AV-FABLE: باحثون يجمعون 998 ساعة من الفيديو لرصد التزييفات العميقة الموضعية

نشر فريق من الباحثين المرتبطين بـTsinghua University معيار AV-FABLE للتحليل الجنائي الرقمي لمقاطع الفيديو السمعية البصرية الطويلة. يضم المعيار 16 650 زوجًا من «مقطع نظيف — نسخة معدَّلة منه»، بإجمالي 998 ساعة من المواد و27 تهيئة تعديل. ويقترح المؤلفون معه أسلوب NFSR، الذي يتعلم رصد التلاعب لا في نص إجابات النموذج متعدد الوسائط، بل في سماته الداخلية المجمّدة.

لماذا لا يكفي حكم «مزيَّف أو لا»؟

نادرًا ما يشمل التزييف الحقيقي المقطع كله. فالأغلب أن يكون حلقة قصيرة داخل تسجيل أصلي: عبارة مستبدلة، أو جزء مُدرَج، أو مشهد مُغيَّر. والتصنيف على مستوى الفيديو بأكمله عديم الفائدة هنا. فإذا كان المقطع أصليًا بنسبة 90%، فإن الـ10% الباقية هي ما يجب العثور عليه وعرضه على الخبير.

تقوم معظم معايير التزييف العميق السمعية البصرية الحالية على مقاطع قصيرة لشخص يتحدث أمام الكاميرا. أما الأعمال المتعلقة بالتحديد الزمني في الفيديوهات الطويلة فتقتصر في الغالب على الجانب البصري. ويسدّ AV-FABLE هذه الفجوة: مشاهده مفتوحة، ومقاطعه طويلة، والتلاعب فيها متفرق.

ومن التفاصيل المهمة في تصميمه وجود خطَّين زمنيين مستقلين للصوت والفيديو. فاستبدال الصوت مع بقاء الصورة سليمة، وكذلك تعديل الإطارات مع بقاء الصوت الأصلي، يُقيَّمان كلٌّ على حدة. ووفق المؤلفين، فإن التقييم على خط زمني مشترك يُخفي جزءًا من الأخطاء: إذ يحصل النموذج على نقطة لإصابته الفاصل الزمني، رغم أنه أخطأ في تحديد الوسيط (الصوت أو الصورة).

النموذج اللغوي صامت، مع أن السمات تعرف كل شيء

اختبر المؤلفون نماذج اللغة الكبيرة السمعية البصرية (AV-LLM) في وضع zero-shot، أي عبر prompt عادي. وكانت النتيجة ضعيفة: الكشف قريب من العشوائي، والتحديد الزمني سيئ. وعندما تُسأل هذه النماذج «أين التزييف هنا؟»، فإنها لا تقدم إجابة جوهرية.

ثم أخذ الباحثون السمات الإدراكية المجمّدة للنماذج نفسها، ودرّبوا فوقها «رؤوس قراءة» خاضعة للإشراف. فظهرت إشارة جنائية قوية. والخلاصة: أدلة التلاعب مشفَّرة في تمثيلات AV-LLM الداخلية، لكن المخرج اللغوي لا يُظهرها. المعرفة موجودة، لكن لا توجد واجهة للوصول إليها.

مفكِّكان بدلًا من واحد

على هذه الملاحظة بُني NFSR (Native Forensics via Separated Readouts). وبنيته كالتالي:

• العمود الفقري (backbone) هو AV-LLM مجمّد، ولا يُعاد تدريب أوزانه؛
• مفكِّك صوتي يقرأ السمات ويتنبأ بالفواصل الزمنية للتلاعب في الصوت؛
• مفكِّك بصري يؤدي المهمة نفسها للمسار المرئي؛
• المفكِّكان منفصلان، ولذلك تحصل كل وسيلة على تعليمها الزمني الخاص.

وبحسب ما أفاد به المؤلفون، يحقق NFSR أفضل تحديد سمعي بصري داخل النطاق نفسه (in-domain) وفي جميع سيناريوهات out-of-distribution الثلاثة. ومن بينها النقل إلى فيديوهات محجوزة من معيار خارجي للتحليل الجنائي للمقاطع الطويلة.

مواصفات المعيار والأسلوب

• الاسم: AV-FABLE، معيار بخطَّين زمنيين (dual-timeline) للتلاعبات المتفرقة في الفيديوهات السمعية البصرية الطويلة المفتوحة.
• الحجم: 16 650 زوجًا من «الأصلي — المعدَّل»، 998 ساعة.
• التعديلات: 27 تهيئة تحرير.
• التعليم: خطان زمنيان منفصلان للصوت والفيديو.
• خط الأساس: نماذج AV-LLM في وضع zero-shot تعطي كشفًا قريبًا من العشوائي وتحديدًا ضعيفًا.
• الأسلوب: NFSR بسمات AV-LLM مجمّدة ومفكِّكات زمنية منفصلة للصوت والصورة.
• التقييم: تصدُّر في النطاق نفسه (in-domain) وفي ثلاثة سيناريوهات OOD، بما فيها معيار خارجي للفيديوهات الطويلة.
• النشر: يَعِد المؤلفون بإتاحة مجموعة البيانات والكود وأوزان النموذج. الورقة البحثية المنشورة مسبقًا (preprint): arXiv 2610.33413، وقد حصل العمل على 25 تصويتًا إيجابيًا في Hugging Face Daily Papers.

بالنسبة إلى المنصات وغرف الأخبار التي تتحقق من محتوى الفيديو، يبدو هذا النهج عمليًا. فلا حاجة إلى تدريب نموذج متعدد الوسائط ضخم من الصفر: يمكن أخذ AV-LLM جاهز وتجميده وإضافة مفكِّكات خفيفة. كما تمنح الخطوط الزمنية المنفصلة المدقِّق نتيجة محددة: «استبدال في الصوت عند الدقيقة كذا» بدلًا من «مشبوه» العامة. وإذا أُتيحت الأوزان والبيانات للعموم كما هو موعود، فمن المرجح أن يصبح المعيار مرجعًا عمليًا لمقارنة كاشفات التزييف في المقاطع الطويلة. وسيُظهر أيضًا مدى سرعة اتساع الفجوة بين أدوات الحماية وأدوات التحرير التوليدية.