Forensyka deepfake’ów wideo: jak naprawdę działa detekcja AI
Matt · Zespół redakcyjny SUS IT
Matt specjalizuje się w forensyce wideo i obliczeniowej analizie mediów.
Techniczny rozkład: jak narzędzia forensyczne wykrywają generowane i manipulowane wideo — od artefaktów GAN po analizę spójności czasowej.
Wideo jest trudniejsze niż pojedynczy obraz czy audio, bo dochodzi wymiar czasu: trzeba ocenić klatki osobno i relacje między nimi. Jedna podmieniona klatka w autentycznym materiale zostawia inne ślady niż w pełni syntetyczny klip. Zrozumienie metod pokazuje zarówno moc, jak i granice forensyki.
Dwie kategorie fałszywego wideo
Najpierw rozróżnij podmianę twarzy na autentycznym materiale od pełnej syntezy (Sora, Kling, Runway) bez bazy nagraniowej. Obie kategorie zostawiają różne ślady i czasem wymagają nieco innych detektorów.
Analiza klatkowa: artefakty GAN
GAN-y używane w wielu technikach face-swap zostawiają charakterystyczne artefakty: strukturalny szum na płaskich polach, nietypowe renderowanie wysokich częstotliwości, anomalie kolorystyczne w regionie twarzy po kompozycji.
Spójność czasowa: wideo-specyficzny trop
Najsilniejszy sygnał to niespójności temporalne: treść nie płynie naturalnie między klatkami. Prawdziwe nagranie ma stały fps, spójny motion blur, szum matrycy i ciągłe zmiany światła. Podmiana twarzy wprowadza mikroniespójności szumu, światła i granic, które się kumulują.
Ruch gałek i mruganie
Ludzkie oczy mają charakterystyczne sakady i mikrosakady; czas mrugania jest zmienny. Wiele deepfake’ów nadal źle to syntetyzuje — zbyt statyczne oczy, dziwne trajektorie albo metronomiczne mruganie.
Spójność oświetlenia w scenie
W prawdziwym wideo zmiana światła wpływa na każdą powierzchnię zgodnie z geometrią. Podmieniona twarz czasem „żyje” w lekko innym oświetleniu niż reszta kadru — widać to przy dynamicznym świetle (koncerty, pojazdy, migające ekrany).
Synchronizacja audio–wideo
Przy mowie ważne są relacje milisekundowe między burstami spółgłoskowymi (p, b, t, k) a ruchem warg. Desynchronizacja bywa subtelna, ale mierzalna.
Artefakty kompresji
Kodeki (H.264/H.265/VP9) kodują różnice między klatkami. Po podmianie twarzy obszar graniczny zachowuje się inaczej w domenie predykcji — większe, bardziej ustrukturyzowane błędy niż w oryginale. Da się to wykryć nawet przy wysokiej jakości wizualnej.
W pełni syntetyczne wideo
Klipy z Sory czy Klinga nie mają problemu kompozycji real+synth, ale pokazują typowe dla diffusion artefakty fizyki (woda, ogień, tkanina), niespójności tła między cięciami i charakterystyczne tekstury modelu.
Wnioski praktyczne
Dla dziennikarzy, prawników i moderatorów: żaden pojedynczy sygnał nie wystarczy. Najpewniejsze podejście łączy analizę klatkową, scoring spójności czasowej, oczę, sync A/V i kompresję. Pipeline wideo SUS IT jest wielowymiarowy i waży zbieżność sygnałów zamiast polegać na jednym teście.