Framework agentico usa frequência da rede elétrica (ENF) para autenticar vídeos forenses contra deepfakes
Pesquisadores propõem um framework forense que autentica vídeos a partir da frequência da rede elétrica (ENF) — o zumbido captado no áudio e a cintilação captada no vídeo por obturador rolante — um sinal que modelos generativos não controlam diretamente. Um orquestrador agentico combina autenticidade do sinal com evidências de manipulação de conteúdo, escalando detectores mais caros só quando necessário, e atinge taxas de aceitação de 93% (áudio) e 100% (vídeo) em material genuíno, contra baselines de 53% e 15%.
O trabalho parte de uma lacuna conhecida na perícia de vídeo: detectores que aprendem a reconhecer artefatos específicos de um gerador de IA se tornam inúteis contra o próximo modelo generativo que não deixa esses mesmos rastros. A proposta inverte a lógica — em vez de procurar o que a geração faz de errado, procura um sinal físico que a geração não produz sob controle: a ENF (Electric Network Frequency), a oscilação de 50/60 Hz da rede elétrica que se propaga como zumbido no áudio gravado perto de equipamentos ligados à rede e como cintilação sutil em vídeos capturados por sensores CMOS com obturador rolante.
Tecnicamente, o sistema extrai o ENF em dois canais paralelos — um estimador harmônico aplicado ao áudio e outro à cintilação de vídeo — alimentando uma rede compartilhada. Como dados reais rotulados de ENF são escassos, os autores treinam o modelo por injeção sintética de deriva de frequência usando um processo Ornstein-Uhlenbeck ancorado em gravações reais, simulando como a frequência da rede varia minuto a minuto. Um canal de correspondência de referência então compara o ENF extraído do vídeo suspeito com uma base histórica de frequência da rede elétrica da região e horário alegados, permitindo verificar (ou recuperar) o momento real da gravação.
O achado mais relevante para a prática pericial é contraintuitivo: vídeos gerados por IA também exibem cintilação na banda do ENF, com prominência estatisticamente indistinguível da de vídeos reais. Isso significa que a mera presença de um padrão de ENF não pode mais ser usada como prova de autenticidade — um erro metodológico que ferramentas periciais mais simples cometeriam. A autenticação só é confiável quando o ENF extraído é comparado contra uma referência independente (a série histórica de frequência da rede), e não apenas verificado como presente.
Por fim, o orquestrador agentico de "dois eixos" funde essa autenticidade do sinal físico com evidências de manipulação de conteúdo sob uma regra assimétrica de decisão, acionando detectores computacionalmente caros apenas quando o primeiro estágio é inconclusivo — o que reduziu o tempo de processamento em 54% e os quadros decodificados em 64% sem perda de acurácia. Para a prática forense, isso aponta para uma nova classe de evidência auxiliar em casos de vídeo questionado (fraude, deepfake não consensual, desinformação), desde que peritos tenham acesso a referências confiáveis de ENF da região e período alegados — uma dependência que também é a principal limitação de adoção da técnica.