L'hipertrucatge, també conegut per l'anglicisme deepfake, és una tècnica realitzada amb programes d'intel·ligència artificial els quals combinen, reemplacen i superposen imatges, videoclips i àudios per crear vídeos falsos que semblin autèntics i reals. Aquesta tecnologia és sovint utilitzada per a manipular fotografies, vídeos i sons per simular amb gran realisme l'existència de persones, objectes i situacions inventades. Tot això és molt perillós ja que gairebé qualsevol persona amb un ordinador pot fabricar aquest tipus de vídeos falsos, pràcticament indistingibles dels reals, amb intencions malèvoles per manipular l'opinió pública, per exemple, en l'àmbit polític o judicial, creant Fake news i falses alarmes canviant el rostre i veu d'una persona sobre un vídeo.Diari ARA, 18 d'agost de 2019, pàgina 5 dossier Neologismes per entendre el món El terme en anglès és un mot creuat format per («aprenentatge profund») i de fake («fals»).
Antecedents
Tradicionalment, els fakes audiovisuals, que més endavant s'acabarien anomenant deepfakes, eren aquelles obres que pretenien enganyar a través dels estímuls visuals i auditius, com seria el cas del cinema, la televisió i internet. En anglès, també se'ls designava com a mockumentaries (documentals falsos), els quals utilitzaven tècniques i codis típics del documental per generar a l'espectador la sensació de que la història que se li estava explicant era certa, tot i que sempre hi havia un avís dels autors en un moment determinat on s'informava que el contingut era fals. Un exemple el trobem en l'emissió radiofònica «La guerra dels mons», dirigida i narrada per Orson Welles al 1938. Aquest episodi va causar el pànic a milions d'estatunidencs, els quals havien cregut com a veritat l'adaptació radiofònica de la novel·la d'Herbert George, el qual afirmava que s'estava produïnt una invasió extraterrestre a la Terra tot i que diversos avisos havien remarcat que era una narració fictícia. Així doncs, es pot veure que els deepfakes ja fa molts anys que de certa manera s'havien començat a realitzar abans del cas de reddit al 2017. Un exemple encara més primitiu que els anteriors és el retrat del president dels Estats Units, Abraham Lincoln, datat del 1865. En aquest, el rostre del president va ser superposat sobre el cap d'una impressió realitzada per A.H. Ritchie al 1852, on apareixia John C. Calhoun arrepenjat a un escriptori d'una sala de terra enrajolat. Finalment, també caldria destacar el moment històric on l'explorador i metge americà Frederick Cook va presentar públicament un seguit de proves audiovisuals falses (arxius sonors i fotografies) afirmant que havia arribat al Pol Nord al 1908. Per sort, al cap d'uns anys es va aconseguir desmentir la falsa notícia. És així doncs, com a partir d'aquesta manipulació constant que s'ha estat utilitzant contínuament durant dècades, que el terme mockumentary s'ha acabat contradient a si mateix. Com explica Vicente Díaz Gandaseguí:«El concepto de “falsos documentales” encierra una contradicción en si misma por cuanto el adjetivo falso precede al sujeto documental, el cual hace referencia a un material que pretende reflejar la realidad. Realidad y falso son términos que en nuestra cultura se plantean tradicionalmente como opuestos pero, sin embargo, el desarrollo de tecnologías capaces de recrear la realidad con total fidelidad ha hecho que aparezcan estos espacios intermedios e híbridos que combinan la realidad y la irrealidad.»Finalment, el 1997 es va crear el que realment es pot considerar l'antecedent més proper al que actualment es coneix com a hipertrucatge. Es tracta del programa “Video Rewrite”, el qual va aconseguir per primera vegada modificar les imatges d'un vídeo on una persona parlava per representar que estava dient unes altres paraules reproduïdes a partir d'una pista d'àudio diferent. Aquest programa va ser el primer sistema en establir connexions entre els sons produïts pel subjecte del vídeo i la forma del seu rostre mitjançant tècniques d'aprenentatge automàtic d'un ordinador.
Funcionament Els continguts hipertrucats es creen a partir d'un seguit d'algoritmes anomenats xarxes neuronals que s'encarreguen d'analitzar un gran nombre de dades per aprendre a replicar patrons d'expressions facials, d'idiosincràsia, de veus i d'inflexions. Google, per exemple, utilitza aquesta tècnica per classificar les imatges segons la seva aparença visual al motor de cerca. És mitjançant les xarxes generatives antagòniques (generative adversarial networks, GANs) però, que s'aconsegueix produir aquests vídeos tant realistes i alhora falsos pel que fa el seu àudio i imatge. En els GANs, l'algoritme “generador” s'encarrega de modelar el contingut d'un seguit d'imatges reals com podrien ser fotografies de gats, mentre que l'algoritme “discriminador” intenta descobrir quines de les imatges de gats que se li presenten són falses. Així doncs, els dos algoritmes es van entrenant i desafiant mútuament a partir d'un mateix conjunt de dades d'imatges, vídeos i/o sons, aconseguint així que amb el temps millorin la seva capacitat de falsejar la realitat.
Cal dir però, que per a desenvolupar un procés d'aquesta mena, es necessiten vídeos i fotografies amb diferents condicions d'il·luminació i perspectiva de cadascuna de les persones. Normalment es fa un ús de més de 3000 mitjans multimèdia per rostre, amb la finalitat d'aconseguir un resultat prou creïble. El problema amb la constant evolució de la tecnologia però, és que en un futur molt proper, aquest immens nombre de mitjans multimèdia requerits per la creació de deepfakes professionals pràcticament indetectables, que ajudaven a dificultar que qualsevol persona amb recursos informàtics aconseguissin aquest nivell de falsedat realista, es reduirà molt. Els investigadors creuen que en un futur és molt probable que fins i tot les videotrucades puguin ser manipulades i falsejades a temps real, cosa que podria ser molt perillosa en diferents escenaris.
Tot i que els més professionals utilitzen sistemes més desenvolupats hi ha aplicacions gratuïtes que permeten fer aquests trucs de vídeo de manera fàcil i autònoma, com n'és el cas de Faceswap o FakeApp i aplicacions per a Windows 10.
Mètodes per a combatre l'hipertrucatge Actualment, les tècniques per identificar l'hipertrucatge han aconseguit arribar a una nivell de precisió del 86, 6%, la qual cosa està molt bé, però en un futur s'hauria de poder assegurar poder arribar al 99% de seguretat i consistència. Els mètodes que avui en dia s'estan utilitzant per identificar els vídeos i fotos hipertrucats i de moment han funcionat correctament són diversos.
Un d'ells és el d'anàlisi de metadades, informació textual sobre la producció de l'arxiu multimèdia (càmera, ISO, data de creació...), per veure si la imatge ha estat manipulada prèviament. És possible modificar les metadades però la gran majoria d'arxius contenen la informació dels programes d'edició utilitzats, facilitzant així, la identificació de les intervencions en els arxius. No és totalment eficaç però pot ser un bon mètode de detecció preliminar d'hipertrucatge.
Un altre sistema és analitzant el nivell d'error (ELA, Error Level Analysis) dels mètodes de compressió d'imatges d'arxius com JPG, que al comprimir-se perden informació. Així doncs, cal saber que les imatges editades, acostumen a tenir àrees amb diferents nivells d'artefactes de compressió ja que han estat sotmeses a diversos mitjans de compressió.
També es podrien intentar identificar els artefactes visuals, residus de la creació de rostres falsos amb hipertrucatge, dels quals se’n poden destacar 3:F. Matern, C. Riess and M. Stamminger, "Exploiting Visual Artifacts to Expose Deepfakes and Face Manipulations," 2019 IEEE Winter Applications of Computer Vision Workshops (WACVW), Waikoloa Village, HI, USA, 2019, p. 83-92, doi: 10.1109/WACVW.2019.00020.
Que la fusió de les diferents imatges utilitzades per crear la falsa no sigui totalment coherent i falli en consistència global. Com per exemple, que l'iris de l'ull dret tingués un color diferent al de l'esquerra, amb excepció dels pocs casos d'heterocromia. Que es produeixi un error d'il·luminació imprecisa i distorsionada a les figures degut a l'intent de fusionar diverses imatges amb diferent llum. Això acabaria provocant que la imatge final no tingués total coherència lumínica. Que es produeixi un error geomètric en els ajustaments morfològics dels rostres i figures humanes, especialment expressat en vores fortes o taques molt contrastades al voltant dels límits facials de la màscara que afectarien zones com la del nas, la cara o les celles.
Per acabar, s'ha descobert que sovint l'hipertrucatge genera errors en l'estructura dels rostres. Això es deu al fet que es creen mitjançant el reemplaçament de parts del rostre original amb imatges facials sintetitzades, i com que les persones tenen estructures de la cara diferents, la tecnologia de l'hipertrucatge no acaba d'aconseguir garantir que tots els punts de referència agafats per la computadora s'alineïn correctament.
Altres elements d'identificació són el fet que els vídeos creats artificialment acostumen a ser massa perfectes en quant a imatge, fent així que els falti aquelles imperfeccions dels vídeos gravats de veritat al món físic real. D'altra banda, també s'han creat nous algoritmes que poden arribar a percebre el flux de sang en aquelles persones que apareixen als vídeos.
Pel que fa a la veu, com més curts siguin els àudios més difícil serà poder detectar si és sintètic o no, i la qualitat tant del so de la veu com del so de fons també farà que sigui més fàcil o no de distingir un àudio fals d'un de vertader. Com més clar sigui l'enregistrament de la veu i menys so de fons tingui, més fàcilment identificable serà l'engany. Cal destacar, que en comparació amb els vídeos, els àudios hipertrucats sí que són majoritàriament identificables per ordinadors, tot i que segurament no ho siguin tant per la oïda humana a simple vista. Cada segon que una persona parla, la seva veu conté d'entre 8.000 i 50.000 dades que poden ajudar a l'ordinador a verificar la seva autenticitat. Un exemple seria la rapidesa amb la qual els humans poden pronunciar determinats sons amb els músculs de la boca i les cordes vocals. Per altra banda, a l'analitzar una veu d'un àudio també és important fixar-se en la pronúncia dels sons fricatius, ja que els sistemes de deep-learning els costa molt diferenciar aquests sons de possibles sorolls. Un altre element que els costa distingir és el final de les frases amb el so de fons, cosa que produeix que els continguts hipertrucats puguin contenir moments on la veu s'allunyi del micròfon o telèfon més sovint del que una persona faria.
Aportacions útils Els continguts hipertrucats, tot i ser sovint utilitzats amb intencions fraudulentes, també hi ha hagut persones que han volgut aprofitar aquest nou avanç tecnològic per aportar coses bones i útils a la societat. Així doncs, també han suposat una evolució positiva en diferents àmbits.
Àmbit cinematogràfic En un moment en què un actor o actriu es quedés sense veu en un rodatge, en comptes d'aturar-lo fins que aquesta persona es recuperés, es podria simular la seva veu mitjançant àudios hipertrucats. D'altra banda, també es podrien corregir errors d'escenes en l'etapa del muntatge, modificant un rostre o moviments d'una persona per uns altres, en cas que no fossin els desitjats. Fins i tot es podria aconseguir realitzar pel·lícules amb actors que ja són morts o doblatges de manera automàtica i amb qualsevol llengua, tot i que això suposaria l'eliminació de la feina dels actors de doblatge i seria bastant greu. Cal destacar però, que ja s'ha començat a experimentar amb alguna d'aquestes tècniques en l'àmbit cinematogràfic, raó per la qual s'ha pogut avançar tant en el realisme de les pel·lícules d'animació o en els afectes especials en general.
Àmbit educatiu