合成视频会在交界处和时间轴上失守。生成模型很擅长做出看起来合理的表面，却不擅长维持两个物体相接处的一致性，更不擅长让那些没什么道理的细节从这一秒到下一秒长得一模一样。
这就给了你一个实用的方法：别再盯着脸看，改去检查边缘和连续片段。单帧画面可以毫无破绽，同一个镜头连续十秒通常就不行了。
哪些地方最值得优先检查？
下面按「多常能给出明确答案」排序，不是按「多明显」排序。
| 检查项 | 看什么 | 为什么有效 |
|---|---|---|
| 手和手指 | 数手指；看手指交叉或握东西的时候 | 手的关节活动度高、又经常自我遮挡——是最难保持连贯的几何结构 |
| 耳环和首饰 | 两耳不对称、形状漂移、从头发后面消失再出现时变了样 | 小型刚体没有强先验，生成模型是一帧一帧即兴编出来的 |
| 发丝与背景的交界 | 轮廓边缘上的单根发丝；融进背景的细碎发梢 | 交界处细微的透明度细节，正是抠像瑕疵最集中的地方 |
| 说话时的牙齿和舌头 | 一句话说到一半牙齿数目和形状变了；舌头的形状 | 口腔内部的结构经常被逐帧重新生成 |
| 时间一致性 | 把同一个镜头停在 0 秒、2 秒、4 秒；比对痣、疤、纹身、指甲长度、布料花纹 | 没有结构约束的细节会漂移，因为没有任何东西逼它保持不变 |
| 接触点的皮肤 | 手压在皮肤上的地方，或皮肤与布料相接的地方 | 接触造成的形变需要物理，而模型只是近似 |
| 画面里的文字 | 招牌、包装、屏幕上的字幕 | 文字是经典破绽——字形看着像样，拼起来却不成词 |
| 眼球反光 | 两眼的高光点不一致，或者反射的东西前后对不上 | 反射需要一个场景模型，而那个模型并不存在 |
时间一致性那一行是单项技巧里最强、也最被低估的。把同一个镜头停在几个不同的时间点，比对某个具体而任意的细节——一颗痣的确切形状、床单上的花纹、一片指甲的长度。摄像机记录的是同一个物体；生成模型则是把它重新发明一遍。
为什么现在单张画面骗得过人？
因为单帧画质正是生成技术研究最下力气优化的东西，而在静态图像上，它基本已经解决了。
那些老的判断依据——蜡像般的皮肤、诡异的对称、扭曲的耳朵——是更早期模型的瑕疵，拿它们去检查，在瑕疵不存在时只会给你错误的安心感。用 2022 年的瑕疵去判断 2026 年的生成结果，两个方向的错误答案都会下得很有信心。
还没被同样彻底解决的是持续性：在摄像机和被摄者都在动的情况下，让每一个不受约束的细节在几百帧之间保持完全相同。剩下的证据就藏在那里。
实际操作中怎么检查一致性？
- 挑一个连续的镜头——中间不能有剪辑。剪辑会把一切重置，等于直接放生成模型过关。
- 在那个镜头里暂停三到四次。
- 选一个任意的、非结构性的细节：一颗痣、一片雀斑、纹身的边缘、布料印花、指甲形状、一条首饰链。
- 在这几个暂停点之间比对它。 真实的细节是稳定的。合成的细节会漂移、变形，或者消失后以不同的样子回来。
- 换画面另一个区域的第二个细节再做一次。 一个细节漂移可能是压缩造成的；两个就是规律了。
- 找一段手从某个东西前面经过的画面，逐帧看过去。遮挡的交界处，正是连贯性崩得最明显的地方。
人脸搜索能告诉你一部视频是不是合成的吗？
不能直接告诉你——而且有必要把它能贡献什么、不能贡献什么讲精确。
人脸搜索是拿你的画面去和索引里的脸比对，返回相似度分数。它给你的是一个来源信号，不是一份合成与否的判决：
- 和一位真实、已被索引的女优高度匹配，只说明这张脸长得像某个真实存在的人。这既符合「这是一部真实作品」，也符合「有人把一张脸换到了别的画面上」。它缩小了问题，而不是回答了问题。
- 找不到匹配结果几乎什么都说明不了。我们的索引里有 241,792 张脸，其中 2,333 张跨 106 个站点关联到具名女优（我们的索引，2026-08 快照），而那 2,333 位里有 2,246 位的代表图只来自单一来源。找不到，更常是覆盖范围或画面质量的问题，而不是合成的证据。
真正有用的组合，是强烈的人脸匹配加上前面那些时间性检查全部失守。那种模式符合「把一位真实女优的样貌套到生成或替换过的画面上」——而那是很严重的事，因为它是未经本人同意做的。
**有一条边界值得说明：**上述任何一项检查都不构成证明。它们只改变概率。任何人光凭肉眼检查就给你关于合成媒体的确定答案，都是在夸大证据能支撑的程度。
那自动检测器呢？
把它们的输出当成一项参考，不是判决。
检测器是拿特定几个生成模型家族的产出训练出来的，那些家族一换代，准确度就掉。而且它们在你最可能拿去检查的那种素材上退化得特别严重：重新编码、缩放、加了水印的视频——压缩已经把检测器赖以判断的细微统计痕迹摧毁了。误判和漏判都很常见。
到底退化多少，至少在研究文献里被测量过。一场与 2025 年某计算机视觉会议同期举办的独立盲测，最强的参赛作品在未经处理的生成视频上拿到 0.93 AUC，套上普通后期处理之后降到 0.74，而在经过录屏的画面上大约只有 0.62——最后那个数字离扔硬币已经不远了。另有研究发现，检测器面对训练时用过的生成模型能拿到 96% 以上，换成没见过的就掉到五十几。
那些都是在受控条件下评测的研究系统。至于你实际接触得到的那些消费端「这是不是 AI？」工具，根本没有任何经独立复现的准确率数字——唯一一份确实纳入了商用视频检测器的评测，按合约必须把厂商匿名，那正好是可复现性的反面。所以这个页面不会为任何具名工具引用准确率数字，而一个工具自己宣称的数字，并没有给你任何你能查证的东西。
资料来源：SAFE Challenge 视频组（ICCV 2025）；GenVidBench 与 Deepfake-Eval-2024 评测；2026-08-03 核对。
为什么这件事不只是好奇心的问题？
因为未经同意、针对真实人物的合成描绘是实实在在的伤害，而认错人会让伤害叠加。
如果一部视频看上去描绘的是一位真实、可辨认的人，而且过不了一致性检查，负责任的做法是把它当成未经证实的内容、避免再转发——而不是公开下结论。错误地指控一段画面是合成的，会伤害一位真实的女优；错误地认定它是真的，则会让一份捏造的描绘扩散出去。这两种错误的另一端，都站着一个人。
相关问题
如果你想要的是「来源」那一半的答案，就在这里上传一帧画面。它会告诉你这张脸是否对得上索引里的某位女优，并附上分数——检测在你的浏览器里执行，原图不会离开你的设备。