视频那头要是 AI 假人，就让它当场做个动作

我们（TrueLens 透镜）是做 AI 内容鉴真的公益团队，每天泡在 AI 图和视频里。最近一个感受越来越强：靠看破绽来辨真假，这条路越走越窄。

上周我们刚写过一篇，讲一个新基准测试里，人和顶级检测器面对整段 AI 生成的视频，判断准确率都快逼近瞎猜。9 月 10 日又有篇预印本给了个反向思路，反而让我觉得更实在——别再盯着画面找毛病了，让视频那头的人做个 live 的动作。

我们看的现象

这篇叫 Deep-Fake CAPTCHA 的研究，做了个很直白的实验：让疑似被换脸、被拟声的来电者，当场完成一些没预告过的小动作——换表情、转头、发出一个没准备过的声音。结果，几个实时换脸系统和语音克隆系统在被迫临场反应时纷纷露怯：要么慢半拍、要么动作和身份对不上、要么干脆接不住指令。

有意思的地方在这：传统鉴定是被动的，你给我一段视频，我去分析它哪里不对；而这个思路是主动的，我临时出道题，看你能不能接住。

为什么看破绽不够用了

被动检测依赖的是纹理、边缘、嘴角、噪声痕迹这些破绽。问题在上一篇文章已经说透了：生成模型迭代太快，昨天好用的破绽今天就没了。

更麻烦的是视频通话这种场景。骗子不是发你一段录好的片子，而是实时把脸换成老板、把声音换成你爸，边聊边骗。这时候你根本没有静态样本可以送检，只能靠眼睛硬扛。

我们的看法：当生成质量追上人眼，盯着画面找破绽就成了一场你必输的军备竞赛。得换个玩法。

被动看 vs 主动考

维度	被动检测（看破绽）	主动挑战（做动作）
你做什么	收下对方给的样本再分析	临时出题，看对方能否接住
最怕什么	破绽随生成模型过期	对事先录好的片子无效
最佳场景	有静态图片或视频可送检	实时视频或语音通话

活体挑战法：出一道它没法提前准备的题

翻译成人话，具体可以这么做：

• 视频通话里，让对方朝某个方向转头、用手挡住半边脸、做个无害的小动作。
• 语音通话里，让对方发一个奇怪的音、说一句没逻辑的短语。
• 关键不是某个固定动作，而是不可预测。要是全网都推荐让对方咳嗽三声，骗子下回就提前把咳嗽录进去了。

研究的实验数据是这样的：4 个实时换脸系统加 38 名志愿者，5 个语音克隆系统加 41 名志愿者，挑战—应答整体提升了识别率。注意，这不是说某个动作是万能钥匙，而是临场不可预测的反应本身是个移动靶——合成系统要在极短时间压力下同时满足像本人、做对动作、不卡顿，难度陡增。

最对味的案例：视频会里的假老板

这类思路对上的典型骗局，是视频会议里的假老板。

2025 年 3 月新加坡就有一起：财务总监进了一个视频会，屏幕上 CEO 和几个高管全是人造的，他信了，转了约 49.9 万美元，直到对方又来要 140 万美元才醒悟。这种案子里，脸和声音都是在线生成的，你截图送检都没用——但你挂掉电话、用本来就知道的号码回拨本人，或者当场让 CEO 做个没预告的动作，戏就漏了。

提醒：遇到钱、验证码、隐私这类高风险请求，挂掉再用你本来就知道的号码联系对方，永远比现场当鉴真专家更稳。

这跟 TrueLens 的主张一致

我们一直说：别只信一个信号。鉴定器给的 AI 生成概率只是参考，不是判决；真要当法律证据，得走专业鉴定。今天这个研究把同一句话翻译到了行为层面——

被动看技术痕迹，会随生成模型老化；主动让对方临场反应，制造的是攻击者无法提前优化的压力。两者不冲突：工具该用，但遇到真金白银的瞬间，加一道活体挑战加独立回拨的保险，比单纯盯屏幕靠谱得多。

一点清醒

这法子不是银弹。研究自己也说，它测的是实时生成的通话，对事先录好的片子没用——录好的你没法让它现场反应。而且攻击者会学：一旦某个挑战被全网推荐，下代深伪就会专门优化它。

所以别把它当成永久咒语，把它当成给骗子制造摩擦的一种手段。说到底，最好的防线往往不是更尖的眼力，而是更慢一步的确认。