- Skapelsen av deepfakes kombinerer kunstig intelligens, nevrale nettverk og store datamengder.
- Teknikker som diffusjonsnettverk, GAN-er, ansiktsbytte og leppesynkronisering legger til rette for realistiske resultater.
- Ansvarlig bruk og deteksjon av deepfakes er nøkkelen til å bekjempe feilinformasjon og svindel.
Deepfakes har blitt et av de mest overraskende og samtidig kontroversielle teknologiske fremskrittene de siste årene. Det blir stadig vanligere å se videoer eller bilder som viser offentlige personer og anonyme individer som kommer med uttalelser eller utfører handlinger som aldri faktisk har skjedd. Nøkkelen til dette fenomenet ligger i bruken av kunstig intelligens for å manipulere og generere visuelt og lydinnhold som nesten ikke kan skilles fra virkeligheten. Hvis du noen gang har lurt på hvordan deepfakes lages eller hvilke teknologier som ligger bak dem, er her en komplett guide som avslører alle hemmelighetene deres: fra teknikkene som brukes til risikoene og ansvarlig bruk.
Populariteten til deepfakes er ingen tilfeldighet: akkurat nå kan alle med en anstendig datamaskin og litt nysgjerrighet få tilgang til gratis eller betalte verktøy og begynne å eksperimentere. Den dyptgående sosiale, etiske og tekniske virkningen av deepfakes krever imidlertid at man går utover enkel nysgjerrighet: å forstå hvordan de fungerer, hvilke risikoer de medfører og hvordan de kan brukes positivt er avgjørende midt i fremveksten av kunstig intelligens.
Hva er en deepfake, og hvorfor er den så realistisk?
I hovedsak er en deepfake manipulert audiovisuelt innhold – først og fremst videoer, men også bilder og lyd – generert ved hjelp av dyp læringsalgoritmer . Disse algoritmene , nærmere bestemt nevrale nettverk , er i stand til å analysere og gjenskape mønstre av ansiktsuttrykk, bevegelser, tonefall og til og med kroppsbevegelser fra store datasett. På denne måten er det ikke bare mulig å endre en persons ansikt i en video, men også å legge ord i munnen deres eller imitere stemmen deres med bemerkelsesverdig realisme.
Det mest imponerende med dagens deepfakes er hvor realismepreget de er . Tidlige versjoner var klønete og lite overbevisende, men fremskritt innen kunstig intelligens har gjort det stadig vanskeligere å skille en ekte video fra en manipulert. Alt dette har ført til intens debatt om bruken av dem og deres potensielle sosiale og juridiske konsekvenser.
De mest avanserte teknologiene for å lage deepfakes
Det er flere måter å lage en overbevisende deepfake på i dag. De mest avanserte og populære teknikkene inkluderer:
- KringkastingsnettverkAI-modeller som genererer bilder og videoer ved å legge til og fjerne digital «støy», og produserer helt nye ansikter fra de opprinnelige dataene.
- Antagonistiske generative nettverk (GAN)To motstridende nevrale nettverk genererer og validerer falskt innhold helt til de oppnår et resultat som nesten ikke kan skilles fra ekte vare.
- AnsiktsbytteAnsiktsbytte: Den velkjente ansiktsbyttet, der en persons ansikt legges over en annen persons ansikt i detalj i en video eller et bilde.
- LeppesynkroniseringEn teknikk som justerer munn- og stemmebevegelser for å matche en valgt tale, enda mer effektiv når den kombineres med syntetisk stemme.
Kringkastingsnettverk: å lage bilder fra støy
Diffusjonsnettverk representerer den siste grensen innen deepfakes. De fungerer ved å "skitne til" originalbilder ved å legge til tilfeldig støy til de blir ugjenkjennelige. Modellen lærer deretter å reversere denne støyen og rekonstruere bildet, men med spesifiserte modifikasjoner (som en annen persons ansikt eller uttrykk). Dette gir overraskende realistiske resultater som kan tas direkte fra en forvrengt versjon, noe som gjør det ekstremt vanskelig å oppdage den opprinnelige manipulasjonen.
Ifølge nyere forskning begynner såkalte konsistensmodeller allerede å utkonkurrere konvensjonelle kringkastingsnettverk, og gjør støy om til nyttige data mer direkte og effektivt.
GAN: dobbeltkontrollteknikken
Før kringkastingsnettverk var standarden generative adversarial networks ( GAN-er ). Her lager en generator falskt innhold (bilder eller videoer), mens en diskriminator evaluerer dets autentisitet. Begge trenes mot hverandre, som i en katt-og-mus-lek, helt til deepfaken blir praktisk talt umulig for det menneskelige øyet å oppdage.
Denne teknikken var nøkkelen til de første deepfakes-teknikkene av høy kvalitet, men den var dyrere og mindre effektiv enn dagens systemer. Likevel er den fortsatt et mye brukt grunnlag for de fleste kommersielle verktøy og åpen kildekode-prosjekter.
Leppesynkronisering er en populær teknikk, både på grunn av enkelheten og hvor lett den kan automatiseres. Prosessen innebærer å justere munnbevegelser i en video for å matche valgt lyd, selv ved bruk av kunstig intelligens-genererte syntetiske stemmer.
I mange tilfeller er ikke engang en kraftig datamaskin nødvendig: mobilapper kan lage deepfake- videoer på bare noen få minutter. Kvaliteten og realismen øker når flere referansebilder brukes og bedre maskinvare benyttes.
Ansiktsbytte: den klassiske ansiktsbyttet
Ansiktsbytte er grunnlaget for mange av deepfakesene som sirkulerer på nettet. Det innebærer å legge ansiktet til personen du vil etterligne over på en annen persons ansikt i en ekte video. Jo flere bilder og vinkler som brukes til å trene modellen, desto mer troverdig blir resultatet.
Kjente eksempler spenner fra humoristiske videoer av kjendiser som er «forvandlet» til andre karakterer til initiativer som Salvador Dalí-museet, som brukte tusenvis av bilder for å lage en interaktiv versjon av kunstneren. Faren er at med dagens verktøy kan praktisk talt hvem som helst lage en minimalt overbevisende deepfake med bare et referansebilde, noe som mangedobler mulighetene for bruk (og misbruk).
Hvordan lage en deepfake trinn for trinn?
Å lage en deepfake av høy kvalitet krever forståelse av det grunnleggende innen kunstig intelligens og å ha de riktige ressursene. For å oppnå dette følger prosessen vanligvis disse trinnene:
- Søk etter og velg bilder eller videoerJo flere bilder og videoer av høy kvalitet du kan samle av personen du etterligner (og originalen), desto bedre blir resultatet. Varierende ansiktsuttrykk, vinkler og lysforhold hjelper mye.
- Trene AI-modellenDyplæringsalgoritmer behandler alt dette materialet for å lære de spesifikke trekkene og bevegelsene i ansiktet som skal kopieres.
- Bruk av spesifikke verktøyProgrammer som DeepFaceLab, Zao, FaceApp og Deepfakes Web tilbyr enkle grensesnitt for ansiktsbytte, leppesynkronisering eller generering av syntetiske stemmer. Noen krever kraftige datamaskiner med GPU-er, mens andre opererer i skyen eller direkte på en mobilenhet.
- Bearbeiding og justeringAI-modellen komponerer videoen ved å blande det imiterte ansiktet og, om nødvendig, tilpasse leppebevegelser og stemme for å få alt til å passe perfekt sammen. Manuelle justeringer kan gjøres for å perfeksjonere detaljer (uttrykk, belysning osv.).
- Siste grepNoen programmer lar deg forbedre videokvaliteten, fjerne feil eller til og med legge til vannmerker for å indikere manipulert innhold.
Noen ganger kan prosessen ta bare noen få minutter; andre ganger kan det ta dager med opplæring og svært dyr maskinvare, avhengig av ønsket realisme og tilgjengelige ressurser.
Populære verktøy og programmer for å lage deepfakes
I dag finner du alt fra mobilapper til komplekse programmer med åpen kildekode. Noen av de mest brukte og tilgjengelige er:
- DeepFaceLabEn referanse i deepfakes-verdenen, og tilbyr et bredt utvalg av veiledninger og avanserte funksjoner for ansiktsbytte.
- ZaoEn veldig populær kinesisk mobilapp som lar deg raskt lage deepfake-videoer ved hjelp av et referansebilde.
- Snapchat y Objektiv AIApper som gjør det enkelt å bytte ansikter og bruke avanserte filtre, ideelt for brukere som ønsker raske og morsomme resultater.
- Deepfakes WebNettplattformer som tilbyr alt fra animasjon av gamle fotografier til mer forseggjorte videoer, ofte med betalte eller gratis verktøy.
- wombo y DeepBrainDe skiller seg ut med realismen i stemmene som genereres og hvor brukervennlige de er når de lager musikkvideoer og memer.
- FaceApp: Lar deg endre ansikter og lage imponerende effekter med bare ett klikk.
I tillegg spesialiserer tjenester som Speechify AI Voice Generator seg på å lage AI-stemmer som høres naturlige ut, noe som gjør det enkelt å inkludere realistiske voiceovers i enhver deepfake-video.
Positive bruksområder og risikoer ved deepfakes
Teknologien bak deepfakes er verken god eller dårlig i seg selv: den avhenger helt av intensjonen. På den ene siden finner vi positive bruksområder som spenner fra underholdning – memer, vitser og virale videoer – til film, reklame og utdanning. For eksempel å lage flerspråklige reklamekampanjer uten behov for reising eller filming, gjenopplive historiske personer eller beskytte identiteten til personer i dokumentarer (som i Welcome to Chechnya ).
Risikoen er imidlertid svært reell. Deepfakes kan brukes til å spre feilinformasjon, manipulere valg, utføre svindel eller trakassere . Det finnes dokumenterte tilfeller av lederes stemmeutgivelse for å begå millionsvindel. Brukervennligheten til mange verktøy mangedobler trusselen om uansvarlig eller ondsinnet bruk.
Derfor er det viktig å fremme ansvarlig bruk : tydelig indikere når innhold er falskt , legge til vannmerker og opplyse folk om eksistensen og risikoen ved disse videoene. Videre brukes AI i seg selv til å lage stadig mer effektive deepfake-detektorer, selv om kappløpet mellom skapere og detektorer fortsatt er svært jevnt.
Deepfakes i samfunnet: mediesaker og aktuelle anvendelser
De siste årene har deepfakes gått fra å være en kuriositet til å bli et kulturelt og sosialt relevant fenomen. I politikken har de blitt brukt både til å manipulere diskurs og til å satirisere offentlige personer. Fra videoer i India der politikernes språk endres for å tiltrekke seg flere velgere, til virale manipulasjoner i USA knyttet til valgkampanjer.
I film- og fjernsynsverdenen har deepfakes revolusjonert produksjonen av reklamer og filmer, og muliggjort innholdsproduksjon der hovedpersonene aldri var fysisk til stede. Eksempler inkluderer Cruzcampo-kampanjen med Lola Flores og David Beckhams opptredener på forskjellige språk for et veldedighetsinitiativ.
På samme måte har kunstig intelligens blitt brukt i dokumentarer og journalistikk for å gjenskape historiske fortellinger eller beskytte identiteten til vitner og ofre. Utdanning og kultur utforsker også potensialet for deepfakes, slik man ser i Dalí-museet, hvor kunstneren selv «kommer til live» for å samhandle med besøkende.
Innen det medisinske feltet brukes GAN-er til å generere syntetiske bilder av svulster eller lesjoner, som er nøkkelen til å trene diagnostiske modeller når det ikke finnes nok reelle data.
Utfordringer, etikk og fremtiden for deepfakes
Fremskritt innen AI gjør det til en stadig utviklende utfordring å oppdage deepfakes. Store teknologiselskaper og reguleringsorganer jobber med å identifisere disse manipulasjonene og beskytte brukere, og implementerer alt fra etiketter på sosiale medier til å begrense farlige apper.
Hovedutfordringen ligger i å balansere innovasjon og sikkerhet . Økt tilgang til verktøy for å lage deepfakes tvinger samfunnet til å holde seg informert, utvikle et kritisk perspektiv og kreve ansvarlighet når denne teknologien brukes til skadelige formål. Men hvis deepfakes håndteres riktig, kan de åpne døren for nye former for uttrykk, kreativitet og læring.
Deepfake-teknologi er kommet for å bli, og den vil fortsette å utvikle seg raskt. Å forstå teknikkene og bruksområdene – og lære å bruke den etisk og ansvarlig – er den beste måten å utnytte dens fulle potensial samtidig som risikoen minimeres. Følg med på utviklingen og ikke nøl med å utforske mulighetene, alltid med et kritisk blikk og respekt for personvern og sannhet.
