Когда 172 человека должны были отличить настоящие голоса от созданных ИИ, они угадывали лишь в 53,95% случаев, едва лучше подбрасывания монеты, тогда как те же участники правильно классифицировали лица в 65,48% случаев (Ivory и др., Scientific Reports 2026, в печати). Клоны реальных людей обманывают слушателей даже в вопросе личности: точность сопоставления упала с 86,98% для естественных голосов до 68,94% для дипфейков (Roswandowitz и др., Communications Biology 2024). На 1 212 участниках и трёх широко используемых наборах дипфейков средняя точность человека составила 73% (Warren и др., ACM CCS 2024), и всё же классическая зловещая долина, провал комфорта, когда нечто почти, но не вполне человеческое, почти не проявляется у одной лишь синтетической речи. Мы собрали данные из PLOS One, Scientific Reports, Communications Biology, eNeuro, ISCA Archive, Frontiers, ACM CCS, i-Perception и двух отраслевых опросов 2026 года. Об эталонных прослушиваниях, на которых стоит современный синтез речи, читайте в нашей статистике естественности синтетической речи и MOS, а об ошибках высоты тона и ударения, которые до сих пор выдают синтетические голоса, - в нашей статистике ошибок просодии нейронного TTS.
Кратко (TL;DR)
- Слушатели правильно классифицировали реальные и синтетические голоса в 53,95% случаев, против 65,48% для лиц (Ivory и др., Scientific Reports 2026).
- Уверенность не отражала точность для голосов: AUROC 0,48, где 0,5 означает отсутствие понимания (Ivory и др., Scientific Reports 2026).
- Клоны голоса признавались человеческими с долей 0,70, настоящие записи - 0,72, обычные голоса ИИ - 0,39 (Lavan и др., PLOS One 2025).
- Средняя точность человека на трёх наборах дипфейков составила 73% для 1 212 участников (Warren и др., ACM CCS 2024).
- Сопоставление личности упало с 86,98% для естественных голосов до 68,94% для дипфейков (Roswandowitz и др., Communications Biology 2024).
- Чем более человекоподобным был голос TTS, тем приятнее его оценивали: r(203) = 0,48; p < 0,001 (Ross, Corley и Lai, Speech Prosody 2024).
- Несовпадающие сочетания лица и голоса оценивались как более жуткие, чем совпадающие, t(47) = 6,042; p < 0,001 (Mitchell и др., i-Perception 2011).
- Человеческий голос повысил симпатию к виртуальному персонажу до 3,75 против 2,99 для голоса робота (Choi и др., IEEE ISMAR-Adjunct 2023).
- Узнав, что услышанный закадровый голос принадлежит ИИ, 25% радиослушателей отнеслись к нему благосклоннее, а 20% - менее благосклонно (Crowd React Media 2026).
- Ознакомление на примерах повысило обнаружение дипфейков в среднем лишь на 3,84% (Mai и др., PLOS ONE 2023).
- 67% взрослых в США, Великобритании и регионе DACH беспокоятся, что их голос клонируют (Malwarebytes 2026, опрос поставщика).
1. Обнаружение: как часто слушатели отличают голоса ИИ от человеческих
Главное не в том, что люди ошибаются, а в том, что ошибка специфична именно для слуха. Те же участники, которые уверенно превзошли случайность на лицах, показали на голосах 53,95% (95% ДИ = [52,64; 55,27]) в предварительно зарегистрированном исследовании Lancaster University, где оба чувства проверялись бок о бок (Ivory и др., Scientific Reports, в печати). Умение распознавать поддельные лица ничего не говорило об умении распознавать поддельные голоса: авторы не нашли общей способности обнаружения, действующей на оба чувства.
Формат задачи сдвигает цифры сильнее, чем навыки слушателя. Когда исследователи UCL проигрывали по одному фрагменту, 529 слушателей оказывались правы в 70,35% случаев, но когда настоящий фрагмент и дипфейк звучали вместе, подделку узнавали в 85,59% проб (Mai и др., PLOS ONE 2023). В реальной жизни фрагмент для сравнения редко доступен. Важен и возраст набора данных: в исследовании University of Florida с 1 212 участниками точность составляла от 65% на наборе Wavefake до 81% на FakeAVCeleb.
| Показатель | Значение | Источник |
|---|---|---|
| Реальные и синтетические голоса классифицированы правильно (172 участника, 40 реальных и 40 синтетических голосов) | 53,95% (95% ДИ = [52,64; 55,27]) | Ivory и др., Scientific Reports 2026 (в печати) |
| Реальные и созданные ИИ лица классифицированы правильно теми же участниками | 65,48% (95% ДИ = [63,75; 67,21]) | Ivory и др., Scientific Reports 2026 (в печати) |
| Правильные классификации при оценке одного фрагмента за раз (n = 529, английский и китайский) | 70,35% | Mai и др., PLOS ONE 2023 |
| Дипфейк распознан при прослушивании рядом с настоящим фрагментом (задача с двумя фрагментами) | 85,59% проб | Mai и др., PLOS ONE 2023 |
| Средняя точность человека на трёх наборах дипфейков (1 212 участников) | 73% | Warren и др., ACM CCS 2024 |
| Средняя точность на самом сложном наборе (Wavefake) против самого простого (FakeAVCeleb) | 65% против 81% | Warren и др., ACM CCS 2024 |
| Клоны голоса ИИ, верно опознанные как ИИ (выборка Prolific из 604 участников в двух исследованиях) | около 60% | Barrington, Cooper и Farid, Scientific Reports 2025 |
| Чувствительность слушателей (d-прайм) при отделении обычных голосов ИИ от человеческих против клонов голоса от человеческих (n = 50) | 2,93 против 0,13 | Lavan и др., PLOS One 2025 |
Примечание к контексту: d-прайм (d’) - это показатель чувствительности из теории обнаружения сигналов, при котором 0 означает, что слушатель вообще не может разделить две категории. Дипфейки в работе Mai и др. были созданы относительно старыми алгоритмами, как отмечают сами авторы; самые свежие доступные данные для сравнения одного фрагмента и двух: Mai и др., PLOS ONE 2023.
2. Клоны голоса: когда копия сходит за оригинал
Обычный голос ИИ всё ещё звучит как продукт. Клон конкретного человека - нет, и именно здесь человеческий слух сдаётся. Исследователи Queen Mary University of London создали свои клоны примерно из 4 минут записей на каждого диктора с помощью коммерческого инструмента клонирования, и слушатели признавали эти клоны человеческими с долей 0,70, против 0,72 для настоящих записей (Lavan и др., PLOS One 2025). Вывод авторов точен: клоны звучат реально, но пока не «гиперреально», как лица, созданные ИИ, которые могут выглядеть реальнее настоящих. Сколько аудио клону нужно сегодня, отслеживает наша статистика длины эталонного аудио для клонирования голоса без дообучения.
Личность - второе испытание, и клоны проходят его в большинстве случаев. В исследовании UC Berkeley участники признавали голос ИИ принадлежащим тому же человеку, что и настоящий оригинал, примерно в 80% случаев (Barrington, Cooper и Farid, arXiv v2, опубликовано в Scientific Reports 2025). В нейровизуализационном исследовании University of Zurich, где использовались немецкие предложения из двух слов (в стимулах исследования было ‘Er fällt’, по-немецки «Он падает»), сопоставление личности упало с 86,98% для естественных голосов до 68,94% для дипфейков (Roswandowitz и др., Communications Biology 2024).
| Показатель | Значение | Источник |
|---|---|---|
| Доля голосов, признанных ‘человеческими’: клоны голоса против настоящих человеческих записей против обычных голосов ИИ (Эксперимент 2, n = 50 взрослых из Великобритании) | 0,70 против 0,72 против 0,39 | Lavan и др., PLOS One 2025 |
| Средняя оценка реалистичности: обычные голоса ИИ против клонов голоса против настоящих человеческих записей | 47,4 против 63,0 против 63,8 | Lavan и др., PLOS One 2025 |
| Клон ИИ признан принадлежащим тому же человеку, что и настоящий диктор | примерно 80% случаев | Barrington, Cooper и Farid, Scientific Reports 2025 |
| Корреляция между длительностью фрагмента и точностью оценок естественности | ρ Спирмена = 0,245 | Barrington, Cooper и Farid, Scientific Reports 2025 |
| Точность сопоставления личности: пары естественных голосов против дипфейка в паре с естественным голосом (n = 25) | 86,98% против 68,94% | Roswandowitz и др., Communications Biology 2024 |
| Пробы с дипфейком: пропуски против ложных тревог | 28,64% против 29,86% | Roswandowitz и др., Communications Biology 2024 |
Примечание к контексту: команда Queen Mary провела три эксперимента с 50 участниками из Великобритании в каждом, в возрасте от 18 до 65 лет, набранными через Prolific. В цюрихском исследовании пропуск означает, что дипфейк был принят за настоящего диктора, а ложная тревога - что верная личность была отвергнута; почти равные доли показывают, что слушатели гадали в обе стороны, а не склонялись к одной.
3. Существует ли зловещая долина для голосов?
Зрительная зловещая долина предсказывает, что комфорт падает непосредственно перед тем, как искусственное лицо становится полностью человеческим. Для синтетической речи большинство данных указывает в обратную сторону: чем ближе к человеку, тем лучше. В исследовании Frontiers in Neurorobotics 95 взрослых оценили два синтетических голоса (IBM Watson и робота Sophia) и один человеческий, и более высокое человекоподобие предсказывало меньшую жуткость для обоих синтетических голосов. Команда из Эдинбурга обнаружила, что человекоподобие и приятность коррелировали положительно, r(203) = 0,48; p < 0,001, но ни один голос TTS не достиг 50% человекоподобия, поэтому верхняя часть кривой, где мог бы находиться провал, так и не была проверена (Ross, Corley и Lai, Speech Prosody 2024).
Когда долина всё же появляется, она возникает из-за отклонения, а не из-за искусственности. Diel и Lewis обнаружили вокальную зловещую долину, вызванную искажёнными и патологическими голосами, и пришли к выводу, что «синтетическим голосам удаётся её избежать» (Computers in Human Behavior Reports 2024). Для тех, кто выбирает голос с помощью генератора голоса на основе ИИ, это практическое правило: необычная, натужная или сбойная подача рискованнее, чем откровенно синтетическая.
| Показатель | Значение | Источник |
|---|---|---|
| Оценка человекоподобия: самый человекоподобный голос TTS (преувеличенный диапазон высоты тона) против человеческой записи (205 слушателей) | 46,1 против 71,5 | Ross, Corley и Lai, Speech Prosody 2024 |
| Оценка жуткости: тот же голос TTS против человеческой записи | 40,4 против 28,9 | Ross, Corley и Lai, Speech Prosody 2024 |
| Корреляция между человекоподобием и приятностью | r(203) = 0,48; p < 0,001 | Ross, Corley и Lai, Speech Prosody 2024 |
| Человекоподобие как предиктор жуткости для двух синтетических голосов (95 взрослых) | β = −0,64 и β = −0,66, p < 0,001 | Kühne, Fischer и Zhou, Frontiers in Neurorobotics 2020 |
| Голоса в исследовании симпатии и человекоподобия (25 слушателей): немецкие мужские голоса, созданные 5 подходами к синтезу, плюс человеческий контроль | 13 | Baird и др., Interspeech 2018 |
| Участники двух экспериментов, обнаруживших вокальную зловещую долину в отклоняющихся голосах | n = 50 и n = 35 | Diel и Lewis, Computers in Human Behavior Reports 2024 |
| Участники исследования голосовых помощников, где человекоподобная внешность усиливала жуткость | 34 | Zhao, Chen и Zhao, Human Factors and Ergonomics in Manufacturing 2026 |
| Число прослушиваний, после которого вырастала симпатия к незнакомому человеческому голосу (произносимые предложения, 238 студентов университета) | 8 | Mavromati, Erdinch и Paterson, препринт PsyArXiv 2025 |
Примечание к контексту: Baird и др. обнаружили, что симпатия росла вместе с человекоподобием, что противоположно зрительной зловещей долине (Interspeech 2018); это самые свежие доступные данные для такого сравнения поколений синтеза, а исследование Kühne и др. относится к 2020 году. В исследовании голосовых помощников жуткость вызывала человекоподобная внешность, а не голос. Препринт Mavromati и коллег проверял настоящие человеческие голоса: голоса, услышанные 2 или 5 раз, нравились меньше, чем ни разу не слышанные, - это перевёрнутая ‘U’, которую авторы называют зловещей долиной «знакомо-незнакомых» голосов.
4. Несоответствие лица и голоса: где долина проявляется на самом деле
Если одни голоса редко попадают в долину, то сочетания попадают. В основополагающем тесте фигуру робота или человека сочетали с совпадающим или несовпадающим голосом, и два несовпадающих сочетания оценили как более жуткие, чем два совпадающих, t(47) = 6,042; p < 0,001 (Mitchell и др., i-Perception 2011). Человеческая фигура с синтетическим голосом оказалась самой жуткой из четырёх условий. Дизайнерский вывод авторов остаётся в силе: согласуйте человеческий реализм лица с реализмом голоса.
Новые работы показывают, что впечатление обычно определяет голос. В исследовании в виртуальной реальности человеческий голос повысил симпатию и воспринимаемую безопасность персонажа, тогда как внешность сама по себе не оказала значимого влияния на симпатию (Choi и др., IEEE ISMAR-Adjunct 2023). С роботом-головой Furhat настройка лица и голоса меняла тепло первого впечатления, но после взаимодействия участников с роботом эффект переставал быть значимым (Huang и Moore, Frontiers in Robotics and AI 2024).
| Показатель | Значение | Источник |
|---|---|---|
| Оценка жуткости: человеческая фигура с синтетическим голосом против человеческой фигуры с человеческим голосом (48 участников, родившихся в США) | M = 0,19 против M = −1,10 | Mitchell и др., i-Perception 2011 |
| Оценка жуткости: фигура робота с человеческим голосом против фигуры робота с синтетическим голосом | M = −0,10 против M = −0,60 | Mitchell и др., i-Perception 2011 |
| Несовпадающие и совпадающие сочетания лица и голоса (парный t-критерий) | t(47) = 6,042; p < 0,001 | Mitchell и др., i-Perception 2011 |
| Симпатия к виртуальному персонажу: человеческий голос против голоса робота (21 участник) | 3,75 против 2,99 | Choi и др., IEEE ISMAR-Adjunct 2023 |
| Воспринимаемое человекоподобие (антропоморфизм) виртуального персонажа: человеческий голос против голоса робота | 3,18 против 2,58 | Choi и др., IEEE ISMAR-Adjunct 2023 |
| Тепло первого впечатления: детские против взрослых против роботизированных настроек лица и голоса (52 участника, 156 образцов) | 3,37 против 2,60 против 2,06 | Huang и Moore, Frontiers in Robotics and AI 2024 |
| Влияние настройки лица и голоса на тепло до взаимодействия | F(2,147) = 16,75; p < 0,001 | Huang и Moore, Frontiers in Robotics and AI 2024 |
Примечание к контексту: в исследовании с Furhat некоторые участники называли детскую настройку несогласованной (‘более детский звук, но менее детский облик’). Эксперимент 2x2 с виртуальным агентом, проведённый Alimardani и др. (IVA 2024), показал, что несоответствие голоса и внешности меняло воспринимаемый антропоморфизм, но не меняло того, как часто люди следовали советам агента. Исследование Mitchell и др. относится к 2011 году; это самые свежие доступные данные для именно такой схемы лица и голоса.
5. Социальные черты и эффект раскрытия
Слушатели не только судят, настоящий ли голос; они читают в нём характер, и синтетические голоса читаются иначе. В экспериментах Queen Mary с чертами характера обычные голоса ИИ оценили как более доминантные и немного более заслуживающие доверия, чем человеческие. Цюрихская команда получила обратный результат для своих дипфейков: участники оценили их как «значительно менее естественные, приятные и заслуживающие доверия», чем естественные голоса (Roswandowitz и др., Communications Biology 2024). От качества стимула зависит, в какую сторону сдвигаются черты.
В слепом тесте, более близком к реальным медиа, качество перестало быть проблемой, и главным стало раскрытие. После раскрытия 48% слушателей, слышавших человеческий закадровый голос, отнеслись к нему благосклоннее, против 25% среди слышавших голос ИИ (Crowd React Media AI Voiceover Study 2026). Пока никому ничего не сообщили, два голоса получали почти одинаковые оценки. Ещё одно слабое место - монотонная подача: примерно 68% пользователей в условии без эмоций критиковали тон голоса разговорного агента (Cihodaru-Ștefanache и Podina, Frontiers in Psychology 2025).
| Показатель | Значение | Источник |
|---|---|---|
| Оценка доминантности: обычные голоса ИИ против человеческих голосов (n = 50) | 58,1 против 40,4 (p < 0,001) | Lavan и др., PLOS One 2025 |
| Оценка доверия: обычные голоса ИИ против человеческих голосов | 57,9 против 53,8 (p = 0,002) | Lavan и др., PLOS One 2025 |
| Общая привлекательность первого фрагмента: закадровый голос ИИ против человеческого (1 326 радиослушателей из США в возрасте от 18 до 45 лет) | 61% против 60% | Crowd React Media AI Voiceover Study 2026 |
| Закадровый голос оценён как ‘смешной’: человеческий голос против голоса ИИ (единственное значимое различие) | 33% против 26% | Crowd React Media AI Voiceover Study 2026 |
| После раскрытия, слушатели голоса ИИ: благосклоннее против менее благосклонно | 25% против 20% | Crowd React Media AI Voiceover Study 2026 |
| После раскрытия, слушатели человеческого голоса: благосклоннее против менее благосклонно | 48% против 4% | Crowd React Media AI Voiceover Study 2026 |
| Пользователи в условии без эмоций, критиковавшие тон голоса разговорного агента | примерно 68% | Cihodaru-Ștefanache и Podina, Frontiers in Psychology 2025 |
Примечание к контексту: в обзоре Frontiers in Psychology после отбора осталось 29 исследований воплощённых разговорных агентов (анимированных экранных персонажей, которые общаются с пользователями), и большинство из них было оценено как имеющее слабое или умеренное методологическое качество. Радиотест провело подразделение Harker Bos Group по исследованию рынка, значимость проверялась z-критерием для двух пропорций при 95% доверии; слушателям не сообщали, какой голос они слышали, пока они его не оценили.
6. Тренировка, уверенность и слушающий мозг
Короткая тренировка почти не помогает, а слушатели не понимают, когда ошибаются. Для голосов метакогнитивное осознание, измеренное как AUROC, составило 0,48, чуть ниже значения 0,5, означающего, что уверенность не несёт никакой информации о точности, против 0,59 для лиц в том же исследовании Lancaster (см. раздел 1). Ознакомление с примерами дипфейков почти не меняет точность (см. таблицу). Когда слушатели сомневались, как выяснила команда University of Florida, они склонялись считать аудио человеческим (Warren и др., ACM CCS 2024), и именно на этом смещении держится мошенничество с клонированием голоса; см. нашу статистику семейного мошенничества с клонированием голоса.
Мозг, однако, фиксирует больше, чем сообщает слушатель. После 12-минутной тренировки 30 носителей китайского языка (путунхуа) показали нейронные различия между человеческой и ИИ-речью примерно на 55, 210 и 455 миллисекундах, но их поведенческое различение значимо не улучшилось (Yang и др., eNeuro 2026). В цюрихском исследовании с фМРТ слуховая кора отслеживала акустические различия между дипфейк-голосами и естественными, тогда как прилежащее ядро, часть системы вознаграждения, было менее активно, когда дипфейк сравнивали с естественным голосом (Roswandowitz и др., Communications Biology 2024).
| Показатель | Значение | Источник |
|---|---|---|
| Метакогнитивное осознание (AUROC) для голосов против лиц, где 0,5 означает отсутствие понимания | 0,48 против 0,59 | Ivory и др., Scientific Reports 2026 (в печати) |
| Прирост обнаружения от ознакомления с примерами дипфейков | 3,84% в среднем | Mai и др., PLOS ONE 2023 |
| Чувствительность (d-прайм) к человеческой речи до против после 12-минутной тренировки (30 участников) | 0,383 против 0,536 | Yang и др., eNeuro 2026 |
| Чувствительность (d-прайм) к дообученным клонам ИИ до против после той же тренировки | 0,266 против 0,341 | Yang и др., eNeuro 2026 |
| Основной эффект тренировки на чувствительность | F(1,29) = 3,918; p = 0,057 | Yang и др., eNeuro 2026 |
| Латентность нейронного различения человеческой и ИИ-речи после тренировки | около 55 мс, 210 мс и 455 мс | Yang и др., eNeuro 2026 |
| Взрослые, обеспокоенные клонированием своего голоса (1 500 взрослых в США, Великобритании, Австрии, Германии и Швейцарии) | 67% | Malwarebytes AI Scams Report 2026 (опрос поставщика) |
| Взрослые, получившие за последние 12 месяцев звонок с клонированным голосом знакомого человека | 16% | Malwarebytes AI Scams Report 2026 (опрос поставщика) |
Примечание к контексту: AUROC (площадь под ROC-кривой) здесь показывает, выше ли уверенность слушателя в верных ответах, чем в неверных. Предложения для eNeuro взяты из теста восприятия речи на китайском языке (путунхуа), а голоса ИИ были созданы с помощью модели клонирования с открытым кодом. Опрос Malwarebytes проводился онлайн с 1 по 17 марта 2026 года независимым исследовательским консультантом; это собственный опрос поставщика средств безопасности, поэтому воспринимайте его как контекст, а не как измерение восприятия.
Итоги: зловещая долина в синтетических голосах в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Реальные и синтетические голоса классифицированы правильно | 53,95% | Ivory и др., Scientific Reports 2026 (в печати) |
| Средняя точность человека на трёх наборах дипфейков (1 212 участников) | 73% | Warren и др., ACM CCS 2024 |
| Средняя точность на самом сложном и самом простом наборе дипфейков | 65% против 81% | Warren и др., ACM CCS 2024 |
| Обнаружение дипфейков: один фрагмент за раз против рядом с настоящим фрагментом | 70,35% против 85,59% | Mai и др., PLOS ONE 2023 |
| Клон ИИ признан принадлежащим тому же человеку, что и настоящий диктор | примерно 80% | Barrington, Cooper и Farid, Scientific Reports 2025 |
| Доля ‘человеческих’: клоны голоса против настоящих записей против обычных голосов ИИ | 0,70 против 0,72 против 0,39 | Lavan и др., PLOS One 2025 |
| Сопоставление личности: естественные голоса против дипфейков | 86,98% против 68,94% | Roswandowitz и др., Communications Biology 2024 |
| Корреляция между человекоподобием и приятностью для голосов TTS | r(203) = 0,48; p < 0,001 | Ross, Corley и Lai, Speech Prosody 2024 |
| Человекоподобие: самый человекоподобный голос TTS против человеческой записи | 46,1 против 71,5 | Ross, Corley и Lai, Speech Prosody 2024 |
| Жуткость: самый человекоподобный голос TTS против человеческой записи | 40,4 против 28,9 | Ross, Corley и Lai, Speech Prosody 2024 |
| Человекоподобие как предиктор жуткости для двух синтетических голосов | β = −0,64 и β = −0,66 | Kühne, Fischer и Zhou, Frontiers in Neurorobotics 2020 |
| Несовпадающие и совпадающие сочетания лица и голоса | t(47) = 6,042; p < 0,001 | Mitchell и др., i-Perception 2011 |
| Жуткость: человеческая фигура с синтетическим голосом против человеческой фигуры с человеческим голосом | M = 0,19 против M = −1,10 | Mitchell и др., i-Perception 2011 |
| Симпатия к виртуальному персонажу: человеческий голос против голоса робота | 3,75 против 2,99 | Choi и др., IEEE ISMAR-Adjunct 2023 |
| Тепло первого впечатления: детские против взрослых против роботизированных настроек | 3,37 против 2,60 против 2,06 | Huang и Moore, Frontiers in Robotics and AI 2024 |
| Общая привлекательность: закадровый голос ИИ против человеческого | 61% против 60% | Crowd React Media AI Voiceover Study 2026 |
| Пользователи, критиковавшие тон голоса безэмоционального разговорного агента | примерно 68% | Cihodaru-Ștefanache и Podina, Frontiers in Psychology 2025 |
| Влияние 12-минутной тренировки на чувствительность к ИИ-речи | F(1,29) = 3,918; p = 0,057 | Yang и др., eNeuro 2026 |
Методология и источники
- Ivory, McGettigan, Nuttall и Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, в печати, репозиторий Lancaster University
- Lavan и др., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
- Barrington, Cooper и Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central и arXiv v2
- Mai, Bray, Davies и Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
- Warren и др., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF University of Florida
- Roswandowitz и др., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
- Yang, Jiang, Bai, Ni и Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
- Ross, Corley и Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
- Kühne, Fischer и Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
- Baird и др., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
- Diel и Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
- Zhao, Chen и 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 через DOI
- Mavromati, Erdinch и Paterson, “The uncanny valley of familiarly unfamiliar voices”, препринт PsyArXiv 2025, OSF
- Mitchell и др., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
- Choi, Koilias, Volonte, Kao и Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
- Huang и 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 и Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM через DOI
- Cihodaru-Ștefanache и 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, также освещено Radio Ink
- Malwarebytes, AI Scams Report 2026 (опрос поставщика среди 1 500 взрослых), Malwarebytes
- Наблюдение по данным: исследование Lancaster о лице и голосе цитируется по принятой версии из репозитория университета, поэтому цифры в окончательной журнальной версии могут немного измениться. Исследование клонов UC Berkeley печатает свои главные проценты в журнальной версии в виде изображений, поэтому значения примерно 80% и около 60% взяты из текста arXiv v2, который совпадает с опубликованной аннотацией. Базовый уровень Queen Mary менялся между экспериментами (слушатели называли ‘человеческими’ 81% человеческих голосов в Эксперименте 1a, 62% в Эксперименте 1b и 72% в Эксперименте 2), поэтому клоны и человеческие голоса следует сравнивать только внутри одного эксперимента, но не между ними. Два значения 73% из исследований UCL (2023) и University of Florida (2024) измеряют разные задачи и наборы данных и не являются воспроизведением друг друга. Слепой радиотест не выявил статистически значимой разницы в том, как часто опознавались два голоса, а точные доли опознания приведены только на диаграмме. Ни один опубликованный здесь тест не охватывал голоса TTS, оценённые как почти полностью человекоподобные, поэтому верхняя часть кривой вокальной зловещей долины остаётся непроверенной. Эталонные оценки естественности (MOS и CMOS) мы сознательно оставляем нашему обзору MOS.
Последнее обновление: 8 ноября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается после публикации в Scientific Reports окончательной версии исследования Lancaster об обнаружении лица и голоса.