假视频的“真假二分类”已经不够用了

以往的时候, 对于检测AI生成的视频而言, 主要依靠去寻找视觉伪迹来达成, 就像是人脸边缘呈现出模糊不清的状态, 光影表现得不够自然, 眨眼的频率出现异常的情况。这些方式在以换脸视频作为主导的早期阶段确实是具备成效的。原因在于生成模型在此过程当中会留下颇为明显的帧级信号方面的漏洞。然而到了现如今, 在2025年爆发的GVS这种直接生成整段视频的范式, 使得模型能够凭借自身凭空创造视频, 而不再需要依赖真实的视频作为基础来进行创作。当用户拿着视频去询问Grok或者豆包的时候, 所得到的仅仅只有“是”或者“否”这样的答案, 既不存在任何的解释说明, 同时也没有办法进行复核验证。检测输出的边界, 一定要往前推移, 移动到哪里呢, 要从原来是真假二分类的情况, 走向能有可解释性、具备可信特征的结构化判断状态。

重新定义检测目标：事实保真度验证

综述将检测目标予以重新定义, 使之成为“事实保真度验证”。其核心并非询问“这视频是不是由AI生成的”, 而是去核查视频内容当中, 关于“谁、何时、何地、发生了什么”这些命题, 在感知以及认知方面, 是否同时与真实世界达成对齐。比如说, 有一个视频出现了特朗普在2025年登月的情景, 即便画面极为逼真, 然而在事实层面, 2018年特朗普已然卸任, 在2025年他是不可能以总统身份去登月的。检测端要把声音、口型、身份以及内容一同进行查看, 从而找到真正具备判断力的线索, 而不是仅仅去看画面是否流畅。

视觉模态：底层信号和时空一致性

基于视觉模态来着眼, 第一类科学的一系列问题着重对准于底层信号取证以及画面时空一致性, 在底层信号这一方面, 实际存在的视频会契合特定的统计规律, 像采集编码噪声、色彩分布、镜头畸变等情况, 由AI产生生成而成的视频常有风格样式相当单一的现象, 还会出现含有模型自带水印或者有生硬的生理信号, 例如心率波形呈现出异常状态在其中, 而在时空一致性这一层面来看, 需要去查验视频的多帧于时间轴之上的运动是不是符合物理规律, 诸如物体下落的轨迹、光影变化是否具备连续性等。要是把时序信息给去掉掉之后, 检测器的性能出现显著下降的情况, 那就表明它, 确实是着眼于在对于那种视频的连续性方面, 而并非凭借单单一帧就弄虚作假的。

跨模态对齐：画面、声音和字幕必须一致

起始于第三层检测而着手进入视频内部的多模态核验。问题成为了这样: 相应视频之中的画面、所涉及的声音、呈现的字幕等各个模态, 是否于各个层面均以对齐的状态来讲相同的内容呢。举例而言, 一个人说话时的口型和音频是不是同步的, 音场环境与画面背景是否相匹配, 字幕内容跟对话逻辑是否做到自洽。AI生成的视频常常会在这些地方出现错误, 比如人物转头之际背景音却没有发生变化, 又或者口型与中文发音对不上。检测器得要将不同模态的信息投影至同一个表征空间, 运用提示词或者轻量模块去进行校准, 把异常和明确的语义类别对应好。

认知推理：视频内容能否经受外部世界检验

面向最高层级的检测视角, 从视频自身内部的一致性朝着与外部真实世界的规则知识是否达成一致的方向提升, 问题转变为: 在语义以及事实的维度方面, 视频内容于真实世界里面, 究竟是不是确实有可能存在, 其是否具备合理性。这便需要引入语言模态, 借助有关世界知识、物理规律、历史事实的推理来做出甄别判断。举例来说, 倘若有一个视频呈现出“2026年北京下雪”的情景, 而你通过查询气候数据发觉北京在6月是绝无可能降雪的, 那么该视频内容便存在事实冲突。在检测的一端, 要使得模型拥有推理的能力, 这种能力能够去判断, “这辆车在沙漠里以300公里的时速进行转弯”, 这样的情况是不是符合物理方面的常识。

数据集和评估：应对分布变化和生成器多样性

当下, 用于评估以及训练检测方法的数据集, 沿着AI生成范式产生分化, 面向LMV（基于真实视频修改）范式的数据集, 其评测重点在于视觉线索的稳定性, 像经过压缩、转码、平台滤波之后, 检测线索是否依旧能够成立。面向GVS（全合成视频）范式的数据集, 其挑战在于生成器多样性、语义不对齐以及迁移风险。在实际部署当中, 新生成模型以及编辑工具持续不断地涌现, 不同平台引入各自的转码流程。大多数检测器仍旧在“封闭世界”设定下进行评估, 面对真实环境变化的时候容易失效。要评测, 需关注时空上关于物理方面的一致性, 要确保跨模态之间的对齐以及时间定位准确, 而且还要考量视频理解模型可不可以将错误转变成为能够进行解读、可以实施复核的判断。

提及最后一个问题向大家询问: 当那些“名人说惊人话”的视频在你日常浏览时被刷到时, 你是否会在潜意识里去对其真假展开验证呢? 欢迎于评论区留存分享你的相应经验, 同时也一定不要忘记对本文进行点赞以及转发操作, 从而促使更多人能够学会对AI假视频予以识别！