deepfake-detection

深度伪造检测与媒体认证

来源：https://github.com/dirnbauer/webconsulting-skills

用于检测合成媒体、分析篡改痕迹，并在后实证时代确立媒体来源的综合框架。

关键见解：传统检测方法（PRNU、IGH、DQ）就像指纹——有帮助，但可以质疑。加密来源证明（C2PA）则像DNA 匹配——具备加密安全性（SHA-256，碰撞抗性约为 2¹²⁸）。

适用场景

• 在发布图片或视频前验证其真实性
• 检测 AI 生成或篡改的媒体（深度伪造、换脸、合成语音）
• 出于法律或新闻目的，对可疑媒体进行取证分析
• 实施自动化媒体认证流水线
• 确立内容来源及保管链
• 应对虚假信息活动和高级持续操纵者（APM）

相关技能

• 安全审计 - 安全评估模式
• 安全事件报告 - 虚假信息攻击的事件记录
• 企业就绪性 - 自动化验证流水线所需的基础设施
• CLI 工具 - 自动安装所需工具

---

1. 什么是深度伪造？

定义

深度伪造是使用深度学习技术创建的合成媒体，主要采用生成对抗网络（GAN）、扩散模型和自编码器，以高度逼真的效果生成或操纵视听内容。这个词由“深度学习”和“伪造”组合而成。

合成媒体类型

类型	技术	描述
换脸	自编码器、GAN	在视频中将一个人的脸替换为另一个人的脸
面部表情迁移	3D 可变形模型	让一张脸呈现另一个人的表情
语音克隆	文本转语音、声码器	根据文本生成某人的声音 [20]
口型同步	音频转视频	让某人看起来像是在说不同的话
全身操控	姿态估计	控制某人的身体动作
完全合成	扩散模型、GAN	生成并不存在的人物、场景和事件

新兴能力（2025-2026）

类型	进展	影响
换脸	单次换脸（单张参考图像）、GHOST 2.0 [24]、DynamicFace [25]	所需的源素材极少
面部表情迁移	音频驱动动画、神经头部表情迁移	完全合成的视频通话
语音克隆	零样本克隆（无需针对目标进行训练）、情感语音合成	可即时克隆任意声音并加入情感
口型同步	基于扩散模型的高保真同步、多语言同步	跨语言自动配音
全身操控	具备 3D 感知的动作迁移、神经身体化身	实时逼真控制
完全合成	视频扩散模型、可控生成	精确控制年龄、表情和视线

趣味应用

深度伪造也有合理且富有创意的用途：

用途	示例	价值
娱乐	让电影演员返老还童、身后表演	艺术表达
讽刺与戏仿	政治讽刺、喜剧短剧	言论自由、幽默
教育	让历史人物在纪录片中“开口说话”	提升参与度，促进学习
无障碍	实时手语化身	包容性
游戏与 VR	个性化化身、NPC 面孔	沉浸感
艺术与表达	数字艺术、创意项目	创新

示例：“This Person Does Not Exist”网站展示了 GAN 生成的人脸，其非真实人物的逼真程度令用户着迷。

危险的一面

同一项技术也会造成严重危害：

威胁	描述	影响
未经同意的影像	未经同意制作的合成亲密内容	心理伤害、骚扰、声誉受损
政治操纵	捏造演讲、虚假丑闻	干扰选举、削弱民主
金融诈骗	克隆 CEO 声音实施电汇诈骗	单起事件造成数百万美元损失
证据伪造	虚假不在场证明、栽赃证据	妨碍司法公正
说谎者红利	将真实证据斥为“深度伪造”	逃避问责
身份盗窃	绕过面部识别、KYC	账户接管、诈骗
虚假信息战	国家支持的合成媒体宣传活动	地缘政治动荡

真实案例（2024 年）：WPP CEO Mark Read 成为一起复杂深度伪造语音克隆攻击的目标，对方试图借此授权欺诈性转账 [19]。2022 至 2023 年间，北美的深度伪造诈骗案件激增 1,740%，单起事件的平均损失超过 500,000 美元 [18]。

当前规模（2025-2026 年）

指标	数值	来源
每年传播的深度伪造内容	800 万（2025 年），高于 2023 年的 50 万	行业估算
预计合成内容占比	到 2026 年将占在线内容的 90%	Europol
未经同意的亲密影像（NCII）	占所有深度伪造内容的 98%	欧盟委员会

关键洞见：指数级增长意味着检测系统面临不断扩大的处理量挑战，这进一步凸显了主动认证（C2PA）相较于被动检测的必要性。

深度伪造的未来

时间线	发展	影响
现在（2026 年）	实时视频深度伪造、工具普及	任何人都能制作逼真的伪造内容
近期	视频通话中的交互式深度伪造	人们对实时通信的信任逐渐瓦解
中期	无法检测的合成媒体	检测将变为概率判断，而非二元判断
长期	“现实即服务”	经过认证的媒体成为常态，未签名内容则令人怀疑

检测军备竞赛

近期研究证实，检测泛化能力面临的挑战日益严峻 [1]：

Generation Quality:    ████████████████████░░░░  85% (2026)
Detection Accuracy:    █████████████░░░░░░░░░░░  55% (2026)
                       ↑ Gap widening over time

关键洞见：我们正在从“眼见为实”的世界，转向“密码学证明即为真”的世界。未来不在于完美检测，而在于来源证明基础设施（C2PA v2.3），以证明内容在创建时即为真实 [15, 16]。传统检测方法（PRNU、IGH、DQ）就像指纹——有帮助，但可以质疑。密码学来源证明（C2PA）则像 DNA 匹配——具有密码学安全性（SHA-256，约 2¹²⁸ 的抗碰撞能力）。

---

2. 战略背景：后经验时代

经验性证据危机（2026 年）

真实媒体与合成媒体之间的界限实际上已消失。万亿参数模型已使逼真合成内容的生成变得普及，深度伪造因此从个别实验转变为工业化的虚假信息能力。

合成媒体威胁的 ABC 框架

类别	描述	示例
A - 行动者	恶意合成内容生成者	民族国家、APM（高级持续操纵者）、商业虚假信息服务
B - 行为	欺骗性模式和策略	利用合成身份进行虚假草根运动、协调一致的不真实行为
C - 内容	合成媒体本身	深度伪造视频、语音克隆、GAN 生成的人脸、篡改图像

4D 虚假信息战术

战术	描述	取证应对措施
否认	声称真实证据是伪造的（“骗子红利”）	来源验证、加密证明
歪曲	用合成片段重新诠释真实事件	语义一致性分析
转移注意力	用大量合成噪声淹没真相	可抵御规模冲击的自动检测
制造恐慌	通过合成威胁开展心理行动	置信度评分、辅助理解

---

3. 系统架构

大模型集成策略

该技能采用分层模型结构进行取证分析：

角色	模型	版本	功能
主导	Claude Opus	4.5	综合分析复杂取证数据、多模态分析、生成报告
验证	Gemini Pro	3.0	交叉验证检测结果，为边缘情况提供第二意见
推理	GLM Pro Thinking	4.7	逻辑验证因果链，对取证结论进行逐步推理

模型选择理由

• Claude Opus 4.5：在细致的多模态分析以及将复杂取证证据综合为连贯报告方面表现出色
• Gemini Pro 3.0：具备强大的视觉理解能力，可交叉验证图像／视频分析结果
• GLM Pro Thinking 4.7：通过思维链推理实现透明、可审计的取证逻辑

架构要求

1. 异步处理管道：处理多模态分析产生的大量令牌
2. 用于 CRF 配置文件的向量数据库：存储并查询相机响应函数特征
3. RAG 集成：推理期间访问取证参考数据库
4. 工具集成：使用 ffmpeg、ExifTool、ImageMagick 进行底层信号处理

---

4. 所需工具与安装

工具概览

工具	用途	必需
ffmpeg	视频处理、提取帧、分离音频	是
ffprobe	提取元数据、分析容器	是（随 ffmpeg 附带）
exiftool	深度提取元数据、分析 EXIF/XMP/IPTC	是
imagemagick	图像处理、格式转换	建议安装
jq	处理 JSON 以分析元数据	建议安装
c2patool	验证 C2PA/CAI 来源	可选

Agent 自动安装

当缺少必需工具时，Agent 会检测到这一情况并提供安装选项。安装前必须获得用户批准。

🔧 Tool Missing: ffmpeg

The agent needs 'ffmpeg' for video frame extraction and analysis.
This tool is not currently installed on your system.

Would you like me to install it?
  [macOS]  brew install ffmpeg
  [Ubuntu] sudo apt install ffmpeg
  [Windows] winget install ffmpeg

⚠️ Approval required: Type 'yes' to proceed or 'no' to skip.

手动安装

macOS（Homebrew）

# Install all recommended tools
brew install ffmpeg exiftool imagemagick jq

# Optional: C2PA verification tool
brew install c2patool

Ubuntu/Debian

# Install all recommended tools
sudo apt update
sudo apt install ffmpeg libimage-exiftool-perl imagemagick jq

# Optional: C2PA verification tool (CLI now lives in contentauth/c2pa-rs; assets are named c2patool-vX.Y.Z-x86_64-unknown-linux-gnu.tar.gz)
# Pick the latest c2patool release from: https://github.com/contentauth/c2pa-rs/releases
curl -L https://github.com/contentauth/c2pa-rs/releases/download/c2patool-v0.26.65/c2patool-v0.26.65-x86_64-unknown-linux-gnu.tar.gz | tar xz
sudo mv c2patool /usr/local/bin/

Windows（winget）

# Install all recommended tools
winget install ffmpeg
winget install exiftool
winget install imagemagick
winget install jqlang.jq

# Optional: C2PA verification tool (from GitHub releases)
# Download from: https://github.com/contentauth/c2patool/releases

验证

# Verify installations
ffmpeg -version
exiftool -ver
magick -version
jq --version
c2patool --version  # if installed

工具用法示例

使用 ffmpeg 提取特征

# Extract I-frames for PRNU analysis
ffmpeg -i input.mp4 -vf "select='eq(pict_type,I)'" -vsync vfr frame_%04d.png

# Analyze inter-frame consistency (temporal artifacts)
ffmpeg -i input.mp4 -vf "mpdecimate,setpts=N/FRAME_RATE/TB" -c:v libx264 dedup.mp4

# Extract metadata for container audit
ffprobe -v quiet -print_format json -show_format -show_streams input.mp4

# Isolate audio stream for voice clone detection
ffmpeg -i input.mp4 -vn -acodec pcm_s16le -ar 44100 audio.wav

# Extract specific frame range for analysis
ffmpeg -i input.mp4 -ss 00:01:30 -t 00:00:10 -c copy segment.mp4

使用 ExifTool 进行元数据取证

# Extract all metadata
exiftool -json input.jpg | jq .

# Check for editing software traces
exiftool -Software -CreatorTool -HistorySoftwareAgent input.jpg

# Compare metadata between original and suspected fake
diff -y <(exiftool -g1 -a -u original.jpg) <(exiftool -g1 -a -u suspected.jpg)

# Find GPS coordinates (if present)
exiftool -gps:all -c "%.6f" input.jpg

# Check creation/modification times for inconsistencies
exiftool -time:all -G1 input.jpg

使用 ImageMagick 进行图像分析

# Analyze image statistics (useful for noise analysis)
magick identify -verbose input.jpg

# Extract error level analysis (ELA) for manipulation detection
magick input.jpg -quality 95 ela_temp.jpg
magick composite input.jpg ela_temp.jpg -compose difference ela_output.jpg

# Check for resampling artifacts
magick input.jpg -resize 200% -resize 50% resample_test.jpg

使用 C2PA 工具验证来源

# Show the C2PA manifest (default action)
c2patool input.jpg

# Detailed manifest report
c2patool input.jpg -d

# Quick manifest info
c2patool input.jpg --info

# Show certificate chain
c2patool input.jpg --certs

# Configure trust lists for validation
c2patool input.jpg trust --help

用于验证的 C2PA 测试文件

C2PA 组织提供的官方测试文件（CC BY-SA 4.0）：

文件	描述	预期结果
adobe-20220124-C.jpg	有效的 Adobe 证书，签名已验证	✅ 链已验证
truepic-20230212-camera.jpg	拍摄时由硬件签名	✅ 链已验证
无凭证的文件	没有 C2PA 清单	⚠️ 无来源信息
被篡改的文件	签名后经过修改	❌ 签名无效

来源：c2pa-org/public-testfiles

理解 C2PA 验证：验证过程逐步进行：（1）证书已验证 →（2）签名有效 →（3）声明未更改 →（4）图像哈希匹配。任何一步失败都会导致整个链失效。

---

详细参考

如果任务需要详细示例、较长的模板、故障排查矩阵、附录或上文未包含的章节，请阅读完整指南。处理范围较窄的任务时，请勿加载此文件，以便技能遵循渐进式披露。