Gemini Decision 1 erkennt KI-Stimmen, die nach 2024 generiert wurden, nicht
Das neue multimodale Modell von Google kann ältere synthetische Sprache unterscheiden, erreicht bei Stimmen aus den Jahren 2025 und 2026 jedoch nur Zufallstrefferquote.
Automatisch aus dem englischen Original übersetzt.
Google hat am 11. November 2026 Gemini Decision 1 veröffentlicht, ein multimodales Entscheidungsmodell. Jüngste empirische Analysen zeigen, dass das Modell zwar KI-generierte Stimmen von menschlichen Stimmen trennen kann, wenn der Generator vor 2025 veröffentlicht wurde, dies aber bei neueren Systemen nicht gelingt. Für Audioaufnahmen, die in den Jahren 2025 und 2026 erstellt wurden, sinkt die Leistung des Modells auf nahezu zufälliges Niveau.
Was passiert ist
Eine unabhängige Analyse testete Gemini Decision 1 gegen einen Datensatz mit 34 verschiedenen KI-Sprachgeneratoren. Der Test verwendete 30 Audioclips von jedem Generator und verglich sie mit 200 Hörbuchclips von Menschen aus dem LibriTTS-Datensatz. Ziel war es zu bestimmen, ob das Modell synthetische Sprache zuverlässig identifizieren kann. Die Ergebnisse zeigten eine klare Trennung basierend auf dem Veröffentlichungsdatum der Sprachgenerator-Technologie.
Generatoren, die zwischen 2017 und 2024 veröffentlicht wurden, konnten mit einem Area Under the Curve (AUC)-Wert von 0,67 von menschlichen Stimmen unterschieden werden. Dies deutet auf eine moderate Fähigkeit hin, synthetisches von echtem Audio zu unterscheiden. Bei Generatoren, die 2025 und 2026 veröffentlicht wurden, fiel der AUC-Wert jedoch auf 0,52. Ein AUC-Wert von 0,5 entspricht reinem Raten, was bedeutet, dass das Modell diese neueren KI-Stimmen effektiv nicht von menschlichen Aufnahmen unterscheiden kann.
Die Studie verzeichnete zudem eine starke Verzerrung des Modells zugunsten der Einstufung von Audio als menschlich gemacht. Von 1.020 getesteten KI-generierten Clips wurde nur 20 eine Wahrscheinlichkeit von 50 % oder höher zugeschrieben, KI-generiert zu sein. Trotz dieser Verzerrung ermöglichte die relative Rangfolge der Wahrscheinlichkeiten weiterhin die Berechnung der Trennleistung. Der Leistungsabfall erfolgte nicht graduell; er trat abrupt zu Beginn des Jahres 2025 auf, was auf einen erheblichen Sprung in der Realitätsnähe neuerer Text-to-Speech-Modelle hindeutet.
Wie es funktioniert
Für die Abfrage von Gemini Decision 1 wurden drei verschiedene Prompting-Formate verwendet: eine einfache binäre Frage, eine kriterienbasierte Frage und eine Fünf-Punkte-Bewertungsskala von „Definitely authentic“ bis „Definitely AI-generated“. Das Format Criteria Noul erzielte die höchsten Trennwerte für ältere Modelle. Um sicherzustellen, dass die Ergebnisse auf dem Audioinhalt und nicht auf Dateiartefakten basierten, wurde jeder Clip vor dem Test verarbeitet. Metadaten wurden entfernt und das Audio mit ffmpeg in Mono-MP3s mit 128 kbps neu kodiert. Die Clips wurden außerdem bandbegrenzt auf 8 kHz und lautheitsnormalisiert, um technische Variationen zu entfernen, die als unbeabsichtigte Hinweise dienen könnten.
Die Leistung von Gemini Decision 1 wurde mit Daten zur menschlichen Wahrnehmung aus einer Hörstudie im Jahr 2026 mit 1.768 Teilnehmern verglichen. Es gab eine moderate positive Korrelation (r = +0,57) zwischen den Generatoren, die Menschen täuschten, und denen, die das Modell täuschten. Allerdings gab es bemerkenswerte Diskrepanzen. Beispielsweise wurde Griffin-Lim, ein Signalverarbeitungsmethode aus dem Jahr 1984, von Menschen leicht identifiziert (72 % korrekt), verwirrte das Modell jedoch fast vollständig (AUC 0,53). Umgekehrt war Cartesia Sonic-3 für Menschen am schwierigsten zu erkennen (32 % korrekt) und lag auch beim Modell auf Zufallsniveau (AUC 0,51).
Wichtige Details
- Gemini Decision 1 wurde von Google am 11. November 2026 veröffentlicht.
- Das Modell erreicht einen AUC-Wert von 0,67 für KI-Stimmen, die mit Tools vor 2025 generiert wurden.
- Für KI-Stimmen aus den Jahren 2025 und 2026 fällt der AUC-Wert des Modells auf 0,52, was effektiv Zufall ist.
- Nur ein Generator aus den Jahren 2025–2026, Inworld TTS-2, zeigte ein Konfidenzintervall, das leicht über dem Zufallsniveau lag (0,51–0,75).
- Das Modell weist eine starke Verzerrung hin zur Einstufung von Audio als menschlich auf und identifizierte nur 20 von 1.020 KI-Clips als potenziell synthetisch.
- Audioclips wurden von Metadaten befreit und normalisiert, um zu verhindern, dass technische Artefakte die Erkennung beeinflussen.
Warum das wichtig ist
Für Entwickler, die Systeme zur Inhaltsmoderation oder Authentifizierung erstellen, signalisiert diese Erkenntnis, dass sich die Verlässlichkeit aktueller multimodaler Modelle für die Deepfake-Erkennung zunehmend verschlechtert. Der starke Rückgang der Erkennungsfähigkeit bei Modellen nach 2024 deutet darauf hin, dass die Technologie für synthetische Stimmen eine Schwelle überschritten hat, an der akustische Artefakte nicht mehr zur Identifikation ausreichen. Systeme, die auf die Erkennung subtiler digitaler Fingerabdrücke in Audiosignalen angewiesen sind, müssen möglicherweise neu architektoniert oder durch andere Verifikationsmethoden wie Wasserzeichen oder kryptografische Herkunftsnachweise ergänzt werden.
Die Übereinstimmung zwischen den Fehlermustern von Mensch und Maschine hebt auch eine wachsende Herausforderung im Bereich des Nutzervertrauens hervor. Wenn weder Menschen noch fortschrittliche KI-Modelle neuere synthetische Stimmen zuverlässig von echten unterscheiden können, steigt das Potenzial für Betrug und Desinformation erheblich. Ingenieure müssen davon ausgehen, dass jede Audioeingabe synthetisch sein könnte, und Workflows entwerfen, die sich nicht ausschließlich auf die wahrgenommene Authentizität verlassen. Dieser Wandel erfordert einen Übergang zu Zero-Trust-Architekturen für Medieneingaben in sensiblen Anwendungen.
Was Sie tun können
- Verlassen Sie sich nicht ausschließlich auf Gemini Decision 1 oder ähnliche Modelle, um KI-Stimmen zu erkennen, die ab 2025 generiert wurden.
- Implementieren Sie Audio-Wasserzeichen oder kryptografische Signierungen für alle legitimen Sprachinhalte, um die Herkunft zu etablieren.
- Nutzen Sie Multi-Faktor-Authentifizierung für sprachbasierte Systeme, indem Sie Audioanalyse mit Verhaltensbiometrie oder Geräteprüfungen kombinieren.
- Beobachten Sie Updates von Entwicklern von Sprachgeneratoren, da die Erkennungsfähigkeiten oft hinter der Qualität der Generierung zurückbleiben.
- Testen Sie Ihre Erkennungs-Pipelines gegen die neuesten Open-Source-TTS-Modelle, um das aktuelle Gefährdungsniveau zu benchmarken.
- Informieren Sie Nutzer über die Grenzen von KI-Erkennungstools, um Erwartungen hinsichtlich Sicherheit und Authentizität realistisch zu gestalten.



