EL ZUMBIDO DE LA RED ELÉCTRICA, UN TESTIGO CONTRA LOS VÍDEOS DE IA

Detectar vídeos generados por IA se ha convertido en una carrera armamentística y, según Ryan Wyton y Bacha Rehman, de la Universidad Solent de Southampton, una que «el detector está perdiendo». La mayoría de los detectores aprenden las huellas reveladoras de los generadores con los que fueron entrenados. En un banco de pruebas reciente de seis millones de clips, los mejores solo alcanzan alrededor de un 80 % de precisión global, y caen cerca o por debajo del azar con generadores que nunca han visto.

Los dos investigadores buscaron en cambio una señal que los generadores no controlan: la frecuencia de la red eléctrica, o ENF (electric network frequency).

La huella de la red

La electricidad de red es nominalmente de 50 o 60 hercios, pero su frecuencia exacta deriva en pequeñas cantidades a medida que cambian la oferta y la demanda. Como una red eléctrica está estrechamente acoplada, esta deriva es la misma, con un margen de milisegundos, en toda la red en cada instante, así que funciona como una marca de tiempo. Se cuela en las grabaciones de dos maneras. Los micrófonos la captan como un zumbido. Y las lámparas conectadas a la red parpadean al doble de la frecuencia de la red, 100 o 120 hercios. Una cámara cuyo sensor lee la imagen línea a línea (un «obturador rodante», o rolling shutter) registra ese parpadeo como bandas tenues en el vídeo.

Una premisa que no sobrevivió

El trabajo partió de una idea sencilla: el vídeo sintético no tendría parpadeo de red y podría señalarse por su ausencia. Esa idea «no sobrevivió al contacto con las pruebas», escriben los autores. En 600 clips de seis generadores de texto a vídeo, el parpadeo aparecía con la misma intensidad que en las grabaciones reales, con una frecuencia aparente fijada por la tasa de fotogramas del generador, no por ninguna red real. Midiendo solo la intensidad del parpadeo, los clips reales y los generados no podían distinguirse: una puntuación de 0,51, donde 0,5 significa adivinar al azar.

Así que la pregunta cambió. En lugar de preguntar si un vídeo tiene una señal de red, el sistema pregunta si esa señal coincide con un registro independiente de la red en el momento y el lugar declarados. Una traza coincidente es una prueba sólida de una grabación auténtica. Una ausente no prueba nada, porque muchas grabaciones reales —en exteriores, con poca luz o hechas con equipos de sonido profesionales— no llevan ningún zumbido aprovechable.

Cómo funciona el sistema

Una pequeña red neuronal (unos 157 600 parámetros) lee la señal de la red tanto en el sonido como en la imagen.
Los ejemplos reales etiquetados escasean, así que el equipo la entrenó con ejemplos sintéticos: modelizaron cómo la frecuencia de la red deambula y es devuelta hacia su valor nominal, y luego inyectaron esa deriva en voz sin zumbido y en vídeo sin parpadeo, junto con cinco tipos de señal incoherente (ausente, plana, rota, de la red equivocada, empalmada).
Un paso aparte compara la señal de la grabación con un registro de referencia de la red, ya sea para comprobar un momento declarado o para encontrar uno desconocido.
Un grafo de decisión fijo —la parte «agéntica»— combina esto con detectores existentes de caras manipuladas, sincronización labial y metadatos, y solo recurre a los lentos cuando las comprobaciones rápidas no son concluyentes.

Los resultados

Con grabaciones reales de fuentes nunca vistas en el entrenamiento, el sistema aceptó el 93 % del audio auténtico y el 100 % de los vídeos auténticos, frente al 53 % y el 15 % de una prueba ingenua del tipo «¿hay zumbido?».
La comprobación de un momento de grabación declarado separó perfectamente las marcas de tiempo auténticas de las falsas en las grabaciones de las que pudo extraerse una traza; una búsqueda a ciegas encontró un momento de grabación desconocido con un margen de alrededor de un segundo en una referencia de 24 horas.
En una escena real, el parpadeo del vídeo coincidía con su referencia de red y con el sonido de la misma grabación. Dos recreaciones con IA de esa escena parpadeaban a 60 hercios, la red equivocada para un lugar que supuestamente funciona a 50.
Entre 91 grabaciones auténticas comprobadas frente a su red verdadera, no hizo ninguna acusación falsa.
Ejecutar los detectores lentos solo cuando era necesario redujo el tiempo de cómputo un 54 % sin perder precisión.

El caso difícil

La señal de la red autentica la grabación, no lo que muestra. Si alguien graba una escena real y luego inserta en ella una cara intercambiada, el zumbido sigue siendo auténtico. Eso queda en manos de los detectores de caras y de sincronización labial, que con grabaciones comprimidas de intercambios de caras reales rindieron cerca del azar: el conjunto completo obtuvo alrededor de un 50 %. El método también necesita registros de referencia de la red, que según los autores son públicos para el Reino Unido y la Europa continental, pero restringidos o inéditos en otros lugares, y no puede detener a un falsificador que empalme una grabación de red auténtica del momento y el lugar correctos.

Los autores presentan su sistema como una herramienta de cribado, una línea de prueba entre otras. Su objetivo, escriben, «no es declarar falso un clip, sino decir, con una confianza calibrada, cuándo una grabación es lo que dice ser».