Погрешность ручного анализа дипфейков сегодня составляет около 30-40%, однако при знании конкретных технических артефактов вероятность обнаружения синтеза в 90% случаев выше, чем при использовании базовых автоматических детекторов. В 2024 году стоимость качественного рендера одного лица для мошеннических целей упала до $5-15 за ролик, что делает массовые атаки критической угрозой для финсектора.
Аномалии мимики и частота моргания
Ключевой маркер синтеза — нарушение естественного ритма моргания. В норме человек моргает 15-20 раз в минуту; нейросети часто либо завышают этот показатель, либо создают «застывший» взгляд. Обращайте внимание на края век: при быстром движении часто возникают микро-разрывы текстуры или «плавание» контура длиной в 2-5 пикселей.
Кейс: при анализе видеозвонка с «директором» было замечено, что веки не смыкаются полностью, оставляя щель в 1-2 мм, что не характерно для физиологии данного лица. Это позволило вовремя внедрить протоколы защиты корпоративных коммуникаций от дипфейк-атак и остановить перевод 12 млн рублей.
Вывод эксперта: моргание и микромимика вокруг глаз — самый слабый узел текущих GAN-сетей, на нем стоит фиксировать внимание в первую очередь.
Артефакты освещения и геометрия теней
Синтетические модели часто ошибаются в расчете глобального освещения (Global Illumination). Ищите несоответствие между источником света в кадре и бликами в зрачках. В реальном видео блик всегда имеет четкую форму источника (окно, лампа), в дипфейках он часто размыт или симметричен на обоих глазах, даже если свет падает сбоку.
Технический нюанс: проверьте границы челюсти и шеи. При повороте головы в 45-90 градусов нейросеть часто «теряет» четкую линию подбородка, создавая эффект размытия (blurring) в зоне 10-20 пикселей. Это происходит из-за неверного наложения маски на исходный кадр.
Вывод эксперта: несоответствие вектора освещения лица и фона — неоспоримый признак склейки, который практически невозможно скрыть без дорогостоящего ручного ретуширования каждого кадра.
Синхронизация губ и артикуляционные ошибки
Анализ липсинка (lip-sync) выявляет расхождения в произношении взрывных согласных (П, Б, М). В синтезе губы часто не смыкаются полностью или делают это с задержкой в 100-200 мс относительно аудиодорожки. Также обратите внимание на внутреннюю часть рта: зубы в дипфейках часто выглядят как единая белая масса без четких промежутков между резцами.
Пример: в видео с фальшивым спикером при произнесении звука «О» форма губ оставалась овальной, но не меняла объем, что противоречит физике речевого аппарата. Это типичная ошибка моделей, обученных на фронтальных датасетах.
Вывод эксперта: фокусируйтесь на звуках, требующих плотного смыкания губ; именно здесь проявляется технический разрыв между аудио- и видеопотоком.
Спектральный анализ голоса и интонации
Аудио-дипфейки характеризуются отсутствием естественных «микро-пауз» и придыханий. В спектрограмме синтетического голоса часто отсутствуют высокочастотные шумы (выше 8-10 кГц), что делает звук «стерильным». Роботизированный тембр проявляется в монотонности: вариативность частоты основного тона (F0) у человека составляет 20-40%, у нейросети она часто зажата в узком диапазоне.
Сравнение: профессиональный клонированный голос (стоимость от $50/час работы инженера) звучит чисто, но проваливается на длинных предложениях (более 15 слов), где теряется логическое ударение. Бесплатные сервисы выдают металлический призвук на гласных.
Вывод эксперта: слушайте не слова, а ритмику дыхания. Отсутствие вдохов между смысловыми блоками — главный признак аудио-синтеза.
Границы стыковки и цифровой шум
При сильном увеличении (400% и более) в зонах прилегания лица к волосам или очкам видны «ступеньки» или неестественное сглаживание. В реальном видео цифровой шум (зернистость) распределен равномерно по всему кадру. В дипфейках лицо часто выглядит более гладким, чем фон, или имеет другой уровень шума, так как накладывается поверх оригинала.
Кейс: анализ видео-сообщения показал, что шум на щеках объекта отсутствовал, в то время как на фоне была видна стандартная зернистость матрицы CMOS. Разница в текстуре составляла около 15-20% по контрастности.
Вывод эксперта: неоднородность цифрового шума между объектом и фоном — технический маркер, который невозможно убрать без потери качества всего ролика.
Вывод
Ручной анализ — это первый эшелон защиты, но он должен дополняться софтом. Для бизнеса я рекомендую связку: первичный чек-лист по 7 признакам $
ightarrow$ проверка через сравнение алгоритмов детекции дипфейков $
ightarrow$ верификация по внутренним кодам. Избегайте доверия любым видеозвонкам, где собеседник отказывается повернуться профилем или закрыть лицо рукой — это самые простые способы «сломать» маску нейросети в реальном времени.
