বিদ্যুৎ গ্রিডের গুঞ্জন, AI ভিডিওর বিরুদ্ধে এক সাক্ষী

AI-তৈরি ভিডিও শনাক্ত করা এখন একটি অস্ত্র প্রতিযোগিতা, আর সাউথহ্যাম্পটন সোলেন্ট বিশ্ববিদ্যালয়ের Ryan Wyton ও Bacha Rehman-এর মতে, এমন প্রতিযোগিতা যাতে “ডিটেক্টর হারছে”। বেশিরভাগ ডিটেক্টর শেখে যে জেনারেটরগুলো দিয়ে তাদের প্রশিক্ষণ হয়েছে, সেগুলোর ফাঁস-করা ছাপ। ষাট লাখ ক্লিপের একটি সাম্প্রতিক বেঞ্চমার্কে, সেরাগুলো সামগ্রিকভাবে মাত্র প্রায় 80% নির্ভুলতায় পৌঁছায়, আর যে জেনারেটর তারা কখনও দেখেনি, সেগুলোর বেলায় নেমে যায় দৈবের কাছাকাছি বা তার নিচে।

দুই গবেষক বরং এমন একটি সংকেত খুঁজেছেন যা জেনারেটরের নিয়ন্ত্রণে নেই: বিদ্যুৎ নেটওয়ার্ক কম্পাঙ্ক, বা ENF (electric network frequency)।

গ্রিডের আঙুলের ছাপ

মেইন বিদ্যুৎ নামমাত্র 50 বা 60 হার্টজ, কিন্তু সরবরাহ ও চাহিদা বদলালে এর সঠিক কম্পাঙ্ক অল্প অল্প সরে যায়। পাওয়ার গ্রিড যেহেতু নিবিড়ভাবে যুক্ত, যেকোনো মুহূর্তে এই সরণ পুরো নেটওয়ার্ক জুড়ে, মিলিসেকেন্ডের মধ্যে, একই থাকে — তাই এটি একটি টাইমস্ট্যাম্পের মতো কাজ করে। রেকর্ডিংয়ে এটি দুভাবে ঢোকে। মাইক্রোফোন একে ধরে গুঞ্জন হিসেবে। আর মেইনে চলা বাতিগুলো গ্রিড কম্পাঙ্কের দ্বিগুণে, 100 বা 120 হার্টজে, ঝিকমিক করে। যে ক্যামেরার সেন্সর ছবি লাইন ধরে ধরে পড়ে (“রোলিং শাটার”), সেটি এই ঝিকিমিকিকে ভিডিওতে ক্ষীণ ডোরা হিসেবে রেকর্ড করে।

যে পূর্বধারণা টেকেনি

কাজটি শুরু হয়েছিল একটি সরল ধারণা থেকে: কৃত্রিম ভিডিওতে গ্রিডের ঝিকিমিকি থাকবে না, আর তার অনুপস্থিতি দিয়েই তাকে চিহ্নিত করা যাবে। লেখকেরা লেখেন, এটি “প্রমাণের সংস্পর্শে টেকেনি”। ছয়টি টেক্সট-টু-ভিডিও জেনারেটরের 600টি ক্লিপে ঝিকিমিকি দেখা গেছে আসল ফুটেজের মতোই জোরালো — এমন একটি দৃশ্যমান কম্পাঙ্কে যা ঠিক হয় জেনারেটরের ফ্রেম রেট দিয়ে, কোনো আসল গ্রিড দিয়ে নয়। শুধু ঝিকিমিকির জোর দিয়ে মাপলে আসল ও তৈরি করা ক্লিপ আলাদা করা যায়নি: স্কোর 0.51, যেখানে 0.5 মানে নিছক আন্দাজ।

তাই প্রশ্নটা বদলে গেল। কোনো ভিডিওতে গ্রিড সংকেত আছে কি না জিজ্ঞেস করার বদলে, সিস্টেম জিজ্ঞেস করে সেই সংকেত দাবি করা সময় ও স্থানে গ্রিডের একটি স্বাধীন রেকর্ডের সঙ্গে মেলে কি না। মিলে যাওয়া চিহ্ন আসল রেকর্ডিংয়ের জোরালো প্রমাণ। অনুপস্থিত চিহ্ন কিছুই প্রমাণ করে না, কারণ অনেক আসল রেকর্ডিং — বাইরে, কম আলোয়, বা পেশাদার শব্দযন্ত্রে তোলা — কোনো কাজে লাগার মতো গুঞ্জন বহন করে না।

সিস্টেমটি কীভাবে কাজ করে

একটি ছোট নিউরাল নেটওয়ার্ক (প্রায় 1,57,600টি প্যারামিটার) শব্দ ও ভিডিও দুটোতেই গ্রিড সংকেত পড়ে।
লেবেল করা আসল উদাহরণ কম, তাই দলটি একে কৃত্রিম উদাহরণে প্রশিক্ষণ দিয়েছে: তাঁরা মডেল করেছেন গ্রিড কম্পাঙ্ক কীভাবে ঘুরে বেড়ায় এবং নামমাত্র মানের দিকে টেনে ফেরানো হয়, তারপর সেই সরণ গুঞ্জনহীন কথা আর ঝিকিমিকিহীন ভিডিওতে ঢুকিয়েছেন, সঙ্গে পাঁচ ধরনের অসংগত সংকেত (অনুপস্থিত, সমতল, ভাঙা, ভুল গ্রিড, জোড়া লাগানো)।
একটি আলাদা ধাপ রেকর্ডিংয়ের সংকেতকে গ্রিডের একটি রেফারেন্স লগের সঙ্গে মেলায়, হয় দাবি করা সময় যাচাই করতে, নয়তো অজানা সময় খুঁজে বের করতে।
একটি স্থির সিদ্ধান্ত-গ্রাফ — “এজেন্টিক” অংশটি — এর সঙ্গে কারসাজি করা মুখ, লিপ-সিঙ্ক ও মেটাডেটার বিদ্যমান ডিটেক্টরগুলোকে মেলায়, আর ধীর ডিটেক্টরগুলোকে ডাকে কেবল তখনই যখন দ্রুত পরীক্ষাগুলো সিদ্ধান্তে পৌঁছাতে পারে না।

ফলাফল

প্রশিক্ষণে কখনও না দেখা উৎসের আসল রেকর্ডিংয়ে, সিস্টেম 93% আসল অডিও ও 100% আসল ভিডিও গ্রহণ করেছে, যেখানে একটি সরল “গুঞ্জন আছে কি?” পরীক্ষা করেছে 53% ও 15%।
যেসব রেকর্ডিং থেকে চিহ্ন বের করা গেছে, সেগুলোতে দাবি করা রেকর্ডিং সময় যাচাই আসল ও ভুয়া টাইমস্ট্যাম্পকে নিখুঁতভাবে আলাদা করেছে; একটি অন্ধ অনুসন্ধান অজানা রেকর্ডিং সময় খুঁজে পেয়েছে 24 ঘণ্টার রেফারেন্সে প্রায় এক সেকেন্ডের মধ্যে।
একটি আসল দৃশ্যে, ভিডিওর ঝিকিমিকি তার গ্রিড রেফারেন্স ও একই রেকর্ডিংয়ের শব্দের সঙ্গে মিলেছে। সেই দৃশ্যের দুটি AI পুনর্নির্মাণ ঝিকমিক করেছে 60 হার্টজে, যা 50-এ চলে বলে দাবি করা জায়গার জন্য ভুল গ্রিড।
নিজেদের সঠিক গ্রিডের বিপরীতে যাচাই করা 91টি আসল রেকর্ডিংয়ের মধ্যে এটি কোনো মিথ্যা অভিযোগ তোলেনি।
ধীর ডিটেক্টরগুলো কেবল দরকারে চালানোয় নির্ভুলতা না হারিয়েই কম্পিউটিং সময় 54% কমেছে।

কঠিন ক্ষেত্র

গ্রিড সংকেত রেকর্ডিংটিকে প্রমাণীকরণ করে, তাতে যা দেখা যাচ্ছে তাকে নয়। কেউ যদি একটি আসল দৃশ্য ভিডিও করে তাতে একটি মুখ বদলে দেয়, গুঞ্জন আসলই থাকে। সেই দায় পড়ে মুখ ও লিপ-সিঙ্ক ডিটেক্টরের ওপর, যেগুলো আসল ফেস-সোয়াপের সংকুচিত ফুটেজে দৈবের কাছাকাছি ফল দেখিয়েছে: পুরো সমষ্টির স্কোর প্রায় 50%। পদ্ধতিটির গ্রিড রেফারেন্স লগও দরকার, যা লেখকদের বর্ণনায় যুক্তরাজ্য ও মহাদেশীয় ইউরোপের জন্য প্রকাশ্য, কিন্তু অন্যত্র সীমিত বা অপ্রকাশিত; আর এটি এমন জালিয়াতকে থামাতে পারে না যে সঠিক সময় ও স্থানের একটি আসল গ্রিড রেকর্ডিং জুড়ে দেয়।

লেখকেরা তাঁদের সিস্টেমকে একটি বাছাই-সরঞ্জাম হিসেবে উপস্থাপন করেন, অনেক প্রমাণের মধ্যে একটি সূত্র। তাঁরা লেখেন, এর লক্ষ্য “কোনো ক্লিপকে ভুয়া ঘোষণা করা নয়, বরং মাপা আস্থার সঙ্গে বলা যে কখন একটি রেকর্ডিং আসলেই তা-ই, যা হওয়ার দাবি সে করে।”