Nova abordagem com inteligência artificial detecta deepfakes com mais de 95% de acerto
Uma equipe internacional de pesquisadores criou um novo método baseado em inteligência artificial para identificar vídeos manipulados, os chamados deepfakes, alcançando uma taxa média de acerto superior a 95%. A técnica foi desenvolvida por cientistas da Universidade de Tóquio, no Japão, em parceria com o Instituto Max Planck de Informática, da Alemanha, e representa um avanço importante na luta contra conteúdos audiovisuais falsificados.
Em vez de procurar por imperfeições visuais nos quadros do vídeo, como fazem os detectores tradicionais, o novo sistema adota uma estratégia diferente. Ele analisa se as expressões faciais da pessoa aparecem de forma coerente em relação ao que está sendo dito. Quando essa relação entre fala e movimento do rosto não combina, há um forte indicativo de manipulação. O foco deixa de ser o pixel e passa a ser o comportamento humano.
De acordo com os pesquisadores, a abordagem conseguiu identificar manipulações que passaram despercebidas por diversos detectores já existentes no mercado. O trabalho foi apresentado no artigo "ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors", divulgado durante a edição de 2026 da Conferência IEEE/CVF sobre Visão Computacional e Reconhecimento de Padrões, conhecida pela sigla CVPR.
O avanço acontece em um momento em que a IA generativa já é capaz de produzir imagens e vídeos praticamente indistinguíveis de gravações reais. Embora a tecnologia tenha aplicações positivas em áreas como cinema, educação e comunicação, ela também amplia riscos de desinformação, roubo de identidade e fraudes digitais. Por isso, a busca por métodos confiáveis de detecção tornou-se uma das principais prioridades dentro da pesquisa em inteligência artificial.
O estudo foi conduzido por Kaede Shiohara e Toshihiko Yamasali, da Universidade de Tóquio, com a participação de Vladislav Golyanik, pesquisador sênior e chefe do grupo 4D and Quantum Vision do Instituto Max Planck de Informática. A proposta dos autores se diferencia da maioria das soluções atuais justamente por adotar um método autossupervisionado, ou seja, treinado basicamente com vídeos autênticos, em vez de depender exclusivamente de grandes bases de dados com exemplos de manipulação.
Os detectores de deepfake mais usados atualmente utilizam aprendizado supervisionado, sendo treinados com conjuntos amplos de vídeos verdadeiros e falsos. Esse modelo, porém, apresenta uma limitação relevante: ele pode acabar aprendendo características específicas de determinados métodos de falsificação, fenômeno conhecido como sobreajuste, tornando-se menos eficiente diante de técnicas de manipulação inéditas. Já os métodos autossupervisionados existentes costumam ter menor precisão.
Segundo os pesquisadores, a nova técnica é a primeira abordagem autossupervisionada capaz de combinar robustez diante de novos tipos de falsificação com taxas elevadas de detecção, superando inclusive métodos supervisionados considerados estado da arte em benchmarks da área. A tecnologia utiliza o modelo FLAME, amplamente empregado em computação gráfica e animação facial, que representa expressões por meio de 53 parâmetros matemáticos.
No processo de desenvolvimento, os pesquisadores realizaram um pré-treinamento utilizando mais de 450 horas de vídeos públicos. Com esse material, o modelo aprendeu a prever quais movimentos faciais seriam naturalmente esperados a partir de uma determinada trilha de áudio. Depois desse treinamento inicial, o sistema pode ser adaptado para uma pessoa específica utilizando apenas cerca de 60 segundos de vídeo, tornando-se um detector personalizado.
Na etapa de análise, o software compara os movimentos faciais efetivamente observados no vídeo com aqueles previstos a partir da fala. Quando existem diferenças significativas entre os dois conjuntos de informações, o sistema interpreta esse descompasso como um forte indicativo de manipulação. Para Vladislav Golyanik, a combinação de aprendizado autossupervisionado e análise baseada no FLAME torna a abordagem particularmente robusta contra novos métodos de geração de deepfake, além de resistir a distorções como compressão de imagem e ruído.
Os experimentos incluíram um dos cenários mais desafiadores: um conjunto de dados criado pelos próprios pesquisadores com vídeos gerados pelo Sora 2, modelo de geração de vídeos da OpenAI. Enquanto detectores anteriores obtiveram resultados próximos ao acaso, equivalentes a um simples lançamento de moeda, o novo sistema identificou corretamente quase 95% dos vídeos manipulados. Nos demais conjuntos de referência utilizados pela comunidade científica, a precisão média também ficou acima de 95%.
Apesar dos números expressivos, os próprios pesquisadores reconhecem que a tecnologia ainda apresenta limitações importantes. O método exige um longo processo de pré-treinamento executado em hardware de alto desempenho e, no estágio atual, não pode ser utilizado em aplicações que exijam análise em tempo real. Mesmo assim, a equipe considera que a abordagem abre um caminho promissor para a próxima geração de ferramentas de detecção de deepfakes, em um cenário em que as técnicas de manipulação por inteligência artificial continuam evoluindo rapidamente.
