超越眼见为实：论音视频 Deepfake 的众包检测

Deepfake 日益逼真且易于制作，引发了人们对错误信息环境下人类判断可靠性的担忧。我们通过测量众包工人区分真实视频与篡改视频的一致性，以及当他们将视频标记为被篡改时，识别篡改类型（仅音频、仅视频或音视频）的准确性和报告篡改时间戳的一致性，来研究音视频 Deepfake 检测。我们在 Prolific 上使用 AV-Deepfake1M 和 Trusted Media Challenge (TMC) 数据集进行了两项匹配的众包研究。我们从每个数据集中抽取 48 个视频（共 96 个），并收集了 960 份判断（每个视频 10 份）。结果表明，众包工人很少将真实视频误判为篡改视频，但他们遗漏了许多篡改，且跨视频的一致性仍然有限。对每个视频聚合多份判断可稳定真实性信号，但无法恢复大多数工人始终遗漏的篡改。即使工人检测到了篡改，篡改类型的识别也比真实性检测嘈杂得多，其中音视频联合的情况尤其难以识别。总体而言，这些发现表明众包可以为音视频真实性提供可扩展的筛查信号，而可靠的模态归因仍是一个开放挑战。