DENGUNG JARINGAN LISTRIK, SAKSI YANG MEMBERATKAN VIDEO AI

Mendeteksi video buatan AI telah menjadi perlombaan senjata, dan menurut Ryan Wyton dan Bacha Rehman dari Universitas Southampton Solent, ini perlombaan yang “sedang dikalahkan oleh detektor”. Sebagian besar detektor mempelajari sidik jari khas dari generator yang dipakai untuk melatihnya. Pada sebuah tolok ukur baru-baru ini dengan enam juta klip, detektor terbaik hanya mencapai sekitar 80% ketepatan secara keseluruhan, dan merosot hingga mendekati atau di bawah tebakan acak pada generator yang belum pernah dilihatnya.

Kedua peneliti itu malah mencari sinyal yang tidak dikendalikan generator: frekuensi jaringan listrik, atau ENF (electric network frequency).

Sidik jari jaringan listrik

Listrik dari jaringan secara nominal berfrekuensi 50 atau 60 hertz, tetapi frekuensi tepatnya bergeser sedikit seiring perubahan pasokan dan permintaan. Karena jaringan listrik terhubung erat, pergeseran ini sama, hingga selisih milidetik, di seluruh jaringan pada setiap saat — sehingga berfungsi seperti cap waktu. Sinyal ini masuk ke rekaman dengan dua cara. Mikrofon menangkapnya sebagai dengung. Dan lampu yang dialiri listrik jaringan berkedip pada dua kali frekuensi jaringan, 100 atau 120 hertz. Kamera yang sensornya membaca gambar baris demi baris (“rana bergulir” atau rolling shutter) merekam kedipan itu sebagai pita-pita samar di video.

Premis yang tidak bertahan

Penelitian ini berawal dari gagasan sederhana: video sintetis tidak akan memiliki kedipan jaringan dan bisa ditandai dari ketiadaannya. Gagasan itu “tidak bertahan saat berhadapan dengan bukti”, tulis para penulis. Pada 600 klip dari enam generator teks-ke-video, kedipan itu muncul sama kuatnya dengan rekaman asli — dengan frekuensi semu yang ditentukan oleh laju bingkai generator, bukan oleh jaringan nyata mana pun. Jika diukur hanya dari kekuatan kedipan, klip asli dan buatan tidak dapat dibedakan: skor 0,51, padahal 0,5 berarti tebakan murni.

Maka pertanyaannya berubah. Alih-alih menanyakan apakah sebuah video memiliki sinyal jaringan, sistem ini menanyakan apakah sinyal itu cocok dengan catatan independen jaringan pada waktu dan tempat yang diklaim. Jejak yang cocok adalah bukti kuat bahwa rekaman itu asli. Jejak yang tidak ada tidak membuktikan apa pun, karena banyak rekaman asli — di luar ruangan, dalam cahaya redup, atau dibuat dengan peralatan suara profesional — tidak membawa dengung yang dapat dipakai.

Cara kerja sistem

Satu jaringan saraf kecil (sekitar 157.600 parameter) membaca sinyal jaringan listrik dalam suara maupun video.
Contoh nyata yang berlabel jarang tersedia, sehingga tim melatihnya dengan contoh sintetis: mereka memodelkan bagaimana frekuensi jaringan mengembara dan ditarik kembali ke nilai nominalnya, lalu menyuntikkan pergeseran itu ke ucapan tanpa dengung dan video tanpa kedipan, beserta lima jenis sinyal yang tidak konsisten (tidak ada, datar, terputus, jaringan yang salah, sambungan).
Langkah terpisah mencocokkan sinyal rekaman dengan log referensi jaringan, entah untuk memeriksa waktu yang diklaim atau untuk menemukan waktu yang tidak diketahui.
Sebuah graf keputusan tetap — bagian yang “agentik” — menggabungkan hal ini dengan detektor yang sudah ada untuk wajah yang dimanipulasi, sinkronisasi bibir, dan metadata, dan baru memanggil detektor yang lambat ketika pemeriksaan cepat tidak memberi kepastian.

Hasilnya

Pada rekaman asli dari sumber yang tidak pernah dilihat saat pelatihan, sistem ini menerima 93% audio asli dan 100% video asli, dibandingkan 53% dan 15% untuk uji naif “adakah dengung?”.
Pemeriksaan waktu rekaman yang diklaim memisahkan cap waktu asli dan palsu dengan sempurna pada rekaman yang jejaknya bisa diekstraksi; pencarian buta menemukan waktu rekaman yang tidak diketahui dengan ketelitian sekitar satu detik dalam referensi 24 jam.
Dalam sebuah adegan nyata, kedipan video cocok dengan referensi jaringannya dan dengan suara dari rekaman yang sama. Dua tiruan AI dari adegan itu berkedip pada 60 hertz, jaringan yang salah untuk lokasi yang diklaim memakai 50.
Di antara 91 rekaman asli yang diperiksa terhadap jaringan sebenarnya, sistem ini tidak sekali pun menuduh secara keliru.
Menjalankan detektor yang lambat hanya saat diperlukan memangkas waktu komputasi sebesar 54% tanpa kehilangan ketepatan.

Kasus yang sulit

Sinyal jaringan mengautentikasi rekamannya, bukan apa yang diperlihatkannya. Jika seseorang merekam adegan nyata lalu menukar sebuah wajah ke dalamnya, dengungnya tetap asli. Itu menjadi tugas detektor wajah dan sinkronisasi bibir, yang pada rekaman terkompresi dari penukaran wajah nyata bekerja mendekati tebakan acak: gabungan lengkapnya mendapat skor sekitar 50%. Metode ini juga membutuhkan log referensi jaringan, yang menurut para penulis bersifat publik untuk Inggris dan Eropa daratan tetapi terbatas atau tidak dipublikasikan di tempat lain, dan tidak dapat menghentikan pemalsu yang menyisipkan rekaman jaringan asli dari waktu dan tempat yang tepat.

Para penulis menawarkan sistem mereka sebagai alat triase, satu jalur bukti di antara yang lain. Tujuannya, tulis mereka, “bukan untuk menyatakan sebuah klip palsu, melainkan untuk mengatakan, dengan keyakinan yang terkalibrasi, kapan sebuah rekaman memang seperti yang diklaimnya.”