ディープフェイクのフォレンジック：動画AI検出は実際どう動くか

ディープフェイク動画の検出は、AI画像や音声より複雑です。動画には時間軸があり、各フレームを個別に見るだけでなく、フレーム間の関係も評価する必要があります。そうでなければ本来真正な動画に埋め込まれた一枚の加工とも、完全合成クリップとも別の痕跡になります。フォレンジック動画解析が実際に何をしているかを理解すると、その能力と限界の両方が見えます。

偽動画の二つのカテゴリ

手法に入る前に、主に二つに分けられます。第一はフェイスリプレイス／フェイススワップ——真正の映像をベースに誰かの顔を別人に差し替える。オリジナルのディープフェイク形態で今も一般的です。第二は完全合成——Sora、Kling、Runwayのようなモデルでベース映像なしにゼロから生成するものです。痕跡が異なり、検出アプローチもやや異なります。

フレームレベル解析：GANアーティファクト

多くのフェイススワップ手法を支えるGANは、フレーム単位で特有のアーティファクトを残します。判別器が生成器に非現実的な出力を防ぐ訓練ですが、均衡のなかに特定の指紋が残ります。空や肌のような均一色領域に構造化ノイズが出る、カメラ光学とは異なる高周波ディテールの描き方、合成過程由来の顔領域の色分布異常——などです。

時間的一貫性：動画特有のサイン

動画で最も強力なフォレンジック・シグナルは時間的不整合——フレームからフレームへ内容が自然に流れない箇所です。真正の映像は一定フレームレートで撮られ、モーションブラー、センサーノイズ、照明変化が一貫します。フレームごとにニューラルネットで顔を差し替えると、時間とともに微妙な不整合が蓄積します。合成顔は周囲の映像とノイズ特性がわずかに違う、照明がフレーム間で完全には追従しない、合成顔と本物背景の境界が統計的に異常なちらつきをする——などです。

眼球運動とまばたき解析

人間の眼球運動には規則性があります。サッケード（急速な眼球運動）は典型軌道と持続時間を持ち、マイクロサッケードは一定の頻度で現れます。まばたきの長さと頻度は不規則ですが正常範囲に収まります。多くのディープフェイクモデルは説得力のある眼球運動の合成が苦手で、動きが少なすぎる、サッケード中に不自然な軌道を描く、まばたきが周期的すぎる——など。フレーム単位の眼球挙動解析はフェイススワップ検出の鑑別度が高いテストのひとつです。

シーン全体の照明の一貫性

真正の動画では光源が動き・輝度・色温度を変えてもフレーム全体に一貫して効きます。ディープフェイクの顔差し替えでは、合成顔の照明がシーンの残りに対して微妙にズレ——動的照明のコンサート、移動車内、ちらつくスクリーン——ではモデルが追従しきれず最も見えやすいです。

映像と音声の同期

ディープフェイク動画に発話がある場合、唇の動きと音声の同期は重要なシグナルです。真正の発話は呼吸・声带振動・調音の精密な協調です。合成は音声と映像を同時生成するか別々に作って整列するか——どちらもミリ秒レベルの微妙な不同期を生みやすいです。フォレンジック解析は、破裂音（「p」「b」「t」「k」など）に対応する有声バーストと視覚的調音事象のタイミング関係を測ります。

圧縮アーティファクト解析

動画圧縮（H.264、H.265、VP9）はフレーム間の差分を保存し、フレーム全体ではなく予測誤差を蓄積します。顔が合成で置き換わると、置換境界周辺は周囲のオリジナル映像とは圧縮の予測誤差の振る舞いが異なります——ディープフェイク領域のほうが誤差が大きく構造化しやすい。視聴者には高画質に見えても、この圧縮ドメイン解析で加工を検出できます。

完全合成動画

SoraやKlingのようなツールの完全合成は、フェイススワップとは別の難しさがあります。実写と合成の合成による不整合はありませんが、拡散系動画モデル特有の生成アーティファクトがあります——水・炎・布の物体物理がおおよそ正しいが精密ではない、カット間で背景要素の連続性が保てない、訓練システム固有の繊細だが遍在するテクスチャ特性——などです。

実務上の含意

動画証拠を評価するジャーナリスト、法務、モデレーター、セキュリティ研究者への実務的メッセージは、単一のフォレンジック・シグナルだけでは不十分だということです。信頼できる検出はフレームレベルのアーティファクト、時間的一貫性スコア、眼球運動解析、映像・音声同期測定、圧縮アーティファクト検査など独立した手法を組み合わせます。SUS ITの動画解析パイプラインはこの多次元アプローチを取り、クリップ全体の時間パターンと個々のフレームの両方を調べます。結果は複数の独立シグナルの収束を反映した信頼度付き判断です。