ChatGPT Voice: So prüfst du eine Sprachnachricht

Das Werkzeug liegt unter openai.com/research/verify und braucht kein Konto. Man legt eine einzelne Datei hinein: PNG, JPG oder WEBP beim Bild, MP3, WAV, AAC, FLAC, OGG, OPUS oder PCM beim Ton. Für Aufnahmen empfiehlt OpenAI eine Länge zwischen zehn und sechzig Sekunden. Die hochgeladene Datei werde nicht gespeichert und nicht zum Trainieren der Modelle verwendet, schreibt der Anbieter.

Das Wasserzeichen übersteht Zuschnitt und Kompression

Gesucht wird nach zwei verschiedenen Spuren. Die erste heißt C2PA, ein offener Standard für Herkunftsangaben, die einer Datei angehängt werden. Wenn sie da sind, sind sie ein starkes Signal. Sie sitzen aber in den Metadaten, und Metadaten lassen sich löschen. Ein Bildschirmfoto oder der Umweg über einen Messenger reicht dafür oft schon.

Die zweite Spur ist SynthID. Sie sitzt nicht neben dem Inhalt, sondern im Inhalt selbst, als Muster, das man nicht hört. Laut OpenAI übersteht sie Zuschneiden, Filter und verlustbehaftete Komprimierung. Findet das Werkzeug eines der beiden Signale, ist die Aussage belastbar: Falsch positive Ergebnisse seien selten.

Erkannt wird nur, was aus ChatGPT kommt

Jetzt die Kehrseite, und die ist groß. Kein Signal heißt nicht „nicht von einer KI“. Erkannt wird nur, was aus ChatGPT, der OpenAI-Schnittstelle oder Codex kommt. Wer eine Stimme mit dem Modell eines anderen Anbieters klont, fällt nicht auf. Ein älteres Generierungsmodell, entfernte Metadaten oder ein beschädigtes Wasserzeichen führen zum selben leeren Ergebnis.

Für die Masche mit dem geklonten Anruf bringt das deshalb wenig: Während eines Telefonats gibt es keine Datei zum Hochladen, und der Anrufer wird kaum ChatGPT verwenden. Nützlich wird die Prüfung dort, wo etwas liegen bleibt. Eine Sprachnachricht auf WhatsApp, ein Sprachmemo im Mailanhang, ein weitergeleiteter Videoschnipsel.

Dass ausgerechnet der Hersteller das Prüfwerkzeug stellt, ist kein Zufall. Nach eigenen Angaben sprechen wöchentlich mehr als 150 Millionen Menschen über Sprachchat und Diktat mit ChatGPT, und die KI-Verordnung verlangt von Anbietern, dass synthetische Ton-, Bild- und Videoinhalte maschinenlesbar gekennzeichnet werden. Für alle anderen bleibt die Rechnung nüchtern: Ein erkanntes Signal ist ein Beweis, ein fehlendes ist keiner. Dreißig Sekunden für die halbe Antwort sind trotzdem besser als raten.

Von der verdächtigen Sprachnachricht zum Ergebnis

Der Weg dauert keine zwei Minuten und kostet nichts:

1. Die Sprachnachricht als Datei sichern. Angenommen werden MP3, WAV, AAC, FLAC, OGG, OPUS und PCM.
2. Auf zehn bis sechzig Sekunden kürzen. Diese Länge empfiehlt OpenAI für Tonaufnahmen.
3. openai.com/research/verify aufrufen. Ein Konto braucht es nicht.
4. Die Datei einzeln hineinlegen. Laut Anbieter wird sie nicht gespeichert und nicht zum Trainieren verwendet.
5. Das Ergebnis lesen. Findet das Werkzeug C2PA oder SynthID, ist die Aussage belastbar.

Der Punkt, an dem die meisten falsch abbiegen: Ein leeres Ergebnis heißt nicht, dass ein Mensch gesprochen hat. Geprüft wird auf die Spuren von OpenAI. Wer eine Stimme mit einem anderen Programm nachbaut, hinterlässt diese Spuren nicht, und genau solche Programme nehmen Betrüger.