{"id":58374,"date":"2026-09-17T18:56:50","date_gmt":"2026-09-17T16:56:50","guid":{"rendered":"https:\/\/truescreen.io\/artigos\/benchmark-df26-video-ia-autenticidade-na-origem\/"},"modified":"2026-09-17T19:16:02","modified_gmt":"2026-09-17T17:16:02","slug":"precisao-detectores-deepfakes-cai-49-por-cento","status":"publish","type":"artigos","link":"https:\/\/truescreen.io\/pt\/artigos\/precisao-detectores-deepfakes-cai-49-por-cento\/","title":{"rendered":"A precis\u00e3o dos detectores de deepfakes cai at\u00e9 49% em um ano de avan\u00e7os nos v\u00eddeos por IA"},"content":{"rendered":"
\n
\n

A precis\u00e3o dos detectores de deepfakes cai at\u00e9 49% em um ano de avan\u00e7os nos v\u00eddeos por IA<\/h1>\n<\/div>\n<\/div>\n
\n
\n

Publicado em 17 de setembro de 2026<\/p>\n

Saber se um v\u00eddeo \u00e9 fake deixou de depender de olhar com aten\u00e7\u00e3o. No banco de provas DF26, publicado em 7 de setembro de 2026, a AUROC m\u00e9dia de nove detectores de \u00faltima gera\u00e7\u00e3o cai de 84,4 no benchmark CelebDF++ para 56,1 diante de geradores que nunca viram, nenhum deles passa de 69,7 e as pessoas acertam apenas 52,6% dos v\u00eddeos falsos. Em 31 de agosto de 2026 a Exame j\u00e1 escrevia que nenhum teste visual garante, sozinho, que uma m\u00eddia foi criada por IA. O estudo DF26<\/a> acrescenta a essa frase o que faltava nela: a medida. O detector mais atingido perde 49% da pr\u00f3pria precis\u00e3o em um ano, caindo de 94,3 para 48,2.<\/p>\n

O que o banco de provas DF26 mede, e por que os n\u00fameros importam<\/h2>\n

O banco de provas DF26, publicado em 7 de setembro de 2026 por equipes da Ukrainian Catholic University, da Universidade T\u00e9cnica Tcheca de Praga, da Hover Inc. e da Academia Nacional de Ci\u00eancias da Ucr\u00e2nia, re\u00fane 2.691 v\u00eddeos, sendo 271 reais e 2.420 gerados, em tr\u00eas cen\u00e1rios de fala em p\u00fablico: v\u00eddeos dirigidos \u00e0 c\u00e2mera, grava\u00e7\u00f5es oficiais e entrevistas em est\u00fadio. Os reais v\u00eam de OpenVid-1M, TalkingCelebs e MAVOS-DD.<\/p>\n

O m\u00e9todo explica por que o resultado \u00e9 t\u00e3o duro. Para cada v\u00eddeo real, os autores extraem dos quadros um prompt sem\u00e2ntico e geram com ele o clipe sint\u00e9tico correspondente, obtendo pares real\/falso com o mesmo contexto visual e sem marca d’\u00e1gua vis\u00edvel, logotipo ou marcador de exporta\u00e7\u00e3o: nem o detector nem quem assiste t\u00eam atalho. Sinalizar o que \u00e9 sint\u00e9tico continua sendo uma das obriga\u00e7\u00f5es de transpar\u00eancia<\/a> de quem gera o conte\u00fado, e n\u00e3o uma tarefa de quem o recebe.<\/p>\n

Os sete geradores usados eram os do topo do mercado em agosto de 2026, com Elo estimado pela Artificial Analysis<\/a>.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n
Gerador<\/th>\nOrigem e lan\u00e7amento<\/th>\nAcesso<\/th>\nElo (ago 2026)<\/th>\n<\/tr>\n<\/thead>\n
Grok Imagine 1.0<\/td>\nSpaceXAI, jan 2026<\/td>\nfechado, texto para v\u00eddeo<\/td>\n1.221<\/td>\n<\/tr>\n
Veo 3.1<\/td>\nGoogle, jan 2026<\/td>\nfechado, texto para v\u00eddeo<\/td>\n1.213<\/td>\n<\/tr>\n
Kling 3.0<\/td>\nKlingAI, fev 2026<\/td>\nfechado, texto para v\u00eddeo<\/td>\n1.212<\/td>\n<\/tr>\n
Wan 2.6<\/td>\nAlibaba, dez 2025<\/td>\nfechado, texto para v\u00eddeo<\/td>\n1.185<\/td>\n<\/tr>\n
LTX 2.3<\/td>\nLightricks, mar 2026<\/td>\naberto, texto e imagem para v\u00eddeo<\/td>\n1.120<\/td>\n<\/tr>\n
Wan 2.2 A14B<\/td>\nAlibaba, jul 2025<\/td>\naberto, texto e imagem para v\u00eddeo<\/td>\n1.106<\/td>\n<\/tr>\n
HunyuanVideo 1.5<\/td>\nTencent, nov 2025<\/td>\naberto, texto e imagem para v\u00eddeo<\/td>\n1.016<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Nove detectores de \u00faltima gera\u00e7\u00e3o, nenhum confi\u00e1vel<\/h2>\n

Nenhum dos nove detectores avaliados chega a um patamar utiliz\u00e1vel. Treinados em FaceForensics++<\/a> e avaliados sem retreinamento, foram medidos primeiro no benchmark CelebDF++<\/a> e depois no banco de provas DF26, com AUROC em porcentagem e 50 como puro acaso.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Detector<\/th>\nPublica\u00e7\u00e3o<\/th>\nTipo<\/th>\nCelebDF++<\/th>\nDF26<\/th>\nDiferen\u00e7a<\/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>\nquadro<\/td>\n89,9<\/td>\n69,7<\/td>\nmenos 20,2<\/td>\n<\/tr>\n
GenD-CLIP<\/td>\nWACV 2026<\/td>\nquadro<\/td>\n85,2<\/td>\n54,2<\/td>\nmenos 31,0<\/td>\n<\/tr>\n
GenD-DINO<\/td>\nWACV 2026<\/td>\nquadro<\/td>\n82,6<\/td>\n54,7<\/td>\nmenos 27,9<\/td>\n<\/tr>\n
DFD-HR<\/td>\nCVPR 2026<\/td>\nquadro<\/td>\n81,6<\/td>\n63,5<\/td>\nmenos 18,1<\/td>\n<\/tr>\n
FSFM<\/td>\nCVPR 2025<\/td>\nquadro<\/td>\n79,6<\/td>\n52,6<\/td>\nmenos 27,0<\/td>\n<\/tr>\n
[Effort](https:\/\/arxiv.org\/abs\/2411.15633)<\/td>\nICML 2025<\/td>\nquadro<\/td>\n78,7<\/td>\n44,0<\/td>\nmenos 34,7<\/td>\n<\/tr>\n
ForAda<\/td>\nCVPR 2025<\/td>\nquadro<\/td>\n75,6<\/td>\n56,6<\/td>\nmenos 19,0<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

O melhor da lista, o GenD-PE<\/a>, para em 69,7, e o Effort cai para 44,0, abaixo do acaso. A m\u00e9dia, por\u00e9m, ainda \u00e9 generosa, porque o resultado aberto por gerador revela quedas que o n\u00famero agregado escondia: contra o Grok Imagine 1.0 o Effort marca 13,6 e o DFD-FCG 20,5, e contra o Veo 3.1 o Effort fica em 21,3, enquanto na m\u00e9dia por gerador o pior \u00e9 o pr\u00f3prio Effort, com 40,9. Os autores s\u00e3o expl\u00edcitos: os geradores comerciais s\u00e3o o caso mais dif\u00edcil e as pontua\u00e7\u00f5es agregadas escondem modos de falha severos, porque um detector pode ir bem contra um gerador e afundar abaixo do acaso contra o seguinte.<\/p>\n

N\u00e3o \u00e9 um acidente de setembro: a curva cai h\u00e1 dois anos<\/h2>\n

A queda de 2026 continua uma linha que j\u00e1 estava desenhada. O Deepfake-Eval-2024<\/a>, apresentado no CVPRW 2026, reuniu conte\u00fado que circulou de verdade na internet durante 2024: 45 horas de v\u00eddeo, 56,5 horas de \u00e1udio e 1.975 imagens, coletadas em 88 sites e 52 idiomas. Comparada aos bancos de prova anteriores, a AUC dos detectores abertos cai 50% no v\u00eddeo, 48% no \u00e1udio e 45% na imagem. Dois estudos independentes, com dados e anos diferentes, medem a mesma coisa: uma dist\u00e2ncia que cresce a cada gera\u00e7\u00e3o de modelos comerciais.<\/p>\n

Por que perdem terreno: o problema mudou de natureza<\/h2>\n

Os nove detectores procuram uma coisa que os v\u00eddeos do DF26 n\u00e3o t\u00eam. Treinados em FaceForensics++, um conjunto de manipula\u00e7\u00f5es de rostos reais, eles aprenderam a enxergar a descontinuidade entre uma parte aut\u00eantica e uma parte alterada do mesmo quadro. Nos v\u00eddeos do banco de provas DF26 n\u00e3o h\u00e1 manipula\u00e7\u00e3o nenhuma, porque s\u00e3o gerados por inteiro, e essa emenda n\u00e3o existe. Os autores chamam isso de desvio de distribui\u00e7\u00e3o entre os modelos generativos, e a verifica\u00e7\u00e3o interna mostra que a queda acompanha o gerador, n\u00e3o o cen\u00e1rio filmado. \u00c9 a mudan\u00e7a de natureza que separa o deepfake cl\u00e1ssico do problema da autenticidade de conte\u00fado sint\u00e9tico<\/a>.<\/p>\n

O retreinamento funciona, e \u00e9 a\u00ed que a armadilha aparece. Retreinando o GenD-PE no subconjunto de imagem para v\u00eddeo do HunyuanVideo, a m\u00e9dia sobe de 76,0 para 82,3, com o Grok Imagine saltando de 66,5 para 96,8 e o Veo 3.1 de 76,6 para 95,6. O detector, por\u00e9m, aprende um gerador por vez, e s\u00f3 depois do lan\u00e7amento: quem verifica est\u00e1 sempre um lan\u00e7amento atr\u00e1s de quem gera.<\/p>\n

O olho humano n\u00e3o \u00e9 a reserva<\/h2>\n

A hip\u00f3tese de que a pessoa atenta supre o que o software n\u00e3o alcan\u00e7a tamb\u00e9m n\u00e3o se sustenta. O estudo registrou 232 sess\u00f5es de rotulagem com estudantes volunt\u00e1rios, cada um julgando 30 v\u00eddeos de 5 segundos, com tr\u00eas respostas poss\u00edveis: gerado por IA, manipulado com IA ou real.<\/p>\n

\n\n\n\n\n\n\n\n
Conjunto<\/th>\nAcerto nos v\u00eddeos reais<\/th>\nAcerto nos v\u00eddeos 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

Diante de v\u00eddeos verdadeiros as pessoas se saem igual em qualquer conjunto, mas diante dos falsos do DF26 n\u00e3o encontram ind\u00edcios suficientes, e o gerador que mais engana \u00e9 o LTX 2.3 distilled I2V. H\u00e1 um segundo n\u00famero na tabela que importa mais que o primeiro: 24,0% dos v\u00eddeos reais do DF26 foram tomados por falsos. O preju\u00edzo n\u00e3o \u00e9 s\u00f3 acreditar num v\u00eddeo fabricado, \u00e9 deixar de acreditar num verdadeiro, o que atinge quem tem raz\u00e3o e precisa provar.<\/p>\n

Fora do DF26 o quadro se repete. A meta-an\u00e1lise de 56 estudos<\/a> publicada em Computers in Human Behavior Reports, com 86.155 participantes e 137 medidas de efeito, encontrou acur\u00e1cia m\u00e9dia de 55,54%, com intervalo de confian\u00e7a de 95% entre 48,87% e 62,10%: como o intervalo atravessa os 50%, o desempenho humano n\u00e3o \u00e9 distingu\u00edvel do acaso, e nem o treinamento com retorno leva al\u00e9m de 65,14%.<\/p>\n

Se a d\u00favida n\u00e3o se resolve depois, \u00e9 preciso torn\u00e1-la desnecess\u00e1ria antes<\/h2>\n

A TrueScreen, a Data Authenticity Platform, aborda o problema pelo lado oposto: em vez de analisar um v\u00eddeo depois que ele circulou, fixa origem, integridade e tempo no momento da captura. A pergunta muda de lugar: deixa de ser como verificar se um v\u00eddeo \u00e9 verdadeiro depois que ele j\u00e1 rodou pela internet, quest\u00e3o que o estudo DF26 mostra sem resposta confi\u00e1vel, e passa a ser o que o arquivo registrou no instante em que nasceu, com o registro de como, quando e onde foi produzido.<\/p>\n

Na pr\u00e1tica, isso muda quem carrega o \u00f4nus. Se o v\u00eddeo de um perito de seguros ou de um jornalista nasce capturado com metodologia forense, com integridade verificada, marca temporal e registro das condi\u00e7\u00f5es de captura, a discuss\u00e3o deixa de ser estat\u00edstica e passa a ser documental. Isso pesa no regime probat\u00f3rio brasileiro<\/a>: o art. 369 e seguintes do C\u00f3digo de Processo Civil<\/a> admitem todos os meios legais e moralmente leg\u00edtimos, desde que a parte sustente como o material foi obtido. Na responsabilidade das plataformas, o art. 19 do Marco Civil da Internet<\/a>, na tese fixada pelo Supremo Tribunal Federal em 17 de junho de 2026, trabalha com responsabilidade solid\u00e1ria e presun\u00e7\u00e3o relativa de culpa. Havendo dados pessoais, a captura permanece sujeita \u00e0 LGPD<\/a>.<\/p>\n

A leitura de proveni\u00eancia digital<\/a> entra como camada complementar. A TrueScreen l\u00ea as marca\u00e7\u00f5es declaradas no arquivo, incluindo C2PA, IPTC digitalSourceType e as etiquetas que os geradores gravam em EXIF e XMP, e um arquivo sem Content Credentials n\u00e3o \u00e9 suspeito por isso: a aus\u00eancia da marca\u00e7\u00e3o diz apenas que ela n\u00e3o foi escrita. A an\u00e1lise de conte\u00fado sint\u00e9tico trabalha com foto, v\u00eddeo e \u00e1udio, faz parte da captura, exige um workspace e devolve um grau de confian\u00e7a, nunca um veredito determin\u00edstico. A certifica\u00e7\u00e3o com valor legal vem do selo digital oficial e da marca temporal qualificada que a TrueScreen aplica, reconhecidos internacionalmente, sem que a TrueScreen atue como prestador de servi\u00e7os de confian\u00e7a ou autoridade certificadora.<\/p>\n

O estudo tamb\u00e9m declara os pr\u00f3prios limites: a escala \u00e9 contida, com 2.691 v\u00eddeos, e a avalia\u00e7\u00e3o \u00e9 apenas visual, sem \u00e1udio, sincronia labial ou coer\u00eancia entre \u00e1udio e v\u00eddeo. O estudo DF26 n\u00e3o afirma que detectar seja in\u00fatil em absoluto, e sim que aqueles nove detectores, postos diante de geradores que nunca viram, n\u00e3o se sustentam. Nenhuma ferramenta comercial foi medida, e imagens est\u00e1ticas ficaram fora do escopo.<\/p>\n

\n

Perguntas frequentes<\/h2>\n
\n
\nComo saber se um conte\u00fado foi gerado por IA?<\/span>
\n+<\/span><\/summary>\n
Hoje, com pouca seguran\u00e7a, se voc\u00ea depende s\u00f3 da an\u00e1lise posterior. Como saber se um v\u00eddeo \u00e9 fake tornou-se uma pergunta sem resposta confi\u00e1vel: no banco de provas DF26 os nove detectores ficam entre 44,0 e 69,7 de AUROC e as pessoas acertam 52,6% dos falsos. O caminho que funciona \u00e9 conferir as marca\u00e7\u00f5es declaradas no arquivo, como C2PA, IPTC digitalSourceType e as etiquetas do gerador em EXIF e XMP.<\/div>\n<\/details>\n
\nTem como saber a origem de um v\u00eddeo?<\/span>
\n+<\/span><\/summary>\n
Depende de quando voc\u00ea pergunta. Reconstruir a origem de v\u00eddeos gerados por IA depois que eles circularam \u00e9 trabalho de ind\u00edcios, e o estudo DF26 mostra o quanto eles ficaram fracos. Fixar a origem na captura \u00e9 outra coisa: a TrueScreen registra integridade, marca temporal e condi\u00e7\u00f5es no instante da produ\u00e7\u00e3o, e a proced\u00eancia passa a acompanhar o arquivo.<\/div>\n<\/details>\n
\nO que \u00e9 um v\u00eddeo feito por IA?<\/span>
\n+<\/span><\/summary>\n
\u00c9 um v\u00eddeo gerado por inteiro por um modelo generativo, a partir de um texto ou de uma imagem, sem filmagem real por baixo. Distingue-se do deepfake cl\u00e1ssico, que altera parte de uma grava\u00e7\u00e3o aut\u00eantica, e a diferen\u00e7a explica o resultado do DF26: os detectores procuram a emenda entre a parte real e a alterada, que num v\u00eddeo inteiramente gerado n\u00e3o existe.<\/div>\n<\/details>\n
\nComo verificar se uma imagem foi feita por IA?<\/span>
\n+<\/span><\/summary>\n
Valem os mesmos limites, com um agravante: na meta-an\u00e1lise de 56 estudos, o acerto humano em imagens fica em 53,16%, contra 57,31% no v\u00eddeo. Como o banco de provas DF26 avaliou apenas v\u00eddeos de pessoas falando em p\u00fablico, nenhum n\u00famero dele se transp\u00f5e para fotografias, e a verifica\u00e7\u00e3o \u00fatil combina as marca\u00e7\u00f5es declaradas com material capturado e certificado na origem. Como saber se um v\u00eddeo \u00e9 fake: nove detectores no DF26 (54 caratteri, era V\u00eddeos de IA: nove detectores falham no teste DF26<\/code>) Como saber se um v\u00eddeo \u00e9 fake? No banco de provas DF26 a AUROC m\u00e9dia dos nove detectores cai de 84,4 para 56,1 e as pessoas acertam 52,6% dos falsos. (149 caratteri, corretta per N1b e per portare dentro la keyword principale) benchmark-df26-video-ia-autenticidade-na-origem (invariato, come prescritto dal modulo PT)<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n
\n
\n
\n
\n

Fixe a autenticidade no instante em que o dado nasce<\/h2>\n

Com a TrueScreen, a Data Authenticity Platform, a origem, a integridade e o tempo de uma grava\u00e7\u00e3o ficam registrados enquanto ela \u00e9 produzida. A prova n\u00e3o precisa ser reconstru\u00edda depois: ela j\u00e1 existe.<\/p>\n

Comece agora<\/a>
\nSolicitar uma demonstra\u00e7\u00e3o<\/a>\n<\/div>\n

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"featured_media":58375,"template":"","class_list":["post-58374","artigos","type-artigos","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/pt\/wp-json\/wp\/v2\/artigos\/58374","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truescreen.io\/pt\/wp-json\/wp\/v2\/artigos"}],"about":[{"href":"https:\/\/truescreen.io\/pt\/wp-json\/wp\/v2\/types\/artigos"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/truescreen.io\/pt\/wp-json\/wp\/v2\/media\/58375"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/pt\/wp-json\/wp\/v2\/media?parent=58374"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}