Une voix familière annonce un événement, un visage connu apparaît dans une vidéo : l’existence d’un deepfake rend désormais nécessaire une vérification de provenance. Le contrôle ne peut pourtant pas se limiter à chercher une main mal dessinée ou un clignement étrange. Les défauts faciles à repérer changent avec les outils.

Retrouver la chaîne de publication

Le rapport NIST AI 100-4 examine plusieurs approches de transparence des contenus, dont la provenance, les filigranes et la détection. Il ne présente pas une solution unique capable de certifier tout fichier dans toutes les conditions.

Commencez par la première publication accessible et son contexte. Un extrait attribué à un discours devrait pouvoir être rapproché d’une version complète ou d’un compte rendu indépendant. La popularité d’une copie ne confirme pas l’origine de la scène.

Un détecteur fournit un résultat conditionnel

Un outil a été évalué sur certains types de données. Compression, recadrage et nouvelle génération peuvent modifier sa performance. Un score doit donc être lu avec ses limites et ne remplace pas une enquête sur le contenu.

L’absence d’un filigrane ne prouve pas une photographie réelle. Sa présence n’explique pas forcément toute l’histoire des modifications. Il faut distinguer la traçabilité disponible de l’affirmation absolue sur chaque pixel.

Vérifier aussi ce qui est dit

Une vidéo réelle peut être présentée avec une date fausse ou une traduction trompeuse. À l’inverse, une reconstitution explicitement identifiée peut illustrer honnêtement un propos. L’authenticité visuelle et la véracité du commentaire sont deux contrôles complémentaires.

Avant de partager une annonce importante, cherchez une confirmation indépendante et conservez le lien interne de provenance pour votre enquête. Si la source ne peut pas être retrouvée, indiquez cette limite. La meilleure protection n’est pas un réflexe visuel magique : c’est une combinaison de contexte, de documents et de tests adaptés au fichier examiné.

Sources & références

Documents consultés pour ce dossier. Les interprétations sont celles de la rédaction.

  • NIST AI 100-4, Reducing Risks Posed by Synthetic Content · Consulté le 2026-10-04

Un élément à corriger ? Écrivez à la rédaction.