Tools, die Cyberkriminellen dabei helfen, ihre Betrügereien auf immer realistischere Weise zu skalieren wird immer einfacher
Im Rahmen der Analyse und Bewertung dieses neuen Trends durch McAfee verbrachten McAfee-Forscher drei Wochen damit, die Zugänglichkeit, Benutzerfreundlichkeit und Wirksamkeit von KI zu untersuchen Als er Tools zum Klonen von Stimmen entwickelte, fand sein Team online mehr als ein Dutzend kostenlose KI-Tools zum Klonen von Stimmen.
Sowohl kostenlose als auch kostenpflichtige Tools sind leicht verfügbar und viele erfordern nur grundlegende Erfahrung und Fachwissen für die Verwendung. Ein Tool benötigt sogar nur drei Sekunden Sprache, um einen Klon mit einer Übereinstimmung von 85 % zu erstellen. Die Genauigkeit könnte weiter verbessert werden, wenn Kriminelle mehr Aufwand betreiben würden.
Durch das Training des Datenmodells erreichten McAfee-Forscher mit nur einer kleinen Anzahl von Audiodateien eine Sprachübereinstimmung von 95 %.
Je genauer die geklonte Stimme ist, desto wahrscheinlicher ist es, dass Cyberkriminelle Opfer dazu verleiten können, Geld zu übergeben oder andere angeforderte Maßnahmen zu ergreifen. Da diese Betrügereien die emotionale Verletzlichkeit menschlicher Intimität ausnutzen, können Betrüger in nur wenigen Stunden Tausende von Dollar verdienen. „Fortschrittliche Werkzeuge der künstlichen Intelligenz verändern die Cyberkriminalität“, sagte Grobman. Die Spielregeln für Moleküle. Jetzt können sie fast mühelos die Stimme einer Person klonen und Freunde und Familie dazu verleiten, Geld zu senden.“ Grobman schloss: „Es ist wichtig, zu bleiben.“ Seien Sie wachsam und ergreifen Sie proaktive Maßnahmen, um Sie und Ihre Freunde und Familie zu schützen. Wenn Sie einen Anruf von einem Ehepartner oder Familienmitglied erhalten, der Sie um eine Geldüberweisung bittet, stellen Sie sicher, dass Sie die wahre Identität des Anrufers anhand eines zuvor vereinbarten Geheimnisses überprüfen Wenn Sie einen Code eingeben oder eine Frage stellen, die nur die andere Partei kennt, können Identitäts- und Datenschutzdienste auch dazu beitragen, den digitalen Fußabdruck persönlicher Informationen zu begrenzen, den Kriminelle nutzen können, um beim Klonen einer Stimme eine überzeugende Geschichte zu erstellen 🎜#
Mit dem von ihnen entdeckten Klon-Tool haben McAfee-Forscher herausgefunden, dass es einfach ist, Akzente aus der ganzen Welt zu klonen, unabhängig davon, ob das Opfer aus den USA, dem Vereinigten Königreich, Indien oder Australien stammt, aber noch mehr Einzigartige Akzente sind schwieriger zu klonen. Beispielsweise ist es schwieriger, die Stimmen von Personen, die mit ungewöhnlicher Geschwindigkeit, ungewöhnlichem Rhythmus oder Stil sprechen, genau zu klonen, und es ist daher weniger wahrscheinlich, dass sie ins Visier genommen werden.Generell geht das Forschungsteam jedoch davon aus, dass künstliche Intelligenz die Spielregeln für Cyberkriminelle verändert hat. Die Eintrittsbarriere war noch nie so niedrig, was bedeutet, dass die Begehung von Cyberkriminalität noch nie einfacher war.
Tipps zur Verhinderung des Klonens von KI-Stimmen
Vereinbarter Sprachcode. Legen Sie mit Ihren Kindern, Familienmitgliedern oder engen Freunden ein verbales Codewort fest, das nur sie kennen. Machen Sie einen Plan, der vorsieht, dass sie immer ein Codewort angeben müssen, wenn sie um Hilfe anrufen, SMS schreiben oder E-Mails senden, insbesondere wenn es sich um ältere Erwachsene oder Kinder handelt.
Stellen Sie immer die Quelle in Frage. Wenn es sich um einen Anruf, eine Textnachricht oder eine E-Mail von einem unbekannten Absender oder sogar um einen Anruf von jemandem handelt, den Sie kennen, sollten Sie bei Erhalt eines Notrufs ruhig denken: Klingt das wirklich nach deren Stimme? Werden sie dich das fragen? Legen Sie den Hörer auf, antworten Sie dem Anrufer oder überprüfen Sie die Echtheit der Nachricht, bevor Sie antworten (und natürlich bevor Sie Geld senden).
Klicken und mit Vorsicht teilen. Wer ist in Ihrem Social-Media-Netzwerk? Kennen und vertrauen Sie ihnen wirklich? Achten Sie online auf Ihre Freunde und Kontakte. Je größer Ihr Netzwerk und je mehr Inhalte Sie teilen, desto größer ist das Risiko, dass Ihre Identität in böswilliger Absicht geklont wird.
Verwenden Sie einen Identitätsüberwachungsdienst, um sicherzustellen, dass auf Ihre personenbezogenen Daten nicht zugegriffen werden kann oder diese offengelegt werden, wenn Ihre privaten Daten im Dark Web landen. Behalten Sie die Kontrolle über Ihre persönlichen Daten und vermeiden Sie es, sich als Cyberkriminelle auszugeben.
Das obige ist der detaillierte Inhalt vonDas Klonen von KI-Stimmen schafft Sicherheitslücken. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen





Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
