XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Постановка научной проблемы. Несмотря на активное развитие методов обнаружения дипфейков, существующие подходы зачастую ориентированы на анализ одного типа данных — видео, аудио или текста — и демонстрируют ограниченную эффективность в условиях усложнения генеративных моделей. Это приводит к снижению точности детекции, росту числа ложных срабатываний и уязвимости систем к адаптивным атакам. В связи с этим ключевым научным вопросом является поиск и обоснование мультимодальных методов верификации медиаконтента, способных учитывать взаимосвязи между различными каналами информации и обеспечивать более надёжное выявление подделок.

Анализ последних публикаций по теме. Современные исследования в области противодействия дипфейкам фокусируются на применении глубокого обучения, включая сверточные и рекуррентные нейронные сети, а также трансформерные архитектуры для анализа визуальных и аудиоспектральных признаков. Ряд работ демонстрирует высокую эффективность специализированных моделей в контролируемых условиях, однако подчёркивает их низкую обобщающую способность при появлении новых типов дипфейков. В последние годы возрастает интерес к мультимодальным подходам, объединяющим анализ видео, аудио и текста, а также к использованию метаданных и стандартов происхождения контента (например, C2PA). Тем не менее остаются нерешёнными вопросы масштабируемости, стандартизации и практической интеграции таких решений в реальные системы информационной безопасности.

Введение. Дипфейк (англ. deepfake от deep learning «глубинное обучение» + fake «подделка»)- методика синтеза изображения или голоса, основанная на искусственном интеллекте. Стремительное развитие генеративных моделей привело к резкому росту качества и доступности дипфейков, что создаёт серьёзные угрозы для информационной безопасности, включая: дезинформацию и манипуляцию общественным мнением; мошенничество и финансовые преступления; репутационные риски для частных лиц и организаций; подрыв доверия к цифровому медиаконтенту в целом.

Актуальность темы. Опираясь на проверенные факты: "По состоянию на ноябрь 2025 года уже каждый десятый житель России лично сталкивался с попытками мошенничества на основе дипфейков". По данным аналитиков, среди преступных схем чаще всего (47%) фиксируются фальшивые видео с участием публичных людей, например блогеров, поддельные голосовые сообщения или видеозвонки от знакомых (42%), звонки с поддельным "голосом начальника" (35%) или "родственника" (34%) с просьбой срочно перевести деньги. Более половины (57%) тех, кто столкнулся с дипфейк-мошенничеством, сообщили, что злоумышленники пытались обманом выманить у них деньги, и в 18% случаев жертвы действительно понесли финансовые потери. По данным исследования, только 37% опрошенных уверены, что смогли бы распознать поддельный контент.

Формулировка целей статьи. Целью этой статьи является систематизация и анализ современных методов мультимодальной верификации медиаконтента, направленных на выявление и подтверждение подлинности дипфейков. Для достижения поставленной цели в работе решаются следующие задачи: рассмотреть основные технологии создания дипфейков и их эволюцию; проанализировать методы верификации аудио-, видео- и текстового контента; оценить эффективность мультимодальных и интегрированных подходов; выявить ключевые ограничения существующих решений и перспективные направления дальнейших исследований.

Основная часть

Технологии создания дипфейков.Основу современных дипфейков составляют генеративно состязательные нейросети (GAN, Generative Adversarial Networks), включающие:генеративную сеть (Generator, G) - создаёт синтезированный контент;дискриминативную сеть (Discriminator, D) - выявляет отличия между оригиналом и подделкой.

Ключевые направления можно разделить на:

Видео-дипфейк — это замена лица или всего тела человека на видео. Технология используется для имитации выступлений, интервью, диалогов.

Аудитория фейковых видео также увеличивается. За неполный 2025 год выявили в 5,9 раза больше копий дипфейков, чем за весь 2024 год (55 тыс. в 2025 году против 9,3 тыс. в 2024). Количество просмотров такого контента в текущем году составило 122,5 млн, что в 3,1 раза превышает показатели всего 2024 года. Следующий виток развития такого социально опасного контента — повышение доступности и качества диффузионных моделей, когда для создания дипфейка уже не потребуется исходного видео, это усложнит и процесс фактчекинга, и технологическую детекцию.

Аудио-дипфейки, позволяющие подделать голос кого угодно, уже используются для многомиллионных афер.

Для создания голосовых дипфейков на вход модели подаются две аудиозаписи, при этом голос со второй записи переносится на первую. Из первого аудиоролика с помощью Content Encoder выделяется, что было сказано, из второго с использованием Speaker Encoder извлекаются глобальные характеристики желаемого голоса – то есть как говорит наш «целевой» человек. Сжатые представления того, что и как должно быть сказано, объединяются, а затем с помощью декодера генерируется результат. В результате сказанное в первой записи озвучивается голосом человека из второй записи. Помимо приведенного подхода на автокодировщиках существуют и другие, например с использованием генеративно-состязательных сетей (GAN) или диффузионных моделей. Исследования по созданию дипфейков активно поддерживаются, например, благодаря киноиндустрии: ведь объединив технологии аудио- и видеодипфейков, уже сейчас можно заменять лица актеров в кино и сериалах, выполнять дубляж кинофильмов с синхронизацией мимики героев с озвучкой на любом языке.

Инструменты для верификации видеоконтента бывают:

1. InVID — один из самых эффективных инструментов для анализа видеоконтента. Он позволяет разделить видео на части и сопоставить его с архивными материалами. Это помогает определить, было видео взято из старых источников или является подделкой.

2. RevEye — инструмент работает с разными поисковыми системами и помогает находить оригинальные изображения, которые могли быть использованы для создания поддельного видео.

3. Deepware AI — платформа, специализирующаяся на выявлении именно видео дипфейков. Сервис имеет высокую репутацию среди IT-специалистов. Благодаря мощным алгоритмам машинного обучения и постоянному обновлению данных он обеспечивает точное и оперативное выявление видеоманипуляций.

4. Forensically — это бесплатный онлайн-инструмент для детального анализа фотографий. Он не требует установки и работает прямо в браузере. Сервис предоставляет профессиональные средства для выявления цифровых манипуляций, такие как анализ шумов, детекция клонирования, просмотр метаданных.

5. AI Voice Detector — сервис для быстрого анализа аудио. Инструмент поможет определить, использовался ИИ в голосовых сообщениях.

Заключение

Преодоление проблемы дипфейков предполагает разработку и реализацию интегрированной системы мер, которая объединяет: технические решения (мультимодальная верификация); регуляторные меры (стандарты C2PA, законодательство); образовательные инициативы.

Перспективным направлением является развитие интегрированных систем, сочетающих анализ аудио, видео и текста с учётом контекста и метаданных. Только синергия технологий и человеческого фактора позволит эффективно противостоять угрозам, связанным с дипфейками.

Список литературы

1. Каждый десятый россиянин сталкивался с попытками дипфейк-мошенничества. Forbes

2. Лемайкина С. В. Проблемы противодействия использования дипфейков в преступных целях // Юристъ Правоведъ. 2023. № 2(105). С. 143–148.

3. В России зафиксирован исторический максимум распространения дипфейков 53Новости

4. Не верь ушам своим: голосовые дипфейки kaspersky

5. Anti Malware.ru. Технологии Deepfake как угроза информационной безопасности. 2024.

6. Технологии Deepfake как угроза информационной безопасности anti-malware