深度伪造取证详解:视频 AI 检测究竟是如何运作的

检测深度伪造视频比检测 AI 生成的图像或音频要复杂得多,因为视频多了一个时间维度——不仅每一帧都必须单独分析,帧与帧之间的关系是否连贯也必须加以评估。在一段其余部分都真实的视频中,单独一帧被篡改,与一整段完全合成的片段,留下的痕迹截然不同。理解视频取证分析究竟在做什么,能够帮助我们同时看清它的能力和局限。

两大类虚假视频

在深入探讨检测方法之前,有必要先区分两大类被篡改的视频。第一类是换脸——截取真实拍摄的视频素材,将其中一个人的脸替换成另一个人的脸。这是深度伪造最初的形式,至今依然常见。第二类是完全合成——完全从零开始,使用 Sora、Kling 或 Runway 等模型生成视频内容,不以任何原始素材为基础。这两类视频留下的取证痕迹不同,所需的检测方法也有所差异。

帧级分析:GAN 伪影

生成对抗网络(GAN)是许多换脸式深度伪造技术的基础,它会在帧级别产生特有的伪影。GAN 的判别器经过训练,旨在阻止生成器产出不真实的输出,但这一训练过程会形成一种平衡状态,留下特定的“指纹”。这些指纹包括:本应平滑的区域(尤其是天空或皮肤等颜色均匀的区域)出现结构化噪点;高频细节的渲染方式呈现出与相机光学系统不同的特有模式;以及合成过程导致的面部区域特定的色彩分布异常。

时间连贯性:视频独有的破绽

视频中最有力的取证信号是时间不一致性——即内容在帧与帧之间未能自然衔接的地方。真实拍摄的视频具有一致的帧率、一致的运动模糊、一致的传感器噪点,以及一致的光线变化。当一张脸被神经网络逐帧替换时,这种替换会引入一些随时间累积的细微不一致。合成的脸部可能表现出与周围视频不同的噪点特征,光线在帧与帧之间可能更新得不够准确,而合成脸部与真实背景之间的边界,也可能出现细微但在统计上异常的闪烁。

眼球运动与眨眼分析

人类的眼球运动具有特定、可预测的模式。扫视运动(快速眼动)遵循特有的轨迹和持续时间。微扫视(细微的不自主眼动)在真实拍摄的画面中以特定频率出现。眨眼的时长和频率虽然不规律,但都在正常范围内。许多深度伪造模型难以合成出令人信服的眼球运动,要么让眼睛过于静止,要么在扫视过程中出现不自然的轨迹,要么以可疑的规律间隔眨眼。对眼部行为的逐帧分析,是针对换脸式深度伪造区分度较高的检测手段之一。

场景中光线的一致性

真实视频中的光线在整个画面中持续且一致地变化。如果一个光源移动、变亮,或改变色温,场景中的每个表面都会根据其几何形状和反射特性而相应受到影响。深度伪造的换脸有时无法正确地根据场景更新合成脸部的光照,导致脸部看起来处于与周围环境微妙不同的光照条件下。这在光线动态变化的场景中最为明显——演唱会、行驶中的车辆、闪烁的屏幕——因为光线变化很快,深度伪造模型往往跟不上节奏。

音视频同步

当深度伪造视频包含语音时,唇部动作与音频之间的同步性是一个重要的取证信号。真实的言语涉及呼吸、声带振动和发音之间的精确协调。深度伪造合成要么必须同时生成音频和视频,要么必须对齐分别生成的组件——这两种方式都可能产生细微的不同步。取证分析会测量音频事件(尤其是“p”“b”“t”“k”等会产生声学爆破音的塞音)与相应视觉发音动作之间毫秒级的时间关系。

压缩伪影分析

视频压缩(H.264、H.265、VP9)的工作原理是存储帧与帧之间的差异,而非完整的帧数据。压缩算法会预测像素在帧与帧之间将如何变化,并只存储预测误差。当一张脸被合成替换后,替换边界周围区域在压缩过程中的表现,会与周围原始素材不同——在被深度伪造的区域,压缩预测误差比原始视频中更大、也更具结构性。即使视觉质量高到足以骗过人类观察者,这种压缩域分析也能检测出篡改痕迹。

完全合成视频

检测来自 Sora 或 Kling 等工具的完全合成视频,在某些方面比检测换脸更容易,在另一些方面则更难。完全合成的视频不存在将真实内容与合成内容拼接所引入的不一致性,但它确实表现出基于扩散模型的视频生成系统特有的生成伪影:略显异常的物体物理特性(水、火和布料的运动大致正确,但并不符合精确的物理规律)、镜头切换之间背景元素无法保持连贯,以及每个生成系统的训练所特有的、细微却普遍存在的纹理特征。

实际意义

对于任何需要评估视频证据的人——记者、法律从业者、内容审核员,或安全研究人员——一个关键的实践要点是:没有任何单一的取证信号能够单独构成充分证据。最可靠的检测方法会结合多种独立的分析手段:帧级伪影分析、时间连贯性评分、眼球运动分析、音视频同步测量,以及压缩伪影检查。SUS IT 的视频分析流程正是采用这种多维方法,既审视单帧画面,也审视整段视频全程的时间模式。最终得出的是一个以置信度加权的裁决,反映的是多个独立信号的相互印证,而非任何单一测试的结果。