经常在互联网上被AI视频假冒的黄仁勋，这次终于出手了。

近日，英伟达正式推出Synthetic Video Detector NIM，一套号称能逐帧分析视频的检测工具。它通过识别生成模型留下的统计与频域痕迹，来判断哪些内容是AI生成的。根据官方数据，准确率最高可达92%。

（图源：英伟达）

没办法，谁让现在生成假图、做假视频的门槛越来越低。

前阵子刷到一个视频，内容挺简单：一只猫刚把花瓶碰碎，转头就溜得比谁都快，旁边的狗子当场愣住，疯狂挥爪解释，表情像是在说——不是我，真的不是我。

（图源：抖音）

挺好笑的对吧，如果不是AI视频就更好了。

更麻烦的是，以前判断假视频，还能靠一些比较明显的画面破绽，比如嘴型对不上、手指数量不对。现在视频生成模型进步速度飞快，很多生成内容已经不会留下这么明显的漏洞。也难怪家里的长辈能天天上钩。

既然普通人不知道该怎么辨别，那也是时候轮到检测工具上场了。

英伟达加入“用AI检测AI视频”大军

先简单介绍一下，英伟达在2024年3月公布了NVIDIA Inference Microservices，简称NIM。它本质上就是把“模型+推理+API接口+运行环境”打包成一个部署工具，算是一种让开发者快速获得AI服务的办法。

而这次发布的Synthetic Video Detector NIM，可以理解成英伟达在NIM标准下打包的一套AI视频检测服务。

正因为这玩意主要面向本地部署，目前想要在线使用必须通过英伟达的媒体测试申请，而本地部署又需要Linux系统和兼容NVENC/NVDEC视频编解码的硬件，普通人想用上还挺困难。

（图源：英伟达）

不过用不上，不影响我们借着目前的资料和演示好好聊一聊。

根据最新介绍，视频上传后，SVD NIM会先把H.264编码的MP4拆成画面帧，再交给DINOv2和DINOv3组成的视觉模型分析，给每一帧打分并汇总，告诉你整段视频到底有多像AI生成。

重点是，它不会盯着六根手指、人物穿模或者水杯突然消失这种传统艺能。

按照最新说法，SVD NIM识别的是生成和去噪过程中留下的底层统计特征、频率异常，以及正常相机不太容易拍出来的像素规律。即便用户将视频压缩和重新编码，也依然能保证较高的识别概率。

（图源：英伟达）

参考最新提供的案例，可以看到这个视频本身并没有出现早期AI视频特有的各种画面崩坏、前后不一的问题，但SVD NIM却给出了高达99%的综合得分。当然，这视频确实一眼假——毕竟运镜有点太平滑了。

（图源：英伟达）

可以说，英伟达这套思路确实比盯着画面里的破绽要靠谱些。

毕竟要在没有前情提要的情况下，给大伙看下面这段视频，至少八成左右的人看不出这是完全由AI生成的——现在Seedance和Kling的视频生成能力就是这么恐怖。

（图源：bilibili）

按照英伟达的说法，他们准备了超过4000个视频的内部测试集，SVD NIM检测的成功率高达85.64%，未压缩视频的准确率更是高达92%。

不过，92%的准确率不能理解成一测一个准。

尽管在宣传稿里没说，但英伟达在说明文档里还是有标注的：这么高的准确率是由偏严格的阈值采样的，在真实环境中可能造成大量误判。所以，这玩意更适合给视频做初筛，出现可疑素材的话，还是应该交给人工继续核实。

而且这个准确率还是基于H.264编码的MP4格式视频得到的，任何转码和压缩都会降低准确率。只能说老黄的免责声明还是太专业了。

反AI实测：朱雀还行，反诈中心不稳定

目前来说，英伟达这套SVD NIM确实离普通用户还有点远。

不过国内其实也有类似定位的检测工具，直接打开就能用。其中一个是腾讯朱雀AI检测助手，另一个是反诈中心App里的“AI内容鉴定”。两款应用均支持文字/图片/视频检测，每天也有一定次数的免费检测。

为了看看AI抓AI到底靠不靠谱，准备了一组混合测试：

几张由主流模型直接生成的图片、几张手机实拍照片；一段精心挑选的AI视频，再搭配Vlog题材的真实视频。还把部分素材发过微信、截过图，准备看看它们应对二次压缩的表现怎么样。

第一轮，来点AI视频。

（图源：bilibili）

这段视频本身我觉得是很不错的。略显模糊的分辨率、微微晃动的模拟镜头和角色的动作神态融合在一起，真的很有老电影的感觉。制作者手绘了大量分镜图供模型参考，可以说完全发挥了Seedance的制作能力。

结果腾讯朱雀第一个就栽了。

（图源：）

作为对比，通过媒体申请的朋友帮忙测试了SVD NIM，结果显示高达93%的综合得分，意味着这个视频高概率是AI合成的。同时，逐帧检测的疑点也在坐标系上标注出来了。不过，检测速度确实不快，13秒的视频检测了两分钟。

（图源：）

更牛的还是反诈中心内容检测——愣是试了半个小时没能传上去，最后只能作罢。

第二轮，换上真实视频。

（图源：）

当然，不能是那种简单的真实视频。选了一个很多视频生成模型都喜欢模仿的Vlog视频，制作者用的相机不错，镜头过渡顺滑自然，街头光影也很有质感，属于一眼真假莫辨的水平。

猜怎么着？腾讯朱雀又翻车了。

（图源：）

英伟达这边相对还是要强不少，虽然也给出了34%的综合得分，但这毕竟是个参考数值，意味着模型检测到的合成内容证据不多。

（图源：）

至于反诈中心，依然没有上传成功。要是有老人家真的想用这功能，那就受罪了。

接下来换图片。这个就不详细介绍了，总之是同一个题材下的真实图片，以及两张由豆包、image 2制作的AI图片，后面两个均通过后期、压缩抹除水印。

（图源：，从左到右为豆包、image2和真实照片）

结果刚想夸朱雀这次认出AI图了，它就把真实照片也判成了AI。

（图源：）

相反，之前折腾了好几次没传上视频的内容检测，这次倒是做到三题全对。看来反诈中心在算法上还是有些优势的。

（图源：）

最后吐槽一点：这两家给的免费次数都不多，真遇到啥事还不一定够用。

AI识别很弱，但总比没有要强一点

这一轮测下来，对AI检测工具的信心，只能说比没有强一点。

视频这块，英伟达表现还行，腾讯朱雀完全靠不住，居然能得出相反的答案。图片相对会好一些，但腾讯朱雀依然能整出真图当假图的好活，而反诈中心内容检测的服务器则大部分时候都是爆满的，根本上传不了内容。

这机器自己都拿不准，人就更别急着拿检测截图去评论区断案了。

从测试结果来看，相比事后猜一张图有没有AI味，生成时直接留下水印和来源记录，显然更加靠谱。

如今谷歌已经在用SynthID给生成内容加隐形标记，Adobe等公司也在推动C2PA，希望把文件从生成到修改的过程记录下来。国内也在跟进，网信办已明确要求AI内容添加标识，腾讯、阿里和字节也在检测、数字签名和平台提示上积极补课。

（图源：）

问题是，目前这套体系还没有完全连起来。

去部署一个开源模型，生成的内容必然也是没有水印的；图片、视频转发几次，元数据可能就没了；至于平台之间能不能互相认出对方的水印，就目前国内各家厂商互相防范的情况来看，同样也是个问题。

在这些环节真正打通以前，普通人只能自己多长个心眼了。