విద్యుత్ గ్రిడ్ హమ్, AI వీడియోలకు వ్యతిరేకంగా ఒక సాక్షి

AI సృష్టించిన వీడియోలను గుర్తించడం ఒక ఆయుధ పోటీగా మారింది, సౌతాంప్టన్ సోలెంట్ విశ్వవిద్యాలయానికి చెందిన రయాన్ వైటన్ (Ryan Wyton), బాచా రెహమాన్ (Bacha Rehman) ప్రకారం, ఇది “గుర్తించే సాధనం ఓడిపోతున్న” పోటీ. చాలా గుర్తింపు సాధనాలు తాము శిక్షణ పొందిన సృష్టి సాధనాల బయటపెట్టే వేలిముద్రలను నేర్చుకుంటాయి. అరవై లక్షల క్లిప్‌ల ఇటీవలి ఒక ప్రామాణిక పరీక్షలో, అత్యుత్తమమైనవి మొత్తం మీద దాదాపు 80% ఖచ్చితత్వాన్ని మాత్రమే చేరుకుంటాయి, ఎప్పుడూ చూడని సృష్టి సాధనాలపై యాదృచ్ఛిక అంచనా స్థాయికి లేదా దానికంటే కిందకు పడిపోతాయి.

బదులుగా ఈ ఇద్దరు పరిశోధకులు సృష్టి సాధనాల నియంత్రణలో లేని ఒక సంకేతం కోసం చూశారు: విద్యుత్ నెట్‌వర్క్ పౌనఃపున్యం (electric network frequency), లేదా ENF.

గ్రిడ్ వేలిముద్ర

మెయిన్స్ విద్యుత్ నామమాత్రంగా 50 లేదా 60 హెర్ట్జ్, కానీ సరఫరా, డిమాండ్ మారుతున్న కొద్దీ దాని ఖచ్చితమైన పౌనఃపున్యం కొద్ది కొద్దిగా జరుగుతుంది. విద్యుత్ గ్రిడ్ బిగుతుగా అనుసంధానమై ఉంటుంది కాబట్టి, ఈ జరుగుదల ఏ క్షణంలోనైనా మొత్తం నెట్‌వర్క్ అంతటా, మిల్లీసెకన్ల ఖచ్చితత్వంతో, ఒకేలా ఉంటుంది — కాబట్టి అది ఒక సమయ ముద్ర (timestamp) లా పనిచేస్తుంది. అది రికార్డింగ్‌లలోకి రెండు విధాలుగా చేరుతుంది. మైక్రోఫోన్‌లు దాన్ని ఒక హమ్ (గుంజు శబ్దం) గా పట్టుకుంటాయి. మెయిన్స్‌తో నడిచే దీపాలు గ్రిడ్ పౌనఃపున్యానికి రెట్టింపు వద్ద, 100 లేదా 120 హెర్ట్జ్ వద్ద మినుకుమంటాయి. చిత్రాన్ని గీత తర్వాత గీతగా చదివే సెన్సర్ ఉన్న కెమెరా (“రోలింగ్ షట్టర్”) ఆ మినుకును వీడియోలో మసక పట్టీలుగా రికార్డు చేస్తుంది.

నిలవని ఊహ

ఈ పని ఒక సరళమైన ఆలోచనతో మొదలైంది: కృత్రిమ వీడియోకు గ్రిడ్ మినుకు ఉండదు, అది లేకపోవడం ద్వారానే దాన్ని గుర్తించవచ్చు. అది “సాక్ష్యంతో తలపడినప్పుడు నిలవలేదు” అని రచయితలు రాస్తారు. పాఠ్యం నుంచి వీడియో సృష్టించే ఆరు సాధనాల 600 క్లిప్‌లలో, మినుకు నిజమైన ఫుటేజ్‌లో ఉన్నంత బలంగా కనిపించింది — దాని కనిపించే పౌనఃపున్యం ఏ నిజమైన గ్రిడ్ వల్లా కాకుండా, సాధనపు ఫ్రేమ్ రేటు వల్ల నిర్ణయమైంది. మినుకు బలాన్ని మాత్రమే కొలిస్తే, నిజమైన, సృష్టించిన క్లిప్‌లను వేరుగా గుర్తించలేకపోయారు: 0.51 స్కోరు, ఇక్కడ 0.5 అంటే పూర్తిగా ఊహ.

కాబట్టి ప్రశ్న మారింది. వీడియోకు గ్రిడ్ సంకేతం ఉందా అని అడగడానికి బదులు, ఆ సంకేతం పేర్కొన్న సమయం, ప్రదేశంలో గ్రిడ్ యొక్క స్వతంత్ర రికార్డుతో సరిపోతుందా అని వ్యవస్థ అడుగుతుంది. సరిపోయే జాడ నిజమైన రికార్డింగ్‌కు బలమైన సాక్ష్యం. జాడ లేకపోవడం దేన్నీ రుజువు చేయదు, ఎందుకంటే చాలా నిజమైన రికార్డింగ్‌లు — ఆరుబయట, మసక వెలుతురులో, లేదా వృత్తిపరమైన ధ్వని పరికరాలతో చేసినవి — ఉపయోగపడే హమ్‌ను కలిగి ఉండవు.

వ్యవస్థ ఎలా పనిచేస్తుంది

• ఒక చిన్న న్యూరల్ నెట్‌వర్క్ (సుమారు 157,600 పారామీటర్లు) ధ్వని, వీడియో రెండింటిలోనూ గ్రిడ్ సంకేతాన్ని చదువుతుంది.
• నిజమైన లేబుల్ చేసిన ఉదాహరణలు అరుదు, కాబట్టి బృందం దానికి కృత్రిమ ఉదాహరణలపై శిక్షణ ఇచ్చింది: గ్రిడ్ పౌనఃపున్యం ఎలా తిరుగుతుందో, మళ్లీ తన నామమాత్ర విలువ వైపు ఎలా లాగబడుతుందో మోడల్ చేసి, ఆ జరుగుదలను హమ్ లేని మాటలోకి, మినుకు లేని వీడియోలోకి చొప్పించారు, దానితో పాటు ఐదు రకాల అసంగత సంకేతాలను (లేనిది, చదునైనది, విరిగినది, తప్పుడు గ్రిడ్‌ది, అతికించినది) కూడా.
• ఒక ప్రత్యేక దశ రికార్డింగ్ సంకేతాన్ని గ్రిడ్ యొక్క ఒక సూచన లాగ్‌తో పోలుస్తుంది, పేర్కొన్న సమయాన్ని తనిఖీ చేయడానికి గానీ, తెలియని సమయాన్ని కనుగొనడానికి గానీ.
• ఒక స్థిర నిర్ణయ గ్రాఫ్ — “ఏజెంటిక్” (agentic) భాగం — దీన్ని మార్చిన ముఖాలు, పెదవుల కదలిక (lip-sync), మెటాడేటా యొక్క ప్రస్తుత గుర్తింపు సాధనాలతో కలుపుతుంది, త్వరిత తనిఖీలు నిర్ణయానికి రాలేనప్పుడు మాత్రమే నెమ్మదైన వాటిని పిలుస్తుంది.

ఫలితాలు

• శిక్షణలో ఎప్పుడూ చూడని మూలాల నుంచి వచ్చిన నిజమైన రికార్డింగ్‌లపై, వ్యవస్థ 93% నిజమైన ఆడియోను, 100% నిజమైన వీడియోలను ఆమోదించింది, సాదా “హమ్ ఉందా?” పరీక్ష 53%, 15% మాత్రమే.
• పేర్కొన్న రికార్డింగ్ సమయాన్ని తనిఖీ చేయడం, జాడను వెలికితీయగలిగిన రికార్డింగ్‌లపై నిజమైన, తప్పుడు సమయ ముద్రలను పరిపూర్ణంగా వేరు చేసింది; గుడ్డి అన్వేషణ ఒక తెలియని రికార్డింగ్ సమయాన్ని 24 గంటల సూచనలో దాదాపు ఒక సెకను లోపు కనుగొంది.
• ఒక నిజమైన దృశ్యంలో, వీడియో మినుకు దాని గ్రిడ్ సూచనతో, అదే రికార్డింగ్ ధ్వనితో సరిపోయింది. ఆ దృశ్యానికి చేసిన రెండు AI పునఃసృష్టులు 60 హెర్ట్జ్ వద్ద మినుకుమన్నాయి, 50 వద్ద నడుస్తుందని పేర్కొన్న ప్రదేశానికి అది తప్పుడు గ్రిడ్.
• తమ నిజమైన గ్రిడ్‌తో తనిఖీ చేసిన 91 నిజమైన రికార్డింగ్‌లలో, అది ఒక్క తప్పుడు ఆరోపణ కూడా చేయలేదు.
• అవసరమైనప్పుడు మాత్రమే నెమ్మదైన గుర్తింపు సాధనాలను నడపడం, ఖచ్చితత్వం కోల్పోకుండా గణన సమయాన్ని 54% తగ్గించింది.

కష్టమైన సందర్భం

గ్రిడ్ సంకేతం రికార్డింగ్‌ను ధృవీకరిస్తుంది, అది చూపించేదాన్ని కాదు. ఎవరైనా నిజమైన దృశ్యాన్ని చిత్రీకరించి, తర్వాత అందులో ఒక ముఖాన్ని మార్చితే, హమ్ నిజమైనదిగానే ఉంటుంది. ఆ పని ముఖ, పెదవుల కదలిక గుర్తింపు సాధనాలపై పడుతుంది, నిజమైన ముఖ మార్పిడుల కుదించిన (compressed) ఫుటేజ్‌పై వాటి పనితీరు యాదృచ్ఛిక అంచనాకు దగ్గరగా ఉంది: పూర్తి సమూహం సుమారు 50% స్కోరు సాధించింది. ఈ పద్ధతికి గ్రిడ్ సూచన లాగ్‌లు కూడా అవసరం, అవి బ్రిటన్, ఖండాంతర యూరప్‌కు బహిరంగమని, ఇతర చోట్ల పరిమితమైనవి లేదా ప్రచురించనివని రచయితలు వివరిస్తారు, సరైన సమయం, ప్రదేశానికి చెందిన నిజమైన గ్రిడ్ రికార్డింగ్‌ను అతికించే నకిలీదారుణ్ని అది ఆపలేదు.

రచయితలు తమ వ్యవస్థను ప్రాథమిక వడపోత (triage) సాధనంగా, ఇతర సాక్ష్యాల్లో ఒక సాక్ష్యంగా ప్రతిపాదిస్తారు. దాని లక్ష్యం, వారు రాసినట్లు, “ఒక క్లిప్ నకిలీదని ప్రకటించడం కాదు, ఒక రికార్డింగ్ తాను చెప్పుకునేదే అయినప్పుడు, కొలిచి సరిచేసిన విశ్వాసంతో, ఆ మాట చెప్పడం.”