Deepfake-Forensik erklärt: Wie Video-KI-Erkennung wirklich funktioniert
Matt · Redaktion SUS IT
Matt ist spezialisiert auf Video-Forensik und computergestützte Medienanalyse.
Technischer Abriss, wie forensische Tools KI-generierte und manipulierte Videos erkennen – von GAN-Artefakten bis zur Analyse zeitlicher Kohärenz.
Deepfake-Video zu detektieren ist deutlich komplexer als Bild oder Audio, weil Zeit hinzukommt: Jedes Frame einzeln und die Beziehungen zwischen Frames müssen stimmen. Ein manipuliertes Frame in authentischem Material hinterlässt andere Spuren als vollständig synthetischer Clip. Zu verstehen, was Forensik leistet, klärt Möglichkeiten und Grenzen.
Zwei Kategorien gefälschter Videos
Erstens Gesichtstausch auf echtem Footage – klassischer Deepfake. Zweitens vollständige Synthese mit Modellen wie Sora, Kling oder Runway ohne reale Vorlage. Die Spuren unterscheiden sich; Methoden sind teils verschieden.
Frame-Analyse: GAN-Artefakte
GANs, die viele Face-Swap-Techniken tragen, erzeugen charakteristische Frame-Artefakte: Training hinterlässt Fingerprints – strukturiertes Rauschen in eigentlich glatten Regionen (Himmel, Haut); charakteristische HF-Detail-Renderings abweichend von Optik echter Kameras; Farbanomalien im Gesicht durch Compositing.
Zeitliche Kohärenz: das video-spezifische Signal
Stärkstes forensisches Signal: zeitliche Inkonsistenz – Inhalte fließen nicht natürlich Frame zu Frame. Echtes Video hat konstante Framerate, konsistentes Bewegungsunschärfe-Muster, konsistentes Sensorrauschen und Beleuchtungsänderungen. Ersetzte Gesichter führen zu subtilen Drifts: anderes Rauschen im Gesicht als im Rest, Beleuchtung aktualisiert nicht exakt, Kanten zwischen synthetischem Gesicht und echtem Hintergrund flimmern statistisch auffällig.
Augenbewegung und Blinzeln
Menschliche Augenbewegung folgt Mustern: Sakkaden mit typischen Bahnen und Dauern, Mikrosakkaden in bestimmter Rate, unregelmäßige aber normale Blinkdauer/-frequenz. Viele Deepfake-Modelle synthetisieren Augen unüberzeugend – zu still, unnatürliche Sakkadenbahnen, metronomisches Blinzeln. Frame-für-Frame-Analyse der Augen ist diskriminativ für Face-Swaps.
Lichtkonsistenz in der Szene
Echtes Video ändert Beleuchtung kontinuierlich und konsistent über das Frame. Bewegte oder wechselnde Lichtquellen betreffen alle Oberflächen nach Geometrie und BRDF. Tausch-Gesichter aktualisieren Licht nicht immer korrekt zur Szene – besichtbar bei dynamischem Licht (Konzert, Fahrzeug, flackernde Screens), wenn das Modell nicht mithält.
Audio-Video-Synchronisation
Bei Sprache ist Lippen-Timing forensisch relevant. Echte Sprache koordiniert Atem, Stimmlippen, Artikulation. Synthese erzeugt Audio/Video gemeinsam oder aligniert getrennt – beides kann subtile Desyncs erzeugen. Forensik misst Millisekunden-Beziehungen zwischen akustischen Events (Plosive wie „p“, „b“, „t“, „k“) und sichtbarer Artikulation.
Kompressions-Artefakte
Video-Codecs (H.264, H.265, VP9) speichern Frame-Differenzen. An Tausch-Grenzen verhalten sich Prädiktionsfehler anders als im Original – größere, strukturiertere Fehler in Deepfake-Regionen. Das erkennt manchmal Manipulation trotz hoher visueller Qualität.
Vollständig synthetisches Video
Sora-/Kling-Output ist teils leichter und teils schwerer als Face-Swap: keine Compositing-Inkonsistenzen, aber typische Generations-Artefakte diffusiver Videomodelle: Physik nur approximativ (Wasser, Feuer, Stoff), Hintergrund-Elemente verlieren Kontinuität über Schnitte, texturespezifische System-Signaturen.
Praktische Implikationen
Für Beweiswürdigung zählt kein Einzelsignal allein. Zuverlässig ist Konvergenz: Frame-Artefakte, zeitliche Kohärenz, Augenanalyse, AV-Sync, Kompressionsdomänen-Analyse. Die Video-Pipeline von SUS IT kombiniert diese Dimensionen über die gesamte Clip-Länge zu einem konfidenzgewichteten Urteil.