Deepfake na żywo: gdy podróbka odpowiada w czasie rzeczywistym
Jeszcze niedawno deepfake oznaczał wideo, które ktoś najpierw musiał wygenerować, zmontować i wysłać. Barierą był czas produkcji: zanim podróbka dotarła do adresata, ktoś mógł ją obejrzeć, porównać z innymi materiałami i wychwycić nieścisłości. Ta bariera zniknęła. Współczesne narzędzia podmieniają twarz na obrazie z kamery w trakcie jej trwania — z opóźnieniem na tyle małym, że rozmówca nie dostrzega przerwy. Głos klonuje się z kilkusekundowej próbki. Efekt jest prosty do opisania i trudny do zaakceptowania: połączenie wideo „na żywo” przestaje być dowodem, że po drugiej stronie jest ten, za kogo się podaje.
Jak to działa
Real-time deepfake łączy dwie technologie. Pierwsza to podmiana twarzy: model przetwarza kolejne kadry z kamery ofiary i nakłada na nie twarz naśladowanej osoby, utrzymując spójność mimiki i oświetlenia. Druga to syntetyczny głos: model tekstu na mowę, sterowany tym, co „prezes” chce właśnie powiedzieć, ewentualnie klonujący jego sposób mówienia. Open source’owe narzędzia — Deep-Live-Cam, DeepFaceLive — robią to na zwykłym komputerze z darmowym oprogramowaniem: Deep-Live-Cam nałoży twarz z jednego zdjęcia na obraz z kamery internetowej, podążając za pozycją głowy, oświetleniem i mimiką. Płaszczyzny, na których opierały się oszustwa telefoniczne przez dekady — znajomy głos, znajoma twarz — stały się towarami.
To nie jest scenariusz z laboratorium. W styczniu 2024 roku pracownik działu finansów hongkońskiego biura firmy Arup wziął udział w wideorozmowie, w której każdy uczestnik oprócz niego był podróbką wygenerowaną przez AI. Zrealizował piętnaście przelewów o łącznej wartości 200 milionów dolarów hongkońskich — blisko 26 milionów amerykańskich. Nagranie nie było wcześniej przygotowanym wideo — to była interakcja w czasie rzeczywistym, w której fałszywy dyrektor finansowy odpowiadał na pytania. W 2025 roku dyrektor finansowy międzynarodowej firmy w Singapurze, przekonany podczas wideorozmowy, że rozmawia z kierownictwem, zlecił przelew blisko pół miliona dolarów.
Dlaczego „widziałem go na ekranie” już nie wystarcza
Ludzie weryfikują tożsamość wzrokowo od zawsze i robią to dobrze — o ile porównują z kimś, kogo znają. Słabość tej metody ujawnia się w dwóch miejscach. Po pierwsze, ofiara rzadko widziała osobiście osobę, z którą rozmawia przez ekran: nowy dostawca, przedstawiciel banku, kierownik z zagranicznego oddziału. Po drugie, nawet znajomą twarz da się podmienić tak, że różnice uciekają poza to, co oko rejestruje w płynnej rozmowie — drobne opóźnienia mimiki, zmiany w brzmieniu głosu, nienaturalne mruganie są dziś łapane głównie przez wyspecjalizowane detektory, a nie przez człowieka.
Wyścig zbrojeń toczy się dalej: detektory „liveness” sprawdzają, czy twarz na ekranie reaguje jak żywa — proszą o obrót głowy, mrugnięcie, ułożenie ust. Generatory odpowiadają: podróbka wykonuje te ruchy, bo naśladuje żywego człowieka w czasie rzeczywistym. Osobną warstwą obrony jest wykrywanie, czy obraz w ogóle pochodzi z prawdziwej kamery, a nie ze strumienia wstrzykniętego oprogramowaniem. Żadna z tych barier nie jest trwała, a każda nowa wersja modeli podnosi koszt weryfikacji, którą jeszcze rok temu uznawano za oczywistą.
Procedury zamiast spojrzenia
Wnioski dla firm i instytucji są niezależne od tempa rozwoju modeli. Weryfikacja tożsamości przy transakcjach nie może opierać się na jednym kanale, którego fałszowanie stało się tanie. Sprawdzone mechanizmy pozostają proste: oddzwonienie na numer znany wcześniej, a nie podany w rozmowie; potwierdzenie polecenia przez drugą osobę przy kwotach przekraczających ustalony próg; ustalone wcześniej frazy kontrolne dla pilnych przelewów rzekomo z polecenia kierownictwa; ograniczenia techniczne po stronie banku, które dają okno na wycofanie płatności.
Szkoły, urzędy i małe firmy rzadko myślą, że dotyczy to ich — oszustwa typu „fałszywy prezes” kojarzą się z korporacjami. Tymczasem koszt uruchomienia real-time deepfake spadł na tyle, że celem staje się każdy, kto dysponuje środkami i załatwia sprawy przez ekran. Zmiana jest kulturowa: to, co jeszcze przed dwoma laty było oczywistym dowodem — rozmowa wideo z człowiekiem, który odpowiada na żywo — wymaga dziś takiego samego dystansu jak wiadomość e-mail z prośbą o przelew.
Oznaczenie treści AI
Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
