Pesquisadores apresentaram um método de detecção de áudio sintético (deepfake) baseado em coerência temporal: em vez de treinar uma rede profunda de ponta a ponta, eles extraem embeddings de áudio com CLAP, medem a similaridade de cosseno entre segmentos consecutivos e treinam um classificador ensemble leve sobre as estatísticas dessa distribuição. O trabalho cobre fala, música instrumental e música com vocais, mas o achado mais relevante é negativo: 21 das 29 features estatísticas usadas invertem a direção discriminativa entre o treino e o uso em campo, e a entropia chega a discriminar em sentidos opostos para fala e para música.
Um preprint no arXiv propõe um framework de forense de proveniência para mídia sintética que verifica se uma imagem veio de um gerador específico por meio de um par encoder-decoder que reconstrói a entrada e compara a consistência do resultado, sem exigir marca d'água nem alterar o modelo gerador. A abordagem é apresentada como caminho para evidência interpretável de origem em cenários de plataformas de IA como serviço, mas ainda é um trabalho de pesquisa validado nas condições dos próprios autores.
Pesquisadores (Juan Hu, Shaojing Fan, Sanjay Saha, Marc Herrera e Terence Sim) publicaram no arXiv o TaintedPixels, um método de proteção proativa de vídeos faciais que injeta uma marca d'água quase imperceptível no canal azul da imagem. A marca permanece discreta no vídeo original, mas se torna visivelmente perceptível assim que o vídeo passa por uma ferramenta de manipulação facial do tipo caixa-preta, facilitando a identificação humana e automatizada da falsificação. Em teste com 300 vídeos e usuários não especialistas, a taxa de identificação de deepfakes saltou de 56,71% (fonte sem proteção) para 90,72% (fonte protegida).
Pesquisa testou a capacidade de 82 profissionais de TI e de seis detectores automáticos pré-treinados em identificar fala sintetizada por três ferramentas de clonagem de voz lançadas em 2019, 2022 e 2024. O F1-score de detecção humana caiu de ~90% nos sintetizadores mais antigos para 48% com o ElevenLabs, e a detecção de manipulações parciais (apenas uma frase trocada em um áudio real) ficou em apenas 9% de acurácia rigorosa.
Um artigo acadêmico propõe reformular a saída de detectores de deepfake como um "score de confiança calibrado" em vez de uma simples probabilidade bruta, expondo um acoplamento quase perfeito entre a descalibração do detector e sua competência discriminativa. Os autores mostram que calibradores comuns (isotônico, Platt, beta) falham exatamente nos casos de baixa competência que mais interessam a pipelines de moderação e verificação de mídia, e propõem um método sem rótulos para sinalizar essa degradação.
Um novo benchmark com 97.548 vídeos gerados por modelos recentes avalia oito detectores de deepfake em nível de vídeo e doze em nível de imagem, mostrando que os detectores de imagem já rivalizam com os de vídeo (80,16% vs 79,99% de AUC). Os autores propõem o IV-Bridge, um agregador estatístico baseado em random forest que combina previsões quadro a quadro e eleva a acurácia para até 93,80% de AUC.
Passo a passo para examinar imagens possivelmente sintéticas — metadados, artefatos de geração e inconsistências de iluminação e sombra — num cenário em que a mídia falsificada vira prova contestada.
Pesquisa apresenta um detector de mídia sintética que se mantém confiável mesmo quando o atacante pós-processa o vídeo para destruir os resíduos da falsificação, combinando treino adversarial e defesa aleatória na inferência — e ainda aponta no mapa de calor onde a imagem foi adulterada.
Publicado no Journal of Digital Forensics, Security and Law (JDFSL), o estudo propõe uma metodologia de conformance testing — baseada em asserções e casos de teste formais — para comparar objetivamente ferramentas de análise forense de imagens, aplicando-a a FotoForensics, Ghiro, Imago Forensics e Exif Reader. O trabalho nasce da dificuldade prática de escolher entre ferramentas de detecção de manipulação de imagem sem um critério padronizado de avaliação.