LE BOURDONNEMENT DU RÉSEAU ÉLECTRIQUE, TÉMOIN CONTRE LES VIDÉOS D'IA

Détecter les vidéos générées par IA est devenu une course aux armements, et selon Ryan Wyton et Bacha Rehman, de l’université Southampton Solent, c’est une course que « le détecteur est en train de perdre ». La plupart des détecteurs apprennent les empreintes caractéristiques des générateurs sur lesquels ils ont été entraînés. Sur un banc d’essai récent de six millions de clips, les meilleurs n’atteignent qu’environ 80 % de réussite au total, et tombent près du hasard, voire en dessous, sur des générateurs qu’ils n’ont jamais vus.

Les deux chercheurs ont plutôt cherché un signal que les générateurs ne contrôlent pas : la fréquence du réseau électrique, ou ENF.

L’empreinte du réseau

Le courant du secteur est nominalement à 50 ou 60 hertz, mais sa fréquence exacte dérive légèrement au gré de l’offre et de la demande. Comme un réseau électrique est étroitement couplé, cette dérive est la même, à quelques millisecondes près, sur tout le réseau à chaque instant — elle fait donc office d’horodatage. Elle entre dans les enregistrements de deux façons. Les micros la captent sous forme de bourdonnement. Et les lampes alimentées par le secteur scintillent à deux fois la fréquence du réseau, 100 ou 120 hertz. Une caméra dont le capteur lit l’image ligne par ligne (un « obturateur roulant ») enregistre ce scintillement sous forme de légères bandes dans la vidéo.

Une prémisse qui n’a pas tenu

Le travail partait d’une idée simple : une vidéo synthétique n’aurait pas de scintillement du réseau et se trahirait par son absence. Elle « n’a pas survécu à l’épreuve des faits », écrivent les auteurs. Sur 600 clips issus de six générateurs texte-vers-vidéo, le scintillement apparaissait aussi fort que dans de vraies images — avec une fréquence apparente fixée par la cadence d’images du générateur, pas par un réseau réel. Sur la seule intensité du scintillement, impossible de distinguer vrais et faux clips : un score de 0,51, là où 0,5 signifie le pur hasard.

La question a donc changé. Au lieu de demander si une vidéo contient un signal du réseau, le système demande si ce signal concorde avec un relevé indépendant du réseau au moment et au lieu revendiqués. Une trace concordante est une preuve solide d’enregistrement authentique. Une trace absente ne prouve rien, car beaucoup de vrais enregistrements — en extérieur, peu éclairés ou faits avec du matériel audio professionnel — ne portent aucun bourdonnement exploitable.

Comment fonctionne le système

Un seul petit réseau de neurones (environ 157 600 paramètres) lit le signal du réseau dans le son comme dans l’image.
Les vrais exemples étiquetés sont rares : l’équipe l’a entraîné sur des exemples synthétiques. Elle a modélisé la façon dont la fréquence du réseau vagabonde puis est ramenée vers sa valeur nominale, puis injecté cette dérive dans de la parole sans bourdonnement et de la vidéo sans scintillement, avec cinq types de signaux incohérents (absent, plat, rompu, mauvais réseau, collage).
Une étape distincte compare le signal de l’enregistrement à un relevé de référence du réseau, pour vérifier une heure revendiquée ou retrouver une heure inconnue.
Un graphe de décision fixe — la partie « agentique » — combine tout cela avec des détecteurs existants de visages manipulés, de synchronisation labiale et de métadonnées, en n’appelant les plus lents que si les vérifications rapides ne suffisent pas.

Les résultats

Sur de vrais enregistrements issus de sources jamais vues à l’entraînement, le système a accepté 93 % des vrais extraits audio et 100 % des vraies vidéos, contre 53 % et 15 % pour un test naïf du type « y a-t-il un bourdonnement ? ».
La vérification d’une heure d’enregistrement revendiquée a séparé parfaitement vrais et faux horodatages sur les enregistrements dont une trace a pu être extraite ; une recherche à l’aveugle a retrouvé une heure inconnue à environ une seconde près dans une référence de 24 heures.
Dans une vraie scène, le scintillement de la vidéo concordait avec la référence du réseau et avec le son du même enregistrement. Deux recréations par IA de cette scène scintillaient à 60 hertz, le mauvais réseau pour un lieu censé tourner à 50.
Sur 91 enregistrements authentiques vérifiés avec leur vrai réseau, il n’a lancé aucune fausse accusation.
N’appeler les détecteurs lents qu’au besoin a réduit le temps de calcul de 54 % sans perte de précision.

Le cas difficile

Le signal du réseau authentifie l’enregistrement, pas ce qu’il montre. Si quelqu’un filme une vraie scène puis y incruste un autre visage, le bourdonnement reste authentique. Le travail revient alors aux détecteurs de visage et de synchronisation labiale, qui, sur des vidéos compressées de vrais échanges de visage, ont fait à peine mieux que le hasard : l’ensemble complet plafonnait autour de 50 %. La méthode a aussi besoin de relevés de référence du réseau, que les auteurs décrivent comme publics pour le Royaume-Uni et l’Europe continentale mais restreints ou non publiés ailleurs, et elle ne peut rien contre un faussaire qui colle un vrai enregistrement du réseau au bon moment et au bon endroit.

Les auteurs présentent leur système comme un outil de tri, un élément de preuve parmi d’autres. Son but, écrivent-ils, « n’est pas de déclarer un clip faux, mais de dire, avec une confiance calibrée, quand un enregistrement est bien ce qu’il prétend être ».