Analisi video deepfake e face swapping

Introduzione

Un deepfake video può mostrare una persona mentre:

• pronuncia parole mai dette;
• compie azioni mai avvenute;
• assume espressioni provenienti da un altro soggetto;
• appare all’interno di una scena interamente generata;
• partecipa a una videoconferenza mai tenuta;
• autorizza un pagamento;
• rilascia una dichiarazione falsa;
• compare in un contenuto intimo non consensuale;
• viene rappresentata in un luogo nel quale non si trovava.

Il termine deepfake viene spesso utilizzato in modo generico per indicare qualsiasi contenuto audiovisivo falso.

Dal punto di vista tecnico, occorre invece distinguere almeno:

• face swapping;
• face reenactment;
• lip sync artificiale;
• talking head;
• avatar sintetico;
• sostituzione locale del volto;
• video integralmente generato;
• manipolazione dell’espressione;
• modifica della direzione dello sguardo;
• sostituzione del corpo;
• montaggio tradizionale;
• riutilizzo di immagini autentiche;
• ricodifica o riacquisizione di un contenuto sintetico.

Un video può essere classificabile come deepfake anche quando la maggior parte delle immagini è autentica e soltanto:

• la bocca;
• gli occhi;
• un’espressione;
• alcune parole;
• una porzione del volto;

sono state generate o modificate artificialmente.

Il NIST rappresenta i contenuti sintetici come il risultato di una catena che comprende creazione, pubblicazione e fruizione. In ciascuna fase possono essere applicate misure differenti: informazioni di provenienza, watermark, etichette, controlli automatici e verifiche umane. Provenienza e rilevamento sono quindi strumenti complementari, non sostituti reciproci. NIST AI 100-4 — Reducing Risks Posed by Synthetic Content

La domanda del cliente è spesso:

«Questo video è falso?»

La domanda deve essere scomposta.

Occorre verificare:

1. quale file sia stato effettivamente acquisito;
2. quale generazione del contenuto rappresenti;
3. se il video sia una copia, un export o uno screen recording;
4. se il volto sia stato sostituito;
5. se l’espressione o il movimento della bocca siano stati modificati;
6. se audio e video appartengano alla stessa registrazione;
7. se il file presenti marcature o informazioni di provenienza;
8. se siano disponibili versioni precedenti;
9. se il contenuto provenga realmente dall’account dichiarato;
10. se un detector sia applicabile al materiale;
11. se le condizioni del caso siano rappresentate nel dataset del detector;
12. quali spiegazioni alternative siano tecnicamente plausibili.

Il benchmark Deepfake-Eval-2024, pubblicato nei lavori CVPR 2026, ha mostrato una forte differenza tra le prestazioni dichiarate su dataset accademici e quelle ottenute su contenuti reali diffusi online: sui dati raccolti nel 2024, l’AUC media dei modelli open source esaminati è diminuita del 50% per i video rispetto ai benchmark originari. Il dataset comprende contenuti provenienti da 88 siti e 52 lingue, inclusi face swap, lip sync e contenuti generati mediante modelli diffusivi. Deepfake-Eval-2024

La conseguenza operativa è netta:

Uno score elevato o basso prodotto da un detector non può essere trasformato automaticamente in una conclusione peritale.

Sintesi operativa

1. acquisire il file più vicino possibile alla fonte;
2. preservare pagina, chat, account, dispositivo e contesto;
3. evitare conversioni, crop, stabilizzazioni o miglioramenti;
4. calcolare immediatamente l’hash del file ricevuto;
5. acquisire tutte le versioni disponibili;
6. identificare contenitore, codec, stream, timing e metadati;
7. verificare eventuali Content Credentials C2PA;
8. verificare watermark o marcature dichiarate dal provider;
9. documentare ogni piattaforma attraversata dal video;
10. conservare originale e copie di lavoro separatamente;
11. produrre report FFprobe, MediaInfo ed ExifTool;
12. estrarre frame mantenendo la relazione con i timestamp;
13. individuare e tracciare tutti i volti presenti;
14. analizzare il volto sia globalmente sia localmente;
15. verificare contorno, geometria, pelle, occhi, bocca e capelli;
16. verificare illuminazione, ombre, riflessi e motion blur;
17. analizzare la coerenza temporale tra frame;
18. verificare identità, espressione e posizione del volto;
19. analizzare sincronizzazione labiale e traccia audio;
20. considerare replay, screen recording e ricodifiche social;
21. segmentare il video per individuare manipolazioni locali;
22. applicare detector validati soltanto su copie controllate;
23. registrare modello, pesi, commit, soglia e preprocessing;
24. valutare lingua, risoluzione, codec e dominio del detector;
25. non interpretare lo score come probabilità automatica;
26. confrontare metodi differenti e realmente indipendenti;
27. acquisire campioni autentici comparabili;
28. distinguere deepfake, montaggio, imitazione e riuso;
29. costruire una timeline forense;
30. indicare sempre fonti mancanti e limiti;
31. formulare conclusioni proporzionate;
32. produrre una relazione tecnica riproducibile.

1. Avvertenza preliminare

Le procedure descritte devono essere utilizzate esclusivamente:

• su file propri;
• su contenuti consegnati dal legittimo titolare;
• su piattaforme o account amministrati lecitamente;
• nell’ambito di un incarico professionale;
• per attività difensive, aziendali o peritali;
• su copie di lavoro;
• nel rispetto della riservatezza;
• con un quesito tecnico formalizzato.

Non è lecito utilizzare il capitolo per:

• produrre deepfake di terzi;
• sostituire il volto di una persona senza consenso;
• costruire dichiarazioni false;
• creare contenuti intimi non consensuali;
• impersonare dirigenti, professionisti o autorità;
• eludere autenticazioni biometriche;
• accedere ad account o dispositivi di terzi;
• utilizzare cookie o token sottratti;
• alterare il reperto originario;
• pubblicare video privati;
• addestrare modelli con immagini acquisite illecitamente;
• effettuare attività di riconoscimento facciale indiscriminato.

Il perito deve evitare di caricare video riservati su servizi pubblici di rilevamento senza aver verificato:

- condizioni d’uso;
- conservazione del file;
- riutilizzo per addestramento;
- trasferimenti extra UE;
- proprietà degli output;
- presenza di minori;
- dati biometrici;
- contenuti intimi;
- segreti professionali;
- informazioni aziendali.

2. Inquadramento normativo essenziale

2.1 Diffusione di video falsificati mediante AI

La legge 23 settembre 2025, n. 132, entrata in vigore il 10 ottobre 2025, ha introdotto l’articolo 612-quater del codice penale.

La disposizione riguarda, nei relativi presupposti, chi cagiona un danno ingiusto cedendo, pubblicando o diffondendo senza consenso immagini, video o voci falsificati o alterati mediante sistemi di intelligenza artificiale e idonei a indurre in inganno sulla loro genuinità. Legge 23 settembre 2025, n. 132

Il perito può documentare:

• natura del file;
• caratteristiche tecniche;
• provenienza;
• account;
• diffusione;
• compatibilità con una manipolazione;
• versioni;
• timeline;
• limiti.

Non dovrebbe scrivere:

«Il video integra certamente il reato previsto dall’articolo 612-quater.»

La qualificazione giuridica compete al legale e all’autorità.

2.2 Trasparenza ai sensi dell’AI Act

Alla data editoriale del capitolo, gli obblighi di trasparenza dell’articolo 50 dell’AI Act diventeranno applicabili dal 2 agosto 2026.

Il quadro europeo prevede:

• marcature leggibili da macchina per determinati contenuti generati o manipolati;
• obblighi informativi per chi espone il pubblico a deepfake;
• regimi specifici per opere artistiche, satiriche, creative o analoghe;
• strumenti volontari di supporto, tra cui il Codice di buone pratiche pubblicato nel giugno 2026.

La Commissione definisce il deepfake, nel contesto della trasparenza, come contenuto audiovisivo generato o manipolato che assomiglia a persone, oggetti, luoghi, entità o eventi esistenti e può apparire falsamente autentico o veritiero. Commissione europea — Articolo 50 e trasparenza dei contenuti AI

La presenza o assenza di un’etichetta non sostituisce l’accertamento tecnico.

2.3 Volto e dati biometrici

Un normale fotogramma contenente un volto non costituisce automaticamente un dato biometrico rientrante nell’articolo 9 GDPR.

La qualificazione cambia quando il volto viene sottoposto a uno specifico trattamento tecnico finalizzato a identificare o autenticare univocamente una persona.

L’EDPB richiama per il riconoscimento facciale i principi di:

• liceità;
• necessità;
• proporzionalità;
• minimizzazione;
• valutazione dei rischi;
• sicurezza.

EDPB — Guidelines 3/2019 on processing of personal data through video devices

Il confronto tra volti nell’ambito di una perizia deve quindi essere:

• pertinente;
• autorizzato;
• limitato;
• documentato;
• protetto;
• distinto dall’analisi generale del deepfake.

3. Che cos’è un deepfake video

Un deepfake video è un contenuto nel quale sistemi di apprendimento automatico o generazione artificiale producono o modificano elementi audiovisivi in modo da rappresentare falsamente:

• un’identità;
• un’espressione;
• un movimento;
• una dichiarazione;
• un evento;
• una scena.

La manipolazione può interessare:

- volto;
- bocca;
- occhi;
- espressione;
- testa;
- corpo;
- voce;
- sfondo;
- intera sequenza.

Il termine non dovrebbe essere utilizzato per ogni normale:

• crop;
• regolazione del colore;
• stabilizzazione;
• aggiunta di sottotitoli;
• compressione;
• transcodifica.

La presenza di un’elaborazione tecnica non determina automaticamente una falsificazione ingannevole.

4. Tassonomia operativa

Il benchmark DF40 organizza quaranta tecniche di generazione in famiglie che includono face swapping, face reenactment, sintesi dell’intero volto e face editing. Questa varietà rende insufficiente un detector addestrato su un solo tipo di manipolazione. DF40 — Toward Next-Generation Deepfake Detection

5. Face swapping

Il face swapping sostituisce l’identità facciale del soggetto presente nel video con quella di un’altra persona.

Una rappresentazione semplificata è:

volto sorgente A
+
posa ed espressione del soggetto B
=
volto A inserito sul corpo o sulla scena di B

Possono restare invariati:

• corpo;
• movimento;
• abbigliamento;
• sfondo;
• voce;
• postura;
• illuminazione generale.

Possono essere modificati:

• pelle;
• lineamenti;
• occhi;
• naso;
• bocca;
• mandibola;
• contorno.

SWGDE descrive il face swap come l’utilizzo di modelli facciali di due soggetti per produrre il volto di una persona con posa ed espressione dell’altra. SWGDE — Artificial Intelligence Trends in Video Analysis

6. Face reenactment

Il face reenactment modifica i movimenti o le espressioni di un volto mantenendone apparentemente l’identità.

Può trasferire:

• sorrisi;
• apertura della bocca;
• movimento delle sopracciglia;
• rotazione della testa;
• direzione dello sguardo;
• espressioni emotive.

Il volto può appartenere realmente alla persona rappresentata, ma i movimenti possono provenire da un soggetto guida o da una sequenza sintetica.

La domanda non è quindi soltanto:

«È il suo volto?»

ma:

«Sono suoi anche l’espressione e il movimento rappresentati?»

7. Lip sync artificiale

Il lip sync artificiale modifica l’area della bocca per renderla compatibile con un audio differente.

Può essere applicato a:

• video di discorsi;
• interviste;
• videoconferenze;
• messaggi aziendali;
• contenuti social;
• personaggi virtuali.

La manipolazione può interessare soltanto:

• labbra;
• denti;
• lingua;
• guance;
• mento;
• parte inferiore del volto.

I metodi che analizzano movimenti della bocca e coerenza audio-video possono individuare determinate anomalie, ma le prestazioni dipendono dalla lingua, dal profilo, dalla compressione e dal sistema generativo. LipForensics, ad esempio, utilizza rappresentazioni spazio-temporali dei movimenti della bocca; altre ricerche confrontano trascrizioni ottenute dall’audio con quelle inferite mediante lip reading. LipForensics

8. Talking head

Un talking head può essere prodotto partendo da:

• una fotografia;
• pochi frame;
• un ritratto;
• un avatar;
• un modello tridimensionale;
• una voce;
• un testo.

Il sistema genera:

• movimento della testa;
• espressioni;
• battito delle palpebre;
• movimento della bocca;
• variazioni del volto.

Il contenuto può essere dichiaratamente artificiale e utilizzato in modo lecito.

Diventa rilevante per l’accertamento quando viene presentato come registrazione reale di una persona o di un evento.

9. Avatar sintetico

Un avatar può rappresentare:

• una persona inesistente;
• una versione autorizzata di una persona reale;
• un dipendente virtuale;
• un presentatore artificiale;
• un personaggio.

Un avatar dichiarato non è automaticamente un deepfake ingannevole.

Il perito deve distinguere:

contenuto sintetico dichiarato
e
contenuto sintetico presentato come reale

L’eventuale obbligo di disclosure deve essere valutato in relazione al quadro normativo applicabile e alla data di diffusione.

10. Full-face synthesis

La sintesi dell’intero volto produce un’identità facciale:

• inesistente;
• derivata;
• combinata;
• condizionata da immagini reali.

Il volto può essere inserito in:

• un corpo reale;
• un video sintetico;
• uno sfondo reale;
• una videoconferenza;
• un filmato pubblicitario.

In questa categoria possono non esistere i tipici confini di fusione del face swap, perché l’intero volto è prodotto dal generatore.

11. Video integralmente sintetico

I moderni modelli text-to-video o image-to-video possono generare:

• volto;
• corpo;
• sfondo;
• illuminazione;
• movimento della camera;
• oggetti;
• intera scena.

In tali contenuti non esiste necessariamente un’area autentica sulla quale sia stato sovrapposto un volto.

Il benchmark SynthForensics, pubblicato nel 2026, evidenzia la necessità di distinguere la rilevazione dei face swap dalla rilevazione di video umani integralmente sintetici prodotti da modelli video generativi. SynthForensics

12. Manipolazione locale

Un video può essere alterato soltanto in un intervallo breve.

Esempi:

- sostituzione di una parola;
- apertura della bocca;
- direzione dello sguardo;
- sorriso;
- numero pronunciato;
- nome;
- espressione;
- singolo gesto.

Un detector che produce un solo score globale può classificare il file come reale perché la parte manipolata rappresenta una percentuale ridotta del contenuto.

È quindi necessaria un’analisi temporale localizzata.

13. Deepfake multimodale

Un contenuto può combinare:

• video facciale manipolato;
• voce sintetica;
• audio autentico;
• testo generato;
• sfondo sintetico;
• montaggio classico.

Possibili configurazioni:

video reale + voce sintetica;
volto sintetico + voce reale;
lip sync artificiale + audio naturale;
video sintetico + audio sintetico;
face swap + montaggio tradizionale.

L’analisi deve separare le modalità e successivamente correlarle.

14. Deepfake e montaggio tradizionale

Un falso audiovisivo può essere costruito senza modelli generativi mediante:

• taglio;
• concatenazione;
• sovrapposizione;
• chroma key;
• compositing;
• maschera;
• accelerazione;
• ritaglio;
• riuso.

Un detector AI potrebbe classificare correttamente ogni frame come naturale, pur trovandosi davanti a un video ingannevole.

L’analisi deve pertanto integrare il Capitolo 26 — Autenticità video: frame, codec, tagli e montaggi.

15. Catena tecnica semplificata

immagini o video sorgente
        ↓
rilevamento e allineamento del volto
        ↓
rappresentazione dell’identità o dell’espressione
        ↓
generazione o trasformazione
        ↓
fusione nel frame
        ↓
ricomposizione temporale
        ↓
post-produzione
        ↓
codifica
        ↓
piattaforma
        ↓
ricodifica o screen recording

Ogni passaggio può introdurre o cancellare indicatori.

16. Perché i vecchi “segnali del deepfake” non bastano

Le prime generazioni potevano mostrare:

• battiti innaturali;
• contorni netti;
• pelle uniforme;
• denti deformati;
• volto instabile;
• occhi incoerenti.

I sistemi moderni possono riprodurre tali elementi con maggiore realismo.

Un metodo basato su un singolo artefatto rischia quindi di:

• rilevare soltanto generatori datati;
• produrre falsi positivi su video compressi;
• fallire su video ricodificati;
• ignorare video interamente sintetici;
• confondere filtri e deepfake.

La generalizzazione verso manipolazioni mai osservate resta una delle principali difficoltà operative dei detector. Deepfake Detection that Generalizes Across Benchmarks

17. Domande tipiche del cliente

Un cliente di Roma può chiedere:

• il volto è stato sostituito?
• la bocca è stata modificata?
• il video è integralmente generato?
• il dirigente ha realmente partecipato alla call?
• il politico ha pronunciato quelle parole?
• il filmato intimo è autentico?
• è un avatar?
• il volto appartiene alla persona indicata?
• il video contiene un watermark?
• il detector al 94% è affidabile?
• il video proviene dall’account reale?
• è stato registrato dallo schermo?
• è possibile identificare il generatore?
• chi ha creato il video?
• la diffusione è iniziata da quel profilo?

Sono domande differenti.

18. Che cosa non deve promettere il perito

Non promettere:

• rilevazione certa del deepfake;
• identificazione infallibile del generatore;
• attribuzione dell’autore;
• riconoscimento certo del volto;
• ricostruzione delle immagini originarie;
• esclusione assoluta di manipolazioni;
• datazione assoluta;
• validità processuale garantita;
• individuazione di ogni segmento sintetico;
• interpretazione certa di uno score.

Formula prudente:

«L’analisi valuterà la compatibilità del reperto con le diverse ipotesi tecniche, nei limiti della generazione e della qualità del file disponibile.»

19. Materiale da richiedere

[ ] file più vicino all’originale;
[ ] dispositivo sorgente;
[ ] file nella chat originale;
[ ] pagina o post;
[ ] account di pubblicazione;
[ ] video completo;
[ ] versione non ritagliata;
[ ] audio originale;
[ ] screen recording;
[ ] file ricevuto via email;
[ ] metadati di piattaforma;
[ ] Content Credentials;
[ ] versioni precedenti;
[ ] video autentici di riferimento;
[ ] fotografie di riferimento;
[ ] registri chiamate;
[ ] log della videoconferenza;
[ ] descrizione dei punti contestati.

20. Gerarchia orientativa delle fonti

1. file originario del sistema di generazione o acquisizione;
2. file camera-original sul dispositivo;
3. file pubblicato direttamente dall’account sorgente;
4. file nativo conservato dalla piattaforma;
5. allegato nell’app;
6. file scaricato dal messaggio;
7. export della conversazione;
8. copia inoltrata;
9. versione social ricodificata;
10. screen recording;
11. ripresa di uno schermo.

Più ci si allontana dalla fonte, maggiore è il rischio di perdere:

• metadati;
• watermark;
• C2PA;
• struttura del codec;
• timing;
• artefatti del generatore.

21. Questionario di provenienza

1. Chi ha ricevuto il video?
2. Da quale account?
3. Su quale piattaforma?
4. A quale data e ora?
5. Il video era già pubblico?
6. È stato inoltrato?
7. È stato scaricato?
8. È stato registrato dallo schermo?
9. È stato ritagliato?
10. È stato convertito?
11. È disponibile il post originario?
12. È disponibile il dispositivo?
13. Esiste il file completo?
14. Quale persona viene rappresentata?
15. Esistono campioni autentici?
16. Quale parte viene contestata?
17. È presente un audio?
18. La voce è anch’essa contestata?
19. Sono già stati usati detector?
20. Il file è stato caricato su servizi esterni?

22. Definire il quesito tecnico

Quesito improprio:

«Dimostrare che il video è un deepfake.»

Quesiti più corretti:

- verificare la provenienza del file;
- verificare la presenza di marcature C2PA;
- valutare se il volto presenti aree sintetiche;
- verificare coerenza temporale e geometrica;
- analizzare la sincronizzazione labiale;
- valutare eventuale face swapping;
- verificare se la scena sia integralmente sintetica;
- applicare detector documentati;
- confrontare il reperto con video autentici;
- indicare limiti e ipotesi alternative.

Formula:

«L’accertamento è finalizzato a valutare la compatibilità tecnica del video con ipotesi di acquisizione naturale, manipolazione facciale, generazione sintetica o post-produzione.»

23. Cartella del caso

CASO_RM_2026_027/
├── 00_incarico/
├── 01_verbali/
├── 02_originali/
├── 03_hash/
├── 04_copie_analisi/
├── 05_pagine_chat_account/
├── 06_metadata/
├── 07_ffprobe/
├── 08_mediainfo/
├── 09_exiftool/
├── 10_c2pa/
├── 11_watermark/
├── 12_frames/
├── 13_face_detection/
├── 14_face_tracking/
├── 15_landmarks/
├── 16_face_crops/
├── 17_temporal_analysis/
├── 18_audio_lipsync/
├── 19_detector/
├── 20_models_weights/
├── 21_reference_videos/
├── 22_comparisons/
├── 23_timeline/
├── 24_reports/
└── 25_relazione/

24. Registro dei reperti

25. Catena di custodia

Per ogni reperto registrare:

- identificativo;
- nome originale;
- fonte;
- URL o account;
- dispositivo;
- data e ora;
- fuso;
- soggetto conferente;
- modalità di trasferimento;
- dimensione;
- SHA-256;
- copie;
- posizione;
- accessi;
- strumenti.

La procedura generale è descritta nel Capitolo 2 — Catena di custodia, hash e verbale tecnico.

26. Calcolo dell’hash

Windows PowerShell

Get-FileHash -Algorithm SHA256 `
  -LiteralPath ".\video-deepfake-contestato.mp4"

Linux

sha256sum -- video-deepfake-contestato.mp4

macOS

shasum -a 256 -- video-deepfake-contestato.mp4

L’hash deve precedere:

• conversione;
• estrazione dei frame;
• detector;
• crop;
• analisi biometrica;
• visualizzazione elaborata;
• miglioramento.

27. Autenticità video di base

Prima di cercare artefatti AI, verificare:

• contenitore;
• codec;
• frame timing;
• edit list;
• tracce audio;
• ricodifica;
• montaggi;
• screen recording;
• provenienza.

SWGDE raccomanda una procedura sistematica, riproducibile e basata su più metodi globali e locali. Distingue inoltre la contestualizzazione, l’identificazione della sorgente e l’autenticazione del contenuto. SWGDE — Best Practices for Digital Video Authentication

Un video classicamente montato non deve essere classificato come deepfake soltanto perché è stato modificato.

28. Identificare il formato reale

file --brief -- video-contestato.mp4
file --brief --mime-type -- video-contestato.mp4

ffprobe \
  -v error \
  -show_error \
  -show_format \
  -show_streams \
  -show_chapters \
  -of json \
  "video-contestato.mp4" \
  > ffprobe-full.json

mediainfo \
  --Output=JSON \
  "video-contestato.mp4" \
  > mediainfo.json

FFprobe può restituire informazioni su stream, frame, pacchetti, programmi, capitoli e versioni delle librerie. FFprobe documentation

29. Estrarre i metadati

exiftool \
  -G0:1:2 \
  -a \
  -s \
  -u \
  -ee \
  -struct \
  -json \
  "video-contestato.mp4" \
  > exiftool.json

Cercare:

• software;
• encoder;
• date;
• modello;
• GPS;
• rotazione;
• XMP;
• C2PA;
• campi proprietari.

L’assenza del nome di un generatore non dimostra origine naturale.

30. Acquisire l’elenco dei frame

ffprobe \
  -v error \
  -select_streams v:0 \
  -show_frames \
  -show_entries \
frame=key_frame,pict_type,best_effort_timestamp_time,pts_time,pkt_dts_time,pkt_duration_time,pkt_pos,pkt_size,width,height,pix_fmt \
  -of csv=p=0 \
  "video-contestato.mp4" \
  > frames.csv

Registrare:

• PTS;
• durata;
• tipo;
• posizione;
• dimensione;
• risoluzione;
• pixel format.

31. Estrarre i frame in formato lossless

mkdir -p frames

ffmpeg \
  -v warning \
  -i "video-contestato.mp4" \
  -map 0:v:0 \
  -fps_mode passthrough \
  "frames/frame-%010d.png"

Il numero del PNG non coincide automaticamente con il tempo.

Occorre mantenere la relazione con frames.csv.

32. Creare una copia lossless di analisi

ffmpeg \
  -v warning \
  -i "video-contestato.mp4" \
  -map 0:v:0 \
  -map 0:a? \
  -c:v ffv1 \
  -level 3 \
  -g 1 \
  -slicecrc 1 \
  -c:a pcm_s24le \
  "video-analisi.mkv"

La copia:

• facilita l’accesso ai frame;
• non sostituisce il file originale;
• produce un nuovo contenitore;
• produce una nuova codifica.

33. Verificare C2PA

c2patool \
  "video-contestato.mp4" \
  --info \
  > c2pa-info.txt

c2patool \
  "video-contestato.mp4" \
  -d \
  > c2pa-detailed.json

C2PA consente di associare ai contenuti multimediali dichiarazioni firmate su provenienza, modifiche e origine digitale. Il tool ufficiale può visualizzare e validare manifesti incorporati, remoti o sidecar; MP4 e MOV rientrano tra i formati supportati dall’SDK. C2PA Tool — Usage

34. Interpretare un manifesto C2PA

Verificare:

- hard binding;
- firma;
- catena del certificato;
- validation status;
- claim generator;
- azioni;
- ingredienti;
- digital source type;
- eventuali redazioni;
- manifesti precedenti.

Un manifesto valido può documentare:

• storia dichiarata;
• integrità rispetto al claim;
• software;
• origine algoritmica;
• modifiche registrate.

Non dimostra automaticamente:

• verità della scena;
• identità della persona;
• completezza;
• assenza di operazioni anteriori al primo claim.

35. Assenza di C2PA

L’assenza può dipendere da:

• dispositivo non compatibile;
• piattaforma;
• ricodifica;
• download;
• screen recording;
• rimozione;
• generatore non aderente;
• contenuto precedente alla diffusione dello standard.

Formula:

«Nel file non è stato rilevato un manifesto C2PA mediante gli strumenti indicati. Tale assenza non consente di stabilire se il contenuto sia reale o sintetico.»

36. Watermark

Un video generato può includere:

• watermark visibile;
• watermark invisibile;
• marcatura per frame;
• marcatura temporale;
• identificatore del provider.

La presenza verificata mediante il detector ufficiale può supportare la provenienza dallo specifico sistema.

L’assenza non esclude:

• generazione da altro modello;
• rimozione;
• crop;
• ricodifica;
• screen recording;
• watermark non applicato.

37. Etichette di piattaforma

Una piattaforma può mostrare:

• “generato con AI”;
• “contenuto alterato”;
• Content Credentials;
• avviso di contesto;
• nota della comunità.

Acquisire:

- schermata;
- URL;
- data;
- account;
- testo;
- posizione dell’etichetta;
- eventuale pagina informativa;
- versione scaricata.

L’etichetta costituisce un dato della piattaforma e non una conclusione autonoma del perito.

38. Preprocessing controllato

Prima di applicare un detector registrare:

- decoder;
- risoluzione;
- frame rate;
- colore;
- crop;
- face detector;
- allineamento;
- normalizzazione;
- numero di frame;
- strategia di campionamento.

Molti detector sono sensibili al preprocessing.

Ridimensionare il volto con un metodo differente da quello usato nello sviluppo può modificare lo score.

39. Campionamento dei frame

Possibili strategie:

• ogni frame;
• ogni N frame;
• intervalli temporali;
• keyframe;
• segmenti centrati sul volto;
• finestre temporali;
• scene.

39.1 Rischio del campionamento ridotto

Un segmento manipolato breve può non essere selezionato.

39.2 Rischio del campionamento eccessivo

Frame adiacenti sono altamente correlati e non costituiscono osservazioni indipendenti.

40. Face detection

Il face detector individua:

• posizione;
• bounding box;
• punti principali;
• confidence.

Può fallire in presenza di:

• profilo;
• occlusione;
• volto piccolo;
• bassa luce;
• compressione;
• maschera;
• movimento;
• volto sintetico anomalo.

MediaPipe Face Detector, ad esempio, restituisce posizione e keypoint principali del volto; il risultato dipende da modello e soglia. MediaPipe Face Detector

41. Face tracking

Il tracking collega la stessa faccia tra frame.

Registrare:

- track ID;
- frame iniziale;
- frame finale;
- bounding box;
- confidence;
- perdita del tracking;
- riacquisizione.

Un cambio di track ID non dimostra:

• cambio di persona;
• sostituzione;
• deepfake.

Può dipendere da:

• occlusione;
• movimento;
• rotazione;
• qualità;
• detector.

42. Landmark facciali

I landmark possono rappresentare:

• occhi;
• sopracciglia;
• naso;
• labbra;
• mento;
• contorno;
• superficie facciale.

MediaPipe Face Landmarker può restituire landmark tridimensionali, blendshape e matrici di trasformazione per immagini e video. Questi output sono utili per misurare traiettorie ed espressioni, ma non costituiscono un detector di deepfake. MediaPipe Face Landmarker

43. Allineamento del volto

L’allineamento normalizza:

• posizione;
• scala;
• rotazione;
• punti degli occhi;
• orientamento.

È utile per:

• confrontare frame;
• applicare modelli;
• analizzare texture;
• calcolare differenze.

Può però:

• interpolare pixel;
• alterare contorni;
• cancellare indizi;
• introdurre blur.

Conservare sempre anche i frame non allineati.

44. Volti multipli

Un video può contenere:

• volto manipolato;
• volto autentico;
• volto di sfondo;
• immagine su uno schermo;
• fotografia;
• riflesso.

Ogni volto deve avere:

• track separato;
• risultato separato;
• qualità;
• intervallo;
• classificazione.

Un detector che media tutti i volti può nascondere la manipolazione di uno solo.

45. Occlusioni

Possibili occlusioni:

• mano;
• microfono;
• occhiali;
• capelli;
• maschera;
• ombra;
• oggetto;
• uscita dal frame.

Le occlusioni possono causare:

• deformazioni del volto sintetico;
• reset dell’identità;
• perdita del tracking;
• artefatti del blending;
• falsi positivi del detector.

I modelli più recenti gestiscono meglio alcune occlusioni, ma il comportamento dipende dal sistema.

46. Contorno del volto

Nel face swap il volto generato può essere fuso nella scena mediante una maschera.

Cercare:

• bordo sfocato;
• halo;
• variazione di nitidezza;
• differenza di grana;
• cambi di colore;
• contorno instabile;
• sovrapposizione sui capelli.

Face X-Ray è un esempio di metodo sviluppato per evidenziare confini di fusione tra regioni provenienti da fonti differenti. Il metodo è utile per determinate categorie di face swap, ma non copre necessariamente video integralmente sintetici privi di un bordo di blending. Face X-Ray

47. Geometria facciale

Verificare:

• distanza tra occhi;
• larghezza del volto;
• posizione del naso;
• mandibola;
• simmetria;
• proporzioni;
• rapporto col cranio;
• scala rispetto al corpo.

Possibili anomalie:

• volto troppo grande;
• mandibola che cambia;
• naso che migra;
• occhi non solidali;
• orecchie incoerenti.

Movimento, prospettiva e rolling shutter possono produrre variazioni naturali.

48. Coerenza della posa

Confrontare:

• posa 2D;
• stima 3D;
• direzione del viso;
• orientamento del collo;
• spalle;
• prospettiva.

Possibili indicatori:

• volto orientato diversamente dalla testa;
• rotazione non coerente col collo;
• scala incompatibile;
• allineamento errato.

La stima della posa è soggetta a errore in presenza di:

• profilo;
• occlusione;
• obiettivo grandangolare;
• volto piccolo;
• motion blur.

49. Occhi

Esaminare:

• dimensione;
• forma;
• direzione;
• pupille;
• iride;
• sclera;
• battito;
• riflessi.

Possibili anomalie:

• sguardi divergenti;
• pupille differenti;
• riflessi incompatibili;
• occhio che cambia forma;
• battito asimmetrico.

Questi indicatori non devono essere utilizzati isolatamente.

50. Battito delle palpebre

Le prime generazioni potevano presentare:

• battiti rari;
• battiti innaturali;
• chiusura incompleta.

I sistemi moderni possono generare battiti plausibili.

L’assenza di battito può dipendere da:

• clip breve;
• attenzione;
• parlato;
• luce;
• selezione dei frame;
• qualità;
• volto parzialmente visibile.

51. Direzione dello sguardo

La direzione può essere confrontata con:

• orientamento della testa;
• soggetto interlocutore;
• telecamera;
• riflessi;
• movimento degli occhi.

Un’alterazione dello sguardo può essere prodotta anche da normali strumenti di videoconferenza, senza sostituzione dell’identità.

52. Bocca

Analizzare:

• contorno;
• apertura;
• movimento;
• angoli;
• rapporto col mento;
• coarticolazione;
• sincronizzazione.

Possibili anomalie:

• bordo tremolante;
• labbra che attraversano i denti;
• deformazioni;
• forma identica ripetuta;
• transizioni troppo nette.

La compressione può produrre blocchi e blur nell’area della bocca.

53. Denti e lingua

Storicamente sono aree difficili da generare.

Verificare:

• numero apparente dei denti;
• contorni;
• fusione;
• lingua;
• occlusione;
• illuminazione;
• variazione tra frame.

I generatori moderni possono produrre risultati realistici.

L’anomalia deve essere persistente o correlata ad altri elementi.

54. Mento e mandibola

Cercare:

• contorno instabile;
• fusione col collo;
• variazione della barba;
• mandibola che cambia forma;
• ombra non coerente;
• maschera che attraversa il mento.

Una barba mossa o compressa può generare falsi indicatori.

55. Capelli e orecchie

Il face swap può gestire principalmente la regione centrale del volto.

Cercare differenze tra:

• pelle;
• capelli;
• basette;
• orecchie;
• tempie;
• linea della fronte.

Un crop stretto del detector può escludere proprio l’area più informativa.

56. Pelle e texture

Verificare:

• pori;
• rughe;
• barba;
• nei;
• cicatrici;
• grana;
• noise pattern;
• uniformità.

Possibili anomalie:

• pelle eccessivamente liscia;
• texture che cambia;
• dettagli che scompaiono;
• pattern ripetuti;
• separazione tra volto e collo.

Filtri estetici e compressione possono produrre effetti simili.

57. Colore della pelle

Confrontare:

• volto;
• collo;
• orecchie;
• mani;
• resto del corpo.

Possibili differenze:

• temperatura colore;
• saturazione;
• luminosità;
• gamma;
• colore locale.

L’auto white balance può cambiare rapidamente l’intera scena.

Un’anomalia limitata al volto è più informativa di una variazione globale.

58. Illuminazione

Verificare:

• direzione della luce;
• intensità;
• ombre;
• highlight;
• colore;
• cambi temporali.

Possibili incongruenze:

• volto illuminato da direzione diversa;
• naso con ombra incompatibile;
• highlight incoerente;
• luce che non varia col movimento.

L’illuminazione del volto può essere modificata da uno schermo o da sorgenti vicine non visibili.

59. Ombre

Esaminare:

• ombra del naso;
• occhiaie;
• mandibola;
• collo;
• capelli;
• oggetti vicini.

Un volto sintetico può mostrare ombre localmente incoerenti.

Il video compresso può ridurre i gradienti e creare false discontinuità.

60. Riflessi

Possibili superfici:

• occhiali;
• occhi;
• finestre;
• specchi;
• oggetti lucidi.

Confrontare:

• posizione;
• movimento;
• sorgenti luminose;
• simultaneità tra occhi.

Un riflesso incoerente può essere indicativo, ma richiede una geometria della scena sufficientemente osservabile.

61. Occhiali

I generatori possono produrre:

• montature deformate;
• aste discontinue;
• lenti che scompaiono;
• riflessi irregolari;
• contorni che attraversano la pelle.

Gli stessi artefatti possono derivare dalla compressione attorno a linee sottili e ad alto contrasto.

62. Motion blur

Il motion blur dovrebbe essere coerente con:

• movimento;
• tempo di esposizione;
• direzione;
• resto della testa.

Possibili anomalie:

• volto nitido su corpo mosso;
• blur con direzione diversa;
• contorno ricostruito artificialmente;
• texture temporaneamente congelata.

Stabilizzazione e sharpening possono modificare il motion blur.

63. Rumore e impronta della camera

Una ripresa reale può contenere:

• rumore del sensore;
• pattern di compressione;
• grana;
• hot pixel;
• rolling shutter.

Una regione generata può avere un noise pattern differente.

Tuttavia:

• ricodifica;
• denoising;
• social media;
• resize;
• HDR;

possono attenuare o trasformare tali caratteristiche.

64. Compressione

La compressione può produrre:

• blocking;
• ringing;
• mosquito noise;
• blur;
• banding;
• perdita di texture;
• artefatti attorno alla bocca.

I detector possono apprendere inconsapevolmente differenze di compressione tra video reali e falsi del dataset, invece di caratteristiche realmente generalizzabili.

DeepfakeBench è stato sviluppato anche per uniformare preprocessing, metriche e protocolli, riducendo confronti fuorvianti tra detector. DeepfakeBench

65. Coerenza temporale

Il volto deve restare coerente tra frame.

Cercare:

• flicker;
• variazione dell’identità;
• dettagli che appaiono e scompaiono;
• contorno instabile;
• nei mobili;
• barba variabile;
• orecchie che cambiano;
• geometria oscillante.

Un singolo frame anomalo può derivare da:

• errore di decodifica;
• motion blur;
• compressione;
• perdita del tracking.

66. Flicker

Il flicker può manifestarsi come:

• variazione di colore;
• cambio di nitidezza;
• oscillazione della texture;
• bordo intermittente;
• volto che “respira”.

Analizzare:

• intero volto;
• regioni;
• differenza tra frame;
• sincronizzazione col movimento.

I generatori temporali moderni riducono il flicker, mentre alcune piattaforme possono introdurlo mediante ricodifica.

67. Optical flow

L’optical flow stima il movimento apparente dei pixel.

Può essere utilizzato per verificare:

• continuità;
• deformazioni;
• movimento del volto;
• transizioni;
• incoerenza tra viso e testa.

Un flusso anomalo può dipendere da:

• occlusione;
• motion blur;
• illuminazione;
• compressione;
• movimento fuori piano;
• generazione.

Il risultato deve essere interpretato insieme ai frame originali.

68. Landmark nel tempo

Per ogni landmark si può costruire una traiettoria:

frame
→ coordinate x, y, z
→ velocità
→ accelerazione
→ variazione

Possibili anomalie:

• salti;
• oscillazioni;
• movimento indipendente;
• geometria instabile.

Le coordinate dipendono dal detector e non sono una misura fisica esatta.

69. Identity drift

L’identità apparente può cambiare nel tempo.

Esempi:

• naso che varia;
• volto più giovane in alcuni frame;
• barba che scompare;
• occhi differenti;
• mandibola instabile.

Il drift può essere rilevato mediante:

• confronto di embedding;
• caratteristiche geometriche;
• tracking visivo;
• analisi manuale.

L’embedding facciale deve essere trattato con particolare cautela perché può costituire dato biometrico quando usato per identificazione.

70. Coerenza dell’espressione

Confrontare:

• sopracciglia;
• guance;
• occhi;
• bocca;
• fronte;
• pieghe;
• movimento del collo.

Un face reenactment può trasferire l’espressione senza riprodurre perfettamente:

• rughe;
• tensione muscolare;
• pieghe della pelle;
• relazione col corpo.

71. Blendshape

Alcuni sistemi descrivono l’espressione mediante coefficienti relativi a:

• sorriso;
• apertura della bocca;
• sopracciglia;
• palpebre;
• guance.

La sequenza dei blendshape può essere analizzata per:

• salti;
• ripetizioni;
• pattern;
• transizioni.

Non è una rappresentazione clinica o anatomica esatta.

72. Action Unit

Le Facial Action Unit descrivono movimenti facciali osservabili.

Possono supportare:

• confronto delle espressioni;
• rilevamento di incoerenze;
• segmentazione;
• analisi locale.

La loro estrazione automatica dipende da:

• posa;
• illuminazione;
• soggetto;
• risoluzione;
• modello.

73. Sincronizzazione labiale

L’analisi può confrontare:

• fonema;
• visema;
• apertura della bocca;
• durata;
• consonanti;
• frame;
• audio.

Possibili anomalie:

• bocca anticipata;
• bocca ritardata;
• forma incompatibile;
• transizione errata;
• chiusura non coerente.

La qualità del confronto dipende da:

• lingua;
• profilo;
• barba;
• risoluzione;
• frame rate;
• codec;
• sovrapposizione del parlato.

74. Audio e video non sincronizzati

Un mismatch può derivare da:

• deepfake;
• doppiaggio;
• ritardo del player;
• transcodifica;
• streaming;
• edit list;
• registrazione multi-dispositivo;
• screen recording.

La mancata sincronizzazione non dimostra automaticamente lip sync artificiale.

75. Voce sintetica e volto sintetico

Un video può contenere:

• volto autentico e voce sintetica;
• volto sintetico e voce autentica;
• entrambi sintetici;
• entrambi autentici ma montati.

La traccia audio deve essere analizzata secondo il Capitolo 25 — Voice cloning e audio generati con intelligenza artificiale.

76. Segnali fisiologici apparenti

Alcuni metodi di ricerca cercano variazioni cromatiche molto deboli associate al flusso sanguigno, note come rPPG.

Possibili limiti:

• compressione;
• movimento;
• trucco;
• illuminazione;
• pelle;
• camera;
• filtri;
• frame rate;
• esposizione.

La presenza o assenza di un segnale rPPG non dovrebbe essere utilizzata isolatamente.

I generatori e i processi di post-produzione possono inoltre riprodurre o introdurre variazioni periodiche.

77. Corpo

Nei video integralmente sintetici analizzare anche:

• postura;
• arti;
• proporzioni;
• giunture;
• abbigliamento;
• interazioni;
• contatto col terreno.

Un detector concentrato soltanto sul volto può perdere:

• corpo sintetico;
• gesti impossibili;
• deformazioni;
• oggetti che si fondono.

78. Mani

Le mani possono mostrare:

• numero errato di dita;
• dita fuse;
• giunture instabili;
• oggetti attraversati;
• cambi di forma;
• tatuaggi incoerenti.

I modelli più recenti producono mani più plausibili.

L’anomalia deve essere verificata frame per frame.

79. Sfondo

Cercare:

• linee che si deformano;
• oggetti che cambiano;
• testo instabile;
• riflessi incoerenti;
• persone di sfondo deformate;
• prospettiva variabile.

Un face swap tradizionale può mantenere lo sfondo autentico.

Un video integralmente generato può mostrare anomalie diffuse.

80. Testo nel video

Possibili elementi:

• cartelli;
• documenti;
• loghi;
• sottotitoli;
• targhe;
• schermi.

Il testo generato può:

• cambiare tra frame;
• risultare incoerente;
• deformarsi;
• non rispettare la prospettiva.

La compressione di testi piccoli può produrre artefatti simili.

81. Oggetti e interazioni

Verificare:

• presa;
• contatto;
• occlusione;
• ombra;
• peso apparente;
• posizione;
• continuità.

Possibili anomalie:

• mano che attraversa un oggetto;
• bicchiere che cambia;
• microfono che si fonde;
• bordo del volto davanti a un oggetto che dovrebbe coprirlo.

82. Video integralmente sintetici e camera virtuale

Un modello può simulare:

• zoom;
• pan;
• dolly;
• handheld;
• profondità di campo;
• stabilizzazione;
• motion blur.

Analizzare:

• geometria;
• parallasse;
• prospettiva;
• coerenza del movimento;
• continuità degli oggetti;
• trasformazione dello sfondo.

Una camera virtuale può essere molto realistica.

83. Screen recording

Uno screen recording può:

• ridurre la risoluzione;
• cambiare frame rate;
• introdurre VFR;
• aggiungere interfaccia;
• perdere watermark;
• trasformare il colore;
• registrare audio separatamente.

Il detector potrebbe osservare soprattutto le caratteristiche dello screen recording, non del deepfake originario.

84. Replay da monitor

Un video può essere riprodotto su:

• monitor;
• televisore;
• telefono;
• proiettore;

e registrato con un’altra camera.

La nuova ripresa introduce:

• moiré;
• refresh;
• rolling shutter;
• riflessi;
• ambiente;
• distorsione;
• nuova compressione.

Il replay può attenuare gli artefatti digitali originari e creare un file tecnicamente continuo.

85. Piattaforme social

Le piattaforme possono:

• ricodificare;
• ridimensionare;
• modificare frame rate;
• rimuovere metadati;
• normalizzare audio;
• cambiare colore;
• creare nuove versioni.

Un detector addestrato su file di laboratorio può degradare su contenuti social.

Deepfake-Eval-2024 ha rilevato un forte calo delle prestazioni proprio su contenuti reali provenienti da piattaforme e siti differenti. Deepfake-Eval-2024

86. “Laundering” del contenuto

Il laundering consiste nel far transitare il video attraverso operazioni che ne modificano le tracce:

• ricodifica;
• crop;
• resize;
• screenshot;
• screen recording;
• replay;
• filtro;
• aggiunta di rumore;
• social.

Lo scopo può essere:

• rendere il file più plausibile;
• eliminare metadati;
• ridurre l’efficacia dei detector;
• nascondere il generatore.

87. Detector automatici

Un detector può restituire:

• etichetta real/fake;
• score;
• probabilità calibrata;
• classe della manipolazione;
• heatmap;
• risultato per frame;
• risultato per video;
• attribuzione al generatore.

Il risultato dipende da:

• modello;
• dati di addestramento;
• preprocessing;
• face detector;
• numero di frame;
• compressione;
• soglia;
• risoluzione;
• durata;
• tipo di deepfake.

88. Detector spaziali

Analizzano singoli frame o regioni facciali.

Possono cercare:

• texture;
• blending;
• colore;
• frequenze;
• bordi;
• rumore;
• geometria.

Vantaggi:

• semplicità;
• localizzazione;
• applicabilità a immagini.

Limiti:

• ignorano la coerenza temporale;
• possono apprendere il codec;
• possono fallire su full-frame generation;
• possono essere ingannati dalla compressione.

89. Detector temporali

Analizzano sequenze di frame.

Possono cercare:

• flicker;
• traiettorie;
• movimento della bocca;
• coerenza dell’identità;
• optical flow;
• variazioni della texture.

Richiedono:

• numero minimo di frame;
• timing coerente;
• segmentazione;
• memoria maggiore.

Possono fallire su:

• clip brevi;
• video a frame persi;
• VFR;
• screen recording;
• scene statiche.

90. Detector spaziotemporali

Combinano informazioni:

spazio
+
tempo

Possono utilizzare:

• CNN 3D;
• transformer video;
• reti temporali;
• embedding del volto;
• feature multiscala.

Le migliori prestazioni in-domain non garantiscono generalizzazione a generatori sconosciuti.

91. Detector in frequenza

Analizzano:

• FFT;
• DCT;
• wavelet;
• spettri;
• pattern di upsampling;
• quantizzazione.

Possono rilevare artefatti del generatore.

Sono sensibili a:

• ricodifica;
• resize;
• blur;
• rumore;
• sharpening;
• social media.

92. Detector basati sul blending

Cercano confini o differenze tra:

• volto sintetico;
• immagine di destinazione.

Sono particolarmente pertinenti per alcuni face swap.

Sono meno adatti quando:

• l’intero frame è sintetico;
• l’intero volto è generato;
• il blending è molto esteso;
• il file è fortemente ricodificato.

Face X-Ray rappresenta un noto esempio di questo approccio. Face X-Ray

93. Detector basati sulla bocca

Analizzano:

• movimento;
• articolazione;
• coerenza visiva del parlato;
• sequenze temporali.

Possono essere utili per:

• lip sync;
• face reenactment;
• talking head.

Possono essere limitati da:

• profilo;
• barba;
• maschera;
• lingua;
• rumore;
• bassa risoluzione.

LipForensics

94. Detector multimodali

Confrontano:

• audio;
• labbra;
• identità vocale;
• identità facciale;
• contenuto linguistico;
• timing.

Possono individuare:

• voce non coerente col volto;
• bocca non coerente con l’audio;
• identità audio-video differente;
• testo incompatibile.

Un audio e un video entrambi sintetici ma ben coordinati possono risultare difficili da rilevare mediante il solo mismatch.

95. Detector fisiologici

Cercano:

• rPPG;
• pulsazioni;
• variazioni cromatiche;
• coerenza biologica.

Sono sensibili a:

• camera;
• luce;
• pelle;
• compressione;
• movimento;
• trucco;
• durata.

Non devono essere considerati strumenti universali.

96. Source attribution

Alcuni classificatori tentano di identificare:

• famiglia;
• generatore;
• tecnica;
• tipo di manipolazione.

È un compito più complesso della classificazione real/fake.

Un modello sconosciuto può essere assegnato alla classe più simile.

Formula:

«Il classificatore ha associato il reperto alla categoria indicata; l’esito non identifica con certezza il software o la piattaforma utilizzati.»

97. Open-set detection

Un sistema binario presuppone spesso:

reale
oppure
falso appartenente alle famiglie conosciute

Nel mondo reale può comparire:

• generatore sconosciuto;
• tecnica ibrida;
• manipolazione locale;
• contenuto fuori dominio.

L’open-set detection cerca di gestire elementi non appartenenti alle classi note, ma resta un’area di ricerca. Beyond Deepfake vs Real: Facial Deepfake Detection in the Open-Set

98. Score

Uno score non è automaticamente:

• probabilità;
• certezza;
• percentuale di falsità;
• valore probatorio.

Esempio:

fake score = 0,87

può essere:

• logit;
• similarità;
• output normalizzato;
• valore post-sigmoid;
• media dei frame;
• massimo.

La relazione deve spiegare esattamente cosa rappresenta.

99. Classe positiva

Verificare se lo score elevato indica:

• fake;
• real;
• manipolazione;
• autenticità.

Due detector possono utilizzare convenzioni opposte.

Non confrontare i numeri senza conoscere la semantica.

100. Soglia

La soglia può essere scelta per:

• massimizzare accuracy;
• minimizzare falsi negativi;
• minimizzare falsi positivi;
• EER;
• specifica applicazione.

La soglia di un benchmark non è automaticamente appropriata per una perizia.

101. Calibrazione

Una probabilità è significativa soltanto se calibrata sul dominio pertinente.

La calibrazione può deteriorarsi quando cambiano:

• generatore;
• compressione;
• lingua;
• piattaforma;
• risoluzione;
• caratteristiche demografiche;
• illuminazione;
• durata.

102. Accuracy

L’accuracy può essere fuorviante se le classi sono sbilanciate.

Esempio:

99 video reali
1 video falso

detector che classifica tutto come reale:
accuracy = 99%

Occorre considerare anche:

• precision;
• recall;
• specificity;
• F1;
• ROC-AUC;
• confusion matrix.

103. AUC

L’AUC misura la capacità di ordinare positivi e negativi attraverso differenti soglie.

Non indica direttamente:

• percentuale di casi corretti sul singolo file;
• probabilità che il reperto sia falso;
• prestazione alla soglia scelta.

104. Falso positivo

Un video autentico può essere classificato come falso a causa di:

• compressione;
• filtro bellezza;
• blur;
• ricodifica;
• bassa luce;
• volto piccolo;
• make-up;
• screen recording;
• dominio differente.

105. Falso negativo

Un deepfake può essere classificato come reale quando:

• il generatore è nuovo;
• la manipolazione è breve;
• il video è ricodificato;
• la risoluzione è bassa;
• è stato registrato dallo schermo;
• è integralmente sintetico ma fuori dominio;
• il detector analizza frame non manipolati.

106. Generalizzazione

La generalizzazione indica la capacità del detector di funzionare su:

• dataset differenti;
• generatori sconosciuti;
• codec differenti;
• piattaforme;
• condizioni reali.

Resta il principale limite pratico.

Deepfake-Eval-2024, DF40 e le valutazioni cross-benchmark del 2026 mostrano che elevate prestazioni sui dati di sviluppo non garantiscono robustezza nel mondo reale. Deepfake Detection that Generalizes Across Benchmarks

107. Domain shift

Esempio:

training:
volti centrati, 256×256, H.264 pulito;

caso:
reel verticale, volto piccolo, testo, filtri e ricodifica.

Possibili differenze:

• codec;
• risoluzione;
• etnia;
• età;
• lingua;
• posa;
• illuminazione;
• genere di video;
• generatore;
• piattaforma.

Il domain shift deve essere indicato come limite.

108. Shortcut learning

Un detector può apprendere scorciatoie del dataset:

• logo;
• risoluzione;
• codec;
• sfondo;
• compressione;
• crop;
• watermark.

Può quindi sembrare molto accurato senza aver appreso indicatori generalizzabili del deepfake.

La standardizzazione dei benchmark cerca di ridurre tali problemi, ma non li elimina. DeepfakeBench

109. DeepfakeBench

DeepfakeBench fornisce:

• pipeline unificata;
• dataset;
• detector;
• metriche;
• protocolli;
• strumenti di analisi.

È utile per:

• confronto;
• riproducibilità;
• validazione interna;
• sperimentazione.

Non trasforma automaticamente ogni modello incluso in uno strumento peritale validato sul caso.

110. DF40

DF40 comprende quaranta tecniche distribuite tra:

• face swapping;
• face reenactment;
• full-face synthesis;
• face editing.

Il benchmark dimostra la varietà dei processi che possono produrre un volto alterato e l’insufficienza di valutazioni limitate a una sola famiglia. DF40

111. Deepfake-Eval-2024

Il benchmark comprende:

• circa 45 ore di video;
• 56,5 ore di audio;
• 1.975 immagini;
• 88 fonti web;
• 52 lingue.

La riduzione media dell’AUC dei detector open source rispetto ai benchmark accademici precedenti è stata del 50% per i video. Deepfake-Eval-2024

Questo non significa che ogni detector sbagli il 50% dei casi.

Indica che le prestazioni relative sono diminuite fortemente nel nuovo dominio.

112. Risoluzione

Un volto piccolo contiene meno informazioni su:

• pelle;
• occhi;
• bocca;
• bordi;
• texture.

L’upscaling non recupera i dettagli originari.

Può introdurre:

• sharpening;
• texture sintetica;
• aloni;
• interpolazione.

113. Crop del volto

Un crop può includere:

• volto stretto;
• volto e capelli;
• volto e collo;
• intera testa.

Un crop troppo stretto può perdere:

• contorno;
• orecchie;
• capelli;
• collo;
• blending.

Un crop troppo ampio può includere molto sfondo e ridurre l’attenzione del detector.

114. Ridimensionamento

Il metodo di resize può essere:

• nearest;
• bilinear;
• bicubic;
• Lanczos;
• area.

Può modificare:

• bordi;
• frequenze;
• texture;
• score.

Registrare algoritmo e dimensione.

115. Codec

Un modello addestrato su H.264 può reagire diversamente a:

• HEVC;
• VP9;
• AV1;
• ProRes;
• screen recording;
• social transcode.

Il codec deve essere incluso nella scheda del caso.

116. Durata

Un video breve offre:

• pochi frame;
• poche espressioni;
• pochi battiti;
• movimento limitato.

Un video lungo può contenere:

• più scene;
• più volti;
• parti autentiche e false;
• differenti codec dopo montaggio.

La segmentazione deve essere adattata.

117. Finestre temporali

Esempio:

durata finestra: 2 secondi
passo: 0,5 secondi

Per ogni finestra registrare:

• PTS iniziale;
• PTS finale;
• track facciale;
• qualità;
• score;
• modello;
• note.

Le finestre sovrapposte non sono indipendenti.

118. Frame aggregation

Un detector video può aggregare gli score mediante:

• media;
• mediana;
• massimo;
• voto;
• attention;
• rete temporale.

La media può nascondere un segmento breve.

Il massimo può essere sensibile a un singolo falso positivo.

119. Volti multipli e aggregazione

Possibili strategie:

- massimo tra i volti;
- media;
- volto principale;
- risultato per track;
- risultato per intervallo.

La relazione dovrebbe preferire risultati separati per ogni track.

120. Trasformazioni avversarie

Possibili operazioni:

• blur;
• rumore;
• resize;
• crop;
• rotazione;
• frame drop;
• variazione colore;
• ricodifica;
• overlay;
• screen recording.

Possono ridurre la prestazione del detector o causare falsi positivi.

121. Ensemble

Un ensemble può combinare:

• modello spaziale;
• modello temporale;
• modello frequenziale;
• modello multimodale.

Verificare se i modelli condividono:

• dataset;
• backbone;
• preprocessing;
• pesi;
• vulnerabilità.

Tre score concordi non costituiscono necessariamente tre evidenze indipendenti.

122. Detector online

Prima di utilizzare un servizio web verificare:

- produttore;
- modello;
- versione;
- data;
- limiti;
- privacy;
- retention;
- riutilizzo;
- output;
- soglia;
- lingue;
- formati.

Conservare:

• file caricato;
• hash;
• schermata;
• report;
• data;
• termini;
• eventuale ID analisi.

123. Detector locale

È preferibile quando:

• il file è riservato;
• occorre riproducibilità;
• il modello è disponibile;
• i pesi possono essere conservati;
• l’ambiente può essere ricostruito.

Registrare:

- repository;
- commit;
- checkpoint;
- SHA-256 dei pesi;
- dipendenze;
- sistema operativo;
- GPU;
- preprocessing;
- soglia;
- output.

124. Ambiente software

python --version \
  > python-version.txt

pip freeze \
  > python-environment.txt

sha256sum \
  detector-checkpoint.bin \
  > detector-checkpoint.sha256.txt

Per container:

docker image inspect \
  <IMMAGINE_VALIDATA> \
  > container-inspect.json

125. Esecuzione concettuale del detector

python \
  "<SCRIPT_VALIDATO>.py" \
  --checkpoint "<PESI_VALIDATI>" \
  --input "video-contestato.mp4" \
  --output "detector-result.json"

Il comando reale deve corrispondere all’implementazione validata.

Non improvvisare parametri non documentati.

126. Scheda del detector

127. Output per segmenti

128. Heatmap

Un detector può produrre una mappa delle regioni che hanno maggiormente influenzato lo score.

La heatmap:

• non identifica necessariamente la manipolazione;
• può evidenziare scorciatoie del modello;
• può concentrarsi sullo sfondo;
• dipende dal metodo di spiegazione.

Formula:

“La mappa evidenzia le regioni maggiormente associate alla decisione del modello e non deve essere interpretata come segmentazione certa dell’area manipolata.”

129. Campioni di riferimento

Richiedere video:

• autentici;
• autorizzati;
• della stessa persona;
• dello stesso periodo;
• con posa simile;
• con illuminazione simile;
• con codec simile;
• con qualità comparabile.

I campioni servono per:

• identità;
• movimento;
• espressione;
• texture;
• contesto.

130. Video di riferimento del dispositivo

Quando si valuta la sorgente, produrre video con:

• stesso dispositivo;
• stessa app;
• stessa risoluzione;
• stesso frame rate;
• stessa modalità;
• stesso workflow di condivisione.

SWGDE raccomanda l’acquisizione di campioni di riferimento che riflettano sia il dispositivo sia la storia generazionale dichiarata del file. SWGDE — Best Practices for Digital Video Authentication

131. Deepfake detection e riconoscimento facciale

Sono compiti differenti.

Deepfake detection

Chiede:

«Il volto o il video presentano caratteristiche di manipolazione?»

Riconoscimento facciale

Chiede:

«Il volto è compatibile con una persona di riferimento?»

Possibili combinazioni:

deepfake positivo + alta similarità;
deepfake negativo + persona differente;
deepfake positivo + persona sconosciuta;
deepfake negativo + imitazione.

132. Face embedding

Un embedding rappresenta numericamente caratteristiche del volto.

Il risultato può essere influenzato da:

• posa;
• età;
• espressione;
• luce;
• qualità;
• crop;
• deepfake;
• trucco;
• occlusione.

Uno score di similarità non è una prova automatica di identità.

133. Trattamento biometrico

Quando l’embedding viene utilizzato per identificare o confermare univocamente una persona, il trattamento può rientrare nella disciplina dei dati biometrici.

Predisporre:

- autorizzazione;
- finalità;
- necessità;
- base giuridica;
- accessi;
- cifratura;
- conservazione;
- cancellazione;
- registro.

EDPB — Video devices e dati biometrici

134. Account e piattaforma

Acquisire:

• account pubblicante;
• username;
• URL;
• ID contenuto;
• data;
• descrizione;
• etichetta;
• versione;
• commenti;
• condivisioni;
• eventuale download.

Un account reale può essere compromesso.

Un account falso può imitare quello ufficiale.

La provenienza dall’account e l’autenticità del video sono livelli distinti.

135. Videoconferenze

Per una videoconferenza sospetta acquisire:

- piattaforma;
- meeting ID;
- organizzatore;
- partecipanti;
- login;
- dispositivi;
- registrazione;
- chat;
- audit;
- screen recording;
- indirizzi IP;
- account.

Un avatar o deepfake in tempo reale può essere utilizzato attraverso una webcam virtuale.

La sola registrazione della riunione potrebbe non conservare dati sulla sorgente video locale.

136. Webcam virtuale

Una webcam virtuale può inviare alla piattaforma:

• video preregistrato;
• avatar;
• face swap live;
• scena composita;
• output di un software.

Verificare sul dispositivo:

• applicazioni;
• driver;
• processi;
• log;
• dispositivi video;
• impostazioni della call.

137. File pubblicato online

Acquisire secondo il Capitolo 16 — Acquisizione di pagine web, social e contenuti online:

• pagina;
• URL;
• account;
• video;
• file;
• data;
• commenti;
• etichette;
• copie;
• stato successivo.

Il download diretto e lo screen recording devono essere conservati come reperti distinti.

138. Ricerca della fonte precedente

Cercare:

• video originale;
• frame sorgente;
• interviste;
• podcast;
• fotografie;
• clip precedenti;
• contenuti pubblici.

Possibili risultati:

- volto sorgente;
- corpo sorgente;
- audio sorgente;
- sfondo sorgente;
- sequenza riutilizzata.

Una corrispondenza deve essere documentata mediante:

• URL;
• data;
• hash;
• frame;
• allineamento;
• differenze.

139. Ricerca inversa dei frame

Estrarre frame rappresentativi:

- scena iniziale;
- volto frontale;
- dettaglio;
- frame non sovrapposto;
- sfondo;
- oggetti.

La ricerca inversa può individuare:

• video precedente;
• fotografia;
• articolo;
• clip.

Non dimostra automaticamente chi abbia creato il deepfake.

140. Timeline

Distinguere:

data del file
≠
data di creazione del deepfake
≠
data di pubblicazione
≠
data di prima osservazione
≠
data di acquisizione

La metodologia generale è approfondita nel Capitolo 29 — Timeline forense e ricostruzione cronologica degli eventi.

141. Matrice delle evidenze

142. Matrice delle ipotesi

La matrice non deve essere trattata come un calcolo matematico automatico.

143. Caso pratico 1 — Dichiarazione politica falsa

Scenario

Un avvocato di Roma consegna un video social nel quale un amministratore locale sembrerebbe pronunciare una frase offensiva.

Materiale

- reel social;
- screen recording;
- video pubblico originario;
- audio;
- account anonimo;
- frame di confronto.

Risultati

• corpo e sfondo coincidenti col video originario;
• audio differente;
• area della bocca rigenerata;
• sincronizzazione imperfetta;
• file social ricodificato;
• detector concordi sull’intervallo della bocca;
• nessuna provenienza dall’account ufficiale.

Conclusione

«Il video deriva da una ripresa autentica preesistente, alla quale sono stati associati un audio differente e una modifica locale dell’area della bocca. Gli elementi risultano compatibili con un lip sync artificiale.»

144. Caso pratico 2 — CEO fraud in videoconferenza

Scenario

Il responsabile amministrativo di una società con sede all’EUR riceve una videochiamata apparentemente effettuata dall’amministratore delegato.

Risultati

- partecipante guest;
- webcam virtuale;
- volto sintetico;
- voce clonata;
- richiesta urgente;
- account del dirigente non utilizzato;
- registrazione dello schermo.

Conclusione

«La sessione non risulta associata all’account aziendale del dirigente e il flusso video presenta caratteristiche compatibili con un talking head sintetico trasmesso mediante webcam virtuale.»

145. Caso pratico 3 — Face swap su video intimo

Scenario

Una cliente romana segnala un video intimo nel quale è rappresentato il proprio volto.

Procedura

- acquisizione riservata;
- minimizzazione;
- hash;
- account e URL;
- confronto col materiale sorgente;
- analisi del contorno;
- detector;
- conservazione cifrata.

Risultati

• corpo proveniente da altro video;
• volto inserito;
• blending sulla mandibola;
• orecchie non coerenti;
• frame sorgente del volto rinvenuti online.

Conclusione

«Il contenuto risulta compatibile con la sostituzione del volto della persona sul corpo proveniente da un diverso video.»

Il file non dovrebbe essere riprodotto nel corpo ordinario della relazione.

146. Caso pratico 4 — Falso positivo da filtro bellezza

Scenario

Un influencer di Roma contesta un detector che classifica come deepfake un video autentico.

Risultati

• video originale disponibile;
• filtro estetico nativo;
• smoothing;
• modifica di occhi e mandibola;
• detector positivo;
• account e dispositivo verificati;
• campioni di riferimento col medesimo filtro.

Conclusione

«Il risultato positivo del detector è compatibile con le trasformazioni prodotte dal filtro estetico e non supporta, isolatamente, un’ipotesi di face swap.»

147. Caso pratico 5 — Screen recording di un deepfake

Scenario

Un cliente consegna una registrazione dello schermo di un video non più disponibile.

Risultati

- interfaccia visibile;
- VFR;
- ricodifica;
- volto piccolo;
- detector discordanti;
- nessun C2PA;
- nessun file sorgente.

Conclusione

«La generazione disponibile è una registrazione dello schermo che limita l’analisi della struttura, della provenienza e degli eventuali watermark originari. Non è possibile formulare una conclusione forte sulla sola base del file.»

148. Caso pratico 6 — Avatar dichiarato

Scenario

Un’azienda romana utilizza un presentatore virtuale in un video formativo, chiaramente indicato come avatar AI.

Risultati

• etichetta;
• account aziendale;
• contratto col provider;
• manifesto;
• nessuna impersonificazione;
• voce sintetica dichiarata.

Conclusione

«Il contenuto è integralmente sintetico e correttamente presentato come avatar artificiale. L’accertamento non ha rilevato una rappresentazione ingannevole di una persona reale.»

149. Caso pratico 7 — Volto autentico, audio falso

Scenario

Un video aziendale mostra realmente il dirigente, ma contiene un ordine di pagamento mai impartito.

Risultati

• frame video coincidenti con la registrazione originale;
• traccia audio sostituita;
• labbra non modificate;
• sincronizzazione assente;
• audio sintetico;
• nuovo mux.

Conclusione

«Le immagini appartengono al video autentico, mentre la traccia audio è stata sostituita. Il file non costituisce un face swap, ma una manipolazione audiovisiva multimodale.»

150. Caso pratico 8 — Manipolazione di una parola

Scenario

In un video di una riunione tenuta a Prati viene contestato un importo pronunciato dal direttore.

Risultati

- video prevalentemente autentico;
- intervallo di 900 ms;
- bocca localmente rigenerata;
- differente dettaglio dei denti;
- mismatch audio-video;
- detector globale negativo;
- detector locale positivo.

Conclusione

«Il filmato è prevalentemente naturale, ma il segmento relativo all’importo presenta caratteristiche compatibili con una sostituzione locale dell’audio e del movimento della bocca.»

151. Caso pratico 9 — Video interamente generato

Scenario

Un profilo anonimo pubblica un video nel quale una persona inesistente commenta un evento avvenuto a Roma.

Risultati

• nessuna fonte precedente;
• identità non rinvenuta;
• mani e sfondo instabili;
• testo sui cartelli variabile;
• movimento della camera sintetico;
• C2PA assente;
• detector full-frame concordi.

Conclusione

«La convergenza degli elementi visivi e dei detector risulta maggiormente compatibile con un video integralmente generato rispetto a una normale ripresa di una persona reale.»

152. Caso pratico 10 — Compressione social severa

Scenario

Un video autentico viene scaricato più volte da piattaforme differenti.

Risultati

• quattro ricodifiche;
• volto a bassa risoluzione;
• bordi instabili;
• detector positivi;
• originale disponibile;
• frame originari verificati.

Conclusione

«Gli artefatti rilevati nelle copie social derivano dalla ricodifica e dal ridimensionamento. Il confronto con il file originario documenta la provenienza naturale del video.»

153. Caso pratico 11 — Face reenactment

Scenario

Un professionista romano appare in un video nel quale sorride e annuisce durante una dichiarazione.

Risultati

- identità facciale coerente;
- movimento delle sopracciglia e della bocca trasferito;
- collo e volto non pienamente solidali;
- action unit ripetitive;
- video sorgente rinvenuto.

Conclusione

«Il volto appartiene alla persona rappresentata, ma le espressioni risultano compatibili con un processo di reenactment applicato alla ripresa originaria.»

154. Caso pratico 12 — Imitatore umano

Scenario

Un video Telegram viene attribuito a un imprenditore romano.

Risultati

• segnale video naturale;
• nessun indicatore di manipolazione;
• persona somigliante;
• proporzioni facciali differenti;
• account anonimo;
• abbigliamento preparato.

Conclusione

«Il video risulta compatibile con una ripresa naturale di un soggetto somigliante. L’assenza di deepfake non conferma l’identità attribuita.»

155. Caso pratico 13 — C2PA con origine algoritmica

Scenario

Un video MP4 contiene Content Credentials.

Risultati

- firma valida;
- hard binding valido;
- origine dichiarata algoritmica;
- generatore indicato;
- successive modifiche registrate;
- account autore non verificato.

Conclusione

«Il manifesto C2PA documenta una produzione algoritmica e le successive operazioni dichiarate. Non identifica autonomamente la persona che ha richiesto la generazione.»

156. Caso pratico 14 — C2PA assente in video autentico

Scenario

Un video camera-original di un vecchio smartphone non contiene Content Credentials.

Risultati

• file sul dispositivo;
• struttura compatibile;
• metadati coerenti;
• video adiacenti;
• nessun C2PA;
• nessuna anomalia.

Conclusione

«L’assenza di C2PA è coerente con il dispositivo e non costituisce un indicatore di manipolazione.»

157. Caso pratico 15 — Più volti, uno solo manipolato

Scenario

Una videoconferenza contiene sei partecipanti.

Risultati

• cinque track naturali;
• un track sintetico;
• media globale del detector negativa;
• risultato per track positivo;
• webcam virtuale sul partecipante.

Conclusione

«L’aggregazione globale nascondeva la manipolazione relativa a un singolo partecipante. L’analisi separata dei track ha rilevato elementi compatibili con un avatar facciale sintetico.»

158. Caso pratico 16 — Video reale decontestualizzato

Scenario

Un discorso autentico viene pubblicato con una descrizione falsa.

Risultati

• file coincidente col video originale;
• nessun montaggio;
• data precedente;
• luogo differente;
• didascalia ingannevole.

Conclusione

«Il video è tecnicamente coerente con la registrazione originaria, ma viene presentato in un contesto temporale e fattuale differente.»

L’autenticità tecnica non coincide con la veridicità della pubblicazione.

159. Errori da evitare

Errore 1 — Osservare soltanto il volto

Il corpo o lo sfondo possono essere sintetici.

Errore 2 — Utilizzare un solo detector

Il modello può non generalizzare.

Errore 3 — Interpretare lo score come certezza

Può non essere calibrato.

Errore 4 — Ignorare la classe positiva

Uno score alto può indicare real o fake.

Errore 5 — Non registrare la soglia

La decisione non è riproducibile.

Errore 6 — Non conservare i pesi

Il modello può cambiare.

Errore 7 — Non calcolare l’hash del checkpoint

Non si identifica la versione.

Errore 8 — Non documentare il face detector

Il crop influenza lo score.

Errore 9 — Non documentare il resize

L’interpolazione modifica le feature.

Errore 10 — Estrarre frame a CFR

Si possono creare duplicazioni.

Errore 11 — Perdere i PTS

Il numero del frame non indica il tempo.

Errore 12 — Analizzare soltanto keyframe

La manipolazione può essere altrove.

Errore 13 — Campionare pochi frame

Si può perdere una modifica locale.

Errore 14 — Trattare frame adiacenti come indipendenti

Sono fortemente correlati.

Errore 15 — Mediare tutti i volti

Un solo volto può essere falso.

Errore 16 — Utilizzare un crop troppo stretto

Si perdono bordi, capelli e collo.

Errore 17 — Utilizzare un crop troppo ampio

Il modello può analizzare lo sfondo.

Errore 18 — Considerare il bordo sfocato prova certa

Compressione e filtri producono effetti simili.

Errore 19 — Considerare denti deformati prova certa

Il codec può degradare la bocca.

Errore 20 — Considerare il battito prova sufficiente

I sistemi moderni lo generano.

Errore 21 — Considerare l’assenza di battito prova di deepfake

Il video può essere breve.

Errore 22 — Considerare pelle liscia prova di AI

Può dipendere da un filtro estetico.

Errore 23 — Ignorare i filtri di videoconferenza

Possono modificare volto e sguardo.

Errore 24 — Confondere avatar e deepfake ingannevole

Un avatar può essere dichiarato.

Errore 25 — Confondere deepfake e montaggio classico

Sono processi differenti.

Errore 26 — Confondere imitazione umana e face swap

Una persona somigliante è naturale.

Errore 27 — Confondere riuso e generazione

Un video autentico può essere decontestualizzato.

Errore 28 — Ignorare il lip sync

La modifica può interessare soltanto la bocca.

Errore 29 — Ignorare l’audio

Può essere la parte falsificata.

Errore 30 — Analizzare audio e video separatamente senza correlarli

Si perde il mismatch multimodale.

Errore 31 — Ignorare la lingua

La fonetica influenza il lip sync.

Errore 32 — Non considerare il profilo

La bocca è meno osservabile.

Errore 33 — Considerare mismatch audio-video prova certa

Può derivare da transcodifica.

Errore 34 — Considerare rumore reale prova di video naturale

Può essere aggiunto o registrato durante un replay.

Errore 35 — Considerare riverbero prova di ripresa reale originaria

Può derivare da monitor e camera.

Errore 36 — Ignorare lo screen recording

Può cancellare watermark e metadati.

Errore 37 — Ignorare il replay da monitor

Introduce una nuova catena ottica.

Errore 38 — Analizzare soltanto la copia social

La fonte originaria può essere molto diversa.

Errore 39 — Non acquisire il post

Si perde il contesto.

Errore 40 — Non acquisire l’account

Il canale di diffusione può essere rilevante.

Errore 41 — Attribuire il video dall’account

L’account può essere compromesso.

Errore 42 — Attribuire il video dal volto

La persona rappresentata può essere vittima.

Errore 43 — Identificare il generatore con certezza

La source attribution può fallire.

Errore 44 — Considerare l’assenza di C2PA prova di naturalità

Lo standard non è universale.

Errore 45 — Considerare C2PA prova della verità

Documenta provenienza dichiarata.

Errore 46 — Non verificare la firma C2PA

La sola presenza del manifesto non basta.

Errore 47 — Considerare un watermark infallibile

Può essere rimosso o perso.

Errore 48 — Considerare assenza di watermark prova di video reale

Il generatore può non applicarlo.

Errore 49 — Non acquisire il file prima della conversione

Si perdono marcature.

Errore 50 — Migliorare il video prima dell’analisi

I filtri alterano le feature.

Errore 51 — Usare super-resolution non documentata

Può inventare dettagli.

Errore 52 — Analizzare come originali i frame upscalati

Sono immagini derivate.

Errore 53 — Non considerare il domain shift

Il caso può differire dal training.

Errore 54 — Fidarsi dell’accuracy pubblicata

Può riguardare un dataset chiuso.

Errore 55 — Non verificare la confusion matrix

Si perdono falsi positivi e negativi.

Errore 56 — Considerare AUC una probabilità del reperto

Sono concetti differenti.

Errore 57 — Sommare score di modelli differenti

Le scale non sono comparabili.

Errore 58 — Considerare ensemble concorde prova certa

I modelli possono condividere shortcut.

Errore 59 — Usare detector pubblici su contenuti intimi

Si espone materiale altamente riservato.

Errore 60 — Non conservare i termini del servizio

Il file potrebbe essere riutilizzato.

Errore 61 — Presentare uno screenshot del detector come perizia

Mancano parametri e riproducibilità.

Errore 62 — Non registrare la data del servizio online

Il modello può essere aggiornato.

Errore 63 — Non utilizzare detector per segmenti

Una manipolazione breve può sfuggire.

Errore 64 — Considerare le finestre sovrapposte prove indipendenti

Condividono frame.

Errore 65 — Non separare i track facciali

Si mescolano soggetti differenti.

Errore 66 — Non verificare le occlusioni

Possono produrre artefatti.

Errore 67 — Considerare un cambio di track deepfake

Può essere un errore del tracker.

Errore 68 — Usare landmark come misure assolute

Dipendono dal modello.

Errore 69 — Confondere face embedding e identità certa

Il risultato è probabilistico.

Errore 70 — Trattare ogni confronto facciale come neutro sul piano privacy

Può implicare dati biometrici.

Errore 71 — Acquisire immagini di riferimento indiscriminatamente

Occorre minimizzazione.

Errore 72 — Utilizzare campioni pubblici non verificati

Potrebbero essere già manipolati.

Errore 73 — Produrre un face swap di prova sul volto della vittima

Si crea un nuovo rischio non necessario.

Errore 74 — Diffondere i frame nella relazione ordinaria

Potrebbero essere sensibili.

Errore 75 — Non proteggere i contenuti intimi

Serve conservazione rafforzata.

Errore 76 — Considerare l’assenza di anomalie prova assoluta

Un deepfake avanzato può non lasciare indicatori rilevabili.

Errore 77 — Considerare una sola anomalia prova di deepfake

Richiede convergenza.

Errore 78 — Non indicare le ipotesi alternative

La conclusione diventa fuorviante.

Errore 79 — Confondere autenticità e verità della scena

Una ripresa genuina può essere preparata.

Errore 80 — Formulare conclusioni giuridiche

Il perito deve restare nell’ambito tecnico.

160. Procedura operativa completa

Fase 1 — Autorizzazione

[ ] incarico;
[ ] titolare;
[ ] liceità;
[ ] quesito;
[ ] periodo;
[ ] privacy;
[ ] biometria;
[ ] limiti.

Fase 2 — Acquisizione

[ ] file;
[ ] post;
[ ] chat;
[ ] account;
[ ] dispositivo;
[ ] cloud;
[ ] versioni;
[ ] verbale.

Fase 3 — Conservazione

[ ] originale;
[ ] SHA-256;
[ ] copie;
[ ] cifratura;
[ ] accessi;
[ ] registro.

Fase 4 — Identificazione

[ ] contenitore;
[ ] codec;
[ ] stream;
[ ] risoluzione;
[ ] frame rate;
[ ] durata;
[ ] errori;
[ ] metadati.

Fase 5 — Provenienza

[ ] C2PA;
[ ] watermark;
[ ] account;
[ ] piattaforma;
[ ] etichetta;
[ ] file precedente;
[ ] pubblicazione.

Fase 6 — Timing

[ ] timebase;
[ ] PTS;
[ ] DTS;
[ ] CFR/VFR;
[ ] edit list;
[ ] audio offset;
[ ] frame interval.

Fase 7 — Frame

[ ] estrazione lossless;
[ ] tabella PTS;
[ ] keyframe;
[ ] GOP;
[ ] framehash;
[ ] scene;
[ ] freeze.

Fase 8 — Volti

[ ] detection;
[ ] tracking;
[ ] track ID;
[ ] landmark;
[ ] crop;
[ ] allineamento;
[ ] qualità.

Fase 9 — Analisi spaziale

[ ] contorno;
[ ] pelle;
[ ] occhi;
[ ] bocca;
[ ] denti;
[ ] capelli;
[ ] luce;
[ ] riflessi.

Fase 10 — Analisi temporale

[ ] flicker;
[ ] identity drift;
[ ] landmark;
[ ] optical flow;
[ ] espressione;
[ ] occlusioni;
[ ] transizioni.

Fase 11 — Audio-video

[ ] voce;
[ ] lip sync;
[ ] offset;
[ ] fonemi;
[ ] tracce;
[ ] sostituzioni.

Fase 12 — Detector

[ ] modello;
[ ] commit;
[ ] pesi;
[ ] hash;
[ ] preprocessing;
[ ] soglia;
[ ] score;
[ ] heatmap.

Fase 13 — Analisi locale

[ ] finestre;
[ ] overlap;
[ ] track;
[ ] score;
[ ] transizione;
[ ] segmento.

Fase 14 — Riferimenti

[ ] video autentici;
[ ] stesso soggetto;
[ ] stesso dispositivo;
[ ] stesso codec;
[ ] stessa piattaforma;
[ ] comparabilità.

Fase 15 — Correlazione

[ ] account;
[ ] dispositivo;
[ ] pagina;
[ ] IP;
[ ] log;
[ ] versioni;
[ ] timeline.

Fase 16 — Interpretazione

[ ] naturale;
[ ] face swap;
[ ] reenactment;
[ ] lip sync;
[ ] full synthesis;
[ ] replay;
[ ] imitazione;
[ ] montaggio.

Fase 17 — Relazione

[ ] materiale;
[ ] metodo;
[ ] strumenti;
[ ] risultati;
[ ] detector;
[ ] limiti;
[ ] conclusioni;
[ ] allegati.

161. Checklist finale

Provenienza

[ ] fonte originaria;
[ ] account;
[ ] URL;
[ ] dispositivo;
[ ] file completo;
[ ] versioni;
[ ] timeline.

Integrità

[ ] SHA-256;
[ ] originali protetti;
[ ] copie di lavoro;
[ ] catena di custodia;
[ ] manifesto.

Struttura

[ ] contenitore;
[ ] codec;
[ ] frame timing;
[ ] audio;
[ ] metadati;
[ ] C2PA;
[ ] watermark.

Volti

[ ] tutti i volti rilevati;
[ ] track separati;
[ ] landmark;
[ ] qualità;
[ ] occlusioni;
[ ] crop conservati;
[ ] frame originali.

Analisi visiva

[ ] contorno;
[ ] geometria;
[ ] pelle;
[ ] occhi;
[ ] bocca;
[ ] capelli;
[ ] luce;
[ ] riflessi.

Analisi temporale

[ ] flicker;
[ ] optical flow;
[ ] identity drift;
[ ] landmark;
[ ] espressione;
[ ] lip sync;
[ ] frame locali.

Detector

[ ] versione;
[ ] commit;
[ ] pesi;
[ ] hash;
[ ] dataset;
[ ] preprocessing;
[ ] soglia;
[ ] score;
[ ] domain shift.

Privacy

[ ] dati biometrici;
[ ] minimizzazione;
[ ] accessi;
[ ] cifratura;
[ ] contenuti intimi;
[ ] minori;
[ ] conservazione.

Relazione

[ ] fatti separati dalle deduzioni;
[ ] detector non presentato come certezza;
[ ] alternative considerate;
[ ] limiti dichiarati;
[ ] attribuzione prudente;
[ ] allegati verificabili.

162. Output minimo dell’accertamento

1. incarico;
2. verbale di ricezione;
3. registro reperti;
4. file originale;
5. hash SHA-256;
6. copie di lavoro;
7. FFprobe JSON;
8. MediaInfo JSON;
9. ExifTool JSON;
10. report frame;
11. report pacchetti;
12. framehash;
13. frame estratti;
14. tabella PTS;
15. report C2PA;
16. report watermark;
17. acquisizione della pagina;
18. acquisizione della chat;
19. dati account;
20. face detection;
21. face tracking;
22. landmark;
23. crop facciali;
24. analisi contorni;
25. analisi geometrica;
26. analisi temporale;
27. optical flow;
28. analisi lip sync;
29. traccia audio;
30. modelli detector;
31. hash dei pesi;
32. ambiente software;
33. parametri;
34. output globale;
35. output per track;
36. output per segmento;
37. heatmap;
38. video autentici di riferimento;
39. tabella comparabilità;
40. timeline;
41. matrice evidenze;
42. matrice ipotesi;
43. relazione tecnica;
44. allegati;
45. manifesto hash.

163. Struttura della relazione tecnica

163.1 Incarico

• committente;
• quesito;
• autorizzazione;
• periodo;
• limiti.

163.2 Materiale

• file;
• account;
• pagina;
• dispositivo;
• versioni;
• hash.

163.3 Provenienza

• piattaforma;
• C2PA;
• watermark;
• metadati;
• etichette;
• storia generazionale.

163.4 Metodo

• strumenti;
• versioni;
• copie;
• preprocessing;
• detector;
• parametri.

163.5 Struttura video

• contenitore;
• codec;
• timing;
• frame;
• audio;
• ricodifica.

163.6 Analisi dei volti

• detection;
• tracking;
• landmark;
• track;
• qualità;
• occlusioni.

163.7 Analisi spaziale

• contorno;
• geometria;
• pelle;
• occhi;
• bocca;
• luce.

163.8 Analisi temporale

• flicker;
• optical flow;
• espressione;
• identity drift;
• transizioni.

163.9 Audio-video

• lip sync;
• voce;
• offset;
• contenuto;
• incongruenze.

163.10 Detector

• modello;
• checkpoint;
• dataset;
• soglia;
• score;
• segmenti;
• limiti.

163.11 Campioni

• provenienza;
• autenticità;
• comparabilità;
• dispositivo;
• qualità.

163.12 Ipotesi

• ripresa naturale;
• face swap;
• reenactment;
• lip sync;
• full synthesis;
• replay;
• imitazione;
• montaggio.

163.13 Conclusioni

Risposte tecniche proporzionate al quesito.

164. Modelli di frasi tecniche

164.1 Compatibilità con deepfake

«Il video presenta caratteristiche compatibili con un processo di generazione o manipolazione facciale, da valutare congiuntamente alla provenienza e ai limiti del file disponibile.»

164.2 Nessun indicatore sufficiente

«Non sono stati rilevati elementi sufficienti per sostenere l’ipotesi di deepfake. Il risultato non consente di escluderla in termini assoluti.»

164.3 Face swap

«Il volto presenta caratteristiche compatibili con una sostituzione di identità applicata a una ripresa preesistente.»

164.4 Reenactment

«L’identità facciale appare coerente con il soggetto rappresentato, mentre le espressioni risultano compatibili con un processo di reenactment.»

164.5 Lip sync

«L’area della bocca presenta movimenti compatibili con una rigenerazione finalizzata alla sincronizzazione con una traccia audio differente.»

164.6 Full synthesis

«Le anomalie non risultano limitate al volto e sono compatibili con una generazione artificiale dell’intera scena.»

164.7 Manipolazione locale

«Il video è prevalentemente naturale, ma l’intervallo indicato presenta caratteristiche compatibili con una modifica sintetica locale.»

164.8 Detector positivo

«Il detector ha prodotto uno score superiore alla soglia dichiarata per la classe manipolata; l’esito è riferito alle condizioni e ai limiti del modello.»

164.9 Detector negativo

«La classificazione negativa non esclude generatori o trasformazioni non rappresentati nei dati di sviluppo.»

164.10 Detector discordanti

«I modelli hanno restituito risultati discordanti, compatibili con un limitato adattamento alle caratteristiche del caso.»

164.11 Score

«Lo score non è stato interpretato come probabilità automatica che il singolo video sia falso.»

164.12 Domain shift

«Risoluzione, codec e modalità di diffusione differiscono dalle condizioni dichiarate per lo sviluppo del modello.»

164.13 Bordo del volto

«La variazione osservata sul contorno può essere compatibile sia con un processo di blending sia con gli effetti della ricodifica.»

164.14 Flicker

«Il track presenta variazioni temporali dell’identità e della texture non osservate nelle regioni circostanti.»

164.15 Occhi

«Le incoerenze degli occhi costituiscono elementi orientativi e non una prova autonoma della manipolazione.»

164.16 Bocca

«Il movimento della bocca non risulta pienamente coerente con il contenuto fonetico e con i frame adiacenti.»

164.17 Replay

«Il file è compatibile con una riacquisizione da schermo, condizione che limita l’esame degli indicatori originari.»

164.18 Screen recording

«Il reperto documenta la riproduzione osservata sul dispositivo e non il video originariamente pubblicato.»

164.19 C2PA valido

«Il manifesto C2PA risulta validamente associato al file e documenta le asserzioni di provenienza riportate.»

164.20 C2PA algoritmico

«Il manifesto dichiara un’origine algoritmica del contenuto nei limiti delle informazioni firmate.»

164.21 Assenza di C2PA

«L’assenza di Content Credentials non consente di stabilire se il video sia naturale o sintetico.»

164.22 Watermark

«Il detector ufficiale ha rilevato la marcatura associata al sistema indicato.»

164.23 Assenza di watermark

«La mancata rilevazione non esclude l’utilizzo di un generatore diverso o la perdita della marcatura.»

164.24 Video social

«La versione acquisita dalla piattaforma è stata ricodificata e non rappresenta necessariamente il file originario.»

164.25 Account

«Il contenuto è stato pubblicato dall’account indicato, ma tale dato non identifica automaticamente il soggetto che ne controllava le credenziali.»

164.26 Identità del volto

«L’analisi di manipolazione è distinta dall’identificazione forense della persona rappresentata.»

164.27 Biometria

«Il confronto facciale è stato limitato ai campioni autorizzati e alle finalità specificate nell’incarico.»

164.28 Verità della scena

«L’autenticità tecnica del file non determina la veridicità fattuale dell’evento rappresentato.»

164.29 Generatore

«Gli elementi non consentono di identificare con certezza il modello o la piattaforma utilizzati.»

164.30 Autore

«La produzione del deepfake non può essere attribuita a una persona fisica sulla base del solo file audiovisivo.»

164.31 Limite della copia

«La mancata disponibilità del file originario riduce la capacità di esaminare provenienza, watermark e struttura precedente alla ricodifica.»

164.32 Conclusione prudente

«Nei limiti del materiale disponibile, la convergenza degli elementi sostiene maggiormente l’ipotesi indicata, senza escludere le alternative tecnicamente plausibili descritte.»

165. Immagini e figure suggerite

Figura 1 — Tassonomia dei deepfake video

Descrizione: face swap, reenactment, lip sync, avatar e full synthesis.
Alt: Principali categorie di manipolazione video mediante AI.

Figura 2 — Pipeline di face swapping

Descrizione: volto sorgente, allineamento, generazione, maschera e fusione.
Alt: Processo tecnico semplificato di face swapping.

Figura 3 — Face reenactment

Descrizione: soggetto guida, espressione e volto destinazione.
Alt: Trasferimento artificiale delle espressioni facciali.

Figura 4 — Lip sync

Descrizione: audio, fonemi, movimento della bocca e frame.
Alt: Processo di sincronizzazione labiale artificiale.

Figura 5 — Deepfake parziale

Descrizione: intervallo autentico, segmento sintetico e ritorno all’originale.
Alt: Manipolazione locale di un video.

Figura 6 — Volti multipli

Descrizione: track F01 autentico e track F02 sintetico.
Alt: Analisi separata dei volti presenti in un video.

Figura 7 — Contorno del face swap

Descrizione: bordo, capelli, mandibola e collo.
Alt: Possibili artefatti di blending sul volto.

Figura 8 — Landmark nel tempo

Descrizione: traiettorie di occhi, bocca e mandibola.
Alt: Analisi temporale dei punti facciali.

Figura 9 — Identity drift

Descrizione: cambi progressivi dei lineamenti tra frame.
Alt: Instabilità dell’identità in un video sintetico.

Figura 10 — Occhi e riflessi

Descrizione: direzione dello sguardo e sorgenti luminose.
Alt: Verifica della coerenza degli occhi in un deepfake.

Figura 11 — Bocca e denti

Descrizione: labbra, denti, lingua e sincronizzazione.
Alt: Analisi locale dell’area della bocca.

Figura 12 — Illuminazione

Descrizione: direzione della luce su volto, collo e sfondo.
Alt: Incoerenza luminosa in un volto manipolato.

Figura 13 — Optical flow

Descrizione: movimento facciale e contorno della maschera.
Alt: Analisi del movimento apparente tra frame.

Figura 14 — Replay da monitor

Descrizione: deepfake, schermo, ambiente, camera e nuovo file.
Alt: Riacquisizione di un video sintetico da uno schermo.

Figura 15 — Detector spaziale e temporale

Descrizione: singolo frame e sequenza di frame.
Alt: Differenza tra detector deepfake spaziali e temporali.

Figura 16 — Score e soglia

Descrizione: distribuzioni real/fake e punto decisionale.
Alt: Interpretazione della soglia di un detector video.

Figura 17 — Domain shift

Descrizione: dataset pulito e video social ricodificato.
Alt: Effetto del cambio di dominio sul detector.

Figura 18 — Detector per segmenti

Descrizione: score sovrapposti lungo la timeline.
Alt: Rilevamento di un deepfake video locale.

Figura 19 — C2PA

Descrizione: asset, manifesto, firma, ingredienti e origine.
Alt: Content Credentials applicate a un video.

Figura 20 — Matrice delle ipotesi

Descrizione: naturale, face swap, reenactment, replay e montaggio.
Alt: Valutazione alternativa di un video sospetto.

166. Riferimenti tecnici e normativi esterni

1. NIST AI 100-4 — Reducing Risks Posed by Synthetic Content, provenienza, watermark, rilevamento e catena dei contenuti sintetici.
2. SWGDE — Best Practices for Digital Video Authentication, distinzione tra contestualizzazione, sorgente e autenticazione del contenuto.
3. SWGDE — Artificial Intelligence Trends in Video Analysis, terminologia face swap e tecniche di generazione.
4. DeepfakeBench — A Comprehensive Benchmark of Deepfake Detection, protocolli e valutazione standardizzata.
5. DF40 — Toward Next-Generation Deepfake Detection, quaranta tecniche di generazione e manipolazione.
6. Deepfake-Eval-2024, benchmark multimodale in-the-wild pubblicato nei lavori CVPR 2026.
7. Deepfake Detection that Generalizes Across Benchmarks, valutazione cross-dataset su benchmark pubblicati tra il 2019 e il 2025.
8. FaceForensics++, benchmark per DeepFakes, Face2Face, FaceSwap e NeuralTextures.
9. Face X-Ray, rilevamento dei confini di blending nei volti manipolati.
10. LipForensics, analisi spazio-temporale dei movimenti della bocca.
11. Lost in Translation, rilevamento del lip sync mediante incongruenza audio-video.
12. C2PA Technical Specification, provenienza, manifesti e Content Credentials.
13. C2PA Tool, visualizzazione e validazione dei manifesti.
14. MediaPipe Face Landmarker, landmark tridimensionali, blendshape e matrici di trasformazione.
15. FFprobe, analisi di stream, frame, pacchetti e timestamp.
16. Commissione europea — Articolo 50 AI Act, obblighi di trasparenza applicabili dal 2 agosto 2026.
17. Legge 23 settembre 2025, n. 132, articolo 612-quater sui contenuti falsificati o alterati mediante AI.
18. EDPB — Video devices e dati biometrici, necessità, proporzionalità e minimizzazione nel riconoscimento facciale.
19. Garante privacy — Deepfake e tutela del volto, rischi per identità e dati personali.
20. SynthForensics, benchmark 2026 per video umani integralmente sintetici.

167. Collegamenti interni consigliati

Capitolo precedente

• Autenticità video: frame, codec, tagli e montaggi

Capitolo successivo

• Immagini, fotografie manipolate e contenuti generati con AI

Capitoli correlati

• Triage iniziale della prova digitale a Roma
• Catena di custodia, hash e verbale tecnico
• Copia forense di hard disk, SSD, pendrive e NAS
• Analisi forense di computer Windows
• Analisi forense di macOS e Linux
• Acquisizione forense di smartphone Android
• Acquisizione forense di iPhone e iPad iOS
• Perizia WhatsApp: messaggi, vocali e allegati
• Telegram, Signal e app di messaggistica forensics
• Recupero dati cancellati per fini probatori
• Analisi forense di email e header
• PEC, ricevute, allegati e prova digitale
• PDF, firme digitali e marche temporali
• Metadati, EXIF, XMP, C2PA e provenienza dei file
• Verifica forense di screenshot e schermate
• Acquisizione di pagine web, social e contenuti online
• Diffamazione online, cyberbullismo, stalking digitale e revenge porn
• Accessi abusivi ad account email, social e cloud
• Truffe online, bonifici fraudolenti e financial cybercrime
• Analisi di log aziendali, firewall, VPN e sistemi cloud
• Incident response forense e ransomware
• Cloud forensics: Google, Microsoft, Dropbox e backup
• Autenticità audio: tagli, montaggi e ricodifiche
• Voice cloning e audio generati con intelligenza artificiale
• Timeline forense e ricostruzione cronologica degli eventi
• Relazione tecnica, CTP informatico e contestazione delle prove digitali

168. Pagine servizio consigliate

/servizi/perizia-informatica-forense-roma/
/servizi/analisi-smartphone-computer/
/servizi/acquisizione-pagine-web-social/
/servizi/analisi-email-pec-documenti-digitali/
/servizi/consulente-tecnico-parte-informatico-roma/
/contatti/

Anchor text consigliati

perizia su video deepfake a Roma
analisi forense di face swapping
verifica di un volto sintetico
analisi di lip sync artificiale
perizia su face reenactment
verifica di un avatar AI
analisi di un video integralmente generato
detector deepfake video
verifica C2PA di un video
confronto tra video autentico e manipolato
analisi di un falso video social
consulente informatico forense deepfake a Roma

169. Box commerciale finale

Devi verificare un video sospettato di deepfake a Roma?

Lo Studio Quaranta Digital Forensics può supportare privati, aziende, professionisti, avvocati e studi legali nell’analisi tecnica di:

[ ] face swapping;
[ ] face reenactment;
[ ] lip sync artificiale;
[ ] talking head;
[ ] avatar AI;
[ ] video integralmente sintetici;
[ ] manipolazioni locali del volto;
[ ] falsi video aziendali;
[ ] videoconferenze sospette;
[ ] video diffamatori;
[ ] contenuti intimi falsificati;
[ ] video social ricodificati;
[ ] screen recording;
[ ] Content Credentials C2PA;
[ ] watermark;
[ ] output di detector automatici.

L’attività può comprendere:

• acquisizione del file e della pubblicazione;
• calcolo hash;
• analisi di contenitore e codec;
• analisi frame per frame;
• face detection e tracking;
• analisi dei landmark;
• verifica di contorni, texture e illuminazione;
• analisi temporale;
• verifica lip sync;
• controllo C2PA e watermark;
• applicazione di detector locali documentati;
• confronto con video autentici;
• acquisizione di smartphone e computer;
• timeline;
• relazione tecnica;
• supporto al legale e al CTP.

CTA principale:
Richiedi una valutazione preliminare

CTA secondaria:
Descrivi il video, la piattaforma e il punto contestato

Avvertenza: evita di convertire, ritagliare, migliorare, stabilizzare o caricare il video su detector pubblici prima di una valutazione tecnica. Conserva anche la pagina, la chat, il dispositivo e tutte le versioni disponibili.

Lo Studio non garantisce:

• individuazione certa del deepfake;
• identificazione del generatore;
• attribuzione dell’autore;
• riconoscimento certo della persona;
• recupero del file originario;
• esito processuale.

170. Conclusione del capitolo

Un deepfake video non può essere accertato osservando un singolo frame o leggendo una percentuale prodotta da un software.

Una corretta analisi deve ricostruire l’intera catena:

fonte
→ identità o immagine di riferimento
→ generazione o trasformazione
→ fusione
→ post-produzione
→ codec
→ piattaforma
→ ricodifica
→ acquisizione forense
→ analisi

Ogni passaggio può:

• introdurre indicatori;
• attenuarli;
• cancellarli;
• produrre falsi positivi;
• modificare il detector score.

Il contorno del volto può essere informativo per un face swap.

La bocca può essere decisiva per un lip sync.

La coerenza temporale può evidenziare un reenactment.

Lo sfondo e il corpo possono rivelare un video integralmente sintetico.

C2PA può documentare la provenienza dichiarata.

Un watermark può collegare il file a uno specifico ecosistema.

Un detector può evidenziare pattern statistici.

L’account può documentare il canale di pubblicazione.

Nessun elemento, isolatamente, risolve ogni domanda.

L’origine sintetica di un video deve essere valutata attraverso la convergenza tra provenienza, struttura, immagini, movimento, audio, detector e contesto; lo score automatico non costituisce una prova certa e la persona rappresentata non coincide con l’autore della manipolazione.

Una relazione tecnicamente corretta deve indicare:

- quale file è stato acquisito;
- quale generazione rappresenta;
- quale piattaforma lo ha trasmesso;
- quali trasformazioni può aver subito;
- quali volti sono stati analizzati;
- quali detector sono stati applicati;
- con quali pesi e soglie;
- quali campioni sono stati confrontati;
- quali risultati convergono;
- quali sono discordanti;
- quali spiegazioni alternative restano possibili;
- quali limiti impediscono conclusioni più forti.

Un detector positivo può dipendere da:

• deepfake;
• filtro;
• compressione;
• screen recording;
• dominio differente.

Un detector negativo può riguardare:

• video reale;
• generatore sconosciuto;
• deepfake locale;
• video ricodificato;
• segmento non campionato.

Il compito dell’informatica forense non è sostituire il dubbio con una certezza artificiale.

È costruire una valutazione:

• documentata;
• riproducibile;
• prudente;
• tecnicamente motivata;
• utile al legale e al decisore.

171. Anticipazione del capitolo successivo

Capitolo 28 — Immagini, fotografie manipolate e contenuti generati con AI

Il prossimo capitolo tratterà:

• acquisizione della fotografia originale;
• JPEG, PNG, TIFF, HEIF, AVIF, WebP e RAW;
• file camera-original;
• sviluppo RAW;
• crop;
• resize;
• rotazione;
• compositing;
• copy-move;
• object removal;
• object insertion;
• splicing;
• inpainting;
• generazione text-to-image;
• diffusione;
• immagini integralmente sintetiche;
• immagini parzialmente modificate;
• face swap fotografico;
• deep nude;
• illuminazione;
• ombre;
• riflessi;
• prospettiva;
• rumore;
• CFA;
• PRNU;
• double JPEG;
• quantizzazione;
• Error Level Analysis;
• limiti dell’ELA;
• metadati EXIF e XMP;
• C2PA;
• watermark;
• detector automatici;
• generalizzazione e falsi positivi;
• confronto con immagini di riferimento;
• casi pratici ambientati a Roma;
• formule peritali prudenti;
• relazione tecnica.