Señales de un video sintético en un flujo de verificación remota

Cuando un analista de fraude revisa una sesión sospechosa, lo primero que aparece no es una prueba concluyente sino un conjunto de indicios que, por separado, se explican solos. Un rostro con bordes demasiado limpios puede ser una cámara con buen sensor. Un parpadeo irregular puede ser una conexión lenta. La decisión útil no sale de una sola señal, sino de cómo se acumulan y de qué tan bien resisten la explicación inocente.

La capa de compresión es la más accesible. Un video generado suele pasar por varias recompresiones antes de llegar al endpoint, y esas pasadas dejan huellas: bloques de 8x8 con energía uniforme, ringing alrededor de contornos faciales, y una distribución de DCT que no coincide con la de un sensor físico capturando luz real. En un flujo legítimo, el ruido de sensor varía con la ganancia ISO y la exposición. En un video sintético, ese ruido tiende a ser plano o repetido entre fotogramas.

La coherencia temporal es la segunda capa. Un modelo generativo puede producir fotogramas individualmente convincentes, pero mantener la misma textura de piel, el mismo patrón de sombras y la misma microexpresión a lo largo de doscientos milisegundos es otra cosa. Los sistemas de análisis comparan el residuo entre fotogramas consecutivos: si el fondo cambia de grano mientras el rostro permanece idéntico, hay una discontinuidad que no se explica por movimiento natural.

La respuesta a estímulos en tiempo real añade una tercera dimensión. Pedir al usuario que gire la cabeza, lea una cifra o siga un punto en pantalla obliga al stream a reaccionar dentro de una ventana temporal concreta. Un video pregrabado puede simular el gesto, pero la latencia entre la instrucción y el movimiento, y la forma en que la iluminación cambia con el ángulo, rara vez coinciden con lo que haría una persona frente a una cámara.

Los metadatos del contenedor aportan la capa más barata y, a la vez, la más frágil. Un archivo MP4 o WebM generado por una herramienta de síntesis puede conservar firmas de encoder, duraciones de GOP atípicas o ausencia de campos que una cámara suele escribir. El problema es que un atacante cuidadoso puede limpiar esos campos o reencodear el archivo. Por eso los metadatos se usan como señal de apoyo, nunca como criterio único.

El ruido de falsos positivos aparece sobre todo con iluminación pobre y redes móviles lentas. Una webcam barata en una habitación con luz cálida produce artefactos que se parecen a los de un video sintético. Una conexión con pérdida de paquetes introduce saltos temporales que el analizador puede leer como incoherencia. La ponderación de señales tiene que considerar el contexto de captura antes de bloquear una sesión, o el sistema rechazará usuarios legítimos con más frecuencia de la que tolera cualquier equipo de soporte.

La meta realista no es detectar el cien por ciento de los videos generados. Es elevar el costo del ataque hasta que la operación a escala deje de ser rentable. Un atacante que necesita producir un video que pase compresión, coherencia temporal, respuesta a estímulos y metadatos limpios ya no está automatizando: está trabajando caso por caso, y eso cambia por completo la economía del fraude.