Hive, C2PA e Intel: como funcionam os serviços de verificação de deepfakes e onde eles falham

Os serviços para reconhecimento de deepfakes estão se transformando rapidamente em um mercado separado, mas nenhum deles ainda oferece garantia inquebrantável. Um teste de quatro soluções populares mostrou: os melhores resultados provêm não de promessas universais, mas de ferramentas com especialização clara e origem confirmada do arquivo.

Como o teste foi conduzido

Para verificar, reunimos um conjunto de 100 arquivos em três categorias. Incluiu fotografias comuns e vídeos de câmeras, vídeos e imagens sintéticas modernas, bem como conteúdo híbrido — por exemplo, quadros após retoque de rede neural, upscaling e outras edições. Falsificações de áudio também foram testadas separadamente para entender como os sistemas se comportam não apenas em imagens, mas também em voz.

Este conjunto permitiu comparar serviços não em demos estéreis, mas em casos típicos que redações de notícias e usuários comuns enfrentam. Um detalhe importante da metodologia — os arquivos foram enviados da forma como circulam realmente na internet. Isso significa: sem alguns dados EXIF, após compressão por redes sociais e mensageiros, às vezes em forma reenviada.

Na prática, é exatamente aqui que muitos serviços começam a cometer erros. Em condições de laboratório, um detector pode parecer convincente, mas após Telegram, WhatsApp ou Instagram sua confiança cai notavelmente. É por isso que os resultados do teste estão mais próximos do uso no mundo real do que das apresentações de marketing.

Quem mostrou resultados

A comparação mostrou rapidamente que não há um vencedor universal. Cada ferramenta funciona bem em um cenário e desempenha notavelmente mal em outro, assim o resultado depende não da amplitude da marca, mas do que exatamente você está verificando: fotos, vídeo de conversa, áudio ou arquivo com uma cadeia de origem preservada. Por isso, compará-los por uma única porcentagem geral de precisão é simplesmente sem sentido. Para uma classe de tarefas, um líder facilmente se torna um outsider na próxima.

• Hive reconhece com confiança muitas imagens geradas, mas pode confundir artefatos de compressão pesada em vídeos antigos com traços de IA.
• RealityGuard da Sensity lida melhor que outros com vídeo, onde rosto, expressões faciais e sincronização de lábios com voz importam, mas perde acentuadamente a precisão em paisagens e imagens sem pessoas.
• Content Credentials baseado no padrão C2PA não procura tanto por falsificações quanto confirma a origem do arquivo se a câmera e o software preservaram a cadeia de assinaturas.
• Intel FakeCatcher mostra os melhores resultados em vídeos de close-up de qualidade, analisando sinais fisiológicos do rosto, mas é quase inútil em imagens estáticas e vídeos de baixa resolução.

Diante disso, o padrão C2PA se destaca especialmente. Se um arquivo foi originalmente gravado em um dispositivo compatível e não perdeu assinaturas durante edição ou transmissão, este é o argumento mais forte para autenticidade. O problema é que na vida real, esses arquivos ainda são uma minoria: câmeras antigas, mensageiros e simples reenvio facilmente quebram essa cadeia. Para organizações de notícias e fotógrafos, isso já se torna um padrão de trabalho, não um experimento.

Onde os detectores falham

A primeira razão é a corrida entre geradores e detectores. Assim que sistemas de verificação aprendem a procurar um conjunto de artefatos, novos modelos removem precisamente esses pontos fracos. Anteriormente, falsificações eram identificadas por dedos estranhos, olhos inaturais ou sincronização desigual de lábios. Agora esses marcadores são menos comuns, e os detectores precisam confiar em sinais mais sutis que são facilmente destruídos pela compressão. Essencialmente, os sistemas de verificação quase sempre estão alcançando, não à frente dos geradores.

O segundo problema é o próprio ambiente de distribuição de conteúdo. Fotos e vídeos quase nunca chegam ao usuário em sua forma original. Redes sociais reduzem a qualidade, mensageiros recompactam arquivos e plataformas removem alguns metadados. Por isso, até ferramentas poderosas começam a confundir conteúdo real com sintético ou, inversamente, deixam passar um deepfake de qualidade. As verificações funcionam especialmente mal onde não há rosto em close-up, áudio claro ou arquivo original.

O terceiro problema é a pessoa do outro lado da tela. Mesmo que um serviço mostre a probabilidade de falsificação, muitos percebem o resultado como um veredicto final. Mas uma pontuação de 60 ou 70 por cento não é uma opinião de perito judicial, mas apenas um sinal de que o conteúdo precisa ser verificado mais profundamente. O erro reverso causa não menos dano, quando um usuário ignora completamente um aviso porque a interface é confusa ou o serviço cometeu um erro uma vez antes.

«Em 2026, o detector mais confiável ainda é uma combinação de

tecnologias, investigação independente e senso comum.»

O que isso significa

Para redações, verificadores de fatos e usuários comuns, a conclusão é simples: ainda não há um único botão para expor deepfakes. O esquema de funcionamento hoje é combinar verificação automática, observar metadados e origem do arquivo, considerar a qualidade da fonte e, se possível, habilitar Content Credentials em seus próprios dispositivos. Quanto mais importante a decisão, mais perigoso é confiar em um único veredicto de serviço. Especialmente se envolve dinheiro, reputação ou publicação de material controverso.