Framework agentico usa a frequência da rede elétrica (ENF) para detectar vídeos deepfake
Pesquisadores propõem um detector forense que autentica vídeos a partir do zumbido da rede elétrica (ENF) captado no áudio e na cintilação de câmeras de obturador rolante, um sinal que geradores de IA não controlam diretamente. O sistema combina um estimador de ENF em áudio e vídeo com verificação contra uma referência de tempo e horário reivindicados, e usa uma orquestração agentica para só acionar detectores mais caros quando necessário. O achado central é contraintuitivo: a presença do padrão de ENF não basta como prova de autenticidade, porque vídeos gerados também podem exibi-lo; o que importa é a consistência com uma referência independente.
O trabalho ataca um problema cada vez mais central para o antifraude: como provar que um vídeo é gravação real e não produto de IA generativa, em um cenário onde deepfakes já são usados para fraudar KYC remoto, simular videochamadas de executivos em esquemas de BEC e fabricar "provas" em golpes de investimento. A maioria dos detectores atuais aprende artefatos específicos de um gerador e degrada rapidamente quando confrontada com um modelo novo, o que torna a defesa uma corrida constante contra a próxima geração de ferramentas de síntese.
A técnica explora a frequência da rede elétrica (ENF), um "zumbido" de 50/60 Hz que vaza para gravações de áudio por indução eletromagnética e para vídeo via cintilação em sensores de obturador rolante. Como esse sinal depende da rede elétrica no momento e local da gravação, e não do conteúdo visual em si, ele é, em teoria, independente do processo gerativo. O sistema extrai o ENF de áudio e vídeo com um estimador harmônico compartilhado, treina com dados sintéticos gerados por um modelo estocástico (Ornstein-Uhlenbeck) ancorado em gravações reais para contornar a escassez de dados rotulados, e cruza o padrão extraído com uma referência de horário/local reivindicado para confirmar ou recuperar quando a gravação teria ocorrido.
O resultado mais importante não é o desempenho (embora ele seja alto: 93% e 100% de aceitação correta de áudio e vídeo genuínos, contra baselines de 53% e 15%), mas a reformulação do problema: os autores mostram que vídeos gerados por IA também podem exibir cintilação na faixa de ENF com intensidade indistinguível da de vídeos reais. Ou seja, a mera presença do sinal deixou de ser prova de autenticidade — só a consistência desse sinal com uma referência de tempo/local independente sustenta a verificação. Isso tem implicação prática direta: ferramentas de detecção de deepfake que se apoiem apenas em "a marca está presente, logo é real" podem ser enganadas por gerações futuras.
Para equipes de antifraude e KYC, a lição prática é dupla. Primeiro, verificação de vídeo (onboarding remoto, prova de vida, chamadas de confirmação de alto valor) deve se apoiar em múltiplos sinais correlacionados com contexto externo verificável — metadados de rede, geolocalização, carimbos de tempo de terceiros — e não em um único detector de artefato. Segundo, a arquitetura "agentica" que escala o custo computacional só quando há suspeita é um padrão de design replicável em qualquer pipeline antifraude que precise equilibrar velocidade de triagem com profundidade de análise.