Video tổng hợp thất bại ở các đường ranh và theo thời gian. Các bộ sinh rất giỏi tạo ra một bề mặt trông có lý, nhưng kém trong việc giữ sự nhất quán ở chỗ vật này chạm vật kia, và còn kém hơn nữa trong việc giữ những chi tiết ngẫu nhiên y hệt nhau từ giây này sang giây khác.

Điều đó cho bạn một phương pháp thực dụng: đừng dán mắt vào khuôn mặt nữa, hãy bắt đầu kiểm tra các đường ranh và các chuỗi khung hình. Một khung hình đơn lẻ có thể hoàn hảo. Mười giây liền của cùng cú máy thì thường là không.

Những thứ nào đáng kiểm tra nhất?

Sắp theo tần suất cho ra câu trả lời rõ ràng, không phải theo mức độ dễ thấy.

Hạng mục Cần nhìn gì Vì sao nó hiệu quả
Bàn tay và ngón tay Đếm ngón; quan sát lúc các ngón đan vào nhau hoặc nắm giữ vật gì Bàn tay có rất nhiều khớp và thường tự che lẫn nhau — hình học khó giữ mạch lạc nhất
Hoa tai và trang sức Sự bất đối xứng giữa hai tai, hình dạng trôi dạt, món đồ khuất sau tóc rồi hiện ra khác đi Vật cứng nhỏ không có tiên nghiệm mạnh; bộ sinh ứng biến chúng ở từng khung hình
Sợi tóc trên nền Từng sợi ở rìa bóng người; những búi tóc lòa nhòa hòa vào nền Chi tiết alpha mảnh ngay đường ranh là chỗ nhiễu tách nền tụ lại
Răng và lưỡi khi nói Số răng và hình dạng răng đổi giữa chừng một câu; hình dạng lưỡi Cấu trúc bên trong khoang miệng thường bị dựng lại ở từng khung hình
Nhất quán theo thời gian Dừng ở giây 0, 2, 4 của cùng cú máy; so sánh nốt ruồi, sẹo, hình xăm, độ dài móng, họa tiết vải Chi tiết không bị ràng buộc cấu trúc sẽ trôi dạt vì chẳng có gì buộc chúng phải giữ nguyên
Da ở các điểm tiếp xúc Chỗ bàn tay ấn vào da, hoặc da chạm vải Biến dạng khi tiếp xúc đòi hỏi vật lý mà mô hình chỉ xấp xỉ được
Chữ trong khung hình Biển hiệu, bao bì, phụ đề trên màn hình Chữ là kiểu thất bại kinh điển — nét chữ trông có lý, từ ngữ vô nghĩa
Phản chiếu trong mắt Đốm sáng khác nhau giữa hai mắt, hoặc phản chiếu những thứ không ăn khớp Phản chiếu đòi hỏi một mô hình khung cảnh vốn không tồn tại

Dòng nhất quán theo thời gian là kỹ thuật đơn lẻ mạnh nhất và cũng ít được dùng nhất. Hãy tạm dừng cùng một cú máy ở vài thời điểm rồi so sánh một chi tiết cụ thể, ngẫu nhiên — hình dạng chính xác của một nốt ruồi, họa tiết trên tấm ga giường, độ dài một chiếc móng tay. Máy quay ghi lại cùng một vật; bộ sinh thì bịa lại nó.

Vì sao bây giờ khung hình đơn lẻ lại đánh lừa được người xem?

Vì chất lượng từng khung hình chính là thứ mà nghiên cứu về sinh ảnh tối ưu mạnh nhất, và với ảnh tĩnh thì bài toán đó gần như đã giải xong.

Những dấu hiệu đời cũ — da bóng như sáp, đối xứng đến rợn người, tai méo mó — là nhiễu của các mô hình đời trước, và việc đi tìm chúng sẽ cho bạn sự tự tin sai lầm khi chúng không xuất hiện. Đem nhiễu của năm 2022 ra chấm một bản sinh năm 2026 thì cho ra những câu trả lời sai đầy tự tin theo cả hai hướng.

Thứ chưa được giải quyết triệt để là tính bền: giữ mọi chi tiết không bị ràng buộc y hệt nhau qua hàng trăm khung hình trong khi máy quay và nhân vật đều di chuyển. Bằng chứng còn sót lại nằm ở đó.

Kiểm tra tính nhất quán trên thực tế thế nào?

  1. Chọn một cú máy liền mạch — không có cắt cảnh. Mỗi lần cắt là mọi thứ được đặt lại và bộ sinh được tha bổng.
  2. Tạm dừng ở ba hoặc bốn thời điểm trong cú máy đó.
  3. Chọn một chi tiết ngẫu nhiên, không mang tính cấu trúc: một nốt ruồi, một cụm tàn nhang, rìa một hình xăm, một họa tiết vải, dáng một chiếc móng, một sợi dây trang sức.
  4. So sánh chi tiết đó qua các lần dừng. Chi tiết thật thì ổn định. Chi tiết tổng hợp thì trôi dạt, đổi dáng, hoặc biến mất rồi hiện lại khác đi.
  5. Lặp lại với một chi tiết thứ hai ở vùng khác trong khung hình. Một chi tiết trôi dạt có thể do nén; hai thì thành quy luật.
  6. Xem một bàn tay lướt qua trước vật gì đó rồi tua từng khung. Ranh giới che khuất là nơi sự mạch lạc vỡ ra rõ nhất.

Tìm kiếm khuôn mặt có cho bạn biết một video là tổng hợp hay không?

Không trực tiếp — và cần nói cho chính xác nó đóng góp được gì và không đóng góp được gì.

Tìm kiếm khuôn mặt đối chiếu khung hình của bạn với các khuôn mặt đã lập chỉ mục rồi trả về điểm tương đồng. Thứ bạn nhận được là một tín hiệu về nguồn gốc, không phải một phán quyết về chuyện tổng hợp:

  • Một kết quả trùng khớp mạnh với một diễn viên có thật, đã lập chỉ mục cho bạn biết khuôn mặt đó giống một người thật. Điều đó vừa tương thích với một bản phát hành chính thống, vừa tương thích với việc ghép mặt lên đoạn phim khác. Nó thu hẹp câu hỏi chứ không trả lời câu hỏi.
  • Không có kết quả trùng khớp thì gần như chẳng nói lên điều gì. Chỉ mục của chúng tôi chứa 241,792 khuôn mặt với 2,333 khuôn mặt gắn được với một diễn viên có tên trên 106 trang (chỉ mục của chúng tôi, bản chụp 2026-08), và 2,246 trong số 2,333 người đó lấy ảnh đại diện từ đúng một nguồn. Việc không tìm thấy thường là vấn đề độ phủ hoặc chất lượng khung hình hơn là bằng chứng của chuyện tổng hợp.

Tổ hợp hữu ích là một kết quả khớp mặt mạnh cộng với việc trượt các phép kiểm tra theo thời gian ở trên. Kiểu dấu hiệu đó phù hợp với việc lấy hình ảnh của một diễn viên có thật đắp lên đoạn phim do máy sinh hoặc đoạn phim thay thế — và đó là chuyện nghiêm trọng, vì nó được làm mà không có sự đồng ý.

Giới hạn cần nói thẳng: không phép kiểm tra nào trong số này là bằng chứng. Chúng chỉ dịch chuyển xác suất. Ai đó khẳng định chắc chắn về truyền thông tổng hợp chỉ dựa trên quan sát bằng mắt là đang nói quá những gì bằng chứng cho phép.

Còn các bộ phát hiện tự động thì sao?

Hãy coi kết quả của chúng là một đầu vào, không phải một phán quyết.

Các bộ phát hiện được huấn luyện trên sản phẩm của những họ bộ sinh cụ thể và mất dần độ chính xác khi các họ đó thay đổi. Chúng cũng xuống cấp đúng trên loại tư liệu mà bạn có khả năng đang xem xét: video đã mã hóa lại, đổi kích thước, gắn watermark, nơi việc nén đã phá hủy những dấu vết thống kê mảnh mà bộ phát hiện dựa vào. Cả báo động giả lẫn bỏ sót đều phổ biến.

Chúng xuống cấp bao nhiêu thì ít nhất trong tài liệu nghiên cứu đã có người đo. Một đợt đánh giá mù độc lập chạy song song với một hội nghị thị giác máy tính năm 2025 cho thấy bài dự thi mạnh nhất đạt 0.93 AUC trên video sinh ra chưa qua xử lý, 0.74 khi áp dụng các bước hậu kỳ thông thường, và khoảng 0.62 trên đoạn phim đã bị quay lại màn hình — con số cuối không cách tung đồng xu là mấy. Một nghiên cứu khác thấy các bộ phát hiện đạt trên 96% với đúng bộ sinh mà chúng được huấn luyện lại rơi xuống khoảng giữa năm mươi mấy phần trăm với một bộ sinh chúng chưa từng gặp.

Đó là những hệ thống nghiên cứu được đánh giá trong điều kiện có kiểm soát. Còn với những công cụ "cái này có phải AI không?" hướng tới người dùng phổ thông mà bạn thật sự chạm tới được, hoàn toàn không có con số độ chính xác nào được kiểm chứng lại độc lập — đợt đánh giá duy nhất có bao gồm các bộ phát hiện video thương mại lại bị ràng buộc hợp đồng phải ẩn danh nhà cung cấp, tức là ngược hẳn với khả năng tái lập. Vì vậy trang này không trích con số độ chính xác nào cho bất kỳ công cụ có tên nào, và một công cụ tự trích con số về chính nó thì chẳng nói với bạn điều gì bạn kiểm chứng được.

Nguồn: hạng mục video của SAFE Challenge (ICCV 2025); các đánh giá GenVidBench và Deepfake-Eval-2024; kiểm chứng ngày 2026-08-03.

Vì sao chuyện này quan trọng chứ không chỉ để thỏa trí tò mò?

Vì những hình ảnh tổng hợp về người thật khi chưa có sự đồng ý là một tổn hại có thật, và việc nhận nhầm người càng làm nó nặng thêm.

Nếu một video có vẻ mô tả một người thật, nhận diện được, mà lại trượt các phép kiểm tra tính nhất quán, cách phản ứng có trách nhiệm là coi nó là chưa được xác minh và không phát tán lại — chứ không phải công bố một kết luận. Buộc tội sai rằng đoạn phim là tổng hợp thì làm hại một diễn viên có thật; mặc nhiên cho rằng nó là thật thì phát tán một hình ảnh bịa đặt. Cả hai sai lầm đều có một con người ở đầu bên kia.

Câu hỏi liên quan

Nếu bạn muốn có lời đáp cho nửa câu hỏi về nguồn gốc, hãy tải một khung hình lên đây. Nó sẽ cho bạn biết khuôn mặt có khớp với một diễn viên trong chỉ mục hay không, kèm điểm số — khâu nhận diện chạy trong trình duyệt của bạn và ảnh gốc không bao giờ rời khỏi thiết bị.