Los Angeles, e um aviso do fornecedor
Na SIGGRAPH, em Los Angeles, a Nvidia anunciou a 20 de julho de 2026 o Synthetic Video Detector, um microsserviço da plataforma AI for Media que analisa as imagens fotograma a fotograma e estima se foram geradas. Rev Lebaredian, vice-presidente de simulação de IA física da empresa, expôs o que está em jogo com clareza ao dizer que, se não conseguirmos distinguir um vídeo sintético de um real, isso pode corroer a confiança pública.
A frase mais útil surgiu mais abaixo no anúncio, e vinha da Nvidia e não de um crítico. Em vez de substituir as práticas de verificação estabelecidas, escreveu a empresa, o microsserviço fornece mais um sinal para decisões urgentes. É um fornecedor a dizer-lhe de antemão que não trate o resultado como prova. Convém levá-lo à letra.
Três números, e o mais baixo é o seu
A Nvidia publicou a exatidão em três níveis de compressão. Nos seus próprios testes o modelo chegou a 92 por cento em vídeo não comprimido, 87 por cento com 15 por cento de compressão e 82 por cento com 50 por cento. A empresa indicou ainda uma área sob a curva de 0,9614 e uma exatidão de 0,9453 num conjunto de testes interno. A velocidade chega para uso em direto, com 1080p em apenas 22 milissegundos em sistemas RTX e cerca de 30 milissegundos em aceleradores L40.
Pense agora em qual destes três números descreve a sua situação. O vídeo que chega a uma empresa europeia passou por uma codificação de entrega e quase sempre por uma plataforma que o voltou a codificar. Um excerto reencaminhado por mensagem, retirado de uma rede social ou captado de uma videochamada não é material não comprimido. Os 92 por cento pertencem a uma condição de laboratório. O número que descreve um dia normal de trabalho é o 82.
O produto não aceita o formato do seu próprio título
A documentação técnica da Nvidia indica que o serviço aceita vídeo MP4 codificado em H.264, descodificado na placa gráfica em fotogramas. O H.264 é um formato comprimido. A entrada que o produto realmente aceita está portanto comprimida por definição, ao passo que o valor de exatidão à cabeça do anúncio foi medido em vídeo não comprimido. Os dois factos estão em duas páginas diferentes da Nvidia e não se contradizem, mas lidos em conjunto dizem que o número do título descreve uma entrada que o serviço não aceita.
A mesma documentação descreve os sinais do modelo como resistentes às transformações habituais de vídeo, incluindo a compressão e a recodificação. Resistente é um adjetivo. O anúncio fornece a aritmética que lhe está por trás, ou seja, uma queda de dez pontos percentuais entre material não comprimido e material a 50 por cento de compressão. Quando um fornecedor lhe dá uma palavra tranquilizadora e as suas próprias medições, fique com as medições.
Responde sobre a geração, não sobre a verdade
O detetor estima se os pontos de imagem foram sintetizados. Não avalia se os acontecimentos no ecrã sucederam. Uma câmara real diante de uma cena encenada, uma gravação autêntica com uma legenda falsa ou imagens verdadeiras do ano errado passam todas por reais, porque no único sentido que o modelo mede são-no. A arquitetura é um conjunto dos modelos de visão DINOv2 e DINOv3 e devolve uma única probabilidade entre zero e um para todo o vídeo, com pontuações opcionais por fotograma.
Essa lacuna pesa sobretudo nos casos que as empresas enfrentam mesmo. A fatura desviada depois de uma videochamada convincente, o sinistro sustentado por imagens, a verificação de identidade na adesão à distância: em todos a pergunta é se o que se mostra é real, e não apenas se um modelo desenhou os pontos de imagem. Uma pontuação alta de autenticidade é compatível com uma operação inteiramente fraudulenta.
O que fixar antes de ficar à frente da sua entrada
A Wowza está a integrar o serviço através do seu Video Intelligence Framework, que alcança mais de 35 000 instalações em mais de 170 países, pelo que chegará dentro de uma infraestrutura que muitas empresas já operam e não como uma compra à parte. Antes disso, feche três pontos. Peça a exatidão medida ao nível de compressão que o seu próprio material transporta. Pergunte que limiar de probabilidade desencadeia uma ação, dado que a Nvidia não publica orientação sobre falsos positivos. Depois pergunte quem revê os alertas, porque nessa escala uma taxa perto de um em cada cinco em material comprimido gera trabalho em vez de respostas.
Mantenha também os mecanismos separados no seu planeamento. Marcar o conteúdo no momento em que é criado e classificá-lo depois são coisas distintas: a proveniência viaja com o ficheiro se ninguém a retirar, ao passo que um classificador estima a partir dos pontos de imagem de cada vez. Um detetor é um segundo sinal razoável. Não é um controlo em que possa pôr o seu nome, e a Nvidia disse precisamente isso.
Leia a seguir: A verdadeira dependência da Nvidia já é aberta | Japão compra uma fábrica de IA para os seus robôs
