{"id":58372,"date":"2026-09-17T18:56:49","date_gmt":"2026-09-17T16:56:49","guid":{"rendered":"https:\/\/truescreen.io\/artikel\/df26-benchmark-ki-video-authentizitaet-am-ursprung\/"},"modified":"2026-09-17T19:15:59","modified_gmt":"2026-09-17T17:15:59","slug":"genauigkeit-deepfake-detektoren-faellt-49-prozent","status":"publish","type":"artikel","link":"https:\/\/truescreen.io\/de\/artikel\/genauigkeit-deepfake-detektoren-faellt-49-prozent\/","title":{"rendered":"Die Genauigkeit von Deepfake-Detektoren f\u00e4llt in einem Jahr KI-Videofortschritt um bis zu 49 Prozent"},"content":{"rendered":"
\n
\n

Die Genauigkeit von Deepfake-Detektoren f\u00e4llt in einem Jahr KI-Videofortschritt um bis zu 49 Prozent<\/h1>\n<\/div>\n<\/div>\n
\n
\n

Ver\u00f6ffentlicht am 17. September 2026<\/p>\n

KI-Videos erkennen ist inzwischen kaum noch etwas anderes als Raten. Der DF26-Benchmark, am 7. September 2026 ver\u00f6ffentlicht, pr\u00fcft neun Detektoren auf dem Stand der Technik gegen Material aus sieben aktuellen Videomodellen: Auf dem etablierten Datensatz CelebDF++ erreichen sie im Mittel 84,4 AUROC, auf DF26 nur noch 56,1, keiner kommt \u00fcber 69,7 hinaus, und menschliche Pr\u00fcferinnen und Pr\u00fcfer ordnen nur 52,6 Prozent der F\u00e4lschungen richtig ein. Der am st\u00e4rksten betroffene Detektor verliert in einem Jahr 49 Prozent seiner Genauigkeit und f\u00e4llt von 94,3 auf 48,2.<\/p>\n

Damit f\u00e4llt eine tragende Annahme: dass sich synthetische Inhalte nachtr\u00e4glich aussortieren lassen, sobald die Werkzeuge gut genug sind.<\/p>\n

Was der DF26-Benchmark misst und warum seine Zahlen z\u00e4hlen<\/h2>\n

Der DF26-Benchmark ist ein Datensatz aus 2.691 Videos, davon 271 echte und 2.420 generierte, ver\u00f6ffentlicht am 7. September 2026 unter arXiv:2609.07369<\/a>. Beteiligt sind die Ukrainische Katholische Universit\u00e4t, die Tschechische Technische Universit\u00e4t Prag, Hover Inc. und das Institut f\u00fcr Softwaresysteme der ukrainischen Akademie der Wissenschaften. Alle Videos zeigen Menschen, die \u00f6ffentlich sprechen: direkt in die Kamera, als offizieller Mitschnitt oder als Studiointerview; die echten stammen aus OpenVid-1M, TalkingCelebs und MAVOS-DD.<\/p>\n

Der Aufbau folgt einem Paarprinzip: Aus den Einzelbildern jedes echten Videos wird ein semantischer Prompt abgeleitet, mit dem die passenden synthetischen Clips erzeugt werden, sodass Paare aus echt und falsch mit demselben visuellen Kontext entstehen. Sichtbare Wasserzeichen, Logos oder Exportmarkierungen kommen darin nicht vor. Die Elo-Werte der sieben Generatoren stammen aus der Rangliste von Artificial Analysis<\/a>, Stand August 2026.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n
Modell<\/th>\nAnbieter<\/th>\nVerf\u00fcgbar seit<\/th>\nZugang<\/th>\nElo<\/th>\n<\/tr>\n<\/thead>\n
Wan 2.6<\/td>\nAlibaba<\/td>\nDezember 2025<\/td>\ngeschlossen, Text zu Video<\/td>\n1.185<\/td>\n<\/tr>\n
Veo 3.1<\/td>\nGoogle<\/td>\nJanuar 2026<\/td>\ngeschlossen, Text zu Video<\/td>\n1.213<\/td>\n<\/tr>\n
Grok Imagine 1.0<\/td>\nSpaceXAI<\/td>\nJanuar 2026<\/td>\ngeschlossen, Text zu Video<\/td>\n1.221<\/td>\n<\/tr>\n
Kling 3.0<\/td>\nKlingAI<\/td>\nFebruar 2026<\/td>\ngeschlossen, Text zu Video<\/td>\n1.212<\/td>\n<\/tr>\n
Wan 2.2 A14B<\/td>\nAlibaba<\/td>\nJuli 2025<\/td>\noffen, Text und Bild zu Video<\/td>\n1.106<\/td>\n<\/tr>\n
HunyuanVideo 1.5<\/td>\nTencent<\/td>\nNovember 2025<\/td>\noffen, Text und Bild zu Video<\/td>\n1.016<\/td>\n<\/tr>\n
LTX 2.3<\/td>\nLightricks<\/td>\nM\u00e4rz 2026<\/td>\noffen, Text und Bild zu Video<\/td>\n1.120<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Neun Detektoren sollen KI-Videos erkennen, keiner ist verl\u00e4sslich<\/h2>\n

Keiner der neun gepr\u00fcften Detektoren erreicht auf dem DF26-Benchmark ein Ergebnis, auf das sich eine Entscheidung st\u00fctzen lie\u00dfe. Alle neun wurden auf FaceForensics++ trainiert und ohne Nachtraining bewertet; der AUROC ist in Prozent angegeben, wobei 50 reinem Zufall entspricht.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Detektor<\/th>\nKonferenz und Jahr<\/th>\nTyp<\/th>\nCelebDF++<\/th>\nDF26<\/th>\nDifferenz<\/th>\n<\/tr>\n<\/thead>\n
DFD-FCG<\/td>\nCVPR 2025<\/td>\nzeitlich<\/td>\n94,3<\/td>\n48,2<\/td>\nminus 46,1<\/td>\n<\/tr>\n
PwTF-DVD<\/td>\nICCV 2025<\/td>\nzeitlich<\/td>\n92,3<\/td>\n61,6<\/td>\nminus 30,7<\/td>\n<\/tr>\n
GenD-PE<\/td>\nWACV 2026<\/td>\nEinzelbild<\/td>\n89,9<\/td>\n69,7<\/td>\nminus 20,2<\/td>\n<\/tr>\n
GenD-CLIP<\/td>\nWACV 2026<\/td>\nEinzelbild<\/td>\n85,2<\/td>\n54,2<\/td>\nminus 31,0<\/td>\n<\/tr>\n
GenD-DINO<\/td>\nWACV 2026<\/td>\nEinzelbild<\/td>\n82,6<\/td>\n54,7<\/td>\nminus 27,9<\/td>\n<\/tr>\n
DFD-HR<\/td>\nCVPR 2026<\/td>\nEinzelbild<\/td>\n81,6<\/td>\n63,5<\/td>\nminus 18,1<\/td>\n<\/tr>\n
FSFM<\/td>\nCVPR 2025<\/td>\nEinzelbild<\/td>\n79,6<\/td>\n52,6<\/td>\nminus 27,0<\/td>\n<\/tr>\n
Effort<\/td>\nICML 2025<\/td>\nEinzelbild<\/td>\n78,7<\/td>\n44,0<\/td>\nminus 34,7<\/td>\n<\/tr>\n
ForAda<\/td>\nCVPR 2025<\/td>\nEinzelbild<\/td>\n75,6<\/td>\n56,6<\/td>\nminus 19,0<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Der beste Wert liegt bei 69,7, Effort rutscht mit 44,0 unter die Zufallsschwelle. Wer unterhalb von 50 landet, ordnet nicht blo\u00df schlecht ein: Mit dem jeweils umgekehrten Urteil k\u00e4me man weiter.<\/p>\n

Noch aussagekr\u00e4ftiger ist, was die Mittelwerte verdecken. Nach einzelnen Generatoren aufgeschl\u00fcsselt zeigen sich Einbr\u00fcche, die in der Gesamtzahl verschwinden: Gegen Grok Imagine 1.0 erreicht Effort nur 13,6, DFD-FCG 20,5, GenD-DINO 35,4, FSFM 36,3 und ForAda 38,9. Gegen Veo 3.1 liegt Effort bei 21,3 und PwTF-DVD bei 26,7. \u00dcber alle Generatoren gemittelt kommt GenD-PE auf 72,7, Effort dagegen nur auf 40,9. Die Autoren halten ausdr\u00fccklich fest, dass die kommerziellen Generatoren der schwierigste Pr\u00fcffall sind und dass aggregierte Werte schwere Fehlermodi verbergen: Ein Detektor kann bei einem Modell brauchbar abschneiden und beim n\u00e4chsten unter den Zufall fallen. Wer sich auf den Durchschnittswert st\u00fctzt, wei\u00df nicht, in welchem der beiden F\u00e4lle er gerade steht.<\/p>\n

Kein Ausrutscher vom September: die Kurve f\u00e4llt seit zwei Jahren<\/h2>\n

Der Einbruch beginnt nicht mit dem DF26-Benchmark, er wurde nur selten so deutlich gemessen. Bereits Deepfake-Eval-2024<\/a>, auf der CVPRW 2026 vorgestellt, untersuchte Material, das 2024 tats\u00e4chlich im Netz kursierte: 45 Stunden Video, 56,5 Stunden Audio und 1.975 Bilder von 88 Websites in 52 Sprachen. Gegen\u00fcber den bis dahin \u00fcblichen Benchmarks sank der AUC quelloffener Detektoren um 50 Prozent beim Video, um 48 Prozent beim Audio und um 45 Prozent beim Bild.<\/p>\n

Zwei unabh\u00e4ngige Erhebungen im Abstand von zwei Jahren zeigen in dieselbe Richtung. Wer heute \u00fcber die Grenzen von Erkennungssoftware entscheidet, sollte deshalb mit einer Entwicklung rechnen statt mit einem Ausrei\u00dfer.<\/p>\n

Warum sie zur\u00fcckfallen: das Problem hat seine Natur ge\u00e4ndert<\/h2>\n

Die Detektoren verlieren nicht an Qualit\u00e4t, sondern suchen nach etwas, das es in den neuen, vollst\u00e4ndig KI-generierten Videos nicht mehr gibt. Alle neun wurden auf FaceForensics++<\/a> trainiert, einem Datensatz aus manipulierten echten Gesichtern: Gesichtstausch, Gesichtsreanimation, Ver\u00e4nderung einzelner Attribute. Solche Eingriffe hinterlassen eine Bruchkante zwischen authentischem und ver\u00e4ndertem Bildbereich, und genau danach suchen die Modelle.<\/p>\n

Die Videos des DF26-Benchmarks enthalten dagegen keine Manipulation: Sie sind vollst\u00e4ndig generiert, sodass die gesuchte Bruchkante gar nicht existiert. Die Autoren bezeichnen das als Verteilungsverschiebung zwischen generativen Modellen, und eine interne Gegenprobe st\u00fctzt die Erkl\u00e4rung: Der Einbruch h\u00e4ngt nicht vom aufgenommenen Szenario ab, sondern vom Generator, liegt also weder an der Kameraeinstellung noch am Sprechstil.<\/p>\n

Nachtraining hilft, allerdings immer im R\u00fcckstand. Wird GenD-PE auf dem HunyuanVideo-Teil trainiert, der Bilder in Videos \u00fcberf\u00fchrt, steigt der Mittelwert von 76,0 auf 82,3: Grok Imagine klettert von 66,5 auf 96,8, Veo 3.1 von 76,6 auf 95,6. Das Verfahren funktioniert also, beschreibt aber ein Hinterherlaufen, denn der Detektor lernt einen Generator nach dem anderen und erst, nachdem dieser erschienen ist und sein Material ausgewertet wurde. Zwischen einem neuen Modell und der angepassten Erkennung liegt jedes Mal eine L\u00fccke, in der Erkennungssoftware an ihre Grenzen st\u00f6\u00dft<\/a>.<\/p>\n

Das menschliche Auge ist keine Reserve<\/h2>\n

Wer der Technik misstraut und deshalb auf geschulte Beobachtung setzt, verlagert das Problem nur. Die Autoren haben 232 Annotationssitzungen ausgewertet, \u00fcberwiegend mit freiwilligen Studierenden technischer Hochschulen. Jede Person beurteilte 30 Videos, davon 15 gef\u00e4lschte; die Clips waren f\u00fcnf Sekunden lang und durften h\u00f6chstens zehnmal wiederholt werden, und zur Auswahl standen drei Antworten: von der KI erzeugt, mit KI bearbeitet, echt.<\/p>\n

\n\n\n\n\n\n\n\n
Datensatz<\/th>\nTreffer bei echten Videos<\/th>\nTreffer bei F\u00e4lschungen<\/th>\n<\/tr>\n<\/thead>\n
DF26<\/td>\n76,0 %<\/td>\n52,6 %<\/td>\n<\/tr>\n
CelebDF++<\/td>\n75,5 %<\/td>\n74,5 %<\/td>\n<\/tr>\n
DeepSpeak v2<\/td>\n72,8 %<\/td>\n69,8 %<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Bei echtem Material schneiden Menschen \u00fcberall \u00e4hnlich ab, bei den F\u00e4lschungen des DF26-Benchmarks finden sie dagegen keine ausreichenden Anhaltspunkte mehr; am h\u00e4ufigsten get\u00e4uscht hat LTX 2.3 in der destillierten Bild-zu-Video-Variante. Der Befund deckt sich mit einer Metaanalyse von 56 Studien<\/a> mit 86.155 Teilnehmenden und 137 Effektst\u00e4rken: Die mittlere Trefferquote liegt bei 55,54 Prozent, das 95-Prozent-Konfidenzintervall reicht von 48,87 bis 62,10 Prozent und schlie\u00dft damit den Zufall ein; beim Video allein sind es 57,31 Prozent. Selbst mit R\u00fcckmeldung im Training, automatischer Unterst\u00fctzung und karikaturhafter \u00dcberzeichnung steigt der Wert nur auf 65,14 Prozent.<\/p>\n

Untersch\u00e4tzt wird dabei eine andere Zahl: 24,0 Prozent der echten Videos im DF26-Benchmark wurden f\u00fcr F\u00e4lschungen gehalten. Wer einem KI-Fake aufsitzt, hat ein Problem; wer sein eigenes, echtes Material nicht mehr glaubhaft machen kann, hat dasselbe Problem von der anderen Seite. Betroffen ist davon jede Organisation, die sich vor Gericht oder gegen\u00fcber einem Versicherer auf eine Videoaufnahme berufen muss.<\/p>\n

L\u00e4sst sich der Zweifel nicht nachtr\u00e4glich kl\u00e4ren, muss er vorher \u00fcberfl\u00fcssig werden<\/h2>\n

Die Authentizit\u00e4t eines Videos entsteht in dem Moment, in dem es aufgenommen wird, nicht in einer nachtr\u00e4glichen Rekonstruktion. Wenn der beste Detektor bei 69,7 stehen bleibt und Menschen nur 52,6 Prozent der F\u00e4lschungen erkennen, ist eine Aufnahme ohne dokumentierte Herkunft im Streitfall kein belastbares Beweismittel mehr, sondern ein Gegenstand der Auslegung.<\/p>\n

TrueScreen, die Data Authenticity Platform, setzt deshalb am anderen Ende an: Statt ein Video zu pr\u00fcfen, nachdem es im Umlauf ist, h\u00e4lt die Plattform Herkunft, Integrit\u00e4t und Zeitpunkt in dem Moment fest, in dem die Aufnahme entsteht. Die Erfassung erfolgt nach forensischer Methodik, und am Ende steht ein offizielles digitales Siegel mit qualifiziertem Zeitstempel, international anerkannt und mit voller Rechtswirkung. F\u00fcr die deutsche Praxis ist das der entscheidende Unterschied: Nach \u00a7 371 ZPO wird ein Video als Augenscheinsobjekt erhoben, und die freie Beweisw\u00fcrdigung nach \u00a7 286 ZPO entscheidet dar\u00fcber, ob das Gericht der Aufnahme folgt. Dokumentierte Erfassungsbedingungen, ein qualifizierter Zeitstempel nach eIDAS-Verordnung 910\/2014 sowie eine nach ISO\/IEC 27037 nachvollziehbare Sicherung verschieben die Frage von der Glaubhaftigkeit zur \u00dcberpr\u00fcfbarkeit. Ob sich digitale Beweise vor Gericht durchsetzen<\/a>, h\u00e4ngt daher weniger an der Auswertung als an der Erfassung.<\/p>\n

Zur Erfassung geh\u00f6rt auch eine Analyse synthetischer Inhalte f\u00fcr Foto, Video und Audio. Sie arbeitet nicht deterministisch, gibt einen Vertrauensgrad zur\u00fcck und setzt einen Workspace voraus; sie ersetzt die forensische Methodik nicht, sondern begleitet sie. Erkl\u00e4rte Kennzeichnungen wie C2PA-Angaben oder Generator-Hinweise in den Metadaten k\u00f6nnen, wo vorhanden, zus\u00e4tzlich einflie\u00dfen; ihr Fehlen allein ist jedoch kein Beleg f\u00fcr eine F\u00e4lschung. Verfahren wie SynthID markieren Material auf Seiten des Erzeugers, decken aber naturgem\u00e4\u00df nur ab, was ein teilnehmender Anbieter selbst erzeugt hat; dass im deutschsprachigen Raum inzwischen gezielt nach solchen Verfahren gesucht wird, zeigt immerhin, wie stark die Frage nach der technischen Herkunft an Gewicht gewinnt. F\u00fcr alles \u00dcbrige bleibt die Kennzeichnung am Ursprung der eigenen Aufnahme die einzige Gr\u00f6\u00dfe, \u00fcber die eine Organisation selbst verf\u00fcgt, und dieselbe Logik tr\u00e4gt die Kennzeichnungspflicht f\u00fcr synthetische Inhalte in der KI-Verordnung<\/a>.<\/p>\n

Die Autoren benennen die Grenzen ihrer Arbeit selbst, und sie sind erheblich. Mit 2.691 Videos bleibt der Umfang klein gegen\u00fcber gro\u00dfangelegten Benchmarks, und bewertet wurde ausschlie\u00dflich die visuelle Modalit\u00e4t: Audio, Sprachqualit\u00e4t, Lippensynchronit\u00e4t und die \u00dcbereinstimmung von Ton und Bild bleiben au\u00dfen vor. Die Studie sagt auch nicht, dass Erkennung grunds\u00e4tzlich sinnlos sei, sondern dass die gepr\u00fcften, auf FaceForensics++ trainierten Detektoren gegen nie gesehene Generatoren nicht standhalten. Kommerzielle Erkennungsprodukte wurden ebenso wenig gemessen wie Standbilder. Wie stark einzelne Modelle eigene Spuren hinterlassen, untersucht unabh\u00e4ngig davon die Studie aus Edinburgh zu KI-Fingerabdr\u00fccken<\/a>.<\/p>\n

\n

H\u00e4ufige Fragen<\/h2>\n
\n
\nGibt es einen Test, um KI-Videos zu erkennen?<\/span>
\n+<\/span><\/summary>\n
Es gibt Tests, aber keinen, dessen Ergebnis eine Entscheidung tr\u00e4gt. Im DF26-Benchmark erreicht der beste von neun gepr\u00fcften Detektoren einen AUROC von 69,7, der schw\u00e4chste 44,0 und liegt damit unter dem Zufallswert von 50. Auch brauchbare Durchschnittswerte helfen wenig, weil einzelne Generatoren dieselben Detektoren einbrechen lassen: Gegen Grok Imagine 1.0 f\u00e4llt Effort auf 13,6.<\/div>\n<\/details>\n
\nWie erkennt man KI-generierte Inhalte?<\/span>
\n+<\/span><\/summary>\n
Wer KI-Inhalte erkennen will, kommt mit visuellen Pr\u00fcfungen von H\u00e4nden, Augenbewegungen oder Schattenwurf bei Modellen der Jahrg\u00e4nge 2025 und 2026 kaum noch weiter; verl\u00e4sslicher sind erkl\u00e4rte Kennzeichnungen wie C2PA-Daten, der IPTC-Eintrag digitalSourceType und Generator-Angaben in EXIF und XMP. Diese Angaben sind freiwillig, und ihr Fehlen beweist nichts, weil auch v\u00f6llig unbearbeitete Aufnahmen keine Content Credentials tragen. Wer Sicherheit braucht, setzt deshalb bei der dokumentierten Erfassung des eigenen Materials an und nicht bei der nachtr\u00e4glichen Pr\u00fcfung fremder Aufnahmen.<\/div>\n<\/details>\n
\nWie kann ich Videos auf Fake-Videos \u00fcberpr\u00fcfen?<\/span>
\n+<\/span><\/summary>\n
Sinnvoll ist eine Kombination aus Quellenrecherche, R\u00fcckw\u00e4rtssuche nach fr\u00fcheren Ver\u00f6ffentlichungen und Auswertung vorhandener Metadaten, doch verlassen sollte man sich darauf nicht: In der Metaanalyse von 56 Studien mit 86.155 Teilnehmenden liegt die menschliche Trefferquote bei 55,54 Prozent, mit einem Konfidenzintervall, das den Zufall einschlie\u00dft. Im DF26-Benchmark wurden zudem 24,0 Prozent der echten Videos f\u00e4lschlich f\u00fcr F\u00e4lschungen gehalten. Eine Pr\u00fcfung kann Verdacht erh\u00e4rten, den Nachweis der Echtheit ersetzt sie nicht.<\/div>\n<\/details>\n
\nKann ChatGPT Videos analysieren?<\/span>
\n+<\/span><\/summary>\n
Allgemeine Sprachmodelle k\u00f6nnen Videoinhalte beschreiben und Auff\u00e4lligkeiten benennen, sind aber keine forensischen Werkzeuge und liefern kein Ergebnis, das einer Beweisw\u00fcrdigung nach \u00a7 286 ZPO standh\u00e4lt. Selbst eigens f\u00fcr diese Aufgabe trainierte Detektoren kommen im DF26-Benchmark nicht \u00fcber 69,7 AUROC hinaus. F\u00fcr eine Aufnahme, auf die sich eine Organisation berufen muss, z\u00e4hlt deshalb, was bei der Erfassung dokumentiert wurde, und nicht, was ein Modell im Nachhinein vermutet.<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n
\n
\n
\n
\n

Authentizit\u00e4t dort sichern, wo die Daten entstehen<\/h2>\n

Mit TrueScreen, der Data Authenticity Platform, werden Herkunft, Integrit\u00e4t und Zeitpunkt einer Aufnahme bereits w\u00e4hrend der Erfassung festgehalten. Der Nachweis muss nicht nachtr\u00e4glich rekonstruiert werden: er liegt bereits vor.<\/p>\n

Jetzt starten<\/a>
\nDemo anfragen<\/a>\n<\/div>\n

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"featured_media":58375,"template":"","class_list":["post-58372","artikel","type-artikel","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/artikel\/58372","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/artikel"}],"about":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/types\/artikel"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/media\/58375"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/media?parent=58372"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}