{"id":58369,"date":"2026-09-17T18:56:46","date_gmt":"2026-09-17T16:56:46","guid":{"rendered":"https:\/\/truescreen.io\/articoli\/riconoscere-video-generati-ia-studio-df26\/"},"modified":"2026-09-17T19:15:53","modified_gmt":"2026-09-17T17:15:53","slug":"accuratezza-rilevatori-deepfake-scende-49-percento","status":"publish","type":"articoli","link":"https:\/\/truescreen.io\/it\/articoli\/accuratezza-rilevatori-deepfake-scende-49-percento\/","title":{"rendered":"L’accuratezza dei rilevatori di deepfake scende fino al 49% in un anno di progressi dei video AI"},"content":{"rendered":"
\n
\n

L’accuratezza dei rilevatori di deepfake scende fino al 49% in un anno di progressi dei video AI<\/h1>\n<\/div>\n<\/div>\n
\n
\n

Pubblicato il 17 settembre 2026<\/p>\n

Per anni la verifica di un video sospetto ha seguito una sequenza stabile: nasce il dubbio, un rilevatore automatico analizza il file, un punteggio chiude la questione. Quella sequenza non regge pi\u00f9. Riconoscere i video generati dall’IA \u00e8 oggi quasi casuale: sul banco di prova DF26, pubblicato il 7 settembre 2026, la media di nove rilevatori allo stato dell’arte scende da 84,4 a 56,1 di AUROC, il migliore si ferma a 69,7 e le persone identificano i falsi nel 52,6% dei casi. Il rilevatore pi\u00f9 colpito perde il 49% della propria accuratezza in un anno, scendendo da 94,3 a 48,2.<\/p>\n

La scelta del rilevatore, a questo punto, conta meno della domanda a monte: ha ancora senso affidare a un’analisi successiva una decisione con conseguenze legali o assicurative? L’autenticit\u00e0 va fissata quando il contenuto nasce, perch\u00e9 ricostruirla dopo ha ormai un margine di errore vicino al caso.<\/p>\n

Che cosa misura il banco di prova DF26, e perch\u00e9 i suoi numeri contano<\/h2>\n

Il banco di prova DF26 \u00e8 un insieme di 2.691 video pubblicato il 7 settembre 2026 (arXiv:2609.07369<\/a>) che misura quanto i rilevatori automatici riescano a distinguere un video reale da un video generato per intero. Comprende 271 video autentici, presi da OpenVid-1M, TalkingCelebs e MAVOS-DD, e 2.420 video sintetici prodotti da sette modelli generativi, tutti su tre scenari di parlato in pubblico. Il metodo rende confrontabili i risultati: da ogni video reale viene ricavato un prompt semantico e su quel prompt si generano le clip corrispondenti, cos\u00ec ogni coppia reale\/falso condivide lo stesso contesto visivo. Nei video generati non compaiono filigrane visibili n\u00e9 marcatori di esportazione: nessun indizio esterno aiuta chi deve decidere.<\/p>\n

Quattro dei sette modelli sono chiusi e accettano solo istruzioni testuali (text-to-video), tre sono aperti; l’Elo \u00e8 la stima di Artificial Analysis<\/a> ad agosto 2026.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n
Modello<\/th>\nSviluppatore<\/th>\nUscita<\/th>\nAccesso<\/th>\nElo<\/th>\n<\/tr>\n<\/thead>\n
Wan 2.6<\/td>\nAlibaba<\/td>\ndicembre 2025<\/td>\nchiuso, text-to-video<\/td>\n1.185<\/td>\n<\/tr>\n
Veo 3.1<\/td>\nGoogle<\/td>\ngennaio 2026<\/td>\nchiuso, text-to-video<\/td>\n1.213<\/td>\n<\/tr>\n
Grok Imagine 1.0<\/td>\nSpaceXAI<\/td>\ngennaio 2026<\/td>\nchiuso, text-to-video<\/td>\n1.221<\/td>\n<\/tr>\n
Kling 3.0<\/td>\nKlingAI<\/td>\nfebbraio 2026<\/td>\nchiuso, text-to-video<\/td>\n1.212<\/td>\n<\/tr>\n
Wan 2.2 A14B<\/td>\nAlibaba<\/td>\nluglio 2025<\/td>\naperto, anche immagine-video<\/td>\n1.106<\/td>\n<\/tr>\n
HunyuanVideo 1.5<\/td>\nTencent<\/td>\nnovembre 2025<\/td>\naperto, anche immagine-video<\/td>\n1.016<\/td>\n<\/tr>\n
LTX 2.3<\/td>\nLightricks<\/td>\nmarzo 2026<\/td>\naperto, anche immagine-video<\/td>\n1.120<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Nove rilevatori allo stato dell’arte, nessuno affidabile<\/h2>\n

Secondo il banco di prova DF26, il rilevatore che su CelebDF++ segnava 94,3 di AUROC crolla a 48,2 sui video generati dai modelli del 2026. L’AUROC misura la capacit\u00e0 di separare due classi: 100 \u00e8 la separazione perfetta, 50 equivale a una risposta tirata a sorte. Il crollo non riguarda un caso isolato: la media dei nove sistemi valutati passa da 84,4 su CelebDF++ a 56,1 sul nuovo insieme, nessuno supera 69,7 e uno si ferma a 44,0, cio\u00e8 sotto la soglia del caso. Tutti sono addestrati su FaceForensics++ e valutati senza riaddestramento, cos\u00ec il confronto misura il comportamento davanti a generatori mai visti, non la capacit\u00e0 di ripetere quanto gi\u00e0 imparato. Cedono sia i rilevatori che esaminano il singolo fotogramma sia quelli che seguono la dinamica temporale: nessuna delle due famiglie offre un riparo.<\/p>\n

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

Le medie nascondono il punto pi\u00f9 serio: su Grok Imagine 1.0 il rilevatore Effort scende a 13,6 e DFD-FCG a 20,5. Lette generatore per generatore, le macro-medie si distendono fra il 72,7 di GenD-PE e il 40,9 di Effort. Un’analisi video AI che regge su un generatore e finisce sotto la soglia del caso su quello dopo \u00e8 imprevedibile prima ancora che imprecisa, e l’imprevedibilit\u00e0 sposta la domanda su chi risponde del margine di errore<\/a>.<\/p>\n

Non \u00e8 un incidente di settembre: la curva scende da due anni<\/h2>\n

Il calo non nasce nel 2026. Deepfake-Eval-2024 (arXiv:2503.02857<\/a>, CVPRW 2026) aveva gi\u00e0 misurato la stessa direzione su 45 ore di video, 56,5 ore di audio e 1.975 immagini raccolte nel 2024 da 88 siti in 52 lingue, tutti contenuti realmente circolati in rete: rispetto ai banchi di prova precedenti, l’AUC dei rilevatori aperti cala del 50% sul video, del 48% sull’audio e del 45% sull’immagine. Chi valuta oggi un sistema di verifica video AI si muove in un mercato in cui il risultato dichiarato e quello sul materiale reale divergono da due anni, come segnalava lo studio di Edimburgo sulle impronte dei modelli<\/a>.<\/p>\n

Perch\u00e9 riconoscere i video generati dall’IA \u00e8 diventato difficile: il problema ha cambiato natura<\/h2>\n

A differenza dei video deepfake tradizionali, i contenuti video generativi del 2026 non manipolano un volto reale. I nove rilevatori sono addestrati su FaceForensics++<\/a> (ICCV 2019), costruito su manipolazioni di volti autentici: scambio di volto, rianimazione facciale, modifica di attributi. Cercano quindi la discontinuit\u00e0 fra la parte autentica di un fotogramma e quella alterata, cio\u00e8 la cucitura fra due materiali diversi. Nei video del banco di prova DF26 quella cucitura non esiste, perch\u00e9 l’intera scena viene generata da zero a partire da un’istruzione testuale. Gli autori chiamano il fenomeno scostamento di distribuzione fra i modelli generativi, e una verifica interna allo studio conferma che il crollo dipende dal generatore, non dallo scenario ripreso.<\/p>\n

Il riaddestramento funziona, e proprio per questo \u00e8 istruttivo: su GenD-PE riaddestrato sul sottoinsieme di HunyuanVideo la media sale da 76,0 a 82,3, con Grok Imagine da 66,5 a 96,8. Il guadagno per\u00f2 arriva un generatore per volta, e solo dopo che quel generatore \u00e8 uscito. Spostare la certezza a monte \u00e8 l’approccio delle piattaforme di data authenticity come TrueScreen, e la ragione per cui il rilevamento non regge come strategia<\/a>.<\/p>\n

L’occhio umano non \u00e8 la riserva<\/h2>\n

Il controllo umano non compensa il divario. Nello studio condotto sul banco di prova DF26, 232 sessioni di etichettatura su studenti volontari hanno prodotto un’accuratezza del 52,6% sui video falsi; ciascuno ha giudicato 30 video da 5 secondi, rivedibili al massimo dieci volte.<\/p>\n

\n\n\n\n\n\n\n\n
Insieme di video<\/th>\nAccuratezza sui reali<\/th>\nAccuratezza sui falsi<\/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

Sui video autentici le persone rendono allo stesso modo ovunque, segno che il crollo non dipende dalla stanchezza. C’\u00e8 poi un numero letto di rado: il 24,0% dei video reali del banco di prova DF26 \u00e8 stato scambiato per falso. Credere a un video fake \u00e8 solo met\u00e0 del danno; l’altra met\u00e0 \u00e8 smettere di credere a un video vero, e ricade su chi deve difendere una documentazione autentica.<\/p>\n

Il campione non c’entra: Diel e colleghi, su 56 studi e 86.155 partecipanti, misurano un’accuratezza media del 55,54% con intervallo di confidenza al 95% fra 48,87% e 62,10% (doi:10.1016\/j.chbr.2024.100538<\/a>): l’intervallo attraversa il 50%, e una prestazione simile non si distingue dal caso.<\/p>\n

Se il dubbio non si risolve dopo, va reso inutile prima<\/h2>\n

Piattaforme come TrueScreen, la Data Authenticity Platform, affrontano il problema in direzione opposta: invece di analizzare un video dopo che \u00e8 circolato, ne fissano l’autenticit\u00e0 nel momento in cui viene acquisito. \u00c8 il principio di provenienza digitale e standard C2PA<\/a>, portato dentro la cattura anzich\u00e9 applicato al file che ne esce.<\/p>\n

Che cosa significa certificare l’autenticit\u00e0 di un video alla fonte<\/h3>\n

L’autenticit\u00e0 di un video si stabilisce nel momento in cui il video nasce, non ricostruendola a posteriori. Certificare alla fonte significa fissare tre elementi nell’istante della cattura: l’integrit\u00e0 del contenuto, il tempo e le condizioni in cui \u00e8 stato prodotto. Le organizzazioni che devono sostenere un video in sede assicurativa o giudiziale usano TrueScreen per acquisirlo in ambiente forense, con integrit\u00e0, marca temporale conforme a RFC 3161 e coordinate di acquisizione, anche tramite acquisizione forense da app<\/a>, e con il sigillo di QTSP qualificati terzi integrato via API. Dove il migliore dei nove rilevatori si ferma a 69,7 di AUROC e le persone riconoscono i falsi nel 52,6% dei casi, un contenuto certificato alla fonte non richiede una stima di probabilit\u00e0, perch\u00e9 porta con s\u00e9 la documentazione di quando e come \u00e8 nato.<\/p>\n

Le marcature dichiarate aiutano, ma da sole non bastano. TrueScreen supporta lo standard C2PA, legge le altre marcature presenti nel file, dal campo IPTC digitalSourceType ai tag del generatore in EXIF e XMP, e aggiunge una metodologia forense che documenta le condizioni in cui il dato \u00e8 nato. Un file privo di Content Credentials non \u00e8 per questo sospetto, perch\u00e9 le marcature si perdono a ogni ricompressione; nei video del banco di prova DF26, del resto, non compare alcuna filigrana visibile.<\/p>\n

Il caso di un perito che documenta un danno da grandine su un capannone lo mostra bene: se il video nasce gi\u00e0 certificato, la controparte non pu\u00f2 aprire il dibattito sulla sua genuinit\u00e0, perch\u00e9 non \u00e8 un reperto da analizzare ma un atto da verificare. L’onere si rovescia, e non tocca pi\u00f9 all’assicurazione dimostrare che il video \u00e8 falso: per questo certificare un video con valore legale<\/a> e il diritto all’autenticit\u00e0 come prova positiva del vero<\/a> sono lo stesso problema visto da due lati.<\/p>\n

Lo studio ha confini dichiarati: il banco di prova DF26 contiene 2.691 video, una scala contenuta, e valuta la sola modalit\u00e0 visiva, senza audio n\u00e9 sincronia labiale. Gli autori non arrivano a dire che il rilevamento sia inutile in assoluto; dicono che i rilevatori valutati non reggono davanti a generatori mai visti.<\/p>\n

\n

Domande frequenti<\/h2>\n
\n
\nQuanto sono accurati oggi i sistemi che riconoscono i video generati dall’IA?<\/span>
\n+<\/span><\/summary>\n
Sul banco di prova DF26, pubblicato il 7 settembre 2026, nessuno dei nove rilevatori valutati supera 69,7 di AUROC sui video dei modelli commerciali, e la media dei nove scende da 84,4 su CelebDF++ a 56,1. Uno dei nove si ferma a 44,0, sotto una risposta tirata a sorte, e su singoli generatori si arriva a 13,6.<\/div>\n<\/details>\n
\nCosa distingue un video generato dall’IA da un video manipolato?<\/span>
\n+<\/span><\/summary>\n
Un video manipolato parte da riprese autentiche e ne altera una porzione, per esempio il volto; un video generato dall’IA nasce interamente da un’istruzione testuale. La differenza \u00e8 decisiva, perch\u00e9 i rilevatori addestrati su FaceForensics++ cercano la cucitura fra parte autentica e parte alterata, e nei video generati per intero quella cucitura non c’\u00e8.<\/div>\n<\/details>\n
\nL’occhio umano riesce ancora a distinguere un video generato dall’IA?<\/span>
\n+<\/span><\/summary>\n
No, non in modo affidabile. Nello studio umano del banco di prova DF26 l’accuratezza sui video falsi \u00e8 del 52,6%, contro il 74,5% su CelebDF++. La meta-analisi di Diel e colleghi, su 56 studi e 86.155 partecipanti, riporta il 55,54% con intervallo fra 48,87% e 62,10%, quindi non distinguibile dal caso.<\/div>\n<\/details>\n
\nCome si scopre la provenienza di un video?<\/span>
\n+<\/span><\/summary>\n
La provenienza si ricostruisce da ci\u00f2 che il file dichiara e da ci\u00f2 che l’acquisizione ha registrato: marcature C2PA, campo IPTC digitalSourceType, tag del generatore in EXIF e XMP. Queste marcature per\u00f2 si perdono a ogni ricompressione, quindi la loro assenza non prova nulla: solo un’acquisizione documentata alla fonte lega il contenuto al momento in cui \u00e8 nato.<\/div>\n<\/details>\n
\nCome si certifica un video perch\u00e9 non sia contestabile?<\/span>
\n+<\/span><\/summary>\n
Certificando il contenuto nel momento in cui viene acquisito, invece di analizzarlo dopo. TrueScreen fornisce un report forense con firma digitale e marca temporale certificata invece di un punteggio di probabilit\u00e0, e fissa integrit\u00e0, tempo e condizioni di acquisizione. Un video certificato alla fonte non va difeso da una perizia successiva, perch\u00e9 la prova della sua origine viaggia insieme al file. —<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n
\n
\n
\n
\n

Fissa l’autenticit\u00e0 quando il dato nasce<\/h2>\n

Con TrueScreen, la Data Authenticity Platform, origine, integrit\u00e0 e tempo di una ripresa vengono registrati nel momento stesso in cui viene prodotta. La prova non va ricostruita dopo: esiste gi\u00e0.<\/p>\n

Inizia ora<\/a>
\nRichiedi una demo<\/a>\n<\/div>\n

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"featured_media":58375,"template":"","class_list":["post-58369","articoli","type-articoli","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/articoli\/58369","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/articoli"}],"about":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/types\/articoli"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/media\/58375"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/media?parent=58369"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}