ディープフェイクDeepfake

1まねには代表的な種類が三つあります

ディープフェイクというと顔の入れ替えから思い浮かべますが、代表的な種類は三つです。一つ目が顔の入れ替えです。映像の中の人物の顔だけを、別の人の顔に差し替えます。二つ目が口の形合わせです。顔はそのままにして、唇とあごだけを新しいせりふに合わせて描き直します。外国語の吹き替えに使う技術がここに入ります。三つ目が音声クローンです。数秒の録音さえあれば、話し方や息づかいまで移した声を作れます。このほかに、表情と頭の動きだけを別の人の顔に移す方式や、世の中にいない人の顔をまるごと作る方式もあります。

このごろ被害が大きいのは、三つを混ぜた形です。ビデオ会議の画面に顔をかぶせ、その上に声を載せると、受け取る側にとっては知っている人と通話しているのと区別がつきません。

2まねを身につける流れ

ものまね名人が練習するように、AIも材料を集めるところから始めます。顔ならいろいろな角度の写真と映像、声なら短い録音があれば足ります。

次は特徴を取り出す段階です。初期の方式は、顔を細かく圧縮してから元どおりに戻す練習をさせて、目と鼻と口の位置や表情だけが残った要約を得ていました。ここに、偽物を作る側と見破る側が競い合って腕を上げるGAN（Generative Adversarial Network、敵対的生成ネットワーク）方式が加わって、結果はずっともっともらしくなりました。

画像や映像をまるごと作る側で今の画質を引き上げたのは、雑音だらけの画面から絵を少しずつ戻していく拡散方式です。ぼんやりしたところから始めて何度も整えるので、髪の先や影のように以前は崩れていた部分が自然になりました。

3なぜ目では見抜けないのでしょうか

以前はコツがありました。まばたきが少ない、指の数がおかしい、首と顔で肌の色が違う、といった手がかりです。この手がかりは長もちしませんでした。見分けのコツが知られると、その弱点を埋める方向に次のモデルが学習されるからです。

そのうえ、私たちが実際に出会うのは画質の良い元データではありません。グループチャットを何度か経てつぶれた映像、通話品質に押しつぶされた声です。不自然な部分が圧縮に埋もれてしまい、いっそう難しくなります。驚きや怒りを誘う内容ほど、確かめる前に広がってしまうことも重なります。

4偽物を探すより出所を明らかにします

そこで対策は向きを変えました。目で偽物を探す代わりに、本物には出所を、生成物には印を残す側です。

一つ目はコンテンツの来歴表示です。撮影した機器と編集の履歴、AIで作ったという記録をファイルに署名して付けておき、あとでその署名が壊れていないかを確かめます。二つ目はウォーターマークです。AIで作った画像や音声に、人の目や耳では気づけない印を埋め込んでおきます。三つ目は検知モデルです。署名も印もないものは、人には見えない細かな痕跡を機械が探して選り分けます。

三つとも完全ではありません。署名は画面を撮り直すと外れ、ウォーターマークはわざと消そうとする強い編集で壊れることがあり、印を入れない生成ツールには役に立たず、検知モデルは新しい生成方式の前で正確さが落ちます。ですから一つだけを信じず、重ねて使うのが基本です。

5舞台と犯罪を分ける線

技術そのものに罪はありません。世を去った俳優を映画によみがえらせる、病気で声を失った人に以前の声を返す、講義をいくつもの言語に吹き替える、といった使い方があります。こうした使い方には共通点があります。本人（故人の場合は遺族）の同意があり、作られた映像だという表示が付いています。

線を越えるのは、同意が抜けたときです。性的な合成物を作ったり広めたりする行為、家族や上司の声をまねた送金の要求、選挙時期の偽の発言映像がそれにあたり、多くの国で処罰の対象です。個人にできることは単純です。お金や個人情報を急かす連絡は、その通話やメッセージの中で確かめずに、いったん切って、元から知っている番号にかけ直してください。家族で短い合い言葉を決めておくともっと速く、公開アカウントに載せる顔写真や声を減らすことも、材料を減らす方法になります。