> For the complete documentation index, see [llms.txt](https://library.zoom.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://library.zoom.com/technical-library/nl/ai/deepfake-risk-detection.md).

# Detectie van deepfakerisico

Dagelijkse vooruitgang in AI-technologie maakt het moeilijker om onderscheid te maken tussen echte personen en een bedrieger; dit is een fenomeen dat bekendstaat als een deepfake. Recente incidenten in de praktijk hebben aangetoond hoe kwaadwillenden deepfaketechnologie misbruiken om zich voor te doen als anderen, doorgaans voor financieel gewin of om vertrouwelijke informatie te verkrijgen. Door de snelle vooruitgang in AI zullen deepfakes waarschijnlijk steeds vaker voorkomen, waardoor de bijbehorende beveiligingsdreigingen toenemen.

Zoom zet zich in voor de veiligheid van de gebruiker en introduceert daarom een eigen oplossing om potentiële deepfakerisico's in Zoom Meetings te detecteren en gebruikers daarvan op de hoogte te brengen: Deepfake-risicodetectie.

{% hint style="warning" %}
**Belangrijk**

De lancering van deze Functie(s) staat gepland voor december 2026 als een betaalde Add-on(s)-SKU. Uw Zoom-vertegenwoordiger is uw contactpersoon voor meer informatie.
{% endhint %}

Blijf lezen om meer te weten te komen over de klantervaring, praktijkvoorbeelden, de context rond beveiliging en privacy, en praktische richtlijnen voor gebruikers en beheerders.

Wat is deepfake-risicodetectie?

Zoom heeft Deepfake Risk Detection ontwikkeld, een eigen methodologie, om te helpen bepalen of mogelijke deepfake-risico's presenteren in vergaderingen. De oplossing is native aan Zoom Meetings, waardoor het een ingebedde gebruikerservaring is zonder dat externe tools nodig zijn.

Deepfake-risicodetectie kan:

* Beoordeel de waarschijnlijkheid van risico's van synthetische audio of video
* Breng ingeschakelde deelnemers van de vergadering op de hoogte wanneer deepfake-risico's worden geïdentificeerd
* Weergeven duidelijke berichtenverkeer over zijn beoordeling van een deepfake om deelnemers Toestaan de risico's te evalueren en passende actie te ondernemen om de risico's te beperken

Technische diepgaande verkenning: Zooms unieke aanpak

Zoom heeft eigen machine learning-modellen gemaakt om de kans op synthetische video en audio te detecteren, vergeleken met een mens. Wanneer Zoom Deepfake Risk Detection is ingeschakeld door de host of door deelnemers met inschakeling, analyseert de deepfakedetectietechnologie de tegel van de actieve spreker.

## Hoe helpt Zoom deepfakes te detecteren?

### Videodetectie

Zoom Deepfake Risk Detection wordt rechtstreeks uitgevoerd op de videostream die wordt vastgelegd op het Apparaat van de afzender, voordat deze de videoverwerkingspijplijn binnenkomt, met behulp van onbewerkte frames aan de clientzijde. Dit biedt een belangrijk voordeel doordat de impact van compressie, artefacten van video-encoding/-decoding met lage bandbreedte en andere verwerkingsstappen die de kwaliteit verslechteren, wordt vermeden; deze zouden deepfake-artefacten kunnen verhullen of verwijderen.

We hebben ook een dual-stream-gezichtsVerificatiearchitectuur ontworpen. Aan de ontvangerzijde wordt de videostream naar de Cloud gestuurd en vergeleken met de stream die aan de afzenderzijde is verkregen om te verifiëren dat beide streams consistent zijn. Dit voorkomt dat een aanvaller een echte videostream van de afzenderzijde naar de deepfake-detectieserver stuurt, terwijl hij een deepfake-videostream levert aan een Zoom-ontvanger. Tijdelijke synchronisatie met behulp van tijdstempels helpt ervoor te zorgen dat de twee videostreams vóór vergelijking correct op één lijn zijn gebracht.

Een belangrijke efficiëntiefunctie van Deepfake Risk Detection is **adaptieve detectiefrequentie**. Het systeem voert hoogfrequente controles uit wanneer een Deelnemer aan een vergadering deelneemt en verlaagt de frequentie daarna geleidelijk naarmate het vertrouwen toeneemt. De detectiefrequentie wordt ook dynamisch aangepast op basis van eerdere verificatieresultaten: de frequentie wordt verlaagd wanneer het vertrouwen hoog is en de detectie wordt opgeschort wanneer herhaalde fouten erop wijzen dat de videostream onbetrouwbaar is. Een aanvullende kwaliteitsbeoordelingslaag beoordeelt ruis, helderheid, vervaging en het vertrouwen in de detectie van herkenningspunten voordat deepfakedetectie wordt uitgevoerd. Frames van lage kwaliteit worden overgeslagen en de Deelnemer krijgt praktische instructies om het probleem te verhelpen (bijvoorbeeld de belichting verbeteren of bewegingsonscherpte verminderen), zodat er geen Berekening wordt verspild aan onbruikbare invoer.

In een Zoom-vergadering beheert Zoom de videofilters, avatars en Studio-effecten in de vergaderingservaring. Wanneer Deepfake Risk Detection is ingeschakeld, worden deze specifieke Functie(s) uitgeschakeld voor de duur van de vergadering om de onderliggende audio- en videostreams nauwkeuriger te analyseren.

{% hint style="info" %}
**Opmerking**

De meeste Functies onder Vormgeving en Virtuele achtergrond **zijn** compatibel met Deepfake Risk Detection. Pose Correction vormt een uitzondering en wordt uitgeschakeld wanneer Deepfake Risk Detection is ingeschakeld.
{% endhint %}

Gegevenselementen van de video- en audiostreams worden vastgelegd en naar de Cloud verzonden, waar detectie plaatsvindt. De video- en audiodata en de resulterende scores worden verwijderd nadat de vergadering is beëindigd.

### Audiodetectie

Zoom Audio Deepfake Risk Detection analyseert de audio van elke actieve spreker in realtime aan de Cloud-zijde. De audio van de vergadering gaat door Zooms Standaard audioverwerking voordat deze de detectieservice bereikt. Enkele van deze Standaard processen zijn echo-cancellatie, ruisonderdrukking en codec-encodering. Ons detectiemodel is getraind op een breed scala aan audioomstandigheden uit de praktijk, waaronder audio die is verwerkt door Zooms eigen pipeline, om ervoor te helpen zorgen dat echte spraak niet per ongeluk als nep wordt gemarkeerd.

In plaats van de volledige audiostream continu te analyseren, haalt het systeem op intelligente wijze **korte spraakfragmenten** van de actieve spreker op voor classificatie. Een kwaliteitsbeoordelingslaag evalueert de audioomstandigheden in realtime en sluit automatisch fragmenten uit die door een slechte netwerkkwaliteit zijn aangetast. Zo wordt analyse van onbetrouwbare invoer voorkomen en kunnen resources productiever worden ingezet. Een **spraakherkenningsfilter** helpt ervoor te zorgen dat alleen daadwerkelijke spraak de deepfake-analyse activeert; audio zonder spraak, zoals muziek of achtergrondgeluiden, wordt automatisch uitgesloten.

Net als bij videodetectie beheert Zoom de audiofilters en Studio-effecten in de ervaring van de vergadering. Wanneer Deepfake Risk Detection is ingeschakeld, worden deze specifieke functies uitgeschakeld om de onderliggende audiostreams nauwkeuriger te analyseren. Wanneer een Deelnemer echter de avatarmodus gebruikt, blijft audio-deepfakedetectie werken, zodat de verificatie van de spreker actief blijft, zelfs wanneer op video gebaseerde analyse niet beschikbaar is.

## Architectuur

Het onderstaande diagram toont een overzicht van Deepfake Risk Detection.

<div data-with-frame="true"><figure><img src="https://3901650588-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FctBXUMeBy4rtLMmMkKRG%2Fuploads%2Fceg7QCwwI7tQIjqmJxa5%2Funknown.png?alt=media&amp;token=a6631afe-18af-4350-87a3-44e5c7547a15" alt="Architecture diagram showing data flow from sender to client to Zoom Cloud." height="695" width="624"><figcaption></figcaption></figure></div>

## Gebruikerservaring

Wanneer je in een Zoom-vergadering bent en Zoom Deepfake Risk Detection hebt ingeschakeld, kun je het volgende verwachten als een mogelijk risico wordt gemarkeerd.

Zoom Deepfake Risk Detection zal alle ingeschakelde gebruikers op de hoogte stellen van de mogelijke aanwezigheid van synthetische audio of video door het volgende te doen:

* Markeer de vermoedelijke Deelnemer met een **Deepfakerisico** pictogram
* Verplaats die Deelnemer naar het kwadrant linksboven van het Scherm
* Geef een **Deepfakerisico gedetecteerd** pop-up weer met een link om het **Dashboard voor deepfakedetectie**, dat aanvullende informatie biedt

De volgende afbeelding toont het pictogram en de pop-up.

<div data-with-frame="true"><figure><img src="https://3901650588-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FctBXUMeBy4rtLMmMkKRG%2Fuploads%2FxYY0DrODyhfsMeYCSjFV%2Funknown.png?alt=media&amp;token=12dc5921-4999-497f-a05a-983be5458381" alt="Sample image including Deepfake Risk Detection warnings." height="409" width="624"><figcaption></figcaption></figure></div>

De **Dashboard voor deepfakedetectie** biedt ingeschakelde gebruikers aanvullende informatie, waaronder:

* De risicostatus van **alles** deelnemers aan de vergadering
* Detectierisico’s en betrouwbaarheidsniveaus worden weergegeven voor **beide** video- en audiostreams die extra context bieden
* Duidelijke oproepen tot actie, om gebruikers te helpen informeren over mogelijke Volgende stappen

Het volgende is een voorbeeld van het Dashboard voor deepfake-detectie:

<div data-with-frame="true"><img src="https://3901650588-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FctBXUMeBy4rtLMmMkKRG%2Fuploads%2FKUPezhc9d7x8UplAwue7%2Funknown.png?alt=media&amp;token=f90c2318-a92d-461d-aa51-b19b20cbe442" alt="" height="574" width="251"></div>

{% hint style="info" %}
**Opmerking**

Zoom Deepfake Risk Detection meldt gebruikers ook wanneer een video- of audiodatastream te zwak of van te slechte kwaliteit is om een deepfake te detecteren, of als een Deelnemer geen toestemming heeft gegeven.
{% endhint %}

Gebruikssituaties

Deze sectie bevat drie veelvoorkomende gebruiksscenario's voor de detectie van deepfaketrisico's. Als u een scenario wilt bespreken, neem dan contact op met uw Zoom-contactpersoon.

### Consultant Financiële dienstverlening

#### Overzicht

Bob Smith is een persoonlijk adviseur voor vermogende klanten bij een particuliere bank. Hij spreekt dagelijks met vijf of zes klanten en adviseert hen over vermogensstrategieën en financiële transacties om hun persoonlijke financiën te beheren.

#### Risico's

Bob faciliteert geldtransfers namens hen, waaronder het openen van nieuwe rekeningen, het doen van grote aankopen en het betalen van leveranciers van de nalatenschap. Bob vertrouwt op zijn oordeel, kent zijn cliënten persoonlijk en op lichte autorisatiecontroles.

#### Voorbeeld

Een langetermijnclient vroeg om een ad-hoc vergadering met Bob om hem te informeren over een voorgenomen Kopen van een exotische auto voor een Lid/leden van de familie. De client instrueerde Bob om $190K over te maken aan de Eigenaar. Zoom Deepfake Risk Detection waarschuwde Bob voor een hoog deepfake-risico. Hoewel dit soort Kopen niet ongewoon was voor de client, handelde Bob voorzichtig en belde de client op zijn mobiele telefoon voordat de daadwerkelijke geldtransfer plaatsvond. De echte client had geen kennis van de vergadering en Bob voorkwam dat hij geld overmaakte aan een kwaadwillende partij.

### HR-recruiter

#### Overzicht

Sally Ng is een talentrecruiter in een middelgrote Organisatie en ondersteunt IT-werving voor engineering- en technische functies. Zij heeft op elk moment acht tot tien openstaande posities en beheert het wervingsproces van begin tot eind, van het identificeren van kandidaten tot het onderhandelen over aanbiedingen.

#### Risico's

Sally is voorzichtig tijdens het wervingsproces voor functies op afstand. Haar Organisatie doet steeds vaker aanbiedingen aan kandidaten offshore. Het screeningsproces is intensief, meestal met vijf of zes extra interviewers en succesvolle document Verificatie voordat het definitieve aanbod wordt afgerond. Kandidaten worden vaak ingewerkt zonder iemand fysiek te ontmoeten.

#### Voorbeeld

Halverwege een veelbelovend sollicitatieproces nam Sally via video contact op met de kandidaat om hen te informeren over de laatste gespreksronde. Zoom Deepfake Detection waarschuwde Sally voor een verhoogd risico, inclusief synthetische audio. Sally controleerde de identiteit van de kandidaat tegen andere bronnen en stelde vast dat de kandidaat zich voordeed als de online profielaanwezigheid van iemand anders. Deepfake Risk Detection kon een situatie voorkomen waarin een kwaadwillende partij toegang had tot de interne IT-infrastructuur en omgeving van het bedrijf. Sally voorkwam mogelijke ransomware-aanvallen, in gevaar gebrachte klantinformatie en diefstal van propriëtaire software.

### Manager in de Financiële sector

#### Overzicht

Tom Cox beheert een Groep crediteuren-specialisten voor een grote Organisatie. Zijn team is verantwoordelijk voor het betalen van leveranciers die diensten leveren voor een divisie van het bedrijf.

#### Risico's

Het bedrijf heeft processen ingericht om ervoor te zorgen dat alleen goedgekeurde facturen worden betaald. Het vereiste goedkeuringsniveau komt overeen met het factuurbedrag. Sommige leveranciers leveren kritieke diensten die het bedrijf draaiende houden, zoals infrastructuur- en datadiensten. Te late Betaling(en) kunnen leiden tot verstoring bij klanten, schade aan de reputatie van het bedrijf en/of boetes.

#### Voorbeeld

Tom kreeg onverwacht een telefoontje van de vicepresident Financiën van de divisie. De VP instrueerde Tom om een Betaling van $1.2M aan een leverancier voor een vertrouwelijk project te doen. De VP belde Tom, omdat Toms baas niet op kantoor was. De Betaling was te laat en moest vandaag worden gedaan, anders zou Toms bedrijf te late boetes krijgen. Tom werd achterdochtig en vroeg de VP om aan een korte Zoom-vergadering te Deelnemen om te verifiëren dat hij het echt was. De VP nam deel aan de vergadering en leek en klonk voor Tom identiek aan de echte VP, behalve dat Deepfake Risk Detection Tom liet weten dat het waarschijnlijk synthetisch was. Tom weigerde de Betaling te doen en voorkwam een kostbare fout.

## Mogelijkmaking en gebruik

Zodra de Add-on(s) zijn aangeschaft, kunnen accounteigenaren en beheerders Deepfake Risk Detection inschakelen via de **Groep** niveau voor de Organisatie. Voer de volgende stappen uit om de Functie(s) in te schakelen:

1. Meld u aan bij de [Zoom-webportal](https://www.zoom.com/).
2. Ga naar het gedeelte Beheerder. Klik op **Accountbeheer**, klik vervolgens op **Accountinstellingen**.
3. Klik in de navigatiebalk bovenaan op **Algemeen**. Ga naar de **Beveiliging** sectie en schakel **Deepfakerisicodetectie inschakelen**.

{% hint style="info" %}
**Opmerking**

Als u deze instelling wilt vergrendelen, zodat deze Functie(s) automatisch start in alle vergaderingen, klikt u op het slotpictogram naast de In-/uitschakelen-knop van de Functie(s). Als u liever wilt dat vergaderhosts en gemachtigde gebruikers de optie hebben om de Functie(s) per afzonderlijke vergadering in te schakelen, laat u het slot open.
{% endhint %}

Als je Deepfakerisicodetectie in een vergadering wilt inschakelen, ga je naar het menu in de onderste werkbalk en klik je op het **Detectie** pictogram.

<div data-with-frame="true"><figure><img src="https://3901650588-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FctBXUMeBy4rtLMmMkKRG%2Fuploads%2F8jNV0vU542V4RmL0GOgW%2Funknown.png?alt=media&amp;token=d5aa945e-7698-44b0-baa5-67fc36f9310f" alt="Image of the menu, showing the Detection option in the middle of the second row." height="280" width="186"><figcaption></figcaption></figure></div>

Toestemming

Zowel hosts als deelnemers kunnen Deepfake Risk Detection Inschakelen voor hun vergaderingen. Alle deelnemers aan de vergadering worden ervan op de hoogte gebracht dat Deepfake Risk Detection is ingeschakeld en zullen toestemming moeten geven. Deelnemers hoeven alleen bij het eerste gebruik toestemming te geven en hun toestemming wordt opgeslagen in Instellingen van de gebruiker. Gebruikers kunnen hun toestemmingskeuze altijd Wijzigen in hun portaal voor Instellingen.

<div data-with-frame="true"><figure><img src="https://3901650588-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FctBXUMeBy4rtLMmMkKRG%2Fuploads%2FjERq2uPA32Ri8PD1vtwV%2Funknown.png?alt=media&amp;token=658db132-011e-42d2-b248-b0d74899af37" alt="Sample Zoom meeting screen displaying a message that &#x22;Deepfake risk detection is on.&#x22;" height="411" width="624"><figcaption></figcaption></figure></div>

## Methodologie

Zoom zet zich in om ervoor te zorgen dat onze Klanten een betrouwbare en veilige ervaring tijdens de vergadering hebben. Zoals bij elke oplossing voor risicobeperking is niets perfect. Kwaadwillenden blijven zich ontwikkelen en zullen Doorgaan met het testen van verdedigingsmechanismen, dus het is de moeite waard om Actief maatregelen te nemen om uw Organisatie te beschermen.

Met behulp van een combinatie van methoden om echte gevallen weer te geven, hebben we een directe vergelijking uitgevoerd met toonaangevende deepfake Oplossingen voor zowel video als audio. Enkele methoden die we hebben gebruikt zijn:

**Video**

* Traditionele op grafische basis gebaseerde bewerkings- en compositietechnieken
* Vroege methoden voor deep learning, zoals gezichtsverwisseling op basis van auto-encoders
* Generatie- en manipulatiemethoden op basis van GAN's
* Generatie-/bewerkingsmethoden op basis van diffusie
* Neurale renderingbenaderingen, zoals NeRF en 3D-gaussische splatting

**audio**

* Referentie-geconditioneerde generatieve TTS
* Spectrogram-vocoder TTS
* Neurale codec- of vocoder-resynthese
* Stemconversie of spraak-naar-spraak

{% hint style="warning" %}
**Belangrijk**

Wees altijd voorzichtig en discreet, ongeacht of deepfake-risicodetectie is ingeschakeld.
{% endhint %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://library.zoom.com/technical-library/nl/ai/deepfake-risk-detection.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
