VeriSpoof é um modelo de linguagem de áudio que combina em um único conjunto de pesos cinco tarefas forenses sobre deepfakes de voz: detecção, atribuição ao sistema gerador, análise das condições de gravação, localização de trechos sintetizados e verificação de origem comum entre gravações. O modelo alcança 2,14% de taxa de erro no benchmark Speech-DF-Arena e justifica cada decisão com evidências verificáveis contra a forma de onda.
Pesquisadores demonstraram uma técnica de envenenamento de dados que usa um sintetizador de voz (FastSpeech 2 com vocoder HiFi-GAN modificado) para injetar artificialmente os estouros de baixa frequência característicos de fonemas plosivos, enganando detectores de vivacidade de voz baseados em GFCC e SVM, como o VoicePop. Diferente do ataque anterior (SyntheticPop), que reduzia a acurácia do detector para até 14% mas deixava artefatos visíveis em forma de onda e espectrograma, a nova técnica sobrepõe ruído gaussiano sutil para mascarar esses sinais, dificultando a identificação do envenenamento por inspeção visual ou automatizada.
Um novo estudo propõe usar os chamados Content Credentials (CCs) parciais do padrão C2PA — que registram apenas as últimas operações aplicadas a uma imagem — como pista adicional para detectores forenses de manipulação e geração sintética. A técnica reconstrói o que o último assinante fez à imagem e usa essa informação para adaptar o detector ao caso concreto, mitigando o desalinhamento estatístico que normalmente degrada esses classificadores.
A Magnet Forensics anunciou o Magnet AI Research Lab e divulgou seu primeiro estudo peer-reviewed, publicado no Journal of Forensic Sciences, comparando o classificador de IA do Magnet Verify com examinadores humanos na tarefa de autenticar vídeos (originais, editados, de redes sociais ou gerados por IA). O sistema atingiu 91% de acurácia contra 69% dos humanos, sem nenhuma classificação incorreta, abstendo-se de decidir nos casos ambíguos.
A Magnet Forensics anunciou a criação do Magnet AI Research Lab e publicou, no Journal of Forensic Sciences, seu primeiro estudo revisado por pares comparando peritos humanos a um sistema especialista de IA na autenticação de vídeos. O experimento testou 14 arquivos (originais de câmera, editados, de redes sociais e gerados por IA) e mostrou o módulo automatizado do Magnet Verify superando examinadores humanos treinados (91% contra 69% de acerto). A publicação busca dar lastro científico ao uso de IA em laudos periciais, ponto sensível em disputas judiciais sobre confiabilidade de prova digital.
Pesquisadores apresentam o MIG-COW, um framework de ataque adversarial que combina gradientes integrados por momentum com uma decomposição ortogonal de consenso para gerar perturbações visuais imperceptíveis capazes de enganar detectores de deepfake baseados em CNN e Vision Transformer. Em cenário de caixa branca o ataque atinge 99,96% de sucesso mantendo alta similaridade perceptual (SSIM), mas cai para 7,16% contra alvos de caixa preta desconhecidos, revelando o limite real da transferibilidade. O estudo também mostra que combinar modelos substitutos pouco precisos no ensemble de ataque pode piorar sua eficácia.
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%.
Um estudo online com 524 participantes mediu a precisão humana em identificar rostos deepfake gerados por cinco famílias de modelos generativos — três GANs, um modelo de difusão e o MLLM GPT-5 — e testou se treinar as pessoas com artefatos visuais específicos de cada gerador funciona melhor que um treinamento genérico. Os autores propõem a Deepfake Face Artifact Taxonomy (DFAT) para catalogar esses artefatos e constatam, de forma contraintuitiva, que modelos mais recentes e avançados não são necessariamente mais difíceis de detectar visualmente; o ganho de treinamento específico por modelo se manteve estável num follow-up de cinco meses.
Um estudo acadêmico propõe 36 marcadores fisiológicos — ligados a respiração, fonação e coordenação temporal da fala — como sinal para distinguir voz humana real de voz sintetizada. A abordagem busca superar a fragilidade dos detectores tradicionais, que miram artefatos de síntese e degradam diante de ataques ou condições de gravação não vistas durante o treino. Os resultados, com taxa de erro de 21,4% no próprio domínio e 32,8% fora dele, mostram ganho de interpretabilidade mas generalização ainda limitada.
Pesquisadores publicam, no volume de dezembro de 2026 da revista Forensic Science International: Digital Investigation, um artigo sobre os desafios enfrentados por profissionais da justiça criminal para autenticar material de abuso sexual infantil (CSAM) diante da proliferação de conteúdo sintético gerado por IA. O texto discute como a existência de deepfakes plausíveis complica a classificação legal e técnica de imagens e vídeos apreendidos em investigações.
Pesquisadores propõem um roteador leve que decide, antes de qualquer detector forense rodar, qual stream (áudio ou vídeo) e qual janela temporal realmente merece análise, já que deepfakes modernos alteram apenas alguns segundos do conteúdo. No dataset AV-Deepfake1M, o método analisa no máximo um quinto das janelas e ainda assim supera abordagens que descartam janelas só depois de rodar os detectores completos, mantendo mais de 96% da acurácia de um oráculo que conhece de antemão onde está cada forgery.
Pesquisadores apresentam o framework DECEIVE e um experimento com eletroencefalografia (EEG) e rastreamento ocular usando o dataset Celeb-DF, descobrindo que não há diferença neurofisiológica mensurável entre a reação de uma pessoa a um vídeo real e a um deepfake. Comportamentalmente, participantes aceitaram como autênticos cerca de 27% dos vídeos manipulados, subindo para 32% quando a identidade era conhecida, o que os autores usam para estabelecer um limite realista de quanto um atacante consegue enganar até mesmo a percepção implícita humana.
Pesquisadores propõem o FARE (Forensic Acceptance Region Estimation), um método para auditar, a partir de uma única imagem, se ela foi realmente produzida pelo modelo generativo que passou por certificação. A motivação é o cenário em que um provedor certifica um gerador de imagens de qualidade e depois o substitui silenciosamente por uma versão mais barata em produção, sem que o cliente ou o auditor percebam. O método usa artefatos forenses característicos de cada gerador para construir uma 'região de aceitação' e, em testes, superou as linhas de base mesmo sob ataques que tentam mascarar a troca.
Pesquisadores reproduziram, com hardware bem mais modesto que o estudo original, o ataque de forjamento 'Reprompt' contra o esquema de marca d'agua semantica Tree-Ring usado para atestar que uma imagem foi gerada por um modelo de difusao especifico. O ataque conseguiu fazer o detector genuino aceitar como autenticas 5 de 6 imagens forjadas por um atacante que nunca teve acesso a chave de marca d'agua, ao mesmo tempo em que os autores recuperaram uma estatistica que o detector original descartava e que separa melhor imagens forjadas de limpas. O resultado reforca que watermarking de geracao de imagem, hoje um dos pilares propostos para autenticacao de conteudo de IA, nao garante por si so evidencia confiavel de autoria ou autenticidade.
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.