Statystyki doliny niesamowitości w głosach syntetycznych (2026): 40+ punktów danych o wykrywaniu, niesamowitości i niedopasowaniu twarzy i głosu

Dolina niesamowitości w głosach syntetycznych 2026: słuchacze odróżniali głosy prawdziwe od AI tylko w 53,95% przypadków, plus dane o klonach i niesamowitości.

Gdy poproszono 172 osoby o odróżnienie prawdziwych głosów od generowanych przez AI, trafiły poprawnie w zaledwie 53,95% przypadków, ledwie powyżej rzutu monetą, podczas gdy ci sami uczestnicy klasyfikowali twarze poprawnie w 65,48% przypadków (Ivory i in., Scientific Reports 2026, w druku). Klony prawdziwych ludzi oszukują słuchaczy nawet co do tożsamości: trafność dopasowania spadła z 86,98% dla głosów naturalnych do 68,94% dla deepfake (Roswandowitz i in., Communications Biology 2024). W grupie 1.212 uczestników i na trzech szeroko używanych zbiorach deepfake średnia trafność ludzi wyniosła 73% (Warren i in., ACM CCS 2024), a mimo to klasyczna dolina niesamowitości, czyli spadek komfortu, gdy coś jest prawie, ale nie całkiem ludzkie, prawie nie pojawia się w samej mowie syntetycznej. Zebraliśmy dane z PLOS One, Scientific Reports, Communications Biology, eNeuro, ISCA Archive, Frontiers, ACM CCS, i-Perception oraz dwóch branżowych ankiet z 2026 roku. Wskaźniki z testów odsłuchowych stojące za nowoczesną syntezą mowy znajdziesz w naszych statystykach naturalności mowy syntetycznej i MOS, a błędy wysokości i akcentu, które wciąż zdradzają głosy syntetyczne, w naszych statystykach błędów prozodii neuronowego TTS.

TL;DR

  • Słuchacze klasyfikowali głosy prawdziwe i syntetyczne poprawnie w 53,95% przypadków, wobec 65,48% dla twarzy (Ivory i in., Scientific Reports 2026).
  • Pewność nie odpowiadała trafności w przypadku głosów: AUROC 0,48, gdzie 0,5 oznacza brak wglądu (Ivory i in., Scientific Reports 2026).
  • Klony głosu oznaczano jako ludzkie w stopniu 0,70, prawdziwe nagrania 0,72, a zwykłe głosy AI 0,39 (Lavan i in., PLOS One 2025).
  • Średnia trafność ludzi na trzech zbiorach deepfake wyniosła 73% dla 1.212 uczestników (Warren i in., ACM CCS 2024).
  • Dopasowanie tożsamości spadło z 86,98% dla głosów naturalnych do 68,94% dla deepfake (Roswandowitz i in., Communications Biology 2024).
  • Im bardziej ludzki głos TTS, tym przyjemniejszy w ocenie: r(203) = 0,48, p < 0,001 (Ross, Corley i Lai, Speech Prosody 2024).
  • Niedopasowane zestawienia twarzy i głosu oceniano jako bardziej niesamowite niż dopasowane, t(47) = 6,042, p < 0,001 (Mitchell i in., i-Perception 2011).
  • Ludzki głos podniósł sympatię wobec wirtualnej postaci do 3,75 wobec 2,99 przy głosie robota (Choi i in., IEEE ISMAR-Adjunct 2023).
  • Po dowiedzeniu się, że usłyszany lektor to AI, 25% słuchaczy radia oceniło go korzystniej, a 20% mniej korzystnie (Crowd React Media 2026).
  • Oswojenie z przykładami podniosło wykrywanie deepfake zaledwie o 3,84% średnio (Mai i in., PLOS ONE 2023).
  • 67% dorosłych w USA, Wielkiej Brytanii i regionie DACH obawia się sklonowania swojego głosu (Malwarebytes 2026, badanie dostawcy).

1. Wykrywanie: jak często słuchacze odróżniają głosy AI od ludzkich

Sednem nie jest to, że ludzie zawodzą, lecz to, że porażka dotyczy konkretnie słuchu. Ci sami uczestnicy, którzy z łatwością przewyższali przypadek w ocenie twarzy, uzyskali 53,95% dla głosów (95% przedział ufności = [52,64; 55,27]) we wstępnie zarejestrowanym badaniu Lancaster University, które testowało oba zmysły obok siebie (Ivory i in., Scientific Reports, w druku). Skuteczność w wykrywaniu fałszywych twarzy nic nie mówiła o skuteczności w wykrywaniu fałszywych głosów: autorzy nie znaleźli ogólnej zdolności wykrywania, działającej w różnych zmysłach.

Format zadania zmienia wyniki bardziej niż umiejętności słuchacza. Gdy badacze z UCL odtwarzali po jednym nagraniu, 529 słuchaczy miało rację w 70,35% przypadków, ale gdy autentyczne i deepfake nagranie słyszano razem, fałszywkę rozpoznawano w 85,59% prób (Mai i in., PLOS ONE 2023). W prawdziwym życiu rzadko dostajemy nagranie porównawcze. Znaczenie ma też wiek zbioru danych: w badaniu University of Florida z 1.212 uczestnikami trafność wahała się od 65% na zbiorze Wavefake do 81% na FakeAVCeleb.

MetrykaWartośćŹródło
Głosy prawdziwe i syntetyczne sklasyfikowane poprawnie (172 uczestników, 40 głosów prawdziwych i 40 syntetycznych)53,95% (95% przedział ufności = [52,64; 55,27])Ivory i in., Scientific Reports 2026 (w druku)
Twarze prawdziwe i wygenerowane przez AI sklasyfikowane poprawnie przez tych samych uczestników65,48% (95% przedział ufności = [63,75; 67,21])Ivory i in., Scientific Reports 2026 (w druku)
Poprawne klasyfikacje przy ocenie jednego nagrania naraz (n = 529, angielski i mandaryński)70,35%Mai i in., PLOS ONE 2023
Deepfake rozpoznany, gdy słyszano go obok autentycznego nagrania (zadanie z dwoma nagraniami)85,59% próbMai i in., PLOS ONE 2023
Średnia trafność ludzi na trzech zbiorach deepfake (1.212 uczestników)73%Warren i in., ACM CCS 2024
Średnia trafność na najtrudniejszym zbiorze (Wavefake) wobec najłatwiejszego (FakeAVCeleb)65% wobec 81%Warren i in., ACM CCS 2024
Klony głosu AI poprawnie rozpoznane jako AI (próba z Prolific, 604 uczestników w dwóch badaniach)około 60%Barrington, Cooper i Farid, Scientific Reports 2025
Czułość słuchaczy (d’) w odróżnianiu zwykłych głosów AI od ludzkich wobec klonów głosu od ludzkich (n = 50)2,93 wobec 0,13Lavan i in., PLOS One 2025

Uwaga kontekstowa: d prim (d’) to wskaźnik czułości z teorii detekcji sygnałów, w którym 0 oznacza, że słuchacz w ogóle nie odróżnia obu kategorii. Deepfake w badaniu Mai i in. pochodziły ze stosunkowo starych algorytmów, jak zauważają autorzy; najnowsze dostępne dane dla porównania jednego nagrania z dwoma: Mai i in., PLOS ONE 2023.

2. Klony głosu: gdy kopia uchodzi za oryginał

Zwykły głos AI wciąż brzmi jak produkt. Klon konkretnej osoby już nie, i właśnie tu ludzki słuch się poddaje. Badacze z Queen Mary University of London zbudowali swoje klony z około 4 minut nagrań na mówcę za pomocą komercyjnego narzędzia do klonowania, a słuchacze oznaczali te klony jako ludzkie w stopniu 0,70, wobec 0,72 dla prawdziwych nagrań (Lavan i in., PLOS One 2025). Werdykt autorów jest precyzyjny: klony brzmią realistycznie, ale jeszcze nie ‘hiperrealistycznie’ w taki sposób, w jaki twarze AI potrafią wyglądać bardziej realnie niż prawdziwe. Jak mało nagrania potrzebuje dziś klon, śledzimy w naszych statystykach długości nagrania referencyjnego w klonowaniu głosu zero-shot.

Tożsamość to drugi test i klony przechodzą go w większości przypadków. W badaniu UC Berkeley uczestnicy uznawali głos AI za mający tę samą tożsamość co jego prawdziwy odpowiednik w około 80% przypadków (Barrington, Cooper i Farid, arXiv v2, opublikowane w Scientific Reports 2025). W badaniu obrazowym mózgu z University of Zurich, w którym użyto niemieckich dwuwyrazowych zdań (bodziec badawczy obejmował ‘Er fällt’, po niemiecku ‘On upada’), dopasowanie tożsamości spadło z 86,98% dla głosów naturalnych do 68,94% dla deepfake (Roswandowitz i in., Communications Biology 2024).

MetrykaWartośćŹródło
Odsetek głosów oznaczonych jako ‘ludzkie’: klony głosu wobec prawdziwych nagrań ludzkich wobec zwykłych głosów AI (eksperyment 2, n = 50 dorosłych z Wielkiej Brytanii)0,70 wobec 0,72 wobec 0,39Lavan i in., PLOS One 2025
Średnia ocena realności: zwykłe głosy AI wobec klonów głosu wobec prawdziwych nagrań ludzkich47,4 wobec 63,0 wobec 63,8Lavan i in., PLOS One 2025
Klon AI uznany za mający tę samą tożsamość co prawdziwy mówcaokoło 80% przypadkówBarrington, Cooper i Farid, Scientific Reports 2025
Korelacja między długością nagrania a trafnością ocen naturalnościρ Spearmana = 0,245Barrington, Cooper i Farid, Scientific Reports 2025
Trafność dopasowania tożsamości: pary głosów naturalnych wobec deepfake sparowanego z głosem naturalnym (n = 25)86,98% wobec 68,94%Roswandowitz i in., Communications Biology 2024
Próby z deepfake: pominięcia wobec fałszywych alarmów28,64% wobec 29,86%Roswandowitz i in., Communications Biology 2024

Uwaga kontekstowa: zespół Queen Mary przeprowadził trzy eksperymenty po 50 uczestników z Wielkiej Brytanii, w wieku od 18 do 65 lat, zrekrutowanych przez Prolific. W badaniu z Zurychu pominięcie oznacza, że deepfake uznano za prawdziwego mówcę, a fałszywy alarm oznacza odrzucenie prawidłowej tożsamości; niemal równe odsetki pokazują, że słuchacze zgadywali w obu kierunkach, nie przechylając się w żadną stronę.

3. Czy istnieje dolina niesamowitości dla głosów?

Wzrokowa dolina niesamowitości przewiduje, że komfort spada tuż przed tym, jak sztuczna twarz stanie się w pełni ludzka. W przypadku mowy syntetycznej większość danych wskazuje w przeciwnym kierunku: im bliżej człowieka, tym lepiej. W badaniu Frontiers in Neurorobotics 95 dorosłych oceniło dwa głosy syntetyczne (IBM Watson i robota Sophia) oraz głos ludzki, a wyższe podobieństwo do człowieka przewidywało niższą niesamowitość dla obu głosów syntetycznych. Zespół z Edynburga stwierdził, że podobieństwo do człowieka i przyjemność brzmienia były dodatnio skorelowane, r(203) = 0,48, p < 0,001, ale żaden głos TTS nie osiągnął 50% podobieństwa do człowieka, więc szczyt krzywej, gdzie znajdowałaby się dolina, nigdy nie został przetestowany (Ross, Corley i Lai, Speech Prosody 2024).

Gdy dolina się pojawia, wynika z odchylenia, a nie ze sztuczności. Diel i Lewis znaleźli wokalną dolinę niesamowitości wywoływaną przez głosy zniekształcone i patologiczne i stwierdzili, że ‘głosy syntetyczne skutecznie jej unikają’ (Computers in Human Behavior Reports 2024). Dla kogoś, kto wybiera głos w generatorze głosu AI, to praktyczna zasada: nietypowa, napięta lub zakłócona wymowa jest bardziej ryzykowna niż wyraźnie syntetyczna.

MetrykaWartośćŹródło
Ocena podobieństwa do człowieka: najbardziej ludzki głos TTS (przesadzony zakres wysokości) wobec nagrania ludzkiego (205 słuchaczy)46,1 wobec 71,5Ross, Corley i Lai, Speech Prosody 2024
Ocena niesamowitości: ten sam głos TTS wobec nagrania ludzkiego40,4 wobec 28,9Ross, Corley i Lai, Speech Prosody 2024
Korelacja między podobieństwem do człowieka a przyjemnością brzmieniar(203) = 0,48, p < 0,001Ross, Corley i Lai, Speech Prosody 2024
Podobieństwo do człowieka jako predyktor niesamowitości dla dwóch głosów syntetycznych (95 dorosłych)β = −0,64 i β = −0,66, p < 0,001Kühne, Fischer i Zhou, Frontiers in Neurorobotics 2020
Głosy w badaniu sympatii wobec podobieństwa do człowieka (25 słuchaczy): niemieckie głosy męskie z 5 metod syntezy plus ludzka kontrola13Baird i in., Interspeech 2018
Uczestnicy dwóch eksperymentów lokalizujących wokalną dolinę niesamowitości w głosach odbiegających od normyn = 50 i n = 35Diel i Lewis, Computers in Human Behavior Reports 2024
Uczestnicy badania asystenta głosowego, w którym ludzki wygląd nasilał niesamowitość34Zhao, Chen i Zhao, Human Factors and Ergonomics in Manufacturing 2026
Liczba ekspozycji, po której wzrosła sympatia do nieznanego głosu ludzkiego (wypowiadane zdania, 238 studentów)8Mavromati, Erdinch i Paterson, preprint PsyArXiv 2025

Uwaga kontekstowa: Baird i in. stwierdzili, że sympatia rosła wraz z podobieństwem do człowieka, czyli odwrotnie niż w wizualnej dolinie niesamowitości (Interspeech 2018); to najnowsze dostępne dane dla tego porównania między generacjami syntezy, a badanie Kühne i in. pochodzi z 2020 roku. W badaniu asystenta głosowego niesamowitość wynikała z ludzkiego wyglądu, a nie z głosu. Preprint Mavromati i współpracowników testował prawdziwe głosy ludzkie: te słyszane 2 lub 5 razy lubiano mniej niż te nigdy niesłyszane, co daje odwróconą literę ‘U’, którą autorzy nazywają doliną niesamowitości ‘znajomo nieznajomych’ głosów.

4. Niedopasowanie twarzy i głosu: gdzie dolina naprawdę się pojawia

Jeśli same głosy rzadko wpadają do doliny, to robią to ich połączenia. Fundamentalny test zestawiał postać robota lub człowieka z pasującym lub niepasującym głosem, a dwa niedopasowane zestawienia oceniono jako bardziej niesamowite niż dwa dopasowane, t(47) = 6,042, p < 0,001 (Mitchell i in., i-Perception 2011). Postać ludzka z głosem syntetycznym była najbardziej niesamowita ze wszystkich czterech warunków. Wniosek projektowy autorów pozostaje aktualny: dopasuj ludzki realizm twarzy do realizmu głosu.

Nowsze prace pokazują, że głos zwykle dominuje w kształtowaniu wrażenia. W badaniu w wirtualnej rzeczywistości ludzki głos zwiększał sympatię i poczucie bezpieczeństwa wobec postaci, podczas gdy sam wygląd nie miał istotnego wpływu na sympatię (Choi i in., IEEE ISMAR-Adjunct 2023). W przypadku głowy robota Furhat ustawienie twarzy i głosu zmieniało ciepło pierwszego wrażenia, ale po interakcji z robotem efekt przestał być istotny (Huang i Moore, Frontiers in Robotics and AI 2024).

MetrykaWartośćŹródło
Ocena niesamowitości: postać ludzka z głosem syntetycznym wobec postaci ludzkiej z głosem ludzkim (48 uczestników urodzonych w USA)M = 0,19 wobec M = −1,10Mitchell i in., i-Perception 2011
Ocena niesamowitości: postać robota z głosem ludzkim wobec postaci robota z głosem syntetycznymM = −0,10 wobec M = −0,60Mitchell i in., i-Perception 2011
Niedopasowane wobec dopasowanych zestawień twarzy i głosu (test t dla prób zależnych)t(47) = 6,042, p < 0,001Mitchell i in., i-Perception 2011
Sympatia wobec wirtualnej postaci: głos ludzki wobec głosu robota (21 uczestników)3,75 wobec 2,99Choi i in., IEEE ISMAR-Adjunct 2023
Postrzegane podobieństwo do człowieka (antropomorfizm) wirtualnej postaci: głos ludzki wobec głosu robota3,18 wobec 2,58Choi i in., IEEE ISMAR-Adjunct 2023
Ciepło pierwszego wrażenia: ustawienia twarzy i głosu dziecięce wobec dorosłych wobec robotycznych (52 uczestników, 156 próbek)3,37 wobec 2,60 wobec 2,06Huang i Moore, Frontiers in Robotics and AI 2024
Wpływ ustawienia twarzy i głosu na ciepło przed interakcjąF(2,147) = 16,75, p < 0,001Huang i Moore, Frontiers in Robotics and AI 2024

Uwaga kontekstowa: w badaniu z Furhat niektórzy uczestnicy opisywali ustawienie dziecięce jako niedopasowane (‘bardziej dziecięce brzmienie, ale mniej dziecięcy wygląd’). Eksperyment 2x2 z wirtualnym agentem autorstwa Alimardani i in. (IVA 2024) wykazał, że niedopasowanie głosu i wyglądu zmieniało postrzegany antropomorfizm, ale nie zmieniało tego, jak często ludzie stosowali się do rad agenta. Badanie Mitchell i in. pochodzi z 2011 roku; to najnowsze dostępne dane dla dokładnie tego układu twarz-głos.

5. Cechy społeczne i efekt ujawnienia

Słuchacze nie tylko oceniają, czy głos jest prawdziwy; odczytują z niego charakter, a głosy syntetyczne są odczytywane inaczej. W eksperymentach Queen Mary dotyczących cech zwykłe głosy AI oceniano jako bardziej dominujące i nieco bardziej godne zaufania niż głosy ludzkie. Zespół z Zurychu stwierdził odwrotnie w przypadku swoich deepfake, które uczestnicy oceniali jako ‘istotnie mniej naturalne, mniej sympatyczne i mniej godne zaufania’ niż głosy naturalne (Roswandowitz i in., Communications Biology 2024). O kierunku ocen cech decyduje jakość bodźca.

W ślepym teście bliższym prawdziwym mediom jakość przestała być problemem, a głównie liczyło się ujawnienie. Po ujawnieniu 48% słuchaczy, którzy słyszeli lektora ludzkiego, oceniło go korzystniej, wobec 25% tych, którzy słyszeli głos AI (Crowd React Media AI Voiceover Study 2026). Zanim komukolwiek cokolwiek powiedziano, oba głosy uzyskały niemal tyle samo. Płaska ekspresja to drugi słaby punkt: około 68% użytkowników w warunku bez emocji skrytykowało ton głosu agenta konwersacyjnego (Cihodaru-Ștefanache i Podina, Frontiers in Psychology 2025).

MetrykaWartośćŹródło
Ocena dominacji: zwykłe głosy AI wobec głosów ludzkich (n = 50)58,1 wobec 40,4 (p < 0,001)Lavan i in., PLOS One 2025
Ocena wiarygodności: zwykłe głosy AI wobec głosów ludzkich57,9 wobec 53,8 (p = 0,002)Lavan i in., PLOS One 2025
Ogólna atrakcyjność pierwszego nagrania: lektor AI wobec lektora ludzkiego (1.326 amerykańskich słuchaczy radia w wieku od 18 do 45 lat)61% wobec 60%Crowd React Media AI Voiceover Study 2026
Lektor oceniony jako ‘zabawny’: głos ludzki wobec głosu AI (jedyna istotna różnica)33% wobec 26%Crowd React Media AI Voiceover Study 2026
Po ujawnieniu, słuchacze głosu AI: korzystniej wobec mniej korzystnie25% wobec 20%Crowd React Media AI Voiceover Study 2026
Po ujawnieniu, słuchacze głosu ludzkiego: korzystniej wobec mniej korzystnie48% wobec 4%Crowd React Media AI Voiceover Study 2026
Użytkownicy w warunku bez emocji, którzy skrytykowali ton głosu agenta konwersacyjnegookoło 68%Cihodaru-Ștefanache i Podina, Frontiers in Psychology 2025

Uwaga kontekstowa: przegląd w Frontiers in Psychology po selekcji objął 29 badań nad ucieleśnionymi agentami konwersacyjnymi (animowanymi postaciami na ekranie, które rozmawiają z użytkownikami) i większość z nich oceniono jako słabą lub umiarkowaną pod względem jakości metodologicznej. Test radiowy przeprowadził dział badań rynku Harker Bos Group, a istotność sprawdzono testem z dla dwóch proporcji przy poziomie ufności 95%; słuchaczom nie mówiono, który głos słyszeli, aż do momentu ich oceny.

6. Trening, pewność siebie i słuchający mózg

Krótki trening ledwie pomaga, a słuchacze nie wiedzą, kiedy się mylą. W przypadku głosów wgląd metapoznawczy mierzony jako AUROC wyniósł 0,48, tuż poniżej 0,5, co oznacza, że pewność nie niesie żadnej informacji o trafności, wobec 0,59 dla twarzy w tym samym badaniu z Lancaster (zob. sekcja 1). Oswojenie z przykładami deepfake ledwie zmienia trafność (zob. tabela). Zespół z University of Florida stwierdził, że gdy słuchacze byli niepewni, skłaniali się ku przekonaniu, że nagranie jest ludzkie (Warren i in., ACM CCS 2024), co jest dokładnie tym uprzedzeniem, na którym opiera się oszustwo z klonowaniem głosu; zobacz nasze statystyki oszustw rodzinnych z klonowaniem głosu.

Mózg jednak rejestruje więcej, niż zgłasza słuchacz. Po 12-minutowej sesji treningowej 30 rodzimych użytkowników języka mandaryńskiego wykazało różnice neuronalne między mową ludzką a AI przy około 55, 210 i 455 milisekundach, a mimo to ich behawioralne rozróżnianie nie poprawiło się istotnie (Yang i in., eNeuro 2026). W badaniu fMRI z Zurychu kora słuchowa śledziła różnice akustyczne między głosami deepfake a naturalnymi, a jądro półleżące, część układu nagrody, było mniej aktywne przy porównaniu deepfake z głosem naturalnym (Roswandowitz i in., Communications Biology 2024).

MetrykaWartośćŹródło
Wgląd metapoznawczy (AUROC) dla głosów wobec twarzy, gdzie 0,5 oznacza brak wglądu0,48 wobec 0,59Ivory i in., Scientific Reports 2026 (w druku)
Zysk w wykrywaniu dzięki oswojeniu z przykładami deepfake3,84% średnioMai i in., PLOS ONE 2023
Czułość (d’) dla mowy ludzkiej przed i po 12-minutowej sesji treningowej (30 uczestników)0,383 wobec 0,536Yang i in., eNeuro 2026
Czułość (d’) dla dostrojonych klonów AI przed i po tym samym treningu0,266 wobec 0,341Yang i in., eNeuro 2026
Główny efekt sesji treningowej na czułośćF(1,29) = 3,918, p = 0,057Yang i in., eNeuro 2026
Opóźnienia neuronalnego różnicowania mowy ludzkiej i AI po treninguokoło 55 ms, 210 ms i 455 msYang i in., eNeuro 2026
Dorośli obawiający się sklonowania swojego głosu (1.500 dorosłych w USA, Wielkiej Brytanii, Austrii, Niemczech i Szwajcarii)67%Malwarebytes AI Scams Report 2026 (badanie dostawcy)
Dorośli, którzy w ciągu ostatnich 12 miesięcy odebrali połączenie ze sklonowanym głosem kogoś znajomego16%Malwarebytes AI Scams Report 2026 (badanie dostawcy)

Uwaga kontekstowa: AUROC (pole pod krzywą ROC) mierzy tu, czy pewność słuchacza jest wyższa przy odpowiedziach poprawnych niż błędnych. Zdania w eNeuro pochodziły z testu percepcji mowy mandaryńskiej, a głosy AI wytworzono za pomocą otwartoźródłowego modelu klonowania. Ankieta Malwarebytes została przeprowadzona online od 1 do 17 marca 2026 roku przez niezależnego konsultanta badawczego; to własna ankieta dostawcy rozwiązań bezpieczeństwa, więc należy traktować ją jako kontekst, a nie pomiar percepcji.

Podsumowanie: dolina niesamowitości w głosach syntetycznych w liczbach

MetrykaWartośćŹródło
Głosy prawdziwe i syntetyczne sklasyfikowane poprawnie53,95%Ivory i in., Scientific Reports 2026 (w druku)
Średnia trafność ludzi na trzech zbiorach deepfake (1.212 uczestników)73%Warren i in., ACM CCS 2024
Średnia trafność na najtrudniejszym wobec najłatwiejszego zbioru deepfake65% wobec 81%Warren i in., ACM CCS 2024
Wykrywanie deepfake: jedno nagranie naraz wobec nagrania obok autentycznego70,35% wobec 85,59%Mai i in., PLOS ONE 2023
Klon AI uznany za mający tę samą tożsamość co prawdziwy mówcaokoło 80%Barrington, Cooper i Farid, Scientific Reports 2025
Odsetek oznaczonych jako ‘ludzkie’: klony głosu wobec prawdziwych nagrań wobec zwykłych głosów AI0,70 wobec 0,72 wobec 0,39Lavan i in., PLOS One 2025
Dopasowanie tożsamości: głosy naturalne wobec deepfake86,98% wobec 68,94%Roswandowitz i in., Communications Biology 2024
Korelacja między podobieństwem do człowieka a przyjemnością brzmienia głosów TTSr(203) = 0,48, p < 0,001Ross, Corley i Lai, Speech Prosody 2024
Podobieństwo do człowieka: najbardziej ludzki głos TTS wobec nagrania ludzkiego46,1 wobec 71,5Ross, Corley i Lai, Speech Prosody 2024
Niesamowitość: najbardziej ludzki głos TTS wobec nagrania ludzkiego40,4 wobec 28,9Ross, Corley i Lai, Speech Prosody 2024
Podobieństwo do człowieka jako predyktor niesamowitości dla dwóch głosów syntetycznychβ = −0,64 i β = −0,66Kühne, Fischer i Zhou, Frontiers in Neurorobotics 2020
Niedopasowane wobec dopasowanych zestawień twarzy i głosut(47) = 6,042, p < 0,001Mitchell i in., i-Perception 2011
Niesamowitość: postać ludzka z głosem syntetycznym wobec postaci ludzkiej z głosem ludzkimM = 0,19 wobec M = −1,10Mitchell i in., i-Perception 2011
Sympatia wobec wirtualnej postaci: głos ludzki wobec głosu robota3,75 wobec 2,99Choi i in., IEEE ISMAR-Adjunct 2023
Ciepło pierwszego wrażenia: ustawienia dziecięce wobec dorosłych wobec robotycznych3,37 wobec 2,60 wobec 2,06Huang i Moore, Frontiers in Robotics and AI 2024
Ogólna atrakcyjność: lektor AI wobec lektora ludzkiego61% wobec 60%Crowd React Media AI Voiceover Study 2026
Użytkownicy, którzy skrytykowali ton głosu pozbawionego emocji agenta konwersacyjnegookoło 68%Cihodaru-Ștefanache i Podina, Frontiers in Psychology 2025
Wpływ 12-minutowej sesji treningowej na czułość wobec mowy AIF(1,29) = 3,918, p = 0,057Yang i in., eNeuro 2026

Metodologia i źródła

  • Ivory, McGettigan, Nuttall i Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, w druku, repozytorium Lancaster University
  • Lavan i in., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
  • Barrington, Cooper i Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central oraz arXiv v2
  • Mai, Bray, Davies i Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
  • Warren i in., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF z University of Florida
  • Roswandowitz i in., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
  • Yang, Jiang, Bai, Ni i Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
  • Ross, Corley i Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
  • Kühne, Fischer i Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
  • Baird i in., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
  • Diel i Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
  • Zhao, Chen i Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley przez DOI
  • Mavromati, Erdinch i Paterson, “The uncanny valley of familiarly unfamiliar voices”, preprint PsyArXiv 2025, OSF
  • Mitchell i in., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
  • Choi, Koilias, Volonte, Kao i Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
  • Huang i Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
  • Alimardani, de Roode, Vaitonyte i Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM przez DOI
  • Cihodaru-Ștefanache i Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
  • Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, omówione także przez Radio Ink
  • Malwarebytes, AI Scams Report 2026 (badanie dostawcy na 1.500 dorosłych), Malwarebytes
  • Uwaga o danych: badanie Lancaster dotyczące twarzy i głosu jest cytowane z zaakceptowanej wersji w repozytorium uczelni, więc liczby mogą się nieznacznie zmienić w ostatecznej wersji czasopisma. Badanie klonów z UC Berkeley drukuje swoje główne wartości procentowe jako obrazy w wersji czasopisma, dlatego liczby około 80% i około 60% pochodzą z tekstu arXiv v2, który zgadza się z opublikowanym abstraktem. Punkt odniesienia Queen Mary zmieniał się między eksperymentami (słuchacze oznaczyli jako ‘ludzkie’ 81% głosów ludzkich w eksperymencie 1a, 62% w eksperymencie 1b i 72% w eksperymencie 2), więc klony i głosy ludzkie należy porównywać w obrębie jednego eksperymentu, nigdy między nimi. Dwie liczby 73% z badań UCL (2023) i University of Florida (2024) mierzą różne zadania i zbiory danych i nie są wzajemną replikacją. Ślepy test radiowy nie wykazał istotnej statystycznie różnicy w tym, jak często identyfikowano oba głosy, a dokładne odsetki identyfikacji pojawiają się tylko na wykresie. Żaden opublikowany tu test nie objął głosów TTS ocenianych jako niemal w pełni ludzkie, więc szczyt krzywej wokalnej doliny niesamowitości pozostaje nieprzetestowany. Wzorcowe wyniki naturalności (MOS i CMOS) celowo pozostawiamy naszemu zestawieniu MOS.

Ostatnia aktualizacja: 8 listopada 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy w Scientific Reports ukaże się ostateczna wersja badania Lancaster dotyczącego wykrywania twarzy i głosu.

Wypróbuj VoxBooster — 3 dni za darmo.

Klonowanie głosu w czasie rzeczywistym, soundboard i efekty — wszędzie, gdzie rozmawiasz.

  • Bez karty
  • ~30ms opóźnienia
  • Discord · Teams · OBS
Wypróbuj 3 dni za darmo