{"id":58371,"date":"2026-09-17T18:56:48","date_gmt":"2026-09-17T16:56:48","guid":{"rendered":"https:\/\/truescreen.io\/articulos\/benchmark-df26-video-ia-autenticidad-en-origen\/"},"modified":"2026-09-17T19:15:57","modified_gmt":"2026-09-17T17:15:57","slug":"precision-detectores-deepfakes-cae-49-por-ciento","status":"publish","type":"articulos","link":"https:\/\/truescreen.io\/es\/articulos\/precision-detectores-deepfakes-cae-49-por-ciento\/","title":{"rendered":"La precisi\u00f3n de los detectores de deepfakes cae hasta un 49% en un a\u00f1o de avances en video con IA"},"content":{"rendered":"
\n
\n

La precisi\u00f3n de los detectores de deepfakes cae hasta un 49% en un a\u00f1o de avances en video con IA<\/h1>\n<\/div>\n<\/div>\n
\n
\n

Publicado el 17 de septiembre de 2026<\/p>\n

Saber si un video es IA es hoy una apuesta. En el banco de pruebas DF26, publicado el 7 de septiembre de 2026, la media de nueve detectores de \u00faltima generaci\u00f3n pasa de 84,4 a 56,1 de AUROC, ninguno supera 69,7 y las personas del estudio reconocieron los videos generados por IA en el 52,6% de los casos. El detector m\u00e1s castigado pierde el 49% de su precisi\u00f3n en un a\u00f1o, al bajar de 94,3 a 48,2.<\/p>\n

Los detectores fallan sobre todo ante los modelos comerciales que cualquiera usa desde un navegador, sin conocimientos t\u00e9cnicos. Y el consejo que repiten las gu\u00edas sobre c\u00f3mo saber si un video es falso, revisar manos, parpadeos y luces incoherentes, es justamente el que estas cifras desmontan.<\/p>\n

Qu\u00e9 mide el banco de pruebas DF26 y por qu\u00e9 sus cifras importan<\/h2>\n

El estudio DF26, titulado “DF26: We Cannot Tell Fake From Real Anymore” (arXiv:2609.07369<\/a>), lo firman investigadores de la Universidad Cat\u00f3lica Ucraniana, la Universidad T\u00e9cnica Checa de Praga, Hover Inc. y el Instituto de Sistemas de Software de la Academia Nacional de Ciencias de Ucrania. Re\u00fane 2.691 videos, 271 reales y 2.420 generados por siete modelos publicados entre 2025 y 2026, en tres escenarios de habla en p\u00fablico: a c\u00e1mara, grabaciones oficiales y entrevistas de estudio.<\/p>\n

De cada video real, tomado de OpenVid-1M, TalkingCelebs y MAVOS-DD, se extrae un prompt sem\u00e1ntico de sus fotogramas y se genera un clip sint\u00e9tico equivalente: cada falso tiene un verdadero con el mismo contexto visual. En los generados no hay marcas de agua visibles ni marcadores de exportaci\u00f3n, nada de lo que un ojo entrenado busca.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n
Modelo<\/th>\nEmpresa y publicaci\u00f3n<\/th>\nAcceso<\/th>\nElo estimado (agosto 2026)<\/th>\n<\/tr>\n<\/thead>\n
Wan 2.6<\/td>\nAlibaba, diciembre 2025<\/td>\ncerrado, texto a video<\/td>\n1.185<\/td>\n<\/tr>\n
Veo 3.1<\/td>\nGoogle, enero 2026<\/td>\ncerrado, texto a video<\/td>\n1.213<\/td>\n<\/tr>\n
Grok Imagine 1.0<\/td>\nSpaceXAI, enero 2026<\/td>\ncerrado, texto a video<\/td>\n1.221<\/td>\n<\/tr>\n
Kling 3.0<\/td>\nKlingAI, febrero 2026<\/td>\ncerrado, texto a video<\/td>\n1.212<\/td>\n<\/tr>\n
Wan 2.2 A14B<\/td>\nAlibaba, julio 2025<\/td>\nabierto, texto e imagen a video<\/td>\n1.106<\/td>\n<\/tr>\n
HunyuanVideo 1.5<\/td>\nTencent, noviembre 2025<\/td>\nabierto, texto e imagen a video<\/td>\n1.016<\/td>\n<\/tr>\n
LTX 2.3<\/td>\nLightricks, marzo 2026<\/td>\nabierto, texto e imagen a video<\/td>\n1.120<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Elo estimado por Artificial Analysis<\/a>.<\/p>\n

Nueve detectores de \u00faltima generaci\u00f3n: ninguno basta para saber si un video es IA<\/h2>\n

Los nueve detectores est\u00e1n entrenados con FaceForensics++ y se miden sin reentrenamiento, la situaci\u00f3n real de cualquier herramienta puesta frente a un generador que no exist\u00eda cuando se entren\u00f3. El AUROC va en porcentaje y 50 equivale a lanzar una moneda.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Detector<\/th>\nCongreso y a\u00f1o<\/th>\nTipo<\/th>\nCelebDF++<\/th>\nDF26<\/th>\nDiferencia<\/th>\n<\/tr>\n<\/thead>\n
DFD-FCG<\/td>\nCVPR 2025<\/td>\ntemporal<\/td>\n94,3<\/td>\n48,2<\/td>\nmenos 46,1<\/td>\n<\/tr>\n
PwTF-DVD<\/td>\nICCV 2025<\/td>\ntemporal<\/td>\n92,3<\/td>\n61,6<\/td>\nmenos 30,7<\/td>\n<\/tr>\n
GenD-PE<\/td>\nWACV 2026<\/td>\nfotograma<\/td>\n89,9<\/td>\n69,7<\/td>\nmenos 20,2<\/td>\n<\/tr>\n
GenD-CLIP<\/td>\nWACV 2026<\/td>\nfotograma<\/td>\n85,2<\/td>\n54,2<\/td>\nmenos 31,0<\/td>\n<\/tr>\n
GenD-DINO<\/td>\nWACV 2026<\/td>\nfotograma<\/td>\n82,6<\/td>\n54,7<\/td>\nmenos 27,9<\/td>\n<\/tr>\n
DFD-HR<\/td>\nCVPR 2026<\/td>\nfotograma<\/td>\n81,6<\/td>\n63,5<\/td>\nmenos 18,1<\/td>\n<\/tr>\n
FSFM<\/td>\nCVPR 2025<\/td>\nfotograma<\/td>\n79,6<\/td>\n52,6<\/td>\nmenos 27,0<\/td>\n<\/tr>\n
Effort<\/td>\nICML 2025<\/td>\nfotograma<\/td>\n78,7<\/td>\n44,0<\/td>\nmenos 34,7<\/td>\n<\/tr>\n
ForAda<\/td>\nCVPR 2025<\/td>\nfotograma<\/td>\n75,6<\/td>\n56,6<\/td>\nmenos 19,0<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Ninguno de los nueve supera 69,7 y Effort cae a 44,0, por debajo del azar. El derrumbe m\u00e1s grave es el de DFD-FCG, que pierde 46,1 puntos. Las medias esconden adem\u00e1s los desplomes peores: por generador, Effort marca 13,6 frente a Grok Imagine 1.0 y 21,3 frente a Veo 3.1, mientras DFD-FCG baja a 20,5 con Grok Imagine y a 27,4 con Kling 3.0. En media por generador, el mejor sistema alcanza 72,7 y el peor 40,9. Los autores lo escriben con todas las letras: los modelos comerciales son el caso m\u00e1s dif\u00edcil y las medias agregadas ocultan fallos severos, porque un detector puede ir bien con un generador y hundirse bajo el azar con otro. Un n\u00famero global no basta para saber si un video es IA cuando lo tienes delante.<\/p>\n

No es un accidente de septiembre: la curva baja desde hace dos a\u00f1os<\/h2>\n

El estudio DF26 no inaugura la tendencia, la confirma. Deepfake-Eval-2024 (arXiv:2503.02857<\/a>, presentado en CVPRW 2026) no us\u00f3 material de laboratorio sino contenido que circul\u00f3 por internet en 2024: 45 horas de video, 56,5 horas de audio y 1.975 im\u00e1genes de 88 sitios en 52 idiomas. Frente a los bancos de pruebas anteriores, el AUC de los detectores abiertos cay\u00f3 un 50% en video, un 48% en audio y un 45% en imagen. Dos estudios distintos apuntan en la misma direcci\u00f3n dos a\u00f1os seguidos.<\/p>\n

Por qu\u00e9 pierden terreno: el problema ha cambiado de naturaleza<\/h2>\n

Los detectores buscan algo que en estos videos ya no existe. Est\u00e1n entrenados con FaceForensics++<\/a>, construido sobre manipulaciones de rostros reales: intercambio de caras, reanimaci\u00f3n facial, modificaci\u00f3n de atributos. Su l\u00f3gica es encontrar la discontinuidad entre la parte aut\u00e9ntica del fotograma y la alterada. Los videos del estudio DF26 no contienen ninguna manipulaci\u00f3n porque est\u00e1n generados por completo: esa costura no existe. Los autores lo llaman desplazamiento de distribuci\u00f3n entre modelos generativos, y verifican que el derrumbe depende del generador, no del escenario grabado.<\/p>\n

El reentrenamiento funciona, pero llega tarde por definici\u00f3n. Al reentrenar GenD-PE con el subconjunto de HunyuanVideo de imagen a video, su media sube de 76,0 a 82,3, Grok Imagine pasa de 66,5 a 96,8 y Veo 3.1 de 76,6 a 95,6. La mejora tiene condici\u00f3n: el detector aprende un generador cada vez, y solo cuando ya ha salido y se han podido muestrear sus resultados. Cada modelo nuevo reabre la ventana. El contexto est\u00e1 en la gu\u00eda sobre deepfakes<\/a>.<\/p>\n

El ojo humano tampoco sirve de respaldo<\/h2>\n

Cuando las m\u00e1quinas fallan, la intuici\u00f3n sugiere confiar en las personas para saber si un video es IA, y el estudio lo midi\u00f3. En 232 sesiones con estudiantes voluntarios, cada participante juzg\u00f3 30 videos, 15 de ellos falsos sin que se anunciara la proporci\u00f3n, en clips de 5 segundos.<\/p>\n

\n\n\n\n\n\n\n\n
Conjunto<\/th>\nAciertos en videos reales<\/th>\nAciertos en videos falsos<\/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

Con los videos verdaderos las personas rinden igual en los tres conjuntos; con los falsos del estudio DF26 no encuentran indicios suficientes, y el generador que m\u00e1s enga\u00f1a es LTX 2.3 destilado de imagen a video. No es una anomal\u00eda: el metaan\u00e1lisis de Diel y colaboradores sobre 56 trabajos (doi:10.1016\/j.chbr.2024.100538<\/a>), con 86.155 participantes, sit\u00faa la precisi\u00f3n media en el 55,54%, con un intervalo de confianza del 95% entre el 48,87% y el 62,10%. Como ese intervalo cruza el 50%, el rendimiento no se distingue del azar.<\/p>\n

Hay un dato que suele pasar desapercibido: el 24,0% de los videos reales del banco de pruebas DF26 fue tomado por falso. Creerse un video fabricado es la mitad del da\u00f1o; la otra mitad es tomar por falso uno real, y para quien debe aportar una grabaci\u00f3n ante un juzgado esa mitad sale m\u00e1s cara.<\/p>\n

Si la duda no se resuelve despu\u00e9s, hay que hacerla innecesaria antes<\/h2>\n

TrueScreen, la Data Authenticity Platform, invierte el problema: en lugar de tener que saber si un video es IA despu\u00e9s de que haya circulado, fija su autenticidad digital en el momento de la captura. Origen, integridad y tiempo dejan de ser una hip\u00f3tesis por reconstruir y pasan a ser propiedades documentadas del archivo desde que nace.<\/p>\n

Un perito que documenta los da\u00f1os de una granizada sobre una nave industrial puede grabar con el tel\u00e9fono y esperar que nadie lo cuestione, o capturar el video ya certificado, con integridad verificable, marca de tiempo y coordenadas. En el segundo caso la contraparte tiene mucho menos que discutir: el archivo llega con la prueba de su origen encima. Quien debe sostener una grabaci\u00f3n ante una aseguradora o un tribunal usa TrueScreen para capturarla con metodolog\u00eda forense y obtener un informe verificable en lugar de una puntuaci\u00f3n de probabilidad, con un sello digital oficial y una marca de tiempo cualificada, reconocidos internacionalmente.<\/p>\n

Pesa en el terreno probatorio. En Espa\u00f1a la prueba electr\u00f3nica entra en el proceso por la v\u00eda del art\u00edculo 299.2 de la Ley 1\/2000 de Enjuiciamiento Civil y se valora por lo que el tribunal pueda comprobar sobre origen e integridad, mientras el Reglamento eIDAS y la Ley 6\/2020 regulan los servicios de confianza y la verificaci\u00f3n de un documento electr\u00f3nico impugnado. Lo desarrollamos en las gu\u00edas sobre c\u00f3mo certificar fotos con valor legal<\/a> y admisibilidad de la prueba digital en juicio<\/a>.<\/p>\n

Nada de esto implica ignorar lo que el archivo declara. Las marcas que el contenido trae consigo valen como se\u00f1al: Content Credentials del est\u00e1ndar C2PA<\/a>, el campo IPTC digitalSourceType y las etiquetas que algunos generadores escriben en EXIF y XMP. Hay que leerlas en las dos direcciones: un archivo sin Content Credentials no es sospechoso por esa ausencia, porque la mayor\u00eda de los videos aut\u00e9nticos tampoco las lleva. El an\u00e1lisis de contenido sint\u00e9tico forma parte de la captura y devuelve un grado de confianza: una se\u00f1al dentro de un expediente, no el expediente.<\/p>\n

Conviene retener lo que el estudio DF26 declara de s\u00ed mismo. Sus autores se\u00f1alan dos l\u00edmites: 2.691 videos son pocos frente a los bancos de pruebas de gran tama\u00f1o, y la evaluaci\u00f3n es solo visual, sin audio ni sincron\u00eda labial. Tampoco afirma que detectar sea in\u00fatil: dice que estos nueve detectores, entrenados con FaceForensics++ y puestos delante de generadores que nunca vieron, no aguantan. No mide herramientas comerciales ni im\u00e1genes fijas.<\/p>\n

\n

Preguntas frecuentes<\/h2>\n
\n
\n\u00bfC\u00f3mo verificar la autenticidad de un video?<\/span>
\n+<\/span><\/summary>\n
Saber si un video es IA una vez que ya circul\u00f3 es hoy poco fiable: en el banco de pruebas DF26 el mejor de nueve detectores se queda en 69,7 de AUROC y las personas aciertan el 52,6% de los falsos. Lo que s\u00ed resiste es la verificaci\u00f3n documental: contrastar el hash con el registrado al capturarlo, comprobar la marca de tiempo y revisar los metadatos de origen. Es la diferencia entre comprobar un dato y estimar una probabilidad.<\/div>\n<\/details>\n
\n\u00bfC\u00f3mo puedo verificar el origen de un video?<\/span>
\n+<\/span><\/summary>\n
El origen de un video se establece cuando se graba, no despu\u00e9s. Si se captur\u00f3 con una herramienta de certificaci\u00f3n como TrueScreen, lleva asociados el instante, la integridad y las condiciones t\u00e9cnicas de la captura, y basta con verificarlos. Si no, solo quedan indicios parciales: los metadatos EXIF y XMP, las Content Credentials del est\u00e1ndar C2PA cuando existen y el rastro de publicaci\u00f3n en redes. Su ausencia no prueba nada, porque la mayor\u00eda de los videos aut\u00e9nticos tampoco conserva metadatos.<\/div>\n<\/details>\n
\n\u00bfC\u00f3mo puedo analizar un video con IA?<\/span>
\n+<\/span><\/summary>\n
Puedes analizarlo con modelos que buscan rastros de generaci\u00f3n sint\u00e9tica, si sabes qu\u00e9 esperar de ellos. En el estudio DF26, el detector que en CelebDF++ marcaba 94,3 cae a 48,2 de AUROC frente a generadores que no vio al entrenarse, y otro desciende a 44,0, por debajo del azar. Un an\u00e1lisis as\u00ed devuelve un grado de confianza, nunca una certeza, y su valor depende de que ese generador estuviera en el entrenamiento.<\/div>\n<\/details>\n
\n\u00bfC\u00f3mo se sabe si un video es hecho con IA?<\/span>
\n+<\/span><\/summary>\n
Saber si un video es IA a simple vista es cada vez m\u00e1s dif\u00edcil. Los videos del banco de pruebas DF26 no llevan marcas de agua visibles ni marcadores de exportaci\u00f3n, y est\u00e1n generados por completo: no existe la costura entre parte aut\u00e9ntica y alterada que buscan los detectores cl\u00e1sicos. Los participantes acertaron el 52,6% de los falsos, y el metaan\u00e1lisis de 56 trabajos de 2024 sit\u00faa la precisi\u00f3n media en el 55,54%, con un intervalo que cruza el 50%.<\/div>\n<\/details>\n
\n\u00bfChatGPT puede analizar un video?<\/span>
\n+<\/span><\/summary>\n
Un modelo multimodal de prop\u00f3sito general describe lo que ocurre en los fotogramas y se\u00f1ala rarezas aparentes, y como primera lectura sirve. Lo que no puede hacer es establecer si el archivo es aut\u00e9ntico: no verifica su integridad, no comprueba una marca de tiempo y no reconstruye la cadena desde la captura. Las cifras del estudio DF26 explican por qu\u00e9 no conviene pedirle que decida: incluso los sistemas entrenados para saber si un video es IA rinden cerca del azar frente a generadores nuevos.<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n
\n
\n
\n
\n

Fija la autenticidad en el momento en que nace el dato<\/h2>\n

Con TrueScreen, la Data Authenticity Platform, el origen, la integridad y el momento de una grabaci\u00f3n quedan registrados mientras se produce. La prueba no se reconstruye despu\u00e9s: ya existe.<\/p>\n

Empieza ahora<\/a>
\nSolicita una demo<\/a>\n<\/div>\n

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"featured_media":58375,"template":"","class_list":["post-58371","articulos","type-articulos","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/es\/wp-json\/wp\/v2\/articulos\/58371","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truescreen.io\/es\/wp-json\/wp\/v2\/articulos"}],"about":[{"href":"https:\/\/truescreen.io\/es\/wp-json\/wp\/v2\/types\/articulos"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/truescreen.io\/es\/wp-json\/wp\/v2\/media\/58375"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/es\/wp-json\/wp\/v2\/media?parent=58371"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}