Base de connaissances sur l'intelligence artificielle

Plongez en profondeur dans la science de la vérification numérique. Découvrez comment SUS IT détecte les manipulations audio, vidéo, images et documents à l'aide d'une technologie médico-légale de pointe.

Forensique musicale et audio

Forensique musicale et audio

Les modèles d’IA de clonage de musique et de voix fonctionnent en prédisant les formes d’onde audio sur la base de vastes ensembles de données. Bien qu'ils deviennent incroyablement convaincants pour l'oreille humaine, ils laissent souvent derrière eux des « empreintes digitales » microscopiques dans le spectre de fréquences que SUS IT est conçu pour détecter.

Comment nous le détectons :

  • Coupures haute fréquence : De nombreux modèles d'IA ont du mal à générer des données cohérentes au-dessus de 16 kHz à 20 kHz, créant ainsi une étagère dure non naturelle ou un « vide » dans le spectrogramme qui existe rarement dans les enregistrements naturels.
  • Incohérence de phase : Le son naturel a une relation physique entre les fréquences. La génération d'IA traite souvent les fréquences de manière mathématique mais ignore leur alignement de phase, ce qui conduit à une subtile qualité « métallique » ou « maculée » connue sous le nom d'artefacts du vocodeur de phase.
  • Masquage transitoire : L'attaque initiale d'un son (comme une caisse claire ou une consonne « t ») est nette et définie dans l'audio réel. Dans la génération IA, ces transitoires sont souvent plus doux ou « plus doux » en raison du processus de diffusion.
Détection de vidéos et de deepfakes

Détection de vidéos et de deepfakes

Les deepfakes utilisent des réseaux de neurones pour mapper un visage sur un autre. SUS IT regarde au-delà de l'image de surface, vers la physique de la vidéo elle-même. Nous analysons la cohérence image par image pour repérer les problèmes qui se produisent lorsque l'IA perd le suivi.

Indicateurs clés :

  • Scintillement temporel : L'IA régénère souvent le visage légèrement différemment à chaque image, provoquant un « scintillement » ou un scintillement imperceptible de la texture de la peau (instabilité temporelle).
  • Signaux biologiques (rPPG) : Les vrais visages présentent de subtils changements de couleur dus aux battements cardiaques (photopléthysmographie à distance). Les deepfakes ont actuellement du mal à reproduire avec précision ce signal biologique invisible sur une chronologie.
  • Inadéquations de synchronisation labiale : Nous comparons les phonèmes (sons) de la piste audio avec les visèmes (formes de bouche) de la vidéo pour détecter le désalignement qui se produit dans le contenu doublé par l'IA.
Analyse d'images

Analyse d'images

Les réseaux contradictoires génératifs (GANs) et les modèles de diffusion créent des images à partir du bruit. Ce processus laisse derrière lui un motif de bruit régulier, semblable à une grille, distinct du bruit aléatoire trouvé dans les capteurs de l'appareil photo (grain ISO).

Le visuel indique :

  • Logique anatomique : Alors que les modèles s'améliorent, l'IA a toujours du mal avec une géométrie connectée complexe : des mains fusionnant dans des objets, des bijoux absurdes ou des pupilles qui ne sont pas parfaitement circulaires (réflexion de l'iris non circulaire).
  • Physique de l'éclairage : L’IA se rapproche souvent de l’éclairage plutôt que de le simuler. Nous recherchons des ombres qui ne correspondent pas aux sources de lumière ou des reflets dans les yeux qui ne correspondent pas à l'environnement.
  • Artefacts améliorés : De nombreuses images IA sont générées à basse résolution et mises à l’échelle. Cela laisse souvent un motif distinct en « damier » visible à des niveaux de grossissement élevés.
Vérification de documents et de textes

Vérification de documents et de textes

Les modèles AI Large Language Models (LLMs) sont des moteurs de prédiction statistique. Ils ont tendance à choisir le mot suivant le plus « probable », ce qui donne un texte grammaticalement parfait mais statistiquement « plat » par rapport à l’écriture humaine.

Nos métriques :

  • Perplexité: Une mesure de la façon dont un modèle est « surpris » par le texte. Une faible perplexité suggère que le texte suit les modèles standard de l'IA ; une grande perplexité suggère l’idiosyncrasie humaine.
  • Éclatement : Les humains varient la structure et la longueur de leurs phrases de manière dynamique (forte rafale). Nous écrivons des phrases courtes. Et puis nous écrivons des phrases longues et complexes qui serpentent à travers des processus de pensée. L’IA a tendance à être plus monotone et à rythme plus uniforme.

⚡Optimiser votre analyse

Comment obtenir les résultats médico-légaux les plus précis et voir ce qui se passe sous le capot.

Télécharger les meilleures pratiques

1

Évitez les MP3 et la compression

La compression MP3 coupe les hautes fréquences (>16 kHz) d'une manière qui semble identique aux premiers modèles d'IA. Pour une précision de 100 %, téléchargez toujours les fichiers WAV ou FLAC.

2

Fichiers originaux > Enregistrements d'écran

L'enregistrement d'écran d'une vidéo introduit un « mélange d'images » et des artefacts de réencodage qui peuvent masquer les problèmes d'origine de l'IA ou créer des faux positifs. Téléchargez toujours le fichier source lorsque cela est possible.

3

Brut ou transformé

Les médias fortement édités (filtres, réglage automatique, étalonnage des couleurs) sont plus difficiles à analyser. Si vous êtes un créateur prouvant l'authenticité, téléchargez les tiges brutes ou les images brutes de la caméra.

Analyse technique approfondie : le moteur de « réflexion »

SUS IT n'est pas qu'un simple classificateur. Nous utilisons des modèles de raisonnement de nouvelle génération configurés avec un budget de réflexion médico-légale étendu.

Pourquoi « penser » est important

Les détecteurs IA standard devinent instantanément en fonction de modèles. Notre système s'engage dans un processus médico-légal Chain-of-Thought. Il débat explicitement des preuves : « Cet artefact est-il une erreur de compression ou un défaut génératif ? ou "Ce problème visuel est-il une erreur de rendu ou simplement un effet de volet roulant ?" avant de rendre un verdict définitif.

  • ●Analyse multimodale : Nous analysons simultanément les spectrogrammes audio (fréquence), les vecteurs d’images vidéo (mouvement) et les grilles de pixels (texture).
  • ●Filtrage des faux positifs : Nous incitons explicitement le modèle à identifier et à ignorer les techniques d'édition humaine courantes telles que Warp Stabilizer, la réduction du bruit ou Auto-Tune.

Une précision en constante évolution

Les modèles d'IA évoluent quotidiennement, tout comme SUS IT. Nos algorithmes de détection sont continuellement mis à jour pour reconnaître les techniques de dernière génération, des générateurs d'images basés sur Flux aux modèles de clonage vocal les plus récents tels que ElevenLabs et Suno.

Nous ne vérifions pas seulement les artefacts connus ; nous analysons les propriétés statistiques fondamentales des médias pour garder une longueur d'avance. Notre équipe affine constamment nos outils pour vous offrir des résultats plus précis, fiables et granulaires à chaque mise à jour.