Forense de deepfake explicada: como a detecção de vídeo por IA funciona de fato

Detectar deepfake em vídeo é bem mais complexo que detectar imagem ou áudio gerados por IA, porque vídeo tem dimensão temporal — não basta analisar cada quadro; é preciso avaliar consistência entre quadros. Um único quadro manipulado num vídeo autêntico deixa rastros diferentes de um clipe totalmente sintético. Entender o que a forense de vídeo faz de fato esclarece capacidades e limites.

Duas categorias de vídeo falso

Vale separar duas famílias principais. A primeira é substituição ou troca de rosto — vídeo genuíno com o rosto de alguém trocado pelo de outro; foi a forma original de deepfake e segue comum. A segunda é síntese completa — vídeo gerado do zero com modelos como Sora, Kling ou Runway, sem filmagem base. Cada categoria deixa rastros forenses diferentes e pede abordagens um pouco distintas.

Análise em nível de quadro: artefatos de GAN

GANs, base de muitas técnicas de troca de rosto, produzem artefatos característicos por quadro. O discriminador treina o gerador, mas o equilíbrio do treino deixa impressões digitais: ruído estruturado em regiões que deveriam ser uniformes (céu, pele); padrões distintos de renderização de altas frequências em relação à óptica de câmera; anomalias de distribuição de cor na região facial vindas do compositing.

Coerência temporal: o sinal específico de vídeo

O sinal forense mais poderoso em vídeo é inconsistência temporal — pontos em que o conteúdo não flui naturalmente de um quadro ao seguinte. Filmagem real mantém taxa de quadros estável, motion blur consistente, ruído de sensor coerente, mudanças de iluminação contínuas. Quando um rosto é substituído quadro a quadro por rede neural, surgem inconsistências sutis que se acumulam: ruído da face sintética diferente do restante; iluminação que não atualiza perfeitamente entre quadros; limites entre face sintética e fundo real que “piscam” de modo estatisticamente anômalo.

Movimento ocular e piscar

O movimento dos olhos humanos segue padrões conhecidos. Sacadas seguem trajetórias e durações típicas; microsacadas existem a certa taxa; duração e frequência de piscar são irregulares, mas dentro de faixa normal. Muitos modelos de deepfake erram no movimento ocular — olhos parados demais, sacadas antinaturalmente retilíneas ou piscar em intervalos suspeitos. Análise quadro a quadro do comportamento ocular é um dos testes mais discriminativos para troca de rosto.

Consistência de iluminação na cena

Em vídeo real, a luz muda de forma contínua e consistente no quadro inteiro. Se a fonte se move, muda de intensidade ou temperatura de cor, todas as superfícies respondem conforme geometria e refletância. Substituições faciais às vezes falham em atualizar a iluminação da face em relação à cena — a face parece estar em condição de luz levemente diferente do ambiente. Salta aos olhos em iluminação dinâmica — shows, carros em movimento, telas piscando.

Sincronização áudio-visual

Quando o deepfake inclui fala, o alinhamento entre movimento labial e áudio é sinal forense importante. Fala real coordena respiração, vibração das pregas vocais e articulação. Síntese precisa gerar áudio e vídeo juntos ou alinhar componentes separados — ambas abordagens podem gerar dessincronização sutil. A forense mede relações de tempo em milissegundos entre eventos acústicos (especialmente explosivas como “p”, “b”, “t”, “k”) e eventos visuais de articulação.

Análise de artefatos de compressão

Compressão de vídeo (H.264, H.265, VP9) armazena diferenças entre quadros. Quando uma região foi sinteticamente substituída, o comportamento sob compressão difere do restante — erros de predição maiores e mais estruturados na região deepfake. Isso pode revelar manipulação mesmo com qualidade visual alta o suficiente para enganar humanos.

Vídeo totalmente sintético

Detectar vídeo 100% sintético (Sora, Kling, etc.) é em parte mais fácil e em parte mais difícil que trocar rosto: não há inconsistência de compor real com sintético, mas há artefatos de modelos de vídeo por difusão — física de objetos levemente errada (água, fogo, tecido), elementos de fundo que não mantêm continuidade entre cortes, texturas pervasivemente típicas de cada sistema de treino.

Implicações práticas

Para quem avalia provas em vídeo — jornalismo, direito, moderação, segurança — nenhum sinal forense sozinho basta. A detecção mais confiável combina artefatos por quadro, pontuação de coerência temporal, análise de olhos, medição de sync áudio-vídeo e exame de compressão. O pipeline de vídeo da SUS IT usa essa abordagem multidimensional, olhando quadros individuais e padrões temporais na duração inteira. O resultado é um veredito ponderado por confiança, convergindo vários sinais independentes em vez de depender de um único teste.