Deepfakes 2026: реализм, угрозы и защита

В 2025 году дипфейки продемонстрировали впечатляющий скачок в развитии. Искусственно сгенерированные лица, голоса и даже целые представления, имитирующие реальных людей, достигли такого уровня реализма, который еще несколько лет назад казался немыслимым даже для многих экспертов. К сожалению, вместе с качеством выросло и количество случаев использования дипфейков в мошеннических целях.

В обыденных ситуациях, особенно при видеозвонках низкого разрешения или просмотре медиа в социальных сетях, дипфейки стали настолько убедительными, что могут легко обмануть неподготовленного зрителя. По сути, синтетические медиа для обычных пользователей, а порой и для организаций, стали неотличимы от подлинных записей.

Рост касается не только качества. Объемы дипфейков увеличиваются взрывными темпами: по оценкам компании DeepStrike, с примерно 500 000 онлайн-дипфейков в 2023 году их число выросло до 8 миллионов в 2025 году, а годовой прирост приблизился к 900%.

Я, как специалист по компьютерным наукам, изучающий дипфейки и другие синтетические медиа, вижу, что в 2026 году ситуация, вероятно, ухудшится. Дипфейки станут настолько совершенными, что смогут реагировать на происходящее в реальном времени.

За этим стремительным развитием стоят несколько ключевых технических сдвигов.

Во-первых, значительный прорыв в реализме видео стал возможен благодаря моделям генерации видео, специально разработанным для обеспечения временной согласованности. Эти модели создают видео с последовательным движением, стабильной идентификацией персонажей и логически связным содержанием от кадра к кадру. Они разделяют информацию, отвечающую за идентичность человека, от информации о движении, что позволяет применять одно и то же движение к разным личностям или наоборот.

Эти модели генерируют стабильные, четкие лица без мерцания, искажений или структурных деформаций вокруг глаз и челюсти, которые ранее служили надежными признаками подделки.

Во-вторых, клонирование голоса пересекло так называемый "порог неотличимости". Теперь достаточно нескольких секунд аудиозаписи, чтобы создать убедительную копию голоса, включая естественную интонацию, ритм, акценты, эмоции, паузы и даже дыхание. Эта возможность уже используется для масштабного мошенничества: некоторые крупные розничные сети сообщают о получении более 1000 мошеннических звонков в день, сгенерированных ИИ. Ранее очевидные недостатки синтетических голосов практически исчезли.

В-третьих, появление потребительских инструментов практически обнулило технический барьер. Обновления от OpenAI (Sora 2) и Google (Veo 3), а также многочисленные стартапы позволяют любому пользователю описать идею, дать большой языковой модели (например, ChatGPT или Gemini) написать сценарий и за несколько минут сгенерировать качественный аудиовизуальный контент. ИИ-агенты могут автоматизировать весь процесс. Возможность создавать связные, сюжетные дипфейки в больших масштабах стала поистине демократичной.

Сочетание растущего объема и почти полной неотличимости сгенерированных образов от реальных людей создает серьезные проблемы для их обнаружения. Это особенно актуально в медиасреде, где внимание пользователей фрагментировано, а контент распространяется быстрее, чем его успевают проверить. Дипфейки уже привели к реальному ущербу — от дезинформации и целенаправленного преследования до финансовых мошенничеств — распространяясь прежде, чем люди успевают осознать происходящее.

Заглядывая вперед, тенденция на следующий год очевидна: дипфейки движутся в сторону синтеза в реальном времени, способного генерировать видео, максимально точно имитирующее нюансы человеческого облика. Это еще больше затруднит их обнаружение. Фронт разработки смещается от статичного визуального реализма к временной и поведенческой согласованности: модели будут генерировать контент в реальном времени или с минимальной задержкой, а не предварительно отрендеренные клипы.

Моделирование личности будет конвергировать в унифицированные системы, которые захватывают не только внешний вид человека, но и то, как он двигается, звучит и говорит в различных контекстах. Результатом станет не просто "это похоже на человека X", а "это ведет себя как человек X с течением времени". Я ожидаю появления полностью синтезируемых участников видеозвонков в реальном времени, интерактивных актеров на базе ИИ, чьи лица, голоса и манеры мгновенно адаптируются к запросу, а также мошенников, использующих адаптивные аватары вместо фиксированных видео.

По мере созревания этих технологий разрыв между синтетическими и аутентичными медиа будет продолжать сокращаться. Основная линия обороны сместится с человеческого суждения на инфраструктурные решения. Сюда входят надежные механизмы отслеживания происхождения контента, такие как криптографически подписанные медиа, и инструменты для работы с контентом на базе ИИ, соответствующие спецификациям Coalition for Content Provenance and Authenticity. Также потребуются мультимодальные криминалистические инструменты, подобные моему Deepfake-o-Meter.

Простого пристального взгляда на пиксели будет уже недостаточно.

*Признаны экстремистскими организациями и запрещены на территории РФ.