AI › 신뢰할 수 있는 AI › 윤리 · 공정성

딥페이크Deepfake

심층 학습으로 실존 인물의 얼굴 · 몸 · 목소리를 바꾸거나 새로 만들어 실제와 구분하기 어렵게 한 영상 · 이미지 · 음성이다. 이 글은 유형 · 탐지 · 피해 대응을 다루고, 만드는 방법은 다루지 않는다.

1요약

  1. 딥페이크는 2017년 말 한 온라인 게시판 사용자 이름에서 퍼진 말로, 학술 분류로는 재연 · 교체 · 편집 · 합성 네 유형과 음성 복제가 있고(Mirsky 2020 2절), 그 위에서 사칭 사기 · 성적 허위영상물 · 선거 허위 정보 같은 피해와 탐지 · 삭제 · 처벌 대응이 돈다.
  2. 사람 눈만으로는 가리기 어렵다 — 204명이 판정한 실험에서 정확도는 고화질 68.7% 에서 저화질 58.7% 로 떨어졌다(Rössler 2019 4.1절). 그래서 자동 탐지 · 출처 확인 · 법의 삭제 절차를 함께 쓴다.
  3. 「탐지기가 가짜라고 했다」는 재압축 · 처음 보는 생성 방식 · 기저율 세 가지로 다시 따진다 — 같은 탐지기도 가짜가 1% 인 유통 환경에서는 경보의 대부분이 진짜 영상이다.

2등장 배경

얼굴 합성은 예전에도 사진 편집 도구로 가능했지만 사람 손으로 한 장씩 고쳐야 했다. 2017년 말 「deepfakes」라는 이름의 온라인 게시판 사용자가 심층 학습으로 유명인 얼굴을 성인 영상에 바꿔 넣은 영상을 올리면서 이 이름이 퍼졌다(Mirsky 2020 1절).

탐지 연구는 공개 데이터셋으로 자랐다. FaceForensics++(2019)는 원본 영상 1,000개에 조작 방법 넷을 적용해 이미지 180만 장 이상을 만들었고(Rössler 2019 3절), DFDC(2020)는 동의한 배우 3,426명의 클립 10만 개 이상으로 대회를 열어 2,114개 팀이 참가했다(Dolhansky 2020 6.1절).

법은 피해 유형별로 생겼다. 한국은 2020년 성폭력처벌법 제14조의2(허위영상물 등의 반포등)를 신설하고 2024년 소지 · 시청 처벌(④)을 더했으며, 2023년 공직선거법 제82조의8, 2024년 정보통신망법 제4조의2, AI 기본법 제31조③이 이어졌다. EU AI법은 50조 4항에서 배포자의 딥페이크 공개 의무를 정했다 — 표시 기술 자체는 AI 생성물 표시가 맡는다.

3쉽게 이해하기 — 동네 게시판의 가짜 얼굴 벽보

동네 게시판에 가은 씨 얼굴을 다른 사람 몸에 씌운 가짜 벽보가 붙었다. 가은 씨는 그 벽보를 보고 동네 상담소에 알리고, 상담소는 게시판 관리인에게 떼어 달라고 함께 요청한다. 관리인은 인쇄소 출처 도장을 찾아보고 감정사에게 이음매를 보게 한 뒤 벽보를 떼고, 같은 벽보가 다시 붙지 않게 지문을 목록에 올린다. 벽보를 만들어 붙인 사람은 법정에 선다.

얼굴을 씌운 벽보 남의 얼굴을 덧씌움 딥페이크(합성물) 동네 게시판 벽보가 붙고 퍼짐 유통 플랫폼 얼굴 주인 자기 얼굴을 알아봄 대상자(피해자) 감정사 이음매 · 그림자 확인 내용 기반 탐지기 인쇄소 출처 도장 어디서 찍었나 출처 정보 · 표시 동네 상담소 떼기 요청을 도움 피해자 지원센터 게시판 관리인 떼고 지문을 목록에 삭제 · 해시 차단 법정 만들고 붙인 사람 처벌 · 고지 의무 1 2 3 4 5 6 7 합성물 유통 사람 판정 · 규칙 출처 정보 검증 · 차단

그림 1 · 가짜 벽보는 게시판에서 퍼지고, 얼굴 주인의 신고를 상담소가 관리인에게 잇고, 관리인은 도장 · 감정으로 확인해 떼며, 만든 사람은 법정으로 간다.

가짜 벽보남의 얼굴을 씌움
게시판벽보가 붙고 퍼짐
발견얼굴 주인이 알아봄
상담소떼기 요청을 도움
감정도장 · 이음매 확인
떼고 막기지문을 목록에 올림
비유 — 복사할수록 흐려지는 이음매 실제 — 압축 수준별 탐지 정확도 원본 벽보 이음매가 또렷함 한 번 복사 이음매가 옅어짐 여러 번 복사 이음매가 거의 안 보임 원본 Raw QP 23 약한 압축 QP 40 강한 압축 99.26% 95.73% 81.00% 무작위 50% XceptionNet · 네 조작 방법 전체(Rössler 2019 표 1) 합성 벽보 탐지 정확도

그림 2 · 벽보를 복사할수록 이음매가 흐려지듯, 영상을 강하게 다시 압축하면 같은 탐지기의 정확도가 99.26% 에서 81.00% 로 내려간다.

비유 속 역할실제 이름실제로 하는 일
얼굴을 씌운 벽보딥페이크실존 인물의 얼굴 · 목소리를 바꾸거나 새로 만든 영상 · 이미지 · 음성
동네 게시판유통 플랫폼게시물이 공개되고 복제 · 재압축되며 퍼진다
얼굴 주인대상자 · 피해자자기 의사에 반해 합성된 사람(성폭력처벌법 제14조의2①)
동네 상담소디지털성범죄피해자지원센터피해 신고 접수 · 삭제 지원(성폭력방지법 제7조의4②)
인쇄소 출처 도장출처 정보 · 표시메타데이터 · 워터마크로 생성 · 편집 이력을 확인한다(NIST AI 100-4 3.1절)
감정사의 돋보기내용 기반 탐지기화소 규칙성 · 합성 경계 · 움직임 불일치로 점수를 낸다(NIST AI 100-4 3.2절)
관리인의 지문 목록삭제 · 해시 대조지운 게시물의 해시로 다시 올라오는 사본을 막는다(NIST AI 100-4 5.4절)
법정처벌 · 고지 의무제작 · 반포 · 소지 처벌과 생성 사실 고지(제14조의2 · AI 기본법 제31조③)

⚠ 비유가 맞지 않는 곳: 감정사는 이음매를 보면 확신하지만 실제 탐지기는 0 ~ 1 점수만 내고, 처음 보는 생성 방식에서는 무작위에 가까운 점수를 낸다(Dolhansky 2020 6.1절). 또 출처 정보가 널리 쓰이기 전에는 «도장 없음»이 가짜의 증거가 되지 못한다(NIST AI 100-4 3.2절).

4구조 — 바뀌는 대상에 따른 네 유형과 음성 복제

Mirsky 2020 은 사람 영상 딥페이크를 «대상 인물의 무엇을 바꾸는가»로 넷으로 나누고, 실존 인물의 정체를 통제하는 재연 · 교체를 가장 큰 우려로 꼽았다(2.3절). 음성은 ASVspoof 2019 가 합성(TTS) · 변환(VC)을 논리 접근, 녹음 재생을 물리 접근 시나리오로 나눠 탐지 평가 자료를 만들었다(Wang 2020).

실존 인물을 겨냥(대상 있음) 대상 없음 교체 정체가 바뀜 얼굴 = 다른 사람 FF++ · DFDC 재연 움직임만 바뀜 표정 · 입 · 자세 FF++ 표정 조작 둘 편집 속성만 바뀜 나이 · 옷 · 머리 Mirsky 2020 2.3절 합성 전체를 새로 만듦 없는 사람의 얼굴 Mirsky 2020 2.3절 남는 탐지 단서(NIST AI 100-4 3.2.1절) 합성 경계의 혼합 흔적 입 모양 ↔ 소리 프레임 간 움직임 바뀐 속성 경계의 질감 · 기울기 화소 규칙성 그림자 · 배경 음성(Wang 2020) 음성 복제 — 합성(TTS) · 변환(VC) 목소리 정체가 바뀜 · 논리 접근(LA) 녹음 재생 진짜 목소리를 다시 틀기 · 물리 접근(PA) 정체가 바뀜 움직임 · 속성만 대상 없음 합성 아님 · 단서 굵은 테두리 = 가장 큰 우려

그림 3 · 실존 인물을 겨냥해 정체나 움직임을 바꾸는 교체 · 재연이 피해의 중심이고, 유형마다 남는 탐지 단서가 다르다.

유형바뀌는 것공개 데이터 · 근거남는 탐지 단서대표 피해
교체얼굴 정체FF++ 조작 방법 둘 · DFDC합성 경계의 혼합 흔적성적 허위영상물 · 사칭
재연표정 · 입 · 자세(정체는 그대로)FF++ 조작 방법 둘입 모양 ↔ 소리 불일치발언 조작 · 실시간 영상 사칭
편집나이 · 옷 · 머리 같은 속성Mirsky 2020 2.3절속성 경계의 질감옷을 지운 이미지 · 가짜 신상
합성실존하지 않는 얼굴 전체Mirsky 2020 2.3절화소 규칙성 · 배경 불일치가짜 계정 인물
음성 복제목소리 정체ASVspoof 2019 논리 접근억양 · 음색의 흔적전화 사칭 사기

🔑 피해의 크기는 화질이 아니라 «누구의 정체를 쓰는가»가 정한다 — 거친 교체 영상도 실존 인물을 겨냥하면 피해가 되고, 정교한 합성 얼굴도 대상이 없으면 실존 인물 사칭은 되지 않는다.

5동작 — 얼굴 교체 의심 영상 한 건의 확인 · 대응

설명용 가정 값: 한 동영상 플랫폼 신고 창구에 「내 얼굴이 다른 사람 몸에 합성됐다」는 신고가 들어온다. 영상 길이 · 프레임 수 · 탐지 점수는 가정 값이고, 1.3배 자르기와 압축 수준은 FaceForensics++ 의 설정 값이다.

  1. 대상자가 영상 주소와 본인 원본 사진 2장을 제출한다 — 영상은 10초 × 30 fps = 300 프레임이다.
  2. 검토팀이 원본 파일의 SHA-256 해시를 기록하고 파일을 보관한다 — 법도 요청 없이 삭제를 지원할 때 증거 인멸을 막으려 관련 자료를 보관하게 한다(성폭력방지법 제7조의3③).
  3. 메타데이터 · 콘텐츠 자격 증명을 조회하니 출처 정보가 없다 — 이 단계의 «없음»은 판정 근거로 쓰지 않고 다음 단계로 간다(NIST AI 100-4 3.2절).
  4. 얼굴을 추적해 얼굴 상자를 1.3배 넓혀 자른 300장을 프레임 판별기에 넣는다(Rössler 2019 4.2절) — 프레임 점수 평균 0.71, 0.5 를 넘는 프레임 228장(76%)이다.
  5. 영상이 공유 과정에서 강하게 재압축돼 점수만으로 정하지 않는다 — 같은 계열 판별기의 정확도는 원본 99.26% · H.264 QP 23 95.73% · QP 40 81.00% 였다(Rössler 2019 표 1). 검토자 두 명이 원본 사진과 얼굴 경계 · 입 움직임을 대조해 합성으로 판정한다.
  6. 게시물을 삭제 · 접속 차단하고, 재압축 · 크기 변경에도 비슷한 값을 내는 지각 해시를 등록해 다시 올라오는 사본을 막는다(전기통신사업법 제22조의5① · NIST AI 100-4 5.4절).
  7. 대상자에게 처리 결과를 알린다 — 대상자는 디지털성범죄피해자지원센터 삭제 지원 요청(성폭력방지법 제7조의3② · 제7조의4)과 수사기관 고소를 따로 진행할 수 있다.
대상자 플랫폼 검토팀 판정 도구 지원 · 수사 기관 1 신고 접수 10초 · 300프레임 2 원본 보존 SHA-256 기록 3 출처 정보 조회 자격 증명 없음 4 얼굴 자르기 · 점수 300장 · 평균 0.71 5 사람 검토 재압축 · 원본 대조 6 삭제 · 해시 등록 재게시 차단 7 삭제 지원 · 고소 지원센터 · 수사기관 10초 · 점수 0.71 = 설명용 가정 값 · 1.3배 자르기 · QP = FaceForensics++ 설정 값

그림 4 · 신고 영상은 보존 → 출처 조회 → 프레임 점수를 거치지만 판정은 사람 검토가 내리고, 삭제와 해시 등록 뒤 지원 · 수사 기관으로 이어진다.

그림 5 는 재현율 90% · 오경보율 5% 인 탐지기(가정 값)를 업로드 1만 건에 놓고 원문 식으로 셈한 값이다. DFDC 도 실제 분포에서의 쓸모를 보려고 오경보에 가중치 α 를 곱한 가중 정밀도를 따로 보고했다(Dolhansky 2020 식 1).

벤치마크 — 가짜 50% 1만 건 중 가짜 5,000 · 경보 4,750 건 맞은 경보 4,500 오경보 250 94.7% 실제 유통 — 가짜 1% 1만 건 중 가짜 100 · 경보 585 건 90 오경보 495 — 모두 진짜 영상 15.4% 정밀도 = 맞은 경보 ÷ 전체 경보 · 오른쪽 숫자 = 정밀도 같은 탐지기 = 재현율 90% · 오경보율 5%(설명용 가정 값) 실제 가짜를 맞힌 경보 진짜 영상에 낸 오경보

그림 5 · 같은 탐지기라도 가짜가 절반인 벤치마크에서는 경보의 94.7% 가 맞지만, 가짜가 1% 인 유통 환경에서는 15.4% 만 맞는다.

🔑 정확도는 탐지기의 값이지만 경보의 정밀도는 가짜가 얼마나 섞였는가의 값이다 — 탐지기를 바꾸지 않아도 유통 환경에서는 경보 열 건 중 여덟 건 이상이 진짜 영상이다.

6비교 — 탐지 · 확인 방식

사후에 내용을 보는 방식과 미리 남긴 기록을 보는 방식은 답하는 질문이 다르다. 워터마크 검출은 생성 단계의 표시 기술이라 AI 생성물 표시가 맡고, 여기서는 한 열로만 견준다.

기준사람 눈 판별내용 기반 자동 탐지출처 정보 확인해시 대조워터마크 검출
답하는 질문가짜로 보이나가짜일 확률어디서 왔나전에 지운 것인가어느 생성기가 표시했나
미리 필요한 것없음학습 데이터(FF++ · DFDC)촬영 · 생성 쪽 기록확인된 원본 한 건생성 쪽의 신호 삽입
처음 보는 생성 방식약함실제 영상 AUC 0.734(Dolhansky 2020)기록이 있으면 무관무관신호가 있으면 무관
재압축 · 편집저화질 58.7%(Rössler 2019)QP 40 81.00%(Rössler 2019)메타데이터가 지워질 수 있음암호 해시는 깨지고 지각 해시는 견딤방식에 따라 약해짐
오판의 꼴작은 표정 조작을 놓침기저율 때문에 오경보출처 없음을 가짜로 착각지각 해시 오탐 · 회피(NIST AI 100-4 5.4절)검출 확률 오차(NIST AI 100-4 3.2절)

분석새 게시물은 해시 대조 → 출처 정보 → 내용 기반 탐지 순으로 거르고, 최종 판정은 사람 검토로 한다. 근거는 표의 「처음 보는 생성 방식」 행 — 해시 · 출처 기록은 생성 방식과 무관하지만 자동 탐지는 처음 보는 실제 영상에서 AUC 0.734 로 떨어졌다(Dolhansky 2020 6.1절).

7실무 진단 — 탐지 결과가 어긋날 때

분석경보가 이상하면 입력 영상의 압축 상태부터 보고, 다음에 생성 방식이 학습 분포 안인지, 마지막으로 경보 수 대비 확인된 가짜 비율을 본다. 압축으로 흔적이 지워지면 문턱을 바꿔도 점수가 회복되지 않기 때문이다(Rössler 2019 2절 · 표 1).

#증상의심 원인단계확인 자료판정 기준(근거)
1실험실 정확도는 높은데 신고 영상 판정이 흔들림공유 과정의 재압축 · 크기 변경입력원본 · 공유본의 압축 수준 비교QP 40 에서 99.26% → 81.00%(Rössler 2019 표 1)
2새 유형 영상 점수가 0.5 근처에 몰림학습에 없는 생성 방식탐지 모델생성 방식별 점수 분포로그 손실 0.69 = 모두 0.5 로 찍은 값(Dolhansky 2020 6.1절)
3경보 대부분이 진짜 영상기저율 · 경보 문턱판정경보 건 중 확인된 가짜 비율가짜 1% 면 정밀도 15.4%(그림 5)
4출처 정보가 없다는 이유로 합성 판정출처 부재를 증거로 씀판정판정 근거 기록출처 정보 보급 전에는 부재가 신호가 못 됨(NIST AI 100-4 3.2절)
5지운 영상이 조금 바뀐 채 다시 올라옴암호 해시만 등록유통 방지재게시본 해시 대조 기록작은 변형에도 값이 바뀜 → 지각 해시(NIST AI 100-4 5.4절)

표는 탐지 · 유통 방지 단계의 문제를 가르는 순서이고, 게시물이 처벌 · 삭제 대상인지의 법적 판단을 대신하지 않는다. 그 판단은 수사기관 · 지원센터 · 법률 전문가의 몫이다.

8시험 대비

출제 정보 정보관리(135회, 133회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 딥페이크의 정의 · 유형 · 탐지 · 대응을 묻는 정의 · 특징형, 그리고 생성과 탐지의 경쟁 · 법 제도 변화를 묻는 동향 · 발전형이 나올 수 있다. 동향형이면 «탐지기 하나»에서 출처 정보 · 표시 · 삭제 절차를 묶는 흐름을 연도와 함께 쓴다.

답안 목차
  1. 개요 — 정의 · 어원(2017) · AI 기본법 제31조③ 「실제와 구분하기 어려운 가상의 결과물」
  2. 유형 — 그림 3(교체 · 재연 · 편집 · 합성 + 음성 복제)과 유형 표
  3. 탐지 기술 — 사람 · 내용 기반 · 출처 정보 · 해시 비교표 · 압축 수준별 정확도 99.26% → 81.00%
  4. 탐지의 한계 — 그림 5(정밀도 94.7% → 15.4%) · 처음 보는 생성 방식(AUC 0.734)
  5. 대응 절차 — 그림 4(신고 → 보존 → 출처 조회 → 점수 → 사람 검토 → 삭제 · 해시 → 지원)
  6. 법 · 제도 — 성폭력처벌법 제14조의2 · 공직선거법 제82조의8 · 정보통신망법 제4조의2 · EU AI법 50조 4항

꼭 쓸 키워드
얼굴 교체얼굴 재연음성 복제FaceForensics++DFDC내용 기반 탐지출처 정보지각 해시기저율허위영상물

다른 답안과 차이를 내는 한 가지는 그림 5 의 기저율 계산이다 — 탐지 정확도만 적는 대신 같은 탐지기의 정밀도가 환경에 따라 94.7% 에서 15.4% 로 바뀐다는 점을 숫자로 보인다.

9오해와 사실

  • 오해자세히 보면 사람이 가려낼 수 있다.
    사실204명 · 1만 2,240건 판정 실험에서 정확도는 68.7% 에서 저화질 58.7% 였고, 표정만 바꾼 NeuralTextures 는 무작위보다 낮았다(Rössler 2019 4.1절).
  • 오해대회 1위 탐지기는 실제 영상도 거의 다 맞힌다.
    사실DFDC 1위 팀의 로그 손실은 대회 데이터 0.1983 · 인터넷 실제 영상 0.6605 였고, 후자는 모두 0.5 로 찍은 값 0.69 에 가깝다(Dolhansky 2020 표 2).
  • 오해딥페이크 처벌 조문은 성적 영상에만 있다.
    사실공직선거법은 선거일 전 90일부터 선거운동용 딥페이크영상등의 제작 · 게시를 금지하고, 그 밖의 기간에는 가상 정보라는 표시를 요구한다(제82조의8①②).

10핵심 정리

구분하는 일대표 값 · 조문약점 · 한계
교체 · 재연실존 인물의 정체 · 움직임을 바꿈FF++ 원본 1,000개 · 조작 방법 넷표정만 바꾸면 사람 눈에 거의 안 보임
음성 복제목소리 정체를 바꿈ASVspoof 2019 논리 · 물리 접근화면 없는 전화 사칭
내용 기반 탐지화소 · 움직임 흔적으로 점수XceptionNet 99.26% → 81.00%재압축 · 처음 보는 생성 방식
출처 정보생성 · 편집 이력 확인NIST AI 100-4 3.1절없다고 가짜는 아님
해시 대조지운 사본의 재게시 차단암호 해시 · 지각 해시작은 변형 · 오탐
경보 정밀도경보 중 실제 가짜 비율94.7% → 15.4%(가짜 1%)기저율에 따라 바뀜
피해 지원신고 접수 · 삭제 지원성폭력방지법 제7조의3 · 제7조의4대상 범위는 조문이 정함
처벌 · 고지제작 · 반포 · 소지 처벌 · 생성 사실 고지제14조의2 · 제82조의8 · AI 기본법 제31조③법적 판단은 전문가 확인

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ The Creation and Detection of Deepfakes: A Survey (Mirsky · Lee · ACM Computing Surveys) — 재연 · 교체 · 편집 · 합성 네 유형과 각 유형의 위험을 볼 때
    arXiv · 2020-04 · arxiv.org/abs/2004.11138 · 확인 2026-11-12
  3. ★ FaceForensics++: Learning to Detect Manipulated Facial Images (Rössler · Cozzolino · Verdoliva · Riess · Thies · Nießner · ICCV 2019) — 사람 판별 실험과 압축 수준별 탐지 정확도를 볼 때
    arXiv · 2019-01 · arxiv.org/abs/1901.08971 · 확인 2026-11-12
  4. ★ The DeepFake Detection Challenge (DFDC) Dataset (Dolhansky · Bitton · Pflaum · Lu · Howes · Wang · Canton Ferrer) — 대회 탐지기가 실제 영상에서 얼마나 떨어지는지 볼 때
    arXiv · 2020-06 · arxiv.org/abs/2006.07397 · 확인 2026-11-12
  5. ★ NIST AI 100-4 Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency — 출처 정보 · 내용 기반 탐지 · 사람 검토 · 해시 대조의 한계를 볼 때
    NIST · 2024-11 · doi.org/10.6028/NIST.AI.100-4 · 확인 2026-11-12
  6. ★ 성폭력범죄의 처벌 등에 관한 특례법(법률 제21997호 · 2026-10-02 시행) 제14조의2 · 제14조의3 — 허위영상물 제작 · 반포 · 소지 · 시청 처벌 조문 원문을 볼 때
    국가법령정보센터(법제처) · 2026-09 · www.law.go.kr/법령/성폭력범죄의처벌등에관한특례법 · 확인 2026-11-12
  7. 본문 근거
  8. 성폭력방지 및 피해자보호 등에 관한 법률(법률 제21857호 · 2026-10-02 시행) 제7조의3 · 제7조의4 — 국가법령정보센터(법제처) · 2026-08 · www.law.go.kr/법령/성폭력방지및피해자보호등에관한법률 · 확인 2026-11-12
  9. 공직선거법(법률 제21577호 · 2026-10-23 시행) 제82조의8 · 제255조⑤ · 제261조③ — 국가법령정보센터(법제처) · 2026-04 · www.law.go.kr/법령/공직선거법 · 확인 2026-11-12
  10. 정보통신망 이용촉진 및 정보보호 등에 관한 법률(법률 제21988호 · 2026-10-02 시행) 제4조의2 · 제44조의2 — 국가법령정보센터(법제처) · 2026-09 · www.law.go.kr/법령/정보통신망이용촉진및정보보호등에관한법률 · 확인 2026-11-12
  11. 전기통신사업법(법률 제21503호 · 2026-10-01 시행) 제22조의5 — 국가법령정보센터(법제처) · 2026-03 · www.law.go.kr/법령/전기통신사업법 · 확인 2026-11-12
  12. 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법(법률 제21311호 · 2026-07-21 시행) 제31조 · 시행령(대통령령 제36580호) 제23조 — 국가법령정보센터(법제처) · 2026-01 · www.law.go.kr/법령/인공지능발전과신뢰기반조성등에관한기본법 · 확인 2026-11-12
  13. ASVspoof 2019: A large-scale public database of synthesized, converted and replayed speech (Wang · Yamagishi · Todisco 외 · Computer Speech and Language) — arXiv · 2019-11 · arxiv.org/abs/1911.01601 · 확인 2026-11-12
  14. Regulation (EU) 2024/1689 (Artificial Intelligence Act) · OJ L 2024/1689 — European Parliament · Council of the EU · 2024-07 · eur-lex.europa.eu/eli/reg/2024/1689/oj · 확인 2026-11-12
  15. AI Act Service Desk — Article 50 Transparency obligations (EUR-Lex 통합 본문 2026-07-27 기준) — European Commission · 2026-07 · ai-act-service-desk.ec.europa.eu/en/ai-act/article-50 · 확인 2026-11-12