Práci s literaturou hodnotím jako nedostatečnou vzhledem k náročnosti tématu. Pokrytí relevantních zdrojů je nekompletní. Student se věnuje vybraným základním pojmům a metodám, avšak chybí širší a systematičtější zpracování současného stavu poznání v oblasti detekce hlasových deepfakes, forenzní analýzy, šumových a akustických artefaktů syntetické řeči i standardních detekčních metod. Vzhledem k výzkumnému charakteru zadání měla být rešerše podstatně hlubší a měla přímo podporovat volbu zkoumaných metod.

Závěrečná fáze práce nebyla dostatečně konzultována. Text práce se mnou nebyl před odevzdáním projednán, a proto nebyl prostor vůbec ovlivnit jeho formu.

Prezentační úroveň technické zprávy je velmi slabá. Abstrakt ani rozšířený abstrakt nedostatečně vysvětlují řešený problém, motivaci práce, použitý přístup ani dosažené výsledky. Úvod neobsahuje citace a related work je nevhodně začleněna přímo do introduction.

Text působí spíše jako soubor vzorců a technických popisů převzatých z literatury než jako souvislá technická zpráva. Mnohé části postrádají kontext a není zřejmé, jak souvisejí s cílem práce. Teoretická část obsahuje velké množství formálních popisů, ale jen omezeně vysvětluje jejich význam pro navržené řešení.

Experimentální část je prezentována nepřehledně a postrádá řadu důležitých informací o použitých datech, metodice experimentů a interpretaci výsledků. Celkově se čtenář v práci obtížně orientuje a z textu není zřejmé, jaké jsou skutečné přínosy práce a jaké závěry lze z dosažených výsledků vyvodit.

Realizační výstup nepovažuji za dostatečný a podle mého názoru neprokazuje splnění zadání. Zadání vyžadovalo studium detekce deepfake audia, analýzu šumu a akustických charakteristik pro detekci deepfake řeči a porovnání s existujícími detekčními metodami. Tyto části jsou však v práci zpracovány pouze okrajově nebo jim zcela chybí. Zejména nevidím dostatečný přehled aktuálních detektorů deepfake audia, srovnání s nimi ani systematickou analýzu toho, jaké šumové nebo akustické artefakty syntetická řeč obsahuje a jak je lze využít pro detekci.

Není jasné, co přesně student vytvořil sám a co převzal z existující publikace nebo implementace. Použitá metoda je založena na odborné publikaci, ale práce nevysvětluje přesvědčivě, proč byla zvolena právě tato metoda, zda je pro řešený problém vhodná, jak se liší od jiných aktuálních přístupů a jaký je její přínos pro studenta. Pro dopracování by bylo nutné explicitně oddělit převzatý popis metody, použitý kód/knihovny a vlastní implementační nebo experimentální přínos.

Experimentální část je popsána nedostatečně. Není jasné, na jakých datech experimenty probíhaly, kolik bylo vzorků, jak byla data rozdělena na trénovací a testovací části, jak probíhalo trénování, jaké parametry byly použity a proč jsou zvlášť řešeny TTS a VC. V práci se objevuje popis jednotlivých funkcí a kódu, který experimenty provádí, což spíše patří do dokumentace implementace než do technické zprávy. Technická zpráva by měla místo toho popsat experimentální metodologii, datové zdroje, nastavení experimentů a způsob jejich vyhodnocení.

Výsledky jsou prezentovány a interpretovány nesprávně. Tabulka 4.1 je nesrozumitelná a není dostatečně vysvětlena. Objevují se nejasné formulace jako „accuracy 0.0.67“. Za zásadní problém považuji tvrzení, že systém funguje na základě precision a recall nad 80 % pro spoofed speech, když současně práce uvádí EER okolo 40–50 %. Taková hodnota EER odpovídá chování blízkému náhodnému rozhodování a nelze ji interpretovat jako úspěšnou detekci. Vyhodnocení pouze jedné třídy pomocí precision a recall bez odpovídajícího kontextu je zavádějící.

Pro uznatelný výsledek by bylo potřeba doplnit korektní experimentální metodiku, vysvětlit všechny použité metriky, uvést confusion matrix, porovnat řešení s relevantními baseline nebo existujícími detektory a správně interpretovat dosažené výsledky. Dále by bylo nutné doplnit přehled aktuálních detekčních metod, diskutovat novější datasety a soutěže, například ASVspoof 2021 nebo novější, a vysvětlit výběr datasetu ASVspoof 2019.

V současném stavu realizační část neprokazuje funkčnost řešení ani splnění klíčových bodů zadání.

Evaluation level: assignment not fulfilled

Zadání podle mého názoru nebylo splněno v požadovaném rozsahu. Práce měla studovat detekci deepfake audia, šum a akustickou analýzu pro detekci deepfake řeči. Tyto části jsou však v práci zpracovány buď pouze okrajově, nebo prakticky chybí.

V práci nevidím dostatečný přehled současných detekčních metod ani relevantních prací, které se věnují detekci deepfake audia. Chybí také srovnání s existujícími detektory, což považuji za zásadní nedostatek vzhledem k bodům zadání. Práce se sice částečně dotýká šumu a syntetické řeči, ale pouze velmi povrchně a bez hlubší analýzy toho, jak konkrétní metody generování syntetické řeči šum nebo akustické artefakty vytvářejí a jak by je bylo možné využít pro detekci.

Výsledná metoda působí jako převzatý přístup z odborné publikace, přičemž není jasné, co přesně je vlastním přínosem studenta. Z práce mám dojem, že student především našel existující metodu a použil dostupnou implementaci, ale bez dostatečného vysvětlení, proč byla zvolena právě tato metoda, jak funguje, jak souvisí se zadáním a jaké jsou její výhody proti jiným aktuálním přístupům.

Citace jako takové jsou v práci částečně přítomny, ale způsob práce s literaturou nepovažuji za dostatečný. Mnoho částí působí stylem „tato sekce je založena na [X]“, což není dostatečné zpracování literatury v rámci vlastního výkladu. Text často působí jako převzatý technický popis z odkazovaných publikací, bez dostatečného vysvětlení a bez jasného propojení s cílem práce.

Práce také nedostatečně pracuje s aktuálním stavem poznání. Není jasné, proč byl použit dataset AVspoof2019, když existují novější a reprezentativnější datasety a soutěže, například ASVspoof 2021 nebo novější ročníky. V práci chybí přehled aktuálních přístupů k detekci deepfake audia a chybí i vysvětlení, jak se studentovo řešení vůči těmto přístupům vymezuje.