Известные ограничения методологии

Документ описывает известные ограничения методологии DeepVerify. Публикуется открыто, потому что добросовестное заключение специалиста должно содержать честное описание границ применимости использованных методов.

На этот документ ссылается каждое заключение, выпускаемое DeepVerify, в обязательном разделе «Известные ограничения и доверительный уровень».

1. Принципиальные ограничения области детекции дипфейков

Задача является вероятностной по своей природе

Современные системы синтеза речи, генерации изображений и замены лица обучаются специально на то, чтобы их результат был неотличим от настоящего. По мере улучшения генеративных моделей разрыв между «настоящим» и «искусственным» сокращается.

Любой метод детекции — автоматический или ручной — даёт вероятностную оценку, а не категорический ответ. Заключение, утверждающее «материал является подделкой» без указания уровня уверенности, методологически некорректно.

DeepVerify формулирует выводы через шкалу:

• высокий уровень уверенности — совокупность сильных независимых признаков, отсутствие противоречий между методами, материал покрыт надёжным режимом работы методологии;
• средний уровень уверенности — есть признаки, но они частичны или противоречивы; либо материал находится на границе применимости методов;
• низкий уровень уверенности — признаки слабые, материал плохо покрыт методологией, ответ может быть ошибочным; в таких случаях специалист рекомендует назначение полноценной судебной экспертизы.

Невозможно установить происхождение материала через чисто технический анализ

Технический анализ материала отвечает на вопрос «есть ли в материале признаки искусственного происхождения». Он не отвечает на вопросы:

• кто конкретно создал материал;
• когда конкретно материал был создан (точные даты можно восстановить только из метаданных, которые могут быть подделаны);
• с каким умыслом материал был создан;
• был ли материал передан конкретным каналом.

Эти вопросы относятся к компетенции следствия и оперативной деятельности.

Открытость методологии не делает её совершенной

Публикация исходного кода и подробного описания методов означает, что недобросовестная сторона теоретически может оптимизировать свою подделку под обход именно этих методов. Это сознательный выбор: непрозрачные методы быстрее проигрывают в суде, чем открытые методы, обходимые специально подготовленным противником.

2. Ограничения для звуковых записей

• На записях длительностью менее 5 секунд методы машинного обучения дают результат с пониженной надёжностью из-за недостаточного контекста для оценки.
• Записи, прошедшие через мессенджеры (Telegram, WhatsApp, MAX) с низкобитрейтным сжатием Opus 16 kHz, теряют значительную часть высокочастотного спектра. Это существенно снижает чувствительность к детекции синтетической речи и означает, что отрицательный результат («признаков синтеза не обнаружено») на таком материале имеет меньшую доказательственную силу, чем положительный.
• Системы клонирования голоса последнего поколения (ElevenLabs Multilingual v3, OpenAI Voice Clone и аналогичные, релизы 2025–2026 годов) на коротких репликах могут не обнаруживаться нейросетевыми детекторами. Подтверждение в таких случаях требует совокупного анализа фонетических признаков (показатели нестабильности голоса, формантные траектории) и поиска совпадений с базой известных генераторов.
• Голосовая верификация (соответствие голоса конкретному лицу) возможна только при наличии эталонного образца того же человека длительностью не менее 60 секунд в сопоставимых условиях записи.

3. Ограничения для видеозаписей

• На видео с разрешением ниже 480p чувствительность к замене лица существенно снижается из-за недостатка пиксельной информации в области лица.
• Современные системы полной генерации видео (Sora, Veo, Runway Gen-4, Kling) формируют физически согласованную динамику, на которой классические признаки подделки (моргание, микроподёргивания) могут не проявляться. Для таких материалов ведущую роль играет анализ метаданных и временной согласованности контейнера, а не пиксельные признаки.
• Видеозаписи, прошедшие через мессенджеры с агрессивным сжатием (особенно WhatsApp с пересжатием до 480p), теряют большинство пиксельных признаков подделки. На таком материале вердикт ограничивается анализом метаданных, временной согласованности и анализом аудиодорожки.
• Анализ синхронности губ и звука надёжно работает только на видеозаписях, где лицо говорящего находится в кадре непрерывно и достаточно крупно. На видео с быстрой сменой ракурсов или мелким лицом метод неприменим.

4. Ограничения для изображений

• Современные модели генерации изображений (FLUX 1.1 Pro, Imagen 3, GPT-4o image generation) на портретных снимках достигают качества, на котором автоматические детекторы дают повышенную долю ошибок. На апрель 2026 года достоверная детекция таких изображений требует ручной экспертизы и не может быть полностью автоматизирована.
• Изображения, многократно пересохранённые при пересылке через социальные сети и мессенджеры, теряют большинство пиксельных признаков подделки. На таком материале анализ уровня сжатия и анализ массива цветовых фильтров дают результаты, которые не могут служить самостоятельным доказательством.
• Отсутствие криптографически подписанной информации о происхождении (стандарт Content Credentials, спецификация C2PA) не доказывает синтетическую природу изображения, поскольку метку может удалить любой редактор изображений.
• Анализ шумового отпечатка матрицы фотокамеры даёт надёжный результат только при наличии не менее 5–10 эталонных снимков того же фотоустройства, желательно сделанных в сходных условиях. Без эталонов метод неприменим.

5. Ограничения для электронных документов

• Автоматические детекторы текста, сгенерированного большими языковыми моделями (ChatGPT, Claude, Gemini, GigaChat, YandexGPT), на русском языке на апрель 2026 года остаются методологически слабыми. Заключение по вопросу «является ли текст сгенерированным искусственным интеллектом» формулируется с явным указанием неустойчивости методологии и носит вероятностный характер с пониженной уверенностью.
• Отсутствие следов редактирования в метаданных документа не доказывает отсутствие правок. Документ может быть полностью пересохранён в новой программе с потерей истории, что выглядит идентично документу, никогда не редактировавшемуся.
• Доказательная сила анализа сильно зависит от того, является ли поступивший документ оригиналом электронной формы или сканом бумажного. Сканы могут быть подвергнуты локальной правке через графический редактор, что выявляется методами анализа изображения, но требует более слабых утверждений, чем структурный анализ оригинала.
• Подделка цифровой подписи в файлах формата PDF через инкрементальное обновление с заменой видимой подписи возможна. Единственный надёжный способ её выявления — проверка байтового содержимого файла, а не визуального просмотра в стандартной программе чтения PDF.

6. Что мы не утверждаем

DeepVerify не утверждает в заключениях:

• что использованная методология является «лучшей в мире» или превосходит государственную судебную экспертизу;
• что результат заключения является «истиной в последней инстанции» — суд оценивает заключение специалиста наравне с другими доказательствами;
• что отрицательный результат («признаков подделки не обнаружено») доказывает подлинность материала — он лишь означает, что использованными методами признаки не выявлены;
• что положительный результат («обнаружены признаки подделки») доказывает злой умысел или конкретного автора подделки;
• что наши детекторы достоверны на 99% или другой высокой цифре — все цифры точности относятся к лабораторным наборам данных и могут расходиться с реальными кейсами.

7. Что делать стороне процесса при сомнениях в выводах заключения

Если у вас есть основания сомневаться в выводах заключения специалиста DeepVerify, предусмотрены следующие пути:

8. Обновление документа

Документ обновляется по мере:

• появления новых методов обхода, которые требуют расширения раздела ограничений;
• появления новых инструментов в методологии, которые меняют граничные параметры применимости;
• получения значимой обратной связи от судов, адвокатов и научного сообщества.

Каждое выпущенное ранее заключение ссылается на конкретную версию этого документа, действовавшую на момент подписания заключения. История изменений ведётся открыто в репозитории методологии.