{"version":"https://jsonfeed.org/version/1.1","title":"Guias de verificação do AI Fake Scan","home_page_url":"https://aifakescan.com/pt-br/resources","feed_url":"https://aifakescan.com/pt-br/resources/feed.json","description":"Guias em português do Brasil sobre a origem de imagens e vídeos de IA, evidências e limites da detecção.","items":[{"id":"https://aifakescan.com/pt-br/resources/how-to-check-if-a-photo-was-edited-with-ai","url":"https://aifakescan.com/pt-br/resources/how-to-check-if-a-photo-was-edited-with-ai","title":"Como saber se parte de uma foto foi editada com IA","summary":"Suspeita de uma edição com IA em parte de uma foto? Compare imagens anteriores, confira as Credenciais de Conteúdo e interprete detectores sem exagerar os resultados.","date_published":"2026-11-17T05:50:44.481Z","date_modified":"2026-11-17T05:50:44.481Z","tags":["Verificação de imagens","Credenciais de Conteúdo","Origem da mídia"],"content_text":"Se você suspeita de uma edição com IA em parte de uma foto, comece procurando uma versão anterior e comparando a área relevante. Examine as Credenciais de Conteúdo assinadas do arquivo que você recebeu, se houver, e use os resultados de detectores para orientar uma análise mais detalhada. Talvez seja possível mostrar que duas fotos diferem em um ponto, enquanto a causa da diferença permanece desconhecida. O que a IA pode mudar em uma foto? No Adobe MAX de 10 de novembro de 2026, a Adobe anunciou o Edit Object para o Firefly Image. A empresa o descreve como um recurso beta que permite selecionar um objeto existente em uma foto e alterar propriedades como sua cor. Ele foi projetado para manter o restante da imagem igual. Uma mudança em um objeto pode alterar o que as pessoas entendem de uma foto de uma cena que, fora isso, lhes parece familiar. Anúncio do Adobe MAX · Documentação do Adobe Edit Object Imagine que a foto de um anúncio mostre uma tomada ao lado de uma pia. Uma foto mais antiga do mesmo cômodo mostra uma parede sem tomada. A primeira pergunta é se a tomada existe, pois essa é a informação em que uma pessoa pode confiar. A segunda é como a imagem mudou. Uma reforma, um retoque convencional e uma edição generativa são possibilidades até que outras evidências ajudem a restringi-las. Este exemplo ilustra uma edição parcial e suas alternativas. Ele não retrata um resultado do Edit Object nem um teste de detector. Como encontrar uma versão para comparar? Salve a imagem como foi recebida e guarde a URL e a legenda da página. Peça a quem a publicou o arquivo com a melhor qualidade possível e, se possível, uma exportação anterior ou quadros próximos da mesma sessão. Pesquise primeiro a imagem inteira e depois um recorte de um elemento que não mudou, como uma placa ou uma porta característica. A pesquisa pode revelar versões com recortes ou legendas diferentes. Como pesquisar com uma imagem no Google Lens Alinhe as duas versões usando detalhes fora da área que pode ter sido editada. Compare o objeto, suas bordas, reflexos, sombras e tudo o que ele encobre. Confira datas e ângulos antes de considerar a diferença uma edição. No exemplo do anúncio, uma primeira anotação útil seria: “As duas fotos mostram detalhes diferentes no local da tomada. As datas das fotos e a causa da diferença não foram confirmadas.” Para verificar a situação física, peça uma imagem recente de outro ângulo ou uma visita ao vivo por vídeo. O que as Credenciais de Conteúdo revelam sobre uma edição parcial? Se houver credenciais, examine quem as assinou, o status de validação e as ações registradas. As Credenciais de Conteúdo C2PA podem conter informações assinadas sobre a origem e o histórico de edição de um arquivo específico. O detalhe útil é a ação efetivamente registrada e o grau de precisão com que ela descreve a edição. Uma credencial pode identificar uma ferramenta sem indicar uma região específica da imagem. Explicação da C2PA A Adobe documenta credenciais automáticas para arquivos gerados inteiramente pelo Firefly, como resultados de Texto para imagem. Em uma edição parcial, confira a exportação efetiva e as ações declaradas. Se não encontrar credenciais na cópia do anúncio, registre “Nenhuma credencial encontrada na cópia do anúncio” e peça a exportação original. Esse resultado não esclarece o método de edição. O guia de resultados das Credenciais de Conteúdo explica como interpretar o status de validação. Ajuda do Adobe Firefly Como interpretar o resultado de um detector? Comece com a cópia de melhor qualidade que tiver e registre a versão enviada. O detector de imagens do AIFakeScan não consegue localizar com confiabilidade uma edição localizada a partir de um sinal visual da imagem inteira. No beta atual, sinais visuais isolados permanecem inconclusivos. Se uma análise da cópia do anúncio retornar inconclusiva, você pode relatar: “Esta análise não determinou se a área da tomada foi editada.” Um resultado sobre um recorte se aplica àquele recorte. Metodologia do AIFakeScan Um pré-print de pesquisa sobre imagens geradas e editadas em circulação online avalia materiais reais coletados em fontes jornalísticas, de checagem de fatos e de redes sociais. Seu foco é relevante aqui porque um teste com resultados diretos e não alterados de geradores responde a uma pergunta mais limitada do que a verificação de fotos que podem ter sido parcialmente editadas e republicadas. Para um resultado com evidências limitadas, consulte o guia sobre análises inconclusivas de imagens. Como relatar o que mudou? Descreva a parte da foto que afeta a afirmação, identifique as duas versões e apresente as evidências que sustentam sua descrição. Se os arquivos forem diferentes e o método de edição não tiver sido esclarecido, você pode escrever: “A foto anterior mostra uma parede sem tomada onde a imagem do anúncio mostra uma tomada. Não foi possível estabelecer se a diferença veio de uma edição ou de uma mudança no cômodo.” Se a exportação original tiver uma credencial validada e confiável que declare uma substituição generativa, relate a ação declarada e mencione a área afetada apenas se o registro a identificar. Perguntas frequentes Uma foto feita com câmera pode conter pixels gerados por IA? Sim. Uma câmera pode capturar a cena original e, depois, uma pessoa pode usar IA generativa para substituir ou ampliar parte dela. Uma foto para comparação ou um histórico de edição documentado pode ajudar a estabelecer onde ocorreu a mudança. Posso confirmar uma edição parcial a partir de uma captura de tela? Uma captura de tela pode preservar o que uma publicação exibiu e ajudar na busca por versões anteriores. Para verificar a proveniência do arquivo e examinar a imagem mais de perto, solicite o arquivo originalmente enviado ou a exportação de origem, quando disponível."},{"id":"https://aifakescan.com/pt-br/resources/how-to-verify-a-viral-news-clip","url":"https://aifakescan.com/pt-br/resources/how-to-verify-a-viral-news-clip","title":"Como verificar um vídeo de notícia viral antes de compartilhá-lo","summary":"Um vídeo que imitava um boletim da Sky News se passou por Yalda Hakim. Confira vídeos virais no arquivo da emissora e em declarações diretas.","date_published":"2026-11-17T05:50:44.481Z","date_modified":"2026-11-17T05:50:44.481Z","tags":["Verificação de vídeo","Deepfakes","Origem da mídia"],"content_text":"Antes de compartilhar um vídeo de notícia, descubra quem o publicou e o que a emissora ou a apresentadora realmente publicou. Procure o programa completo, uma transcrição ou uma resposta direta. No caso de Yalda Hakim, a declaração dela responde se ela noticiou a história. Questões sobre as imagens usadas e como o vídeo foi feito exigem outras evidências. O que aconteceu com o vídeo que se passava por Yalda Hakim? Em 15 de novembro de 2026, a apresentadora da Sky News Yalda Hakim disse no X que um vídeo em circulação usava IA para se passar por ela e que ela nunca havia noticiado a história que lhe era atribuída. A Sky News lista essa conta no perfil oficial dela, e o Journalism Pakistan reproduz sua declaração. O Feature Pakistan descreveu o vídeo como tendo quase quatro minutos e o estilo de um boletim da Sky News. Declaração de Hakim no X · Perfil da apresentadora na Sky News · Journalism Pakistan · Feature Pakistan A resposta dela trata diretamente da atribuição. Os relatos citados descrevem sua negativa e a apresentação do vídeo. Eles não estabelecem quais são as imagens originais, a ferramenta de produção ou a extensão das alterações no arquivo. O que é possível verificar no arquivo do programa? A Sky News publica edições completas de The World with Yalda Hakim no arquivo do programa. Para testar a atribuição de um vídeo, pesquise uma frase marcante no site da emissora e confira episódios completos próximos da data alegada. Se encontrar uma possível correspondência, compare as palavras e as imagens ao redor, depois registre a URL e o momento no episódio. Uma correspondência em uma publicação oficial pode estabelecer o que a emissora publicou. Arquivo do programa da Sky News Guarde a URL da republicação e anote as datas e os canais consultados. Se a busca no arquivo não retornar correspondências, relate isso como resultado da pesquisa e procure uma resposta da apresentadora ou da emissora. Neste caso, a declaração corroborada pelo Journalism Pakistan sustenta a negativa de Hakim. Não verificamos uma correspondência quadro a quadro com um programa de origem. E se o vídeo reutilizar imagens reais de estúdio? Faça uma busca reversa de alguns quadros nítidos, procurando um gráfico característico ou um detalhe do cenário. Use uma possível correspondência para encontrar o programa completo e comparar vários momentos. Estúdios e gráficos se repetem entre episódios. Registre se a sequência de imagens corresponde antes de atribuir a origem a um episódio. Como pesquisar com uma imagem no Google Lens Confira as palavras e sua ordem com o áudio original ou uma transcrição confiável. Relate separadamente qualquer correspondência nas imagens e na fala, com os tempos correspondentes nas duas versões. O que um detector pode acrescentar à investigação? O vídeo descrito tem quase quatro minutos, acima do limite de dois minutos por arquivo do Basic Scan do AIFakeScan. Se tiver permissão para examinar um vídeo, preserve o arquivo inteiro e seu áudio. Se enviar um trecho mais curto, mantenha o áudio intacto e registre os tempos de início e fim no vídeo completo. Relate os resultados para esse trecho. O Basic Scan analisa uma amostra de quadros do vídeo e verifica as informações disponíveis da faixa de áudio. Ele não classifica trocas de rosto nem fala clonada ou sintética. Se usar um verificador de marcas d’água separado, registre seu fornecedor e os tipos de mídia que cobre. Um resultado sem marca d’água detectada deixa em aberto outros métodos de produção. Use a lista de verificação de vídeos para registrar a cobertura e as verificações pendentes. Anúncio do SynthID pelo Google Como redigir o resultado? Para este caso, um resumo cuidadoso seria: “Yalda Hakim disse que o vídeo usava IA para se passar por ela e que ela nunca noticiou a história.” Inclua links para a declaração e para um relato acessível dela. Se depois identificar as imagens de origem, acrescente o programa e os tempos e descreva apenas as alterações que a comparação estabelecer. Perguntas frequentes Um logotipo ou um letreiro de notícias pode verificar um vídeo? Um logotipo e um letreiro identificam a emissora que o vídeo aparenta representar. Verifique essa atribuição encontrando o material em um canal oficial de publicação e comparando o trecho relevante com a versão em circulação. A ausência de um resultado no arquivo basta para chamar um vídeo de deepfake? Trate a ausência de um resultado no arquivo como uma lacuna na busca. Confira datas próximas e canais oficiais de vídeo, procure uma gravação completa e busque uma declaração da emissora ou da apresentadora. Registre se você conseguiu estabelecer quem publicou as imagens e qual versão examinou."},{"id":"https://aifakescan.com/pt-br/resources/check-image-metadata-for-ai","url":"https://aifakescan.com/pt-br/resources/check-image-metadata-for-ai","title":"Como verificar metadados de imagens para investigar o uso de IA","summary":"Aprenda a examinar metadados de imagens, campos de software e Credenciais de Conteúdo, e entenda o que eles podem ou não revelar sobre imagens de IA.","date_published":"2026-10-28T07:27:33.522Z","date_modified":"2026-10-28T07:27:33.522Z","tags":["Verificação de imagens","Credenciais de Conteúdo","Origem da mídia"],"content_text":"Para verificar metadados de uma imagem em busca de indícios de IA, examine os campos EXIF e XMP incorporados ao arquivo para encontrar pistas de criação e edição e depois procure Credenciais de Conteúdo verificáveis. Um nome de software, modelo de câmera ou campo ausente é uma pista, não um veredito. Combine essa informação com a fonte da imagem, outras versões e, quando útil, um detector de IA. Metadados são informações armazenadas junto com um arquivo. Podem incluir modelo de câmera, horário de captura, software de edição ou descrição. Alguns campos podem ser editados ou removidos, e uma cópia baixada pode ser diferente do arquivo salvo originalmente pelo criador. A pergunta prática é: o que esta cópia específica nos revela e o que ainda não sabemos? Qual arquivo você deve examinar primeiro? Peça ao remetente o arquivo de imagem original, em vez de uma captura de tela ou uma imagem colada em uma conversa. Guarde uma cópia sem alterações e anote de onde ela veio, quando você a recebeu e se foi baixada, redimensionada ou exportada. Se o original não estiver disponível, identifique a cópia que você tem e trabalhe dentro dessa limitação. Defina a afirmação antes de examinar o arquivo. Você está verificando se uma câmera capturou a cena, se a IA editou parte dela ou se a imagem mostra o local da legenda? São perguntas diferentes. Uma fotografia de câmera real pode ser editada; uma imagem realista também pode retratar um acontecimento falso ou fictício. Para imagens sensíveis, considere se os metadados revelam localização, nomes ou outras informações privadas antes de enviar o arquivo a um serviço de terceiros ou compartilhar o relatório. Onde encontrar metadados de imagem? Em um computador ou celular No computador, examine o painel de informações ou propriedades do arquivo e procure detalhes da imagem, como dimensões, modelo de câmera e data. No celular, abra o original no aplicativo de fotos e procure a tela de informações ou detalhes. As opções variam conforme o aparelho, o tipo de arquivo e o aplicativo; um painel que mostra poucos campos não prova que o arquivo não tem outros metadados. Diferencie a data de modificação no sistema de arquivos da data de captura da câmera. Um arquivo pode receber uma nova data de modificação ao ser copiado ou salvo; ela não é automaticamente a data em que a cena foi fotografada. Com o ExifTool Para uma análise local mais detalhada, instale o ExifTool pelo site oficial, abra um terminal e execute este comando de leitura, substituindo o caminho entre aspas pelo do seu arquivo: exiftool -G1 -a -s \"/path/to/image.jpg\" As opções mostram nomes dos grupos de metadados, incluem nomes de campos duplicados e usam nomes de campos mais curtos. O ExifTool permite ler e gravar metadados; o comando acima apenas lê o arquivo. Consulte a documentação do ExifTool para conhecer a instalação em cada plataforma e as opções. Um visualizador pode mostrar propriedades do arquivo e do sistema junto com campos incorporados, então preste atenção ao nome do grupo. Quais campos são úteis e o que eles provam? Campo ou sinal Pergunta útil Limitação Marca e modelo da câmera O aparelho informado corresponde à fonte disponível? O valor pode ser alterado ou copiado; não autentica a cena. DateTimeOriginal O horário de captura informado combina com outras evidências? Relógios e fusos horários podem estar errados, e um campo pode ser editado. Software ou histórico de processamento Há um aplicativo de edição identificado? O nome de um editor não estabelece, por si só, que houve geração por IA. Coordenadas de GPS O local registrado combina com a afirmação? As coordenadas podem estar ausentes, incorretas ou alteradas deliberadamente; também podem revelar locais privados. EXIF ou XMP ausente É uma captura de tela, exportação ou outra cópia alterada? Campos ausentes não provam origem por IA nem explicam exatamente o que aconteceu. EXIF e XMP são formatos de metadados, não certificados de verdade. Um campo pode ser útil quando concorda com informações obtidas de forma independente. Ele é uma evidência mais fraca quando não há arquivo original ou forma de determinar quem o preencheu. Em nosso experimento com captura de tela e compressão, os arquivos originais do teste não tinham EXIF visível. Esse experimento não deve ser usado como prova de que capturas de tela removeram EXIF de câmera; a comparação não demonstrou isso. É um lembrete para verificar o que o arquivo inicial realmente continha antes de descrever uma mudança. Como verificar Credenciais de Conteúdo? As Credenciais de Conteúdo se baseiam no padrão C2PA e podem trazer afirmações assinadas sobre um arquivo e seu histórico. Um verificador compatível confere a credencial disponível e seu estado de validação. O guia de inspeção da Content Authenticity Initiative explica como examinar as credenciais disponíveis. Use o verificador C2PA do AIFakeScan ou outro verificador compatível para examinar o que está disponível e leia nosso guia de resultados C2PA antes de chegar a uma conclusão. O AIFakeScan recebe o arquivo e o mantém em privado até você excluir o envio; o verificador não busca manifestos remotos. Uma assinatura válida pode indicar que as informações assinadas não foram alteradas desde a assinatura, sujeitas às verificações do serviço; ela não prova por si só que todas as declarações da credencial são verdadeiras ou que o acontecimento retratado ocorreu. Não encontrar credencial significa que não há informações de origem disponíveis, não que houve uso de IA. Credenciais podem estar ausentes em uma cópia específica ou nunca ter sido criadas. Resultados inválidos ou incompletos merecem uma análise mais cuidadosa, não uma acusação automática. Registre o resultado real e qual arquivo foi testado. Como combinar metadados com outras evidências? Procure cópias anteriores ou a publicação original. Compare a afirmação com fontes independentes e peça contexto ao criador quando for adequado. Se usar um detector de imagens de IA, trate o resultado como um sinal adicional e considere a incerteza da ferramenta. Nosso guia de detecção de imagens explica por que uma única verificação visual ou automatizada não basta. Um registro simples de análise deixa essa distinção clara: Identifique o arquivo exato, sua fonte e a afirmação verificada. Registre os campos incorporados relevantes e se o original estava disponível. Anote o resultado da verificação de credenciais e qualquer conferência de fonte ou local. Apresente uma conclusão específica, incluindo evidências conflitantes e perguntas sem resposta. Por exemplo, “A cópia não tem EXIF de câmera visível; sua origem continua não verificada” é mais preciso do que “Sem EXIF significa IA”. Se a afirmação for sobre um destino, siga o guia específico para verificação de fotos de viagem. Perguntas frequentes Os metadados de imagem podem dizer se uma imagem foi gerada por IA? Eles podem conter uma identificação de software ou registro de origem relevante, mas metadados comuns raramente estabelecem sozinhos como uma imagem foi criada. Verifique a fonte e as credenciais assinadas disponíveis e deixe claras as incertezas. A falta de EXIF significa que uma imagem foi feita por IA? Não. Um arquivo pode não ter EXIF por vários motivos, inclusive a forma como foi salvo ou compartilhado. A ausência de EXIF, por si só, não identifica o criador nem o método de produção. Um modelo de câmera no EXIF prova que a imagem é uma fotografia real? Não. Campos de metadados comuns podem ser alterados ou copiados. Trate o modelo da câmera como uma pista a conferir com o arquivo original e outras evidências. Uma Credencial de Conteúdo válida prova que a cena realmente aconteceu? Não. A validação diz respeito à credencial assinada e às verificações realizadas; ela não confirma por si só cada afirmação ou o acontecimento real retratado. Posso examinar metadados de imagem sem enviar meu arquivo? Sim. O painel de informações de um aparelho ou uma ferramenta local como o ExifTool pode mostrar metadados disponíveis sem enviar a imagem. Confira o que cada ferramenta exibe e proteja informações sensíveis."},{"id":"https://aifakescan.com/pt-br/resources/how-to-spot-ai-generated-travel-photos","url":"https://aifakescan.com/pt-br/resources/how-to-spot-ai-generated-travel-photos","title":"Como identificar fotos de viagem geradas por IA","summary":"Saiba como verificar a fonte, o local e o arquivo original de uma foto de viagem e distinguir indícios de IA de provas antes de confiar na imagem de um destino.","date_published":"2026-10-28T07:27:33.522Z","date_modified":"2026-10-28T07:27:33.522Z","tags":["Verificação de imagens","Imagens geradas por IA","Origem da mídia"],"content_text":"Para identificar fotos de viagem geradas por IA, comece verificando a fonte, procurando versões anteriores, comparando o local indicado com referências independentes e pedindo o arquivo original. Detalhes visuais estranhos e resultados de detectores podem ajudar a decidir o que investigar, mas não estabelecem a verdade por conta própria. Separe duas perguntas: a imagem representa o destino com precisão e como ela foi criada? Uma fotografia real pode ter uma legenda enganosa, uma data antiga ou um fundo editado. Uma ilustração de IA pode retratar um local real sem mostrar uma vista que realmente existe. Sua conclusão deve corresponder à pergunta que as evidências permitem responder. O que exatamente a foto de viagem afirma? Antes de pesquisar, anote o nome do lugar, o ponto de vista indicado, a data e a fonte da afirmação. Uma imagem de hotel, por exemplo, pode sugerir que a praia é visível de um quarto. Isso é diferente de afirmar que a praia existe em algum lugar próximo. Guarde o endereço da página, a data de publicação quando disponível e uma cópia da imagem para sua análise privada. Mantenha a legenda junto com ela. Uma republicação posterior pode retirar o contexto ou associar um local novo a uma imagem antiga. Eu evitaria rotular rapidamente a imagem como “real ou falsa”: a decisão prática pode ser se a vista, a época ou a hospedagem correspondem ao que foi prometido na reserva, mesmo que a foto tenha sido tirada por uma câmera. Como encontrar a fonte original? Use a busca por imagem do Google para enviar uma cópia, colar o endereço de uma imagem ou pesquisar a partir de uma página da web. Os resultados podem incluir imagens semelhantes e páginas que usam a imagem. Pesquise tanto um recorte característico quanto a imagem inteira, pois as republicações podem ter sido redimensionadas ou reenquadradas. Abra os resultados promissores e compare datas, legendas e o contexto de quem publicou. A data exibida em um resultado de busca é uma pista, não uma garantia da primeira publicação. O primeiro resultado encontrado também pode ser uma republicação. Procure um criador identificável, uma página de origem com contexto ou uma conta confiável que possa explicar a origem da imagem. Se a imagem foi fornecida por uma empresa, peça a imagem original, o ponto de vista e a data. Se ela não puder fornecê-los, a dúvida continua em aberto; isso não prova engano. Antes de enviar a imagem de outra pessoa a um serviço de busca, considere a privacidade e as práticas de uso de dados desse serviço. Como verificar o local indicado? Procure os mesmos elementos fixos em várias fontes independentes: o formato da costa, o traçado das ruas, a posição dos prédios, o contorno das montanhas ou uma ponte. Compare o ângulo e a distância da câmera em vez de esperar que todas as imagens sejam idênticas. Use mapas oficiais do destino, imagens datadas ao nível da rua, quando disponíveis, e outras fotografias de fontes independentes. Considere mudanças de estação, luz, clima, construção e edição. Um ponto de referência diferente em outra imagem é uma questão a investigar; não é automaticamente um defeito causado por IA. Confira se a imagem de referência é realmente do mesmo local e período. Considere este exemplo fictício: um resort anuncia uma fotografia como a vista de uma varanda privativa. Seu mapa e imagens independentes ao nível da rua mostram a mesma costa, mas nenhuma confirma o que pode ser visto daquela varanda. Você pode dizer que a costa parece corresponder, enquanto a afirmação sobre a vista da varanda continua sem verificação. Não conclua que a imagem é de IA nem faça uma acusação por causa dessa lacuna. O que você observa Próxima verificação útil O que continua incerto A mesma imagem aparece com dois nomes de lugares Confira publicações mais antigas, o contexto e pontos de referência identificáveis Qual legenda é correta sem mais evidências A paisagem corresponde, mas o ponto de vista não está claro Peça uma imagem datada tirada da posição indicada Se a vista prometida existe Um reflexo ou uma estrutura parece incomum Compare o original e imagens de fontes independentes Se a causa foi edição, perspectiva ou geração Um detector indica um sinal de IA Verifique a fonte, o arquivo e a origem O histórico real de produção sem confirmação por outras evidências O que o arquivo original e as credenciais podem revelar? Se conseguir um original, examine os campos EXIF e XMP disponíveis em busca de pistas sobre câmera, data, local e edição. Nosso guia de metadados de imagem apresenta um processo prático. Metadados comuns podem ser editados, e é comum que estejam ausentes em cópias; nem a identificação de uma câmera nem a falta de campos resolve a questão. Depois, verifique se há Credenciais de Conteúdo usando o verificador C2PA do AIFakeScan ou outro verificador compatível. O AIFakeScan recebe o arquivo e o mantém em privado até você excluir o envio; o verificador não busca manifestos remotos. A Content Authenticity Initiative explica como examinar credenciais. Uma credencial validada pode ajudar a avaliar informações de origem assinadas, mas não prova por si só a afirmação sobre o destino. Não encontrar uma credencial não prova que houve geração por IA. Se o original for privado ou contiver dados de GPS, obtenha permissão antes de compartilhá-lo e evite divulgar informações sensíveis de localização. Pistas visuais e detectores conseguem identificar fotos de viagem feitas por IA? Procure detalhes que mereçam verificação: placas inconsistentes, janelas repetidas, reflexos incomuns, geometria impossível ou um fundo que contradiga imagens de fontes independentes. Cada um pode ter outras explicações, como perspectiva, compressão, montagem de panorama ou edição comum. Não dependa de um único detalhe estranho. Um detector de imagens de IA pode fornecer outro sinal. Os sinais visuais do AIFakeScan continuam inconclusivos durante a versão beta; evidências de fontes confiáveis podem sustentar uma conclusão mais forte. Um detector não consegue verificar sozinho a vista de um quarto de hotel nem identificar um local. Se o resultado entrar em conflito com evidências de origem, investigue em vez de tirar uma média das respostas. Veja foto gerada por IA ou foto real para entender a diferença entre imagens originadas em câmera, editadas com IA e totalmente geradas. E se as evidências forem incompletas? Mantenha a conclusão específica e proporcional. “O lugar parece corresponder às imagens independentes, mas não consegui verificar a vista do quarto” é uma conclusão útil. “A imagem é de IA” exige evidências sobre sua produção, não apenas uma divergência com a legenda. Se a imagem influenciar uma reserva, peça uma imagem atual e datada da vista exata e confirme as condições com o fornecedor antes de se comprometer. Registre os links das fontes, a versão do arquivo testada, qualquer resultado de credencial ou detector e o que ainda é desconhecido. Retome a afirmação se conseguir o original ou uma referência independente melhor. Perguntas frequentes É possível identificar uma foto de viagem feita por IA apenas olhando? Não de forma confiável. Anomalias visuais podem levantar dúvidas, mas perspectiva, edição e compressão também podem produzir detalhes incomuns. Verifique a fonte e evidências independentes sobre o local. Um destino real significa que a própria foto é autêntica? Não. Um local real pode aparecer em uma imagem antiga, editada, gerada ou com legenda enganosa. Verifique o ponto de vista e a afirmação específicos, além do local. Como encontrar cópias anteriores de uma imagem de viagem? Pesquise a imagem inteira e recortes característicos com uma ferramenta de busca reversa e abra os resultados para comparar o contexto de publicação e as datas. O resultado mais antigo encontrado não é necessariamente o original. A falta de metadados pode provar que uma foto de viagem foi gerada por IA? Não. Uma cópia pode não ter metadados por muitos motivos. Registre o que encontrou e procure o original ou evidências que confirmem a informação. O que fazer se eu não conseguir verificar a vista de um hotel? Peça ao fornecedor uma imagem atual e datada tirada do quarto ou ponto de vista específico e confirme as condições da reserva. Se as evidências continuarem insuficientes, descreva a vista como não verificada."},{"id":"https://aifakescan.com/pt-br/resources/ai-generated-photo-vs-real-photo","url":"https://aifakescan.com/pt-br/resources/ai-generated-photo-vs-real-photo","title":"Foto gerada por IA ou foto real: o que verificar primeiro","summary":"Compare uma foto gerada por IA com uma foto real usando histórico da fonte, registros de edição e evidências do arquivo. Saiba quais pistas importam e quais podem enganar.","date_published":"2026-10-12T05:10:44.698Z","date_modified":"2026-10-12T05:10:44.698Z","tags":["Verificação de imagens","Imagens geradas por IA","Credenciais de Conteúdo"],"content_text":"Uma comparação entre foto gerada por IA e foto real deve começar por como a imagem foi criada, não por quão convincente ela parece. Procure a fonte e o arquivo originais, examine os registros de criação disponíveis e use resultados visuais ou de detectores como evidências de apoio. Considere também uma terceira possibilidade: uma fotografia real parcialmente editada com IA. Essa terceira categoria importa. Uma câmera pode ter capturado a pessoa enquanto um gerador forneceu o fundo. Chamar a imagem inteira de real ou falsa pode esconder a alteração exata que você precisa investigar. A comparação é mais útil quando responde a uma pergunta específica: esta cena foi fotografada, algo foi acrescentado ou a história associada está correta? Essas perguntas exigem evidências diferentes. O que significa foto real nesta comparação? Neste guia, uma fotografia de origem de câmera significa que uma câmera capturou a cena original. Ela ainda pode ter sido recortada, ter cores corrigidas ou ter recebido retoques. Uma imagem totalmente gerada retrata uma cena sintetizada por um modelo. Uma fotografia editada por IA combina material de câmera com um acréscimo, remoção ou substituição gerados. Essas são categorias de trabalho, não rótulos automáticos atribuídos por uma ferramenta de envio. Um arquivo pode conter uma mistura, e seu histórico pode estar indisponível. Se as evidências não estabelecerem o método de produção, use “desconhecido” em vez de forçar uma resposta binária. Categoria de produção Pergunta a investigar Evidência útil a pedir Fotografia de origem de câmera O que foi realmente capturado? Arquivo original e contexto da fonte Fotografia editada por IA O que mudou após a captura? Versão anterior e histórico de edição Imagem totalmente gerada Quem a gerou e informou isso? Declaração do criador e registro de geração Histórico desconhecido ou misto Quais partes continuam sem comprovação? Material de origem melhor e afirmações precisas Para a investigação mais ampla passo a passo, veja nosso guia para detectar imagens geradas por IA. Aqui, o foco é escolher evidências que distingam essas categorias de produção. Quais evidências podem distinguir geração de edição? Peça um registro que trate da alteração que você suspeita. Uma versão anterior pode mostrar a mesma pessoa em outro ambiente. Um criador pode declarar uma ilustração gerada. Um histórico de arquivo pode registrar uma edição com ajuda de IA. Atribua cada resultado à sua fonte e descreva seu escopo. Credenciais de Conteúdo são registros assinados do histórico de criação e edição. As perguntas frequentes da Content Authenticity Initiative explicam que ferramentas compatíveis podem registrar geração por IA ou captura de câmera e edições posteriores. Credenciais não são um veredito universal sobre fotos falsas, e sua ausência não identifica o método de produção. Use o verificador C2PA para examinar registros de arquivo compatíveis e depois leia sua validação, signatário e ações. Um registro válido sobre uma edição deve ser relatado como edição; ele não é automaticamente evidência de que a cena inteira foi gerada. O explicativo sobre C2PA também separa origem de verdade factual. Um histórico assinado não certifica uma legenda, local ou história. Metadados comuns de câmera são outro tipo de pista e não devem ser tratados como equivalentes a um histórico assinado. Como comparar um original com uma cópia compartilhada? Primeiro determine qual arquivo você tem. Uma captura de tela é uma nova captura do conteúdo exibido. Os campos do próprio arquivo não descrevem a cena original. Uma cópia recortada ou exportada também pode não ter o contexto necessário para interpretar um aparente defeito. Se o criador fornecer uma versão anterior, compare a composição inteira antes de ampliar detalhes. Anote diferenças nas pessoas ou objetos, fundo, posições e bordas. Pergunte qual operação causou a mudança em vez de presumir que toda diferença visível foi causada por IA. Este é um mapa conceitual de evidências. Ele não mostra saída de detector nem um par de imagens real e sintética testado. Um registro útil de comparação inclui a fonte dos dois arquivos, se são imagens completas ou recortes e a mudança específica em análise. Se você só tiver uma captura de tela comprimida, anote essa limitação em vez de tratar o original não visto como examinado. É possível identificar fotos de IA pelas mãos, pele ou texto? Esses detalhes podem orientar uma análise mais cuidadosa, mas não devem decidir o caso. Compare a característica suspeita com o entorno e pergunte se borrão, perspectiva, iluminação ou edição convencional oferecem outra explicação. Em um retrato, examine o contato entre dedos e objetos segurados, a relação entre óculos e rosto ou letras que deveriam permanecer consistentes em um objeto. Evite transformar pele lisa ou rosto incomum em acusação. Descreva a inconsistência observada antes de atribuir uma causa. Em uma imagem de paisagem ou imóvel, examine como as estruturas se conectam e como os reflexos se relacionam com a cena. Um corrimão que se funde com uma parede é uma observação útil para investigar. Um prédio visualmente coerente ainda não prova que o imóvel anunciado existe. A inspeção visual tem o mesmo limite nos dois sentidos: um detalhe estranho não estabelece geração por IA, e uma aparência realista não estabelece origem de câmera. Procure evidências sobre o histórico de produção sempre que possível. Como busca da fonte e marcas d’água ajudam? A busca reversa de imagens pode revelar uma publicação anterior, declaração do criador ou legenda diferente. As orientações do Google sobre contexto de imagens explicam as informações disponíveis em “Sobre esta imagem”. Use correspondências para investigar cronologia e contexto; não interprete uma data indexada como data certificada de captura. Se uma imagem for anterior ao acontecimento citado em uma nova publicação, você pode ter contestado a legenda sem estabelecer nada sobre IA. A falta de correspondência acessível também deixa a fonte sem resposta, em vez de provar geração. Verificações de marcas d’água respondem a uma pergunta mais limitada. Conforme revisão de 12 de outubro de 2026, as instruções do Google para verificação no Gemini descrevem a verificação de mídias enviadas em busca de marcas d’água SynthID compatíveis. A cobertura SynthID documentada é para conteúdo da IA do Google. Leia o resultado real da verificação; uma opinião geral do chatbot sobre aparência não é a mesma verificação. Uma marca detectada pode dizer respeito a geração ou edição, então mantenha o escopo informado. A falta de marca não descarta outros sistemas. Nosso guia SynthID explica como seguir uma opção oficial de verificação. Qual é o papel de um detector de fotos de IA? Use um detector depois de identificar o arquivo e a pergunta. Leia suas categorias de evidência e cobertura e compare a saída com o histórico da fonte. Não substitua uma pergunta específica sobre edição por uma pontuação da imagem inteira. O detector de imagens do AIFakeScan pode examinar evidências de arquivo compatíveis. Nossa metodologia explica os limites atuais da versão beta: calibração e avaliação estão incompletas, resultados apenas passivos permanecem inconclusivos e não se afirma uma porcentagem de precisão validada ou probabilidade medida de IA. Se um resultado continuar sem resposta, peça um original melhor ou um histórico mais claro. Se duas ferramentas discordarem, mantenha seus resultados separados. O guia para resultados inconclusivos de imagem oferece próximos passos sem transformar incerteza em veredito. Que conclusão escrever para uma imagem mista? Considere um cenário ilustrativo de retrato. Um criador fornece uma fotografia anterior de câmera e informa que substituiu o fundo por uma paisagem gerada. Sua pergunta é se o retrato final é uma fotografia da pessoa naquele local. Uma conclusão cuidadosa é: “O criador descreve um retrato de origem de câmera com um fundo substituto gerado. A imagem final não estabelece que a pessoa foi fotografada no ambiente retratado.” Isso explica a mudança relevante sem sugerir que o rosto da pessoa tenha necessariamente sido gerado. Agora considere uma captura de tela sem original, declaração ou correspondência útil de busca. O resultado adequado é histórico de produção não resolvido. Um resultado inconclusivo de detector não pode preencher esses fatos ausentes. Eu resumiria uma comparação entre foto gerada por IA e foto real em quatro campos: Origem: que evidências sustentam captura de câmera ou geração? Alterações: que evidências sustentam um acréscimo, remoção ou substituição? Contexto: a imagem sustenta a data, o local ou a afirmação associados? Lacunas: o que não pôde ser verificado e que material resolveria a questão? Esses exemplos explicam o método; não são experimentos relatados nem afirmações sobre a imagem de uma pessoa específica. Perguntas frequentes Uma fotografia real também pode ser editada por IA? Sim. Uma imagem de origem de câmera pode conter acréscimos ou substituições gerados. Descreva a edição sustentada pelas evidências e seu escopo em vez de presumir que um único rótulo explica o arquivo inteiro. Um nome de câmera nos metadados prova que uma foto é real? Um campo de câmera, sozinho, não estabelece o histórico completo da cena retratada. Verifique a fonte original e os registros de produção disponíveis antes de afirmar autenticidade. Credenciais de Conteúdo provam que um acontecimento ocorreu? Elas podem fornecer um histórico atribuído e verificável sobre um arquivo. Não estabelecem de forma independente a verdade factual do acontecimento ou da legenda. Um detector de IA pode identificar exatamente qual parte foi editada? Apenas se oferecer e executar explicitamente uma verificação adequada de localização. Um sinal para a imagem inteira não localiza automaticamente uma pequena região gerada. E se você só tiver uma captura de tela? Guarde sua fonte, procure a imagem de origem e peça um original quando possível. Relate as conclusões como aplicáveis à cópia examinada e registre o histórico ausente. Seu próximo passo Escolha a afirmação de produção que precisa verificar, reúna o melhor arquivo e compare evidências de origem, edição e contexto. Use o detector de imagens para as verificações disponíveis e siga nossa lista de verificação de vídeo quando a afirmação depender de movimento ou fala."},{"id":"https://aifakescan.com/pt-br/resources/ai-video-verification-checklist","url":"https://aifakescan.com/pt-br/resources/ai-video-verification-checklist","title":"Lista de verificação de vídeos de IA para clipes compartilhados on-line","summary":"Use uma lista de verificação de vídeos de IA para examinar fonte, contexto, movimento, áudio e cobertura do detector antes de compartilhar um vídeo. Mantenha um registro claro das evidências.","date_published":"2026-10-12T05:10:44.698Z","date_modified":"2026-10-12T05:10:44.698Z","tags":["Verificação de vídeo","Vídeo gerado por IA","Evidências de deepfake"],"content_text":"Use esta lista de verificação de vídeos de IA para estabelecer a fonte, testar a legenda e examinar a gravação antes de compartilhá-la como evidência. Preserve o arquivo original, analise movimento e som separadamente e registre o que cada detector realmente verificou. Um item não resolvido deve permanecer assim, em vez de virar um veredito de real ou falso. A lista foi criada para vídeos em um feed ou grupo de mensagens: um acontecimento dramático, uma aparente declaração de celebridade ou uma cena inesperada. Ela ajuda a distinguir uma pergunta sobre produção de uma data, local ou legenda enganosos. Considero o registro da investigação parte do resultado. Outra pessoa deve poder ver a fonte, voltar aos mesmos momentos e entender por que uma conclusão foi alcançada. Como usar esta lista? Trabalhe em três etapas: fonte e afirmação, sequência e fala e, por fim, cobertura técnica e relatório. Para cada item, registre verificado, não resolvido ou não aplicável, seguido das evidências. Verificado significa que você concluiu a investigação; não significa que o vídeo passou em um teste de autenticidade. Se uma lacuna importante de fonte ou cobertura permanecer, evite compartilhar a gravação como relato verificado. Você ainda pode explicar o que foi encontrado e pedir o material que falta. Etapa O que investigar Registro a guardar Fonte e afirmação Publicação, data, local e contexto completo URLs e afirmação exata Sequência e fala Continuidade, pontos de edição e trilha sonora Tempos e comparações Cobertura e relatório Escopo de credenciais, marca d’água e detector Resultados e verificações não resolvidas Para uma introdução detalhada aos métodos, leia como saber se um vídeo foi gerado por IA. Esta página fornece a ficha e a estrutura do relatório. Etapa 1: o que verificar sobre a fonte e a afirmação? 1. Guarde a afirmação exata Escreva em uma frase o que a legenda afirma. Inclua o suposto acontecimento, data, local, pessoa ou palavras. Um vídeo pode ser verdadeiro enquanto a afirmação que o acompanha está errada, então deixe claro o alvo da investigação. 2. Encontre o envio original ou mais longo Registre a conta e a página onde recebeu o vídeo e procure uma versão anterior ou completa. Busque a identidade de quem publicou, um histórico consistente de publicações e qualquer informação divulgada sobre a produção. Não trate automaticamente a primeira correspondência encontrada como original. 3. Pesquise quadros representativos Escolha quadros nítidos com um local, placa ou objeto característico. Pesquise um quadro inteiro e um recorte relevante e leia as páginas correspondentes. As orientações do Google sobre contexto de imagens ajudam a explicar o contexto que essas buscas podem revelar. Correspondências são pistas; a ausência delas não estabelece geração. 4. Verifique data, local e acontecimentos ao redor Compare a afirmação com uma gravação mais longa ou relatos independentes. Pesquise frases faladas e nomes de acontecimentos característicos. Se um envio anterior contiver as mesmas imagens, registre essa descoberta sobre a cronologia separadamente de qualquer afirmação sobre IA. O guia da WITNESS para verificar vídeos de testemunhas oferece uma base para avaliar gravações como evidência. A pergunta útil é o que o material disponível sustenta, não apenas se parece convincente. Etapa 2: o que verificar na gravação? 5. Preserve a versão do arquivo e a trilha sonora Guarde o melhor arquivo disponível sem alterações. Registre sua duração e se é republicação, gravação de tela ou trecho. Preserve a trilha sonora mesmo que seja a parte da qual você desconfia. Analise uma cópia e anote o ponto inicial de qualquer intervalo extraído. 6. Assista uma vez em velocidade normal Examine o vídeo inteiro antes de se concentrar em um quadro incomum. Anote inícios ou finais abruptos, cortes e momentos que merecem nova análise. Uma transição pausada pode parecer diferente da ação vista em sequência. 7. Acompanhe objetos em quadros consecutivos Reproduza lentamente os intervalos suspeitos. Acompanhe um rosto, mão, objeto segurado ou elemento do fundo enquanto se move e reaparece depois de ficar encoberto. Registre a mudança observada e verifique se borrão, movimento de câmera, algo encobrindo a cena ou edição convencional a explicam. 8. Investigue a fala separadamente Compare uma suposta declaração com uma gravação completa identificável ou transcrição, quando disponível. Ouça se há mudanças perto de palavras importantes e confira se o movimento labial está consistentemente fora de sincronia. Dublagem ou erros de sincronização também podem causar divergência; nem um som estranho nem uma voz convincente resolve a questão da produção. Nosso detector de vídeo de IA apresenta a cobertura de áudio separadamente. A análise básica de áudio não classifica fala clonada ou sintética, e o Basic Scan não inclui classificação especializada de troca de rosto. Leia nosso guia de deepfake quando a manipulação de identidade for a principal preocupação. Etapa 3: quais verificações técnicas realmente foram executadas? 9. Leia as credenciais disponíveis Examine o resultado da validação, o signatário e as ações registradas. Determine se um registro relacionado a IA diz respeito a geração completa ou edição. O explicativo sobre C2PA descreve informações de origem atribuídas e vinculadas à mídia, não uma certificação da verdade de uma história. Credenciais ausentes não estabelecem um método de produção. O guia de resultados de credenciais explica por que validação e interpretação são etapas diferentes. Não transforme uma ação de software registrada em uma afirmação de que todos os quadros foram fabricados. 10. Use um verificador oficial de marca d’água compatível Conforme verificado em 12 de outubro de 2026, as instruções do Google para verificação no Gemini descrevem a verificação de um vídeo enviado em busca de SynthID. Leia o resultado explícito da marca d’água e sua cobertura. A cobertura SynthID documentada do Gemini é para mídia da IA do Google, não de todos os geradores. Uma parte do vídeo indicada no relatório não implica que uma marca d’água tenha sido detectada em todos os quadros desse trecho. Não detectar uma marca não exclui outros sistemas. Siga o guia SynthID para uma opção oficial e diferencie essa verificação das capacidades do próprio AIFakeScan. 11. Leia sobre a amostragem do detector e verificações indisponíveis Pergunte se a análise examinou todos os quadros ou uma amostra de momentos e se a classificação de rosto ou voz realmente foi executada. A metodologia do AIFakeScan informa que a análise de vídeo por amostragem pode não captar edições breves e momentos não amostrados. Um segmento de tempo orienta uma análise adicional; ele não define um limite exato de edição. Na versão beta atual, calibração e avaliação continuam incompletas. Resultados apenas passivos permanecem inconclusivos, e não se afirma uma porcentagem de precisão validada nem uma probabilidade medida de IA. O Deep Scan não está disponível publicamente. Verificações com falha, não compatíveis e indisponíveis devem ser registradas como lacunas. Esta ficha é uma ilustração original, não um relatório de detector. Suas linhas não resolvidas mostram como documentar evidências ausentes em vez de inferir um resultado negativo. 12. Escreva uma conclusão para a afirmação exata Separe resultados sobre a fonte, suas observações e saídas atribuídas às ferramentas. Informe qual arquivo e quais intervalos foram examinados e liste as perguntas em aberto. Não calcule médias de pontuações sem relação nem trate uma votação da maioria como prova. Resultado Relato justificável O que isso não estabelece Envio anterior é mais antigo que a data da legenda A afirmação sobre a data é contradita Que a IA criou a gravação Criador declara uma inserção gerada Atribua o trecho declarado à fonte Que todos os demais quadros foram verificados Apenas uma amostra de quadros foi analisada Informe a cobertura limitada Que o vídeo inteiro foi avaliado A classificação de voz não foi executada A origem da fala continua não testada Que a voz é verdadeira Como manter um registro útil de evidências? Use este modelo com a lista de verificação de vídeo de IA. Acrescente links e tempos, não apenas rótulos. Afirmação: a frase exata que você está verificando. Fonte: endereço recebido, responsável pela publicação e versão original ou mais longa encontrada. Arquivo: duração, versão, trilha sonora e ponto inicial de qualquer trecho. Contexto: evidências da data, local ou acontecimento informados. Observações: intervalos analisados e explicações alternativas consideradas. Resultados técnicos: estado de credenciais, resultado de marca d’água e cobertura do detector. Itens não resolvidos: originais ausentes, fala não testada ou verificações não compatíveis. Conclusão: a afirmação específica que as evidências reunidas sustentam. Um exemplo ilustrativo: um vídeo de 15 segundos é apresentado como a enchente de hoje. Você encontra a mesma sequência em uma gravação completa mais antiga. Sua conclusão diz respeito à afirmação falsa sobre a data; você não estabeleceu geração por IA. Se nenhuma verificação de voz foi executada, a trilha sonora continua não testada mesmo que o contexto visual tenha sido resolvido. Eu manteria essa distinção na nota final. Ela permite que outra pessoa confira a cronologia sem herdar uma acusação sem fundamento de mídia sintética. Este exemplo é um cenário fictício de ensino, não um teste relatado. Perguntas frequentes Completar a lista prova que um vídeo é real? Não. A conclusão da lista registra as investigações feitas e seus resultados. Evidências importantes ainda podem faltar, e contexto da fonte, imagens e fala podem continuar sem resposta de forma independente. Um quadro estranho pode provar geração por IA? Não. Examine os quadros vizinhos e uma cópia melhor e teste explicações comuns, como borrão ou corte. Uma anomalia específica é uma pista para investigação. E se o vídeo não tiver som? Registre se a fonte é uma gravação silenciosa ou um trecho cujo áudio foi removido. Não tire conclusões sobre uma trilha sonora original ausente ou não ouvida. O que fazer quando ferramentas discordam? Preserve o resultado e a cobertura informada de cada ferramenta. Procure um arquivo original ou histórico de produção mais forte em vez de combinar pontuações diferentes em uma probabilidade final. Um vídeo real ainda pode espalhar desinformação? Sim. Uma data, local ou legenda incorretos ou contexto omitido podem enganar sem imagens geradas. Verifique a afirmação junto com o histórico de produção da mídia. Seu próximo passo Guarde o vídeo e a afirmação, preencha as três etapas e use o detector de vídeo para obter evidências técnicas disponíveis. Se o material for uma imagem fixa, use a comparação entre foto de IA e foto real para diferenciar captura, geração e edições posteriores."},{"id":"https://aifakescan.com/pt-br/resources/ai-image-detector-inconclusive-what-to-check-next","url":"https://aifakescan.com/pt-br/resources/ai-image-detector-inconclusive-what-to-check-next","title":"Detector de imagens de IA deu resultado inconclusivo: o que verificar agora","summary":"Um processo prático para uma análise inconclusiva de imagem: confira a cobertura, preserve o original, examine credenciais e marcas d’água e documente o contexto da fonte.","date_published":"2026-10-03T08:13:58.314Z","date_modified":"2026-10-03T08:13:58.314Z","tags":["Detecção de IA","Análise forense de mídia","Origem da mídia"],"content_text":"Um resultado inconclusivo de detector de imagens de IA significa que as evidências disponíveis não sustentam uma decisão confiável sobre a origem segundo as regras daquela ferramenta. Não significa “certamente real”, “certamente IA” nem chances iguais para cada opção. Primeiro confira quais análises foram concluídas; depois obtenha o melhor arquivo, examine a origem e investigue a afirmação da fonte. O objetivo é reduzir a incerteza relevante. Uma segunda pontuação pouco transparente pode acrescentar menos do que a exportação original, um histórico de criação registrado ou uma publicação anterior que mostre que a legenda está errada. A análise foi concluída ou uma verificação estava indisponível? Leia o estado de processamento e as seções de evidências individuais antes de interpretar o resultado. Um resultado geral inconclusivo pode coexistir com verificações úteis concluídas. Uma falha no envio ou uma análise não compatível é outro problema e deve ser registrado separadamente. O que diz o relatório O que você sabe O que fazer em seguida Concluído, mas inconclusivo A análise disponível não justificou uma decisão mais forte Examine evidências, limitações e o arquivo original Verificação indisponível Esse canal de evidências não foi verificado Resolva a indisponibilidade ou use um verificador adequado Arquivo ou análise não compatível A entrada ou verificação solicitada está fora da cobertura disponível Obtenha uma versão compatível sem descartar o original Falha no processamento A análise tentada não terminou com sucesso Guarde o erro e tente novamente após resolver a causa Nenhuma credencial ou marca d’água encontrada Uma verificação compatível concluída não encontrou sinal desse tipo Preserve o escopo da verificação e continue com outras evidências Na versão beta atual do AIFakeScan, a combinação de detectores passivos ainda não passou pelo critério de calibração. Sem uma evidência forte de origem compatível ou um sinal de verificação oficial, resultados apenas passivos permanecem inconclusivos. Essa é uma regra de decisão do produto, não evidência de que todas as imagens enviadas sejam igualmente ambíguas. Leia a metodologia e os limites de cobertura junto com o detector de imagens de IA. Não transforme uma observação interna do modelo em uma probabilidade medida de que a imagem foi gerada por IA. Obtenha o arquivo original antes de alterar a imagem Muitas vezes, a próxima entrada útil é um arquivo mais bem documentado, não uma nova tentativa mais agressiva. Preserve a cópia recebida e peça o arquivo original da câmera ou a exportação da geração. Mantenha as duas versões claramente identificadas. Uma pesquisa de Corvi e colegas examina a detecção de imagens geradas por difusão, incluindo situações de redes sociais com compressão e redimensionamento. Ela sustenta que transformações são condições relevantes de avaliação; não fornece garantia de precisão para outro verificador on-line sem relação com o estudo. Pergunte como sua cópia foi produzida: baixada de uma fonte, salva por um aplicativo de mensagens, capturada da tela, recortada ou exportada novamente. Registre o que a fonte pode confirmar e o que continua desconhecido. Evite aumentar a nitidez, ampliar ou salvar novamente a única cópia disponível antes da análise. Essas ações criam outra versão que precisará ser explicada. Se comparar versões, mude uma coisa por vez e mantenha relatórios separados. Nosso estudo sobre captura de tela e compressão apresenta um exemplo prático limitado de transformações de arquivo. Use-o como estudo de caso, não como referência de precisão para toda captura de tela ou gerador. Examine a origem e a ação declarada Credenciais de Conteúdo podem fornecer evidências sobre ações registradas de criação ou edição quando disponíveis. Use o verificador C2PA e leia o estado de validação junto com o signatário e a declaração. Um registro ausente deixa uma lacuna de informação. A especificação C2PA distingue ações e ingredientes. Um ingrediente de IA, uma edição por IA e a criação do arquivo por IA são declarações diferentes. Registre qual delas aparece em vez de descrever as três como geração completa da imagem. Nossa inspeção local de credenciais não busca manifestos remotos. Se a fonte disser que havia informações de origem anexadas, mas nenhuma for encontrada, peça o original assinado e pergunte qual fluxo de inspeção foi usado. Verifique também se os metadados oferecem alguma pista a seguir, como nome de aplicativo ou histórico de exportação. Os metadados devem orientar perguntas, não resolvê-las: um campo de software, sozinho, não estabelece todo o processo de criação. A pergunta prática é específica: “O que o registro disponível diz sobre este arquivo?” Mantenha em aberto a questão separada de se a legenda ou o acontecimento retratado está correto até investigá-la. Use uma verificação de marca d’água do fornecedor quando a fonte for compatível Escolha um processo de marca d’água conforme o fornecedor suspeito e o tipo de mídia compatível. Um verificador de um sistema de marca d’água não testa todos os geradores de IA. Um resultado negativo ou indisponível deve manter esse limite de cobertura explícito. A documentação SynthID do Google DeepMind descreve marcas d’água aplicadas em seus produtos de IA generativa e um fluxo no Gemini para verificar se a mídia foi gerada ou alterada pela IA do Google. Siga as instruções oficiais atuais quando essa for a pergunta que você precisa responder. A página de verificação SynthID do site direciona você aos fluxos relevantes. Ela não realiza uma análise direta de SynthID nas imagens enviadas. Use o fluxo oficial indicado e mantenha o escopo de mídias e fornecedores compatíveis junto ao resultado. Guarde a saída exata do fornecedor. “Uma marca d’água compatível foi encontrada” é diferente de “a história desta imagem é verdadeira”. “Nenhuma marca d’água compatível foi encontrada” é diferente de “nenhuma IA foi usada”. Verifique a afirmação da fonte de forma independente A origem de uma imagem e a afirmação associada a ela são perguntas separadas. Mesmo quando a geração permanece sem resposta, você pode verificar que uma imagem é anterior ao acontecimento alegado, foi publicada em outro lugar ou retrata outro local. Use estas verificações como processo de investigação: Anote a afirmação específica: quem, onde, quando e o que supostamente aconteceu. Encontre a publicação mais antiga que puder comprovar e guarde seu endereço e data. Procure outras imagens, acontecimentos próximos ou reportagens independentes que sustentem o contexto. Peça ao criador ou responsável pela publicação o original e uma explicação do processo. Separe fatos confirmados de inferências e detalhes não resolvidos. O relatório do NIST sobre transparência de conteúdo digital discute o rastreamento de origem e a detecção de conteúdo sintético como abordagens distintas, com usos que dependem do contexto. Ele também observa que conteúdo autêntico ainda pode ser enganoso. Portanto, uma verificação técnica de origem responde apenas a parte de uma tarefa de verificação. Se outro detector discordar, preserve a diferença e investigue a cobertura das ferramentas. Não calcule a média de pontuações sem relação nem transforme uma votação da maioria em prova. Para entender o problema mais amplo dos erros, veja por que acontecem falsos positivos em detectores de IA. Mantenha um registro de evidências e escolha um ponto útil para parar Um registro curto torna a incerteza mais fácil de encaminhar. Anote a versão do arquivo, as verificações concluídas, as observações e as perguntas em aberto. Decida que informações adicionais poderiam mudar sua conclusão antes de gastar tempo repetindo análises. Campo do registro de evidências Exemplo de preenchimento Versão do arquivo Captura de tela de uma republicação; original não fornecido Processamento Análise concluída; resultado passivo inconclusivo Origem Nenhuma credencial disponível localmente foi encontrada Cobertura de marca d’água Verificação oficial do fornecedor não realizada Contexto da fonte Publicação mais antiga confirmada registrada separadamente Pergunta em aberto Se a fonte pode fornecer a exportação original Próxima ação Pedir o original e examinar o processo declarado Esses itens ilustram um modelo, não um relatório de arquivo testado. Substitua-os pelas suas observações reais. Um ponto útil para parar é uma conclusão delimitada: “A origem continua sem resposta para esta cópia; a legenda foi verificada de forma independente” ou “A fonte forneceu um registro validado que declara edição por IA”. Se nenhuma verificação disponível abordar a pergunta em aberto, novas tentativas podem apenas repetir a mesma limitação. Para uma decisão com consequências relevantes, preserve as evidências e obtenha uma análise qualificada adequada ao caso. Um resultado inconclusivo deve continuar inconclusivo até que evidências adicionais sustentem uma afirmação mais específica e justificável. Perguntas frequentes Inconclusivo significa que a imagem provavelmente é real? Não. O resultado não estabelece origem humana. Leia o motivo da decisão e a cobertura: a incerteza pode refletir evidências insuficientes, interpretação não validada do modelo ou limitações do arquivo e das verificações disponíveis. Uma análise inconclusiva é uma falha técnica? Não necessariamente. Uma análise pode terminar com sucesso e ainda não ter evidências para decidir a origem. Confira o estado do processamento e cada canal de evidências para diferenciar incerteza de análise com falha ou indisponível. Devo continuar enviando até obter um resultado confiante? Repita apenas quando algo relevante mudar, como obter o original ou resolver uma verificação indisponível. Guarde os dois relatórios. Repetir a mesma análise compatível não acrescenta, por si só, evidências independentes. O que devo compartilhar com quem está revisando a imagem? Compartilhe a versão exata do arquivo, fonte, data da análise, palavras do resultado, verificações concluídas e limitações. Inclua qualquer contexto verificado de forma independente. Separe observações de afirmações que ainda precisam de investigação."},{"id":"https://aifakescan.com/pt-br/resources/c2pa-checker-results-explained","url":"https://aifakescan.com/pt-br/resources/c2pa-checker-results-explained","title":"Resultados do verificador C2PA explicados: credenciais válidas, inválidas e ausentes","summary":"Interprete os estados do verificador C2PA, a confiança no signatário e as declarações de IA e registre uma nota clara de evidências sem confundir origem com prova de autenticidade.","date_published":"2026-10-03T08:13:58.314Z","date_modified":"2026-10-03T08:13:58.314Z","tags":["C2PA","Credenciais de Conteúdo","Origem da mídia"],"content_text":"Um resultado do verificador C2PA descreve o registro de origem disponível para um arquivo específico. Uma credencial validada sustenta uma conclusão mais limitada do que “esta imagem é real”. Credenciais ausentes não provam geração por IA, e uma falha de validação não explica quem alterou o arquivo nem por quê. O próximo passo útil é ler em conjunto o estado, o signatário, as ações declaradas e as limitações. Este guia explica os rótulos de resultado exibidos pelo verificador C2PA e apresenta uma forma de registrar o que o resultado realmente sustenta. O que significa cada estado do verificador C2PA? Esses rótulos descrevem resultados diferentes de uma verificação de credencial. Eles não são classificações de autenticidade intercambiáveis. Comece pelas palavras exatas do relatório e mantenha o resultado ligado à versão do arquivo enviada. Rótulo do relatório Como interpretar Próximo passo Credencial validada O verificador estabeleceu evidência de credencial confiável para o arquivo examinado Leia o signatário e as ações declaradas Confiança no signatário não estabelecida Uma credencial foi encontrada, mas o verificador não estabeleceu o estado de confiança Examine avisos e detalhes do signatário; não presuma que todas as verificações de validação passaram Falha na validação O relatório disponível contém uma falha de validação Guarde os detalhes da falha e compare com o arquivo original Nenhuma Credencial de Conteúdo encontrada A verificação não localizou credenciais pelo método compatível Peça o original e investigue outras evidências Verificação indisponível A verificação da credencial não pôde ser realizada Trate este canal como não verificado Relatório não compatível A saída do verificador não pôde ser interpretada como um relatório de credencial compatível Guarde os detalhes disponíveis e procure um fluxo de inspeção compatível A orientação de validação C2PA distingue um registro que pode ser lido, uma validação bem-sucedida e uma credencial de assinatura confiável. Uma interface pode resumir esses detalhes em um selo; por isso, os avisos que o acompanham são importantes. Se quiser uma introdução mais ampla a manifestos e assinaturas, leia o que são Credenciais de Conteúdo e como funcionam. Aqui, o foco é o que fazer com um resultado que você já tem em mãos. “Credencial validada” prova que uma imagem é real? Esse resultado sustenta a relação entre a credencial e o arquivo informada pelo verificador. Ele não verifica de forma independente uma cena, legenda, local ou data. Uma imagem tecnicamente validada ainda pode estar acompanhada de uma história incorreta. A orientação C2PA para consumidores separa explicitamente a origem verificável de julgamentos sobre a verdade de mídias digitais. Leia as ações antes de concluir algo sobre a origem. A especificação técnica oferece campos de ação e tipo de fonte que podem descrever criação, edição e ingredientes. Eles podem responder a perguntas diferentes: Uma ação de criação pode declarar que um arquivo foi gerado usando IA. Uma ação de edição pode descrever alterações por IA em um arquivo existente. Um ingrediente pode ser gerado por IA mesmo quando o arquivo final combina várias fontes. Não resuma esses casos como “a imagem inteira foi gerada”. Por exemplo, um fundo criado por IA em uma composição é uma afirmação diferente de uma cena totalmente gerada. Ao explicar o resultado, use o escopo declarado: “O registro validado declara edição por IA” é mais preciso do que “Todos os pixels são falsos”. Depois, investigue se quem publicou representou essa edição corretamente. Como lidar com um signatário não confiável ou uma falha de validação? Mantenha separadas a confiança no signatário e as falhas de validação. “Confiança no signatário não estabelecida” significa que este verificador não classificou o registro como confiável. O rótulo, sozinho, não estabelece que todas as outras verificações passaram nem que o signatário agiu de má-fé. Procure o nome do signatário, códigos de validação e a explicação do relatório. Se um segundo verificador apresentar resultado diferente, registre a diferença em vez de escolher o selo que pareça mais tranquilizador. Pergunte se as duas ferramentas examinaram os mesmos bytes e se sua configuração de confiança ou os formatos compatíveis são diferentes. Em caso de “Falha na validação”, guarde o aviso específico. Uma falha pode dizer respeito à credencial ou à sua relação com o arquivo; o rótulo, sozinho, não identifica a causa. Evite concluir que houve adulteração deliberada com base em um selo resumido. Uma comparação prática é obter o arquivo original assinado pelo criador e examiná-lo separadamente. Se o original e a cópia em circulação produzirem resultados diferentes, documente essa diferença. Ela é uma pista para investigar o histórico de distribuição, não prova automática de conduta indevida. Para encaminhar o caso, guarde o arquivo exato, nome da ferramenta, data da análise, estado e códigos de erro. Uma captura do selo é um contexto útil, mas manter o arquivo examinado permite reproduzir o resultado. Por que um verificador pode não encontrar Credenciais de Conteúdo? O resultado se aplica ao método de busca de credenciais e ao arquivo examinado. Ele não distingue um original sem assinatura de uma cópia que perdeu as informações de origem incorporadas. Também não estabelece se houve uso de IA. Nosso verificador examina credenciais disponíveis localmente e não busca manifestos remotos em URLs incorporadas em arquivos não confiáveis. Portanto, pode existir um registro externo de origem que não esteja disponível por essa verificação. Outras implementações podem oferecer fluxos de recuperação. A documentação da Adobe descreve uma abordagem que usa marca d’água invisível, impressão digital e sua nuvem de Credenciais de Conteúdo para recuperar registros correspondentes, inclusive após capturas de tela. Esse é um recurso do fluxo documentado da Adobe, não uma capacidade que você deva presumir em todo verificador C2PA. Peça à fonte a exportação original assinada antes de criar uma nova cópia. Converter, salvar novamente ou capturar a tela do arquivo introduz outra versão na investigação. Se só houver uma republicação, registre essa limitação nas suas notas. “Verificação indisponível” e “Relatório não compatível” exigem outra resposta: resolver o problema de inspeção ou usar um fluxo compatível. Nenhum dos dois é uma verificação concluída que não encontrou nada. Como transformar o resultado em uma nota útil de evidências? Escreva uma afirmação específica que outra pessoa possa conferir. Separe o que o relatório observou da afirmação sobre o mundo real que você está avaliando. Isso evita que um resultado de origem se transforme em um veredito mais amplo durante o compartilhamento ou a revisão. Use este modelo: Campo O que registrar Arquivo Nome, formato, dimensões e versão do arquivo; hash, se disponível Fonte De onde veio a cópia exata e quando você a obteve Verificação Ferramenta, data, rótulo do resultado e detalhes disponíveis da validação Declaração Ação de IA, edição ou ingrediente registrado, usando as palavras do relatório Limitação Campos ausentes, verificações indisponíveis ou falta do original Contexto A legenda ou afirmação que ainda precisa de verificação independente Para um resultado sem credenciais, uma nota adequada é: “A inspeção local compatível não encontrou credenciais nesta cópia; o original não foi obtido.” Para uma declaração de IA confiável, registre o escopo da declaração e o signatário em vez de acusar o criador. Se as informações de origem não resolverem a questão, o detector de imagens de IA oferece outro canal de evidências disponível. Examine também suas limitações e pesquise a fonte para verificar a história associada à mídia. Perguntas frequentes “Confiança no signatário não estabelecida” é o mesmo que “Falha na validação”? Não. São resultados diferentes do relatório. A falta de estado confiável não identifica por si só uma falha de validação nem prova que todas as verificações passaram. Examine os detalhes e mantenha o rótulo exato nas notas. Uma imagem gerada por IA pode ter Credenciais de Conteúdo validadas? Sim. Uma credencial pode declarar criação ou edição por IA. A pergunta relevante é qual ação o registro confiável declara, não apenas se o arquivo possui um selo de credencial. A falta de Credenciais de Conteúdo prova que um arquivo é falso? Não. Esse resultado significa que a verificação compatível não encontrou credenciais disponíveis naquela cópia. Ele não estabelece origem humana ou por IA nem resolve se a legenda está correta. Devo editar o arquivo para corrigir uma credencial que falhou? Preserve o arquivo antes de fazer mudanças. Peça a exportação original assinada e examine-a separadamente. Uma cópia editada ou exportada novamente é um novo arquivo de investigação e não deve substituir sem registro a evidência examinada primeiro."},{"id":"https://aifakescan.com/pt-br/resources/ai-image-detection-after-screenshots-compression","url":"https://aifakescan.com/pt-br/resources/ai-image-detection-after-screenshots-compression","title":"O que capturas de tela e compressão JPEG mudaram em nosso teste de detecção de imagens por IA com 60 arquivos","summary":"Um estudo de caso reproduzível com 12 fontes e 60 arquivos sobre capturas de tela, redimensionamento, compressão JPEG, recodificação de metadados, credenciais C2PA e resultados de um modelo visual.","date_published":"2026-09-24T18:28:42.409Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["Detecção de IA","Origem da mídia"],"content_text":"Capturas de tela, redimensionamento e compressão JPEG não apenas reduzem o tamanho de um arquivo. Eles criam outro arquivo, podem remover informações de origem incorporadas e alterar a pontuação de um detector visual. Fizemos um estudo de caso controlado com 60 arquivos para mostrar como essas mudanças apareceram em uma amostra pequena e totalmente documentada. O que testamos Selecionamos 12 imagens de origem do repositório público de amostras AI Detector Arena: quatro fotos de câmera, quatro imagens geradas pelo Flux e quatro versões das fotos de câmera com edições visíveis. Os quatro temas eram animais, arte, comida e paisagens. Cada arquivo de origem produziu cinco versões: o original, idêntico byte a byte; uma captura de tela real feita no Chrome, com a página exibida em 1280 por 900 pixels; uma versão redimensionada com o lado mais longo limitado a 1024 pixels; uma exportação JPEG com qualidade 60; uma recodificação PNG sem metadados. Para cada versão, registramos o hash SHA-256, formato, dimensões, tamanho em bytes, número de campos EXIF, resultado C2PA e saída bruta do modelo visual local do AIFakeScan. A execução usou c2patool 0.26.60 e `community-forensics-384.onnx` em 25 de setembro de 2026. Baixar o CSV com os 60 resultados. Baixar o inventário das fontes. Baixar as configurações da execução. O que aconteceu com a saída do modelo visual A tabela apresenta a média das pontuações brutas de quatro arquivos em cada célula. São observações desta amostra, não taxas de precisão nem probabilidades calibradas. Grupo de origem Original Captura de tela Redimensionado JPEG com qualidade 60 Metadados removidos Fotos de câmera 0.0036 0.0021 0.0115 0.0020 0.0036 Fotos com edições visíveis 0.0063 0.0014 0.0145 0.0031 0.0063 Imagens geradas pelo Flux 0.9968 0.8569 0.7151 0.5226 0.9968 O grupo de imagens geradas foi o que mais mudou. Uma imagem de arte gerada passou de 0.9978 no original para 0.3240 após o redimensionamento e 0.0093 após a compressão JPEG. Uma paisagem gerada passou de 0.9900 para 0.4344 na captura de tela. Outros arquivos gerados permaneceram próximos de 1.0 após as mesmas transformações. Essa variação mostra por que a pontuação de uma captura de tela não pode ser tratada como a pontuação de um original que não foi examinado. Ela também mostra por que editar um arquivo até um detector dar a resposta desejada não é um método válido de revisão. O que aconteceu com as Credenciais de Conteúdo Os quatro originais gerados continham um manifesto C2PA que declarava conteúdo gerado. O c2patool informou que o manifesto era válido, mas sua credencial de assinatura não estava na lista local de confiança; por isso, o resultado registrado foi válido, mas não confiável. As versões em captura de tela, JPEG redimensionado, JPEG comprimido e sem metadados de cada um desses quatro arquivos não tinham Credencial de Conteúdo incorporada. Os oito arquivos de origem de câmera e editados também não tinham credenciais em nenhuma das versões testadas. Esse resultado se aplica a essas formas de exportação. Ele não significa que todo redimensionamento ou editor necessariamente remove o C2PA. Uma credencial pode ser preservada ou substituída em um fluxo compatível com C2PA. Também não significa que um arquivo sem credencial seja autêntico. O que aconteceu com os metadados Nenhum dos 12 originais selecionados apresentou campos EXIF ao serem lidos pelo Pillow. Portanto, as versões sem metadados não demonstram a remoção de EXIF de câmera nesta amostra. Elas demonstram que uma recodificação com os mesmos pixels altera o hash e o contêiner do arquivo, mesmo quando a saída do modelo visual local permanece igual até seis casas decimais. Essa limitação faz parte do resultado. Não afirmamos que metadados foram removidos quando os originais selecionados não tinham metadados a remover. O que não testamos Os arquivos selecionados não estavam documentados como produtos de um fornecedor de marca d’água proprietária compatível. Por isso, não executamos uma verificação oficial do SynthID ou de outra marca d’água de fornecedor, e esses campos permanecem em branco no registro. Em branco significa não executado, não ausente. Também não enviamos esses arquivos a plataformas sociais. Nenhuma conclusão aqui descreve o que uma plataforma específica preserva ou remove. Como verificar suas próprias versões Guarde o arquivo mais antigo que você tiver antes de abri-lo em um editor. Calcule o hash e identifique cada versão. Não sobrescreva o original. Use o verificador C2PA em cada arquivo para ver se há uma credencial e se a validação foi concluída. Se você suspeitar que a origem é uma IA do Google, siga o caminho de verificação do SynthID para cada versão relevante. Execute o detector de imagens de IA e registre o relatório completo e suas limitações, em vez de copiar apenas uma pontuação. Descreva o resultado como aplicável ao arquivo exato que foi verificado. Limites deste estudo de caso A amostra contém quatro imagens por grupo de origem e quatro temas. Ela foi selecionada para demonstrar um método reproduzível, não para estimar a precisão na população geral. O grupo editado usou uma única receita de edição visível. O modelo local é uma versão de um detector. Marcas d’água de fornecedores e distribuição por plataformas sociais não foram testadas. Consulte o registro completo, linha por linha, ao verificar qualquer resumo acima. Perguntas frequentes Uma captura de tela engana todos os detectores de imagens de IA? Não. Nesta amostra, algumas capturas de imagens geradas permaneceram perto da pontuação original, enquanto outras mudaram bastante. Uma captura de tela é uma nova entrada e deve ser relatada como tal. A ausência de C2PA prova que uma imagem é real? Não. Isso significa que não foi encontrada uma credencial utilizável naquele arquivo. Muitos arquivos autênticos e gerados não têm credencial incorporada. A pontuação visual bruta é uma porcentagem de precisão? Não. Ela é uma saída do modelo observada para um arquivo. Este experimento não estima sensibilidade, especificidade ou precisão geral."},{"id":"https://aifakescan.com/pt-br/resources/ai-image-detector-tools-comparison","url":"https://aifakescan.com/pt-br/resources/ai-image-detector-tools-comparison","title":"Comparação de detectores de imagens de IA: escolha a verificação de evidências certa em 2026","summary":"Compare detecção de imagens de IA, validação C2PA e verificação SynthID por tipo de evidência, privacidade, acesso e limites dos resultados.","date_published":"2026-09-24T18:28:42.409Z","date_modified":"2026-10-03T08:13:58.314Z","tags":["Detecção de IA","Marcas d’água de IA"],"content_text":"Um detector de imagens de IA, um validador de Credenciais de Conteúdo e um verificador de marcas d’água de fornecedor respondem a perguntas diferentes. Uma comparação útil começa pela evidência de que você precisa, não por uma única “melhor” pontuação. A comparação dos fornecedores foi verificada em 25 de setembro de 2026. As observações sobre guarda de arquivos e escopo do verificador foram conferidas com a implementação em 3 de outubro de 2026. O comportamento do AIFakeScan se baseia no estudo de caso executado com 60 arquivos e em verificações da implementação. As informações de Google, Adobe e Sightengine se limitam à documentação oficial vigente, a menos que uma linha diga explicitamente que houve teste. Tabela para escolha rápida Ferramenta Evidência principal Melhor uso O que um resultado negativo não pode provar Base das informações aqui AIFakeScan AI Image Detector Modelo visual local mais evidências disponíveis do arquivo Fazer uma triagem de imagem desconhecida e ver evidências separadas com suas limitações Que o arquivo é autêntico ou nunca foi editado por IA Testado localmente em 60 versões de arquivos documentadas AIFakeScan C2PA Checker Credenciais de Conteúdo incorporadas, validação e estado de confiança local Examinar origem, situação do signatário, ações declaradas e metadados básicos Que um arquivo sem credencial é real Testado localmente nos mesmos 60 arquivos Verificação do Google Gemini SynthID para IA do Google e Credenciais de Conteúdo compatíveis Perguntar se a IA do Google criou ou editou uma imagem Que outro gerador não foi usado Documentação do fornecedor; nenhuma fonte compatível em nosso experimento Adobe Content Authenticity Inspect Credenciais de Conteúdo e credenciais correspondentes que possam ser recuperadas Examinar o histórico de credenciais no fluxo web da Adobe Que a falta de credenciais comprova autenticidade Disponibilidade da interface e documentação do fornecedor; nenhum resultado de envio registrado API genai da Sightengine Classificação visual de pixels por uma API hospedada Triagem visual por programa quando o uso de um fornecedor externo é aceitável Origem, identidade do signatário ou acerto universal Documentação do fornecedor; nenhuma execução da API paga nesta comparação AIFakeScan: reúna as evidências do arquivo sem misturá-las O AI Image Detector geral executa um modelo visual local e apresenta as evidências disponíveis do arquivo. O C2PA Checker dedicado usa um perfil voltado apenas à origem e não executa o classificador de pixels nem um detector pago. Em nosso estudo de caso com 60 arquivos, o verificador C2PA encontrou manifestos de conteúdo gerado válidos, mas não confiáveis na lista local, em quatro originais gerados. As 16 versões transformadas derivadas desses originais não tinham credencial incorporada. A média do modelo visual para o grupo gerado mudou de 0.9968 nos originais para 0.5226 nas versões JPEG com qualidade 60. Essas observações mostram por que os dois tipos de evidência devem permanecer separados; elas não classificam o AIFakeScan em relação a outro detector. Os arquivos do Basic Scan público são processados na infraestrutura de servidores do AIFakeScan. Os originais enviados ficam armazenados de forma privada até o proprietário escolher “Excluir envios e relatório” na página da análise. O acesso ao relatório expira após 45 minutos; essa expiração não exclui os originais. O verificador não funciona localmente no navegador. Leia a política de privacidade atual antes de enviar mídia sensível. Google Gemini: use a opção oficial do SynthID A página de ajuda do Google informa que usuários elegíveis conectados ao Gemini podem enviar um arquivo e perguntar se ele foi criado ou editado pela IA do Google. Atualmente, o Gemini reconhece o SynthID em conteúdo de ferramentas de IA do Google e também pode resumir Credenciais de Conteúdo compatíveis. Esse é o caminho apropriado quando a pergunta específica é sobre a marca d’água do Google. Não é um teste universal de marcas d’água. Um resultado SynthID de “não detectado” não descarta outros sistemas de IA, e o Google documenta um resultado incerto para alguns arquivos. Use o caminho de verificação do SynthID para preparar o arquivo, copiar uma pergunta precisa e registrar o resultado recebido. Para conteúdo de origem Google, use a opção oficial externa de verificação. As verificações separadas de marcas d’água de imagem e áudio da OpenAI no site dependem do fornecedor documentado, da configuração e do acesso; elas não estabelecem cobertura universal de marcas d’água. Adobe Content Authenticity: examine o histórico de credenciais A experiência Inspect da Adobe na web foi criada para Credenciais de Conteúdo. A documentação da Adobe descreve a visualização da origem, do histórico de edição e de informações sobre IA generativa quando há credenciais disponíveis, incluindo métodos de recuperação de algumas credenciais correspondentes. O site público estava acessível durante esta análise, mas não registramos um resultado de envio. Portanto, sua entrada na tabela é uma capacidade documentada, não um resultado medido. Ela é útil como segunda interface para revisar credenciais, especialmente em fluxos da Adobe. Sightengine: uma API visual hospedada A Sightengine documenta um modelo hospedado `genai` que examina o conteúdo dos pixels e retorna uma pontuação de geração por IA, com informações por gerador em alguns níveis de acesso. O fornecedor afirma que metadados não são usados nessa pontuação visual e oferece uma faixa de teste e planos pagos de produção. Não enviamos o conjunto de 60 arquivos à Sightengine, portanto este artigo não compara suas pontuações ou precisão com as do AIFakeScan. Use a ferramenta quando uma API externa e suas regras atuais de tratamento de dados, limites e preços forem adequados ao seu fluxo. Escolha a ferramenta conforme a pergunta Sua pergunta Comece aqui Acrescente quando necessário Este arquivo tem histórico verificável de origem ou edição? Verificador C2PA Adobe Inspect como outra interface de credenciais Isso foi criado ou editado pela IA do Google? Verificação SynthID no Gemini C2PA e análise da fonte O conteúdo dos pixels se parece com padrões aprendidos de imagens geradas? Detector de imagens de IA Um segundo fornecedor visual e comparação controlada de versões do arquivo O acontecimento retratado ou a legenda é verdadeiro? Investigação da fonte e confirmação por outras evidências Busca reversa de imagens, publicação original e evidências de contexto Nenhuma ferramenta desta tabela prova a verdade dos fatos. Informações de origem podem registrar quem assinou um histórico; uma marca d’água pode identificar um fornecedor compatível; um modelo visual pode produzir um sinal probabilístico. Mantenha os resultados separados até redigir a conclusão final. Observações sobre privacidade, acesso e custo Ferramenta Processamento do arquivo Observação sobre acesso e preço verificada em 25 de setembro de 2026 AIFakeScan Enviado ao serviço de processamento; originais privados mantidos até a exclusão pelo proprietário, com acesso ao relatório expirando após 45 minutos Basic Scan público durante a versão beta; consulte os limites atuais na página da ferramenta Gemini Enviado ao Google conforme os termos da conta e do produto É necessário entrar em uma conta elegível; o Google documenta cotas diárias de verificação Adobe Inspect Enviado ou fornecido ao fluxo de inspeção web da Adobe O acesso público pela web estava disponível; a disponibilidade de conta e recursos pode mudar Sightengine Enviado à API hospedada da Sightengine O fornecedor documenta uma faixa gratuita de testes e planos pagos de produção; confira os preços atuais Perguntas frequentes Qual detector de imagens de IA é o mais preciso? Esta comparação não faz essa afirmação. Uma comparação de precisão confiável exige um conjunto de dados representativo, identificado e com versão registrada, entradas idênticas, métricas definidas antecipadamente e registro completo de falhas. As ferramentas aqui também respondem a perguntas diferentes. Devo usar primeiro o C2PA ou um detector visual? Se o arquivo original estiver disponível, verifique primeiro a origem, pois uma declaração validada pode ser evidência direta sobre o histórico do arquivo. Depois, use verificações visuais e de contexto para perguntas que a credencial não responde. Uma ferramenta consegue verificar todas as marcas d’água invisíveis de IA? Nenhuma ferramenta pública desta comparação estabelece cobertura universal de sistemas proprietários de marcas d’água. Use o verificador compatível do fornecedor e registre exatamente qual sistema foi executado."},{"id":"https://aifakescan.com/pt-br/resources/synthid-checker-guide","url":"https://aifakescan.com/pt-br/resources/synthid-checker-guide","title":"Como verificar o SynthID: etapas oficiais e limites","summary":"Veja como verificar o SynthID com o Detector oficial ou o fluxo de imagens do Gemini. Entenda a cobertura de mídias, as versões dos arquivos e a verificação específica de cada fornecedor.","date_published":"2026-09-24T16:21:51.477Z","date_modified":"2026-10-19T09:31:03.686Z","tags":["Marcas d’água de IA","Origem da mídia"],"content_text":"Para verificar o SynthID, comece pelo SynthID Detector oficial do Google para imagens, vídeos e áudios compatíveis. Confira sua cobertura atual do Google e dos parceiros participantes. A análise visual do AIFakeScan e uma verificação de marca d’água compatível examinam evidências diferentes. Opções oficiais revisadas em 19 de outubro de 2026. A ficha abaixo registra versões e resultados dos arquivos; ela não é uma referência de precisão. Onde verificar o SynthID? O Google anunciou o acesso global em inglês ao SynthID Detector em 7 de outubro de 2026. O serviço público verifica arquivos compatíveis de imagem, vídeo e áudio. Sua disponibilidade não estabelece acesso público por API nem habilita a verificação do Google dentro do AIFakeScan. Abra o SynthID Detector oficial e confira os requisitos atuais de arquivo. Guarde o original, envie o arquivo compatível, leia o resultado e salve suas palavras exatas junto com a data da verificação. Veja o anúncio de acesso do Google. O SynthID incorpora uma marca d’água imperceptível à mídia gerada. O Google descreve a tecnologia como projetada para resistir a algumas transformações, incluindo recorte e compressão com perda. Esse objetivo de projeto não estabelece uma taxa de sucesso para o arquivo específico que você tem em mãos. Como verificar uma imagem no Gemini Siga as instruções atuais do Google para verificação no Gemini. Entre com uma conta pessoal ou Workspace elegível, abra o Gemini, use a opção de adicionar arquivos e envie uma imagem. Pergunte se a IA do Google a criou ou editou. Leia a explicação retornada e guarde a resposta exata junto com o arquivo. No caso do Gemini, consulte a página de ajuda atual para conhecer os limites de envio e requisitos de conta antes de enviar um arquivo. Gemini, SynthID Detector e AIFakeScan têm limites separados. Se só houver uma captura de tela, o Google recomenda recortar bem ao redor de uma única imagem, em vez de uma montagem. Guarde também a captura intacta e registre o recorte. Peça o download original quando possível. O que o resultado permite concluir? Registre separadamente os resultados detectado, não detectado e incerto, usando as palavras exatas do serviço. Confira a cobertura atual de mídias e fornecedores do verificador usado. A identificação de uma marca d’água compatível não verifica uma cena ou legenda. Use esta lista para interpretar o resultado; os rótulos abaixo são categorias de análise, não uma promessa das palavras exibidas na interface. O que você recebe O que registrar O que fazer em seguida Uma detecção de SynthID informada Resposta exata, arquivo, data e qualquer escopo descrito Diferencie geração de edição; verifique a legenda da imagem separadamente Nenhuma detecção informada O resultado negativo para este arquivo enviado Continue considerando outros geradores e o histórico de origem da imagem Uma determinação incerta A explicação sem convertê-la em sim ou não Procure um arquivo de origem melhor e mantenha a incerteza registrada Falha de envio ou verificação não concluída Erro ou falta de cobertura Marque como não verificado; não registre um resultado negativo Uma resposta do detector não deve ser transformada sem explicação em uma afirmação mais ampla sobre uma pessoa, acontecimento ou publicação. Por exemplo, encontrar evidência de edição por IA não identifica todas as regiões alteradas nem estabelece que uma notícia relacionada seja falsa. SynthID, Credenciais de Conteúdo e detecção visual Esses canais de evidência podem aparecer na mesma análise. Mantenha seus resultados separados. Canal de evidência Pergunta a fazer Limite a preservar Verificação SynthID Uma verificação compatível do fornecedor encontrou sua marca d’água? Uma verificação de marca d’água tem cobertura definida de fornecedores Credenciais de Conteúdo C2PA Quais declarações de origem foram verificadas e sob quais regras de confiança? Um histórico assinado não garante a verdade dos fatos Metadados comuns Quais pistas de câmera, software ou exportação permanecem? Campos editáveis fornecem contexto, não prova independente Modelo visual O que este modelo informou sobre os pixels enviados? Uma classificação não reconstrói o histórico de criação O Gemini também pode examinar Credenciais de Conteúdo. Guarde esses resultados separadamente da resposta sobre SynthID. Nosso guia C2PA explica os estados de validação e confiança. Uma ficha para originais e cópias compartilhadas Mantenha um registro por arquivo. Se comparar um original com um download de rede social ou captura de tela, identifique as versões antes de enviá-las. Não sobrescreva um original ao tentar obter uma resposta diferente do detector. Campo Preencha durante a análise Pergunta da análise A afirmação específica sobre geração, edição ou fonte Identificação do arquivo Nome, formato, dimensões e, opcionalmente, hash SHA-256 Obtenção Endereço da fonte ou remetente, data do download e se é original ou cópia Alterações conhecidas Recorte, captura de tela, redimensionamento, exportação ou caminho pela plataforma; desconhecido se não houver informação Verificação oficial Serviço, data, resposta exata e se a verificação foi concluída Outras evidências Detalhes de credenciais, histórico de publicação, explicação do criador e resultados conflitantes Conclusão O que as evidências sustentam e o que ainda não se sabe Este é um modelo vazio de análise. Ele não contém resultados medidos de sobrevivência de marcas d’água. A comparação de dois arquivos desconhecidos também não pode dizer qual sinal existia antes de qualquer um deles chegar até você. O papel do AIFakeScan Use o detector de imagens de IA para examinar as evidências disponíveis do arquivo e ler as observações de cobertura. O AIFakeScan não executa o verificador proprietário SynthID do Google. Seus sinais visuais na versão beta permanecem inconclusivos por si só e não fornecem uma probabilidade calibrada de IA. Para uma análise mais ampla da fonte, siga Como detectar imagens geradas por IA. Se um alerta do detector entrar em conflito com o histórico da fonte, use o guia de análise de falsos positivos. Use o caminho interativo de verificação SynthID O verificador SynthID do AIFakeScan lista o acesso e a cobertura específicos de cada fornecedor. Use o Detector oficial externo para mídias compatíveis; o Gemini continua sendo uma alternativa para imagens. Confira o estado do fornecedor antes de enviar algo dentro do AIFakeScan. Seguir uma opção externa não envia um arquivo ao AIFakeScan nem importa o resultado. Apenas um verificador confirmado e habilitado na ferramenta pode receber arquivos aqui. Registre o serviço usado, a resposta exata, a versão do arquivo e a data. Este guia continua sendo a referência detalhada para cobertura, tratamento de versões de arquivo e interpretação de resultados. A página da ferramenta é o ponto de entrada operacional para a intenção de busca `synthid checker`. Perguntas frequentes Um detector geral de imagens de IA é um verificador SynthID? Não. Um classificador visual e um verificador compatível de marcas d’água examinam evidências diferentes. Procure uma descrição explícita da verificação que realmente foi executada. Não detectar SynthID prova que uma imagem é uma fotografia real? Não. O resultado não descarta todos os outros sistemas de IA nem estabelece a verdade da cena retratada. Registre a conclusão limitada e continue a análise da fonte. O AIFakeScan consegue verificar o SynthID? A verificação do Google dentro do AIFakeScan continua sujeita ao acesso à integração. Use o SynthID Detector oficial externo para suas mídias compatíveis ou o Gemini para o fluxo documentado de imagens. Outras verificações de fornecedores na ferramenta só são executadas quando seu estado individual confirma a disponibilidade. Uma captura de tela pode ser analisada? Sim, mas preserve-a como uma versão separada do arquivo e procure o original. Não trate um resultado sobre a captura como o histórico completo do original não examinado."},{"id":"https://aifakescan.com/pt-br/resources/c2pa-content-credentials-what-they-are-and-how-they-work","url":"https://aifakescan.com/pt-br/resources/c2pa-content-credentials-what-they-are-and-how-they-work","title":"Credenciais de Conteúdo C2PA: o que são e como funcionam","summary":"Entenda o que as Credenciais de Conteúdo C2PA registram, como assinaturas e vínculos com arquivos são verificados e o que credenciais válidas ou ausentes podem — e não podem — provar.","date_published":"2026-09-22T06:43:03.997Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["C2PA","Credenciais de Conteúdo","Origem da mídia"],"content_text":"C2PA é um padrão técnico aberto para registrar e verificar a origem e o histórico de edição de mídias digitais. As Credenciais de Conteúdo são os registros de origem apresentados às pessoas e criados com esse padrão. Elas podem ajudar a examinar quem ou o que assinou um arquivo, quais ações foram declaradas e se o registro assinado ainda corresponde ao arquivo. Elas não provam automaticamente que uma imagem, vídeo ou legenda seja verdadeiro. Uma credencial válida prova aspectos específicos de um registro de origem assinado, não todas as afirmações sobre o mundo real associadas à mídia. O que significa C2PA? C2PA significa Coalition for Content Provenance and Authenticity, ou Coalizão para Origem e Autenticidade de Conteúdo. A coalizão desenvolve especificações técnicas para anexar a imagens, vídeo, áudio, documentos e outros arquivos digitais informações de origem que permitam detectar alterações. O padrão não é um detector de IA. Ele não examina defeitos visuais nem tenta adivinhar se um modelo gerou um arquivo. Em vez disso, oferece uma forma comum para câmeras, softwares, publicações e sistemas de IA participantes fazerem declarações assinadas sobre o histórico de um arquivo. O explicativo sobre C2PA descreve origem como fatos sobre o histórico de um arquivo. Uma credencial pode conter declarações sobre origem, edições, ferramentas, ingredientes ou uso de IA. As declarações presentes dependem da implementação e do que o signatário escolhe ou está configurado para registrar. O que são Credenciais de Conteúdo? Credenciais de Conteúdo é o nome usado para experiências de informações de origem que seguem a especificação C2PA. Você pode pensar no C2PA como a estrutura técnica e nas Credenciais de Conteúdo como o registro assinado e a interface que as pessoas examinam. Uma Credencial de Conteúdo, também chamada de manifesto C2PA, pode incluir: o aplicativo, serviço, aparelho ou organização que emitiu a credencial; a data em que a credencial foi aplicada; ações declaradas de criação ou edição; informações sobre ingredientes usados para criar um arquivo composto; uma indicação de uso de IA generativa, quando o fluxo emissor a registra; informações opcionais de identidade do criador ou responsável pela publicação; dados criptográficos usados para vincular o manifesto ao arquivo. Nem toda credencial contém todos esses campos. A ausência do nome do criador, por exemplo, não é evidência de que o registro seja inválido. Escolhas de privacidade e diferenças de implementação afetam o que é divulgado. Como funciona um manifesto C2PA? Uma ferramenta participante cria um manifesto com declarações sobre o arquivo e o assina com uma credencial criptográfica. Um vínculo de conteúdo associa esse manifesto ao arquivo relevante. Um validador compatível pode então verificar a assinatura, a estrutura do manifesto e se o conteúdo vinculado mudou desde a produção do manifesto. O processo pode ser resumido em cinco etapas: Um aparelho ou aplicativo cria ou edita um arquivo. O gerador da declaração registra ações selecionadas e outras declarações em um manifesto. O manifesto é assinado criptograficamente. O manifesto é incorporado ao arquivo ou disponibilizado para descoberta por outro mecanismo compatível. Um validador verifica o manifesto e apresenta as informações de origem disponíveis a quem o visualiza. A assinatura identifica a credencial usada pelo signatário. Ela não transforma cada declaração do manifesto em um fato verificado de forma independente. A confiança ainda depende de quem assinou o registro, do que declarou e de por que você confia nesse signatário ou no processo de verificação. Para que servem vínculos rígidos e flexíveis? Vínculos rígidos associam um manifesto ao conteúdo protegido exato, normalmente usando hashes criptográficos. Se os bytes protegidos mudarem, a validação pode detectar que o manifesto ativo já não corresponde àquela versão do arquivo. Vínculos flexíveis são projetados para ajudar a localizar informações de origem de mídias derivadas ou transformadas. A especificação de Credenciais de Conteúdo C2PA explica que vínculos flexíveis podem ser calculados a partir do conteúdo digital, em vez de seus bytes brutos exatos. Exemplos incluem impressões digitais ou marcas d’água invisíveis usadas para encontrar um manifesto relacionado. Essa distinção importa quando uma plataforma remove metadados incorporados ou alguém faz uma captura de tela. Um manifesto incorporado pode deixar de acompanhar o novo arquivo, enquanto um mecanismo de busca resistente ainda pode reconectar a cópia transformada a um registro externo. A recuperação depende da implementação e nunca deve ser presumida. Como as assinaturas são verificadas? Um validador verifica várias camadas em vez de procurar apenas um indicador de “C2PA presente”. Ele examina se o manifesto está bem formado, se a assinatura é válida, se a credencial de assinatura é aceitável ou confiável no modelo de confiança relevante e se o manifesto continua vinculado ao arquivo examinado. Pergunta da validação O que uma verificação bem-sucedida sustenta O que ela não prova O manifesto está bem formado? O registro segue a estrutura exigida Que as declarações são factualmente verdadeiras A assinatura é válida? O registro assinado não foi alterado após a assinatura Que o signatário é confiável O signatário é confiável? A credencial se encadeia a uma fonte de confiança reconhecida Que o acontecimento retratado ocorreu O vínculo com o arquivo é válido? O arquivo protegido corresponde ao estado assinado Que a legenda ou o contexto está correto O uso de IA é declarado? O signatário registrou uma ação relevante de IA Que todos os outros arquivos sem declaração não usam IA A especificação técnica distingue estados como bem formado, válido e confiável. Interfaces podem simplificar esses resultados, portanto examine os detalhes em vez de interpretar todos os selos como o mesmo nível de garantia. Como as Credenciais de Conteúdo da Adobe se relacionam com o C2PA? A Adobe ajudou a fundar o C2PA e cria produtos que implementam o padrão, mas o C2PA não é um formato exclusivo da Adobe. Outros softwares, equipamentos, publicações, plataformas e ferramentas de verificação podem implementar a mesma especificação aberta. A documentação de Credenciais de Conteúdo da Adobe informa que suas ferramentas de inspeção usam métodos criptográficos baseados em C2PA para mostrar informações disponíveis de origem e integridade. Alguns fluxos da Adobe anexam automaticamente credenciais a saídas compatíveis geradas pelo Firefly; outros permitem que criadores escolham quais informações de identidade ou atribuição incluir. Uma credencial gerada pela Adobe deve, portanto, ser lida como uma implementação do C2PA. O emissor, as ações e o resultado da validação informam mais do que a simples presença do nome de um produto Adobe. Como examinar Credenciais de Conteúdo? Comece com o melhor arquivo disponível, não com uma captura de tela comprimida quando for possível obter o original. Abra-o em uma ferramenta de inspeção compatível ou use a interface de credenciais fornecida por uma plataforma compatível. Depois examine o resultado em uma ordem cuidadosa. Confirme que a credencial está associada ao arquivo selecionado. Confira o estado de validação e quaisquer avisos ou falhas. Identifique o signatário ou gerador da declaração. Examine as ações, ingredientes e declarações de uso de IA registradas. Anote quando a credencial foi emitida e se edições posteriores estão representadas. Compare as informações de origem com a afirmação externa, a fonte e o contexto de publicação. Se uma interface encontrar uma possível correspondência por captura de tela ou impressão digital, diferencie essa busca de uma validação de vínculo rígido de um arquivo original. São relações úteis, mas diferentes. O que significa quando faltam Credenciais de Conteúdo? Credenciais ausentes significam que o verificador não encontrou uma credencial acessível pelos métodos usados. Isso é tudo o que se pode concluir sem evidências adicionais. A adoção de credenciais é opcional e desigual. Uma câmera pode não ser compatível com C2PA, um editor pode não ativá-lo, uma plataforma pode remover metadados incorporados ou a cópia recebida pode ter sido transformada. Criadores legítimos também podem optar por não incluir informações de identidade por motivos de privacidade ou segurança. As próprias orientações do C2PA alertam contra tratar mídia sem assinatura como inerentemente não confiável. A falta de informações de origem é uma lacuna de informação, não um veredito de IA. O que as Credenciais de Conteúdo podem — e não podem — provar? As Credenciais de Conteúdo são mais fortes ao responder perguntas específicas de origem: quem ou o que assinou este registro, quais ações foram declaradas, se o manifesto assinado foi alterado e se continua associado ao arquivo examinado. Elas não podem provar de forma independente que uma cena ocorreu, que uma citação está correta ou que a descrição de quem publicou é honesta. Uma imagem gerada sinteticamente pode ter uma credencial válida. Uma imagem de câmera verdadeira pode não ter nenhuma. Um arquivo com assinatura válida ainda pode ser usado com uma data falsa ou legenda enganosa. Por isso o AIFakeScan trata informações de origem como um canal de evidência. Nossa metodologia combina informações de origem e metadados disponíveis com outras verificações, preservando a incerteza. Para um processo prático, veja Como detectar imagens geradas por IA. Como ler resultados do verificador C2PA Guarde o relatório completo de validação, não apenas um selo. As categorias a seguir são práticas para análise; verificadores diferentes podem usar palavras diferentes. Elas não são uma lista de rótulos de resultado garantidos no AIFakeScan. Categoria de análise Significado dentro da verificação concluída Próximo passo Nenhuma credencial encontrada O verificador não localizou credencial compatível pelos caminhos verificados Peça a exportação original; confira se havia recuperação externa disponível Validação aprovada e signatário confiável As verificações de validação e confiança informadas foram bem-sucedidas Leia as ações e declarações de uso de IA reais; verifique a legenda separadamente Verificações de assinatura aprovadas, signatário não confiável Algumas verificações de integridade passaram, mas o signatário não atendeu à política de confiança do verificador Examine o certificado e a política de confiança; não iguale desconhecido a fraudulento Falha na validação Pelo menos uma regra de validação informada falhou Guarde o código e o arquivo exatos antes de investigar o problema Incompleto, não compatível ou erro O verificador não conseguiu concluir as verificações relevantes Registre a cobertura ausente em vez de dizer que a credencial não existe Investigue o arquivo antes de julgar a imagem Preserve o arquivo que produziu o resultado. Depois obtenha a exportação original do criador, se disponível, e examine-a sem salvar novamente. Compare os códigos detalhados de validação, o signatário, as ações declaradas e a versão do verificador. Um segundo verificador compatível pode ajudar a explicar uma divergência, mas um selo diferente, sozinho, não é uma explicação. Versão do arquivo Registre antes de comparar Limite de interpretação Exportação do criador Caminho de obtenção, identidade do arquivo e detalhes da credencial Ela ainda pode conter apenas parte do histórico de produção Download de rede social ou mensagens Plataforma, caminho do download, data, tamanho e dimensões Teste este arquivo recebido; não presuma que toda plataforma ou caminho se comporte da mesma forma Captura de tela Software de captura, recorte e página de origem Um ícone de credencial visível na imagem não é, por si só, um manifesto verificado Estas são instruções para investigar problemas, não resultados de testes de plataformas. As verificações disponíveis do AIFakeScan são descritas em cada relatório; uma verificação C2PA indisponível não é um resultado negativo. Se sua pergunta for sobre a marca d’água invisível do Google, use o guia separado de verificação SynthID. Verifique um arquivo com o validador C2PA dedicado Use o AIFakeScan C2PA Checker quando precisar de um resultado executado em vez de uma ficha em branco. O modo exclusivo de origem valida o contêiner do arquivo, verifica Credenciais de Conteúdo incorporadas com c2patool, informa o estado de confiança local e ações declaradas e mostra um pequeno conjunto de metadados básicos. Ele não executa o classificador visual de IA nem um detector pago. O resultado mantém estes estados separados: validação confiável, assinatura válida sem confiança local, falha de validação, nenhuma credencial, verificação indisponível e relatório não compatível. “Não executado” nunca é exibido como “não encontrado”. Os códigos de estado da validação aparecem no resultado, e um relatório JSON higienizado pode ser baixado sem a URL privada da análise, token de acesso ou nome do arquivo enviado. No estudo de caso de captura de tela e compressão com 60 arquivos, quatro originais gerados tinham declarações de IA válidas, mas não confiáveis na lista local. Suas 16 versões transformadas não mantiveram uma credencial incorporada. Esse resultado medido se aplica àqueles arquivos e caminhos de exportação; não é uma afirmação universal sobre editores compatíveis com C2PA. Perguntas frequentes C2PA é o mesmo que uma marca d’água? Não. O C2PA define um sistema mais amplo de origem. Um manifesto pode ser incorporado e vinculado criptograficamente a um arquivo, enquanto uma marca d’água ou impressão digital pode servir como vínculo flexível para ajudar a recuperar um registro relacionado após uma transformação. Uma Credencial de Conteúdo válida significa que uma imagem é real? Significa que verificações de validação definidas foram bem-sucedidas para a credencial e sua relação com o arquivo. Isso não prova de forma independente a verdade da cena, legenda, data ou de todas as declarações. Credenciais de Conteúdo podem mostrar que IA foi usada? Elas podem mostrar que um signatário declarou ações relevantes de criação ou edição por IA. Isso é uma evidência positiva de origem. A falta de uma declaração de IA não é prova universal de que nenhuma IA foi usada. Credenciais de Conteúdo podem ser removidas? Metadados incorporados podem se perder quando arquivos são limpos, transformados ou capturados novamente. Algumas implementações usam armazenamento externo, impressões digitais ou marcas d’água invisíveis para melhorar a recuperação, mas a durabilidade depende do sistema e da transformação. Quem controla o C2PA? A Coalition for Content Provenance and Authenticity desenvolve as especificações abertas. Empresas e organizações individuais implementam essas especificações em seus próprios produtos e serviços. A conclusão prática Leia Credenciais de Conteúdo como informações de origem assinadas, não como um selo universal de verdade. Confira o estado de validação, o signatário, as ações declaradas e a relação com o arquivo e depois verifique a afirmação sobre o mundo real pesquisando a fonte e o contexto. Essa combinação é muito mais forte do que uma credencial ou detector de IA usado isoladamente."},{"id":"https://aifakescan.com/pt-br/resources/what-is-a-deepfake-deepfake-vs-ai-generated-content","url":"https://aifakescan.com/pt-br/resources/what-is-a-deepfake-deepfake-vs-ai-generated-content","title":"O que é deepfake? Deepfake e conteúdo gerado por IA","summary":"Entenda o que é deepfake, como ele difere do conteúdo gerado por IA em geral, os principais tipos de manipulação e como verificar uma suspeita de falsificação de identidade.","date_published":"2026-09-22T06:43:03.997Z","date_modified":"2026-09-22T06:43:03.997Z","tags":["Deepfakes","Mídia sintética","Verificação de vídeo"],"content_text":"Um deepfake é uma mídia sintética ou manipulada que usa IA para imitar ou alterar a identidade, aparência, voz ou ações de uma pessoa. Conteúdo gerado por IA é a categoria mais ampla: pode retratar pessoas, lugares, objetos ou acontecimentos fictícios sem se passar por uma pessoa real. Todo deepfake é conteúdo gerado ou modificado por IA, mas nem todo conteúdo gerado por IA é um deepfake. Essa diferença afeta tanto o risco quanto a verificação. Uma paisagem totalmente gerada e um vídeo com troca de rosto podem ser sintéticos, mas apenas um depende de uma afirmação de identidade sobre uma pessoa real. O que é deepfake? O termo “deepfake” combina deep learning, ou aprendizado profundo, e fake, ou falso. No uso comum, refere-se a mídias criadas ou alteradas com técnicas de aprendizado de máquina para fazer uma pessoa real parecer dizer ou fazer algo que não disse ou fez, ou para imitar seu rosto ou voz. As definições variam nos casos limítrofes. O NIST descreve mídia sintética de forma ampla como informação significativamente modificada ou gerada por algoritmos, incluindo IA. Os materiais de análise forense de mídia do NIST dividem a manipulação de rosto em categorias como troca de identidade, troca de expressão, manipulação de atributos e geração de rosto inteiro. A WITNESS usa “mídia sintética” como a família mais ampla e descreve deepfakes como simulações realistas do rosto, da voz ou das ações de alguém. Essa definição centrada na pessoa é útil porque a falsificação de identidade costuma ser o que torna um deepfake especialmente prejudicial. Qual é a diferença entre deepfake e conteúdo gerado por IA? Conteúdo gerado por IA inclui textos, imagens, áudio e vídeo produzidos ou substancialmente transformados por modelos generativos. Pode ser claramente identificado, fictício, artístico ou criado para um fluxo comercial comum. Não é necessário copiar uma pessoa real. Um deepfake normalmente tem a identidade como alvo. Ele pode colocar o rosto de uma pessoa no corpo de outra, reproduzir expressões faciais, gerar fala em uma voz reconhecível ou criar uma cena realista envolvendo uma pessoa identificada. Tipo de mídia Usa IA? Imita uma pessoa real? Exemplo típico Ilustração gerada Sim Não necessariamente Uma cidade fictícia criada a partir de uma instrução Apresentador totalmente gerado Sim Não, se a identidade for fictícia Um apresentador virtual identificado como tal Troca de rosto Sim Sim O rosto de uma pessoa colocado sobre a atuação de outra Reprodução de expressões faciais Sim Sim Expressões ou movimentos da boca de uma pessoa real alterados Clonagem de voz Sim Sim Fala sintética que imita uma pessoa conhecida Edição enganosa convencional Não necessariamente Possivelmente Um vídeo real cortado para retirar o contexto A última linha é importante: mídia prejudicial ou enganosa não é automaticamente um deepfake. Um vídeo antigo reutilizado, uma legenda falsa, um corte seletivo ou uma edição manual podem enganar sem IA generativa. Quais são os principais tipos de deepfake? Troca de rosto Uma troca de rosto substitui ou mistura a identidade de origem em uma imagem ou vídeo de destino. O corpo, o movimento, o ambiente e o áudio podem continuar reais mesmo que a identidade aparente mude. Reprodução facial e manipulação de sincronia labial A reprodução facial altera expressões, olhar, movimento da cabeça ou da boca, preservando a identidade da pessoa visada. Sistemas de sincronia labial podem fazer uma pessoa parecer dizer palavras de um áudio substituto. Clonagem de voz Um clone de voz gera fala que imita uma pessoa específica. Pode aparecer em uma ligação, mensagem de voz, trecho de podcast ou como faixa de áudio de um vídeo alterado. A Comissão Federal de Comércio dos Estados Unidos alerta que golpistas que se passam por outras pessoas podem usar clonagem de voz em pedidos falsos de emergência e recomenda contatar o suposto autor da ligação por um canal conhecido. Identidade sintética e manipulação corporal Algumas mídias combinam um rosto gerado, um corpo alterado e um contexto inventado. Outros conteúdos mudam idade, cabelo, roupa ou atributos sem substituir toda a identidade. Esses casos mostram por que “deepfake” não é uma única operação técnica. Pessoas totalmente geradas por IA são deepfakes? Uma pessoa gerada que não imita um indivíduo identificável geralmente é mais bem descrita como pessoa sintética ou personagem gerado por IA. Chamar todo retrato fotorrealista de IA de deepfake pode obscurecer os danos ligados à identidade que o termo foi criado para descrever. O termo ainda pode ser apropriado quando uma cena gerada retrata falsamente uma pessoa real identificada, mesmo que o sistema tenha criado o quadro inteiro em vez de trocar um rosto. Na prática, descreva a técnica e a afirmação: “imagem gerada por IA que retrata falsamente uma figura pública” é mais preciso do que um rótulo isolado. Todos os deepfakes são maliciosos? Não. A técnica pode ser usada com consentimento para dublagem, acessibilidade, sátira, produção de filmes, educação ou trabalho criativo identificado como tal. A preocupação ética e legal depende de consentimento, divulgação, contexto e dano, não apenas do uso de IA. Usos de alto risco incluem imagens íntimas sem consentimento, fraude, assédio, manipulação de evidências e falsificação de identidade destinada a influenciar decisões. Mesmo nesses casos, não acuse um criador ou a pessoa retratada com base apenas em um resultado automatizado. Preserve a fonte original e procure uma análise qualificada em casos com consequências relevantes. Como verificar uma suspeita de deepfake? Comece pela afirmação e pela identidade, não por anomalias visuais. Pergunte quem supostamente aparece ou é ouvido, o que teria dito ou feito e onde a mídia apareceu primeiro. Preserve o endereço, a conta, a legenda, os tempos e o melhor arquivo disponível. Encontre uma versão mais longa ou anterior rastreando a fonte e pesquisando quadros representativos. Compare a afirmação com gravações oficiais, reportagens confiáveis ou outro canal conhecido. Examine quadros consecutivos em busca de inconsistências persistentes de identidade, movimento e composição. Examine o áudio separadamente; procure edições e verifique quem fala por um canal de contato independente. Examine Credenciais de Conteúdo disponíveis ou outros registros de origem. Use um detector adequado como evidência de apoio e registre a cobertura informada. Para um processo detalhado de análise de mídia, leia Como saber se um vídeo foi gerado por IA. O processo se aplica tanto a cenas sintéticas quanto a suspeitas de manipulação de identidade. Por que “sinais visuais de deepfake” não bastam Listas fixas ficam desatualizadas rapidamente. Piscadas artificiais, dentes deformados, mãos estranhas ou defeitos nas bordas podem fornecer pistas úteis, mas sistemas modernos podem evitá-los. Gravações reais também podem conter borrões, compressão, quadros perdidos, dublagem, filtros ou efeitos de luz que se parecem com manipulação. Examine uma sequência em vez de uma única captura de tela. Pergunte se uma anomalia persiste em quadros consecutivos e em uma cópia de melhor qualidade. Mais importante, procure evidências externas: gravação original, outro ângulo de câmera, aparição pública correspondente ou contradição de tempo e lugar. Um rosto convincente não valida o acontecimento. Da mesma forma, um quadro ruim não prova uma troca de rosto. O que um detector de vídeo de IA pode revelar? Um detector pode identificar padrões associados a mídias das classes que ele aceita. Sua saída deve ser interpretada considerando o treinamento do modelo, a qualidade do arquivo, o tipo de manipulação e quanto do vídeo foi examinado. A metodologia do AIFakeScan informa que o Basic Scan não inclui classificação especializada de troca de rosto, e que a análise básica de áudio não classifica fala clonada ou sintética. A análise de vídeo pode usar uma amostra de quadros em vez de examinar todos. Resultados beta apenas passivos permanecem inconclusivos; eles não são probabilidades de IA validadas. Esses limites evitam um erro comum: tratar um resultado geral de vídeo como se tivesse testado separadamente o rosto e a voz da pessoa. Use o detector de vídeo de IA apenas para as verificações descritas e combine o resultado com a verificação da identidade e da fonte. Como as Credenciais de Conteúdo ajudam com deepfakes? As Credenciais de Conteúdo podem registrar quem ou o que assinou um arquivo, quais ações foram declaradas e se as informações de origem assinadas ainda correspondem ao arquivo. Uma edição ou geração por IA declarada pode ser uma forte evidência positiva sobre o processo registrado. Elas não estabelecem a verdade de uma cena nem garantem consentimento. A falta de credenciais não prova manipulação, pois sua adoção é opcional e metadados podem ser perdidos. Leia Credenciais de Conteúdo C2PA: o que são e como funcionam para entender a diferença entre um registro de origem válido e uma afirmação verdadeira sobre o mundo real. O que fazer diante de uma suspeita de golpe por falsificação de identidade? Diminua o ritmo da interação. Não confie apenas no rosto, voz, identificador de chamadas ou conta aparentes. Entre em contato com a pessoa ou organização por um número de telefone, site ou conta que você já saiba ser verdadeiro. Não envie dinheiro ou informações sensíveis sob pressão. Guarde mensagens e detalhes de transações, avise a plataforma ou instituição financeira relevante e denuncie a fraude pelo canal oficial adequado. O objetivo é verificar o pedido de forma independente, não vencer uma discussão com a mídia. Perguntas frequentes Um deepfake é sempre um vídeo? Não. O termo pode abranger imagens, vídeo e áudio manipulados ou sintéticos, especialmente quando imitam identidade, voz, aparência ou ações de uma pessoa real. Todo filtro de rosto é deepfake? Geralmente não. Um filtro de entretenimento identificado como tal é mais bem descrito pelo que faz. O termo deepfake se torna mais relevante quando uma manipulação por IA cria uma afirmação realista sobre identidade ou ação envolvendo uma pessoa real. Um detector de deepfake pode provar que um vídeo é falso? Nenhum resultado de detector deve ser tratado como prova universal. A cobertura varia conforme o tipo de manipulação e a qualidade do arquivo. Conclusões de alto impacto exigem evidências da fonte, mídia original quando possível e análise especializada adequada. Uma gravação real ainda pode ser desinformação? Sim. Gravações reais podem ser antigas, ter legenda incorreta, ser editadas seletivamente ou apresentadas com local falso. A autenticidade do arquivo e a verdade da afirmação ao redor são questões separadas. Qual é a forma mais clara de descrever uma mídia suspeita? Informe a técnica observada e a afirmação: por exemplo, “suspeita de voz clonada imitando um familiar” ou “cena totalmente gerada apresentada como gravação real”. Uma linguagem precisa é mais útil do que chamar todo arquivo suspeito de deepfake. A conclusão prática Use “deepfake” para mídias que usam IA para imitar ou manipular uma identidade e “conteúdo gerado por IA” para a categoria mais ampla. Depois, verifique a pessoa, a ação, a fonte e o contexto específicos. Uma classificação precisa ajuda a escolher as evidências adequadas em vez de depender de uma pista visual ou de uma pontuação de detector."},{"id":"https://aifakescan.com/pt-br/resources/can-ai-detectors-be-wrong-why-false-positives-happen","url":"https://aifakescan.com/pt-br/resources/can-ai-detectors-be-wrong-why-false-positives-happen","title":"Os detectores de IA podem errar? Por que acontecem falsos positivos","summary":"Entenda por que detectores de IA produzem falsos positivos e falsos negativos, como compressão e diferenças entre modelos afetam os resultados e como analisar um alerta contestado.","date_published":"2026-09-22T03:26:18.348Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["Detecção de IA","Falsos positivos","Análise forense de mídia"],"content_text":"Sim. Detectores de IA podem produzir falsos positivos — classificando mídia autêntica como gerada por IA — e falsos negativos — deixando de identificar conteúdo sintético ou manipulado. O resultado depende do que o detector aprendeu a reconhecer, da mídia recebida, do limite usado e de como as condições reais correspondem aos dados de avaliação. Um resultado de detector é uma evidência produzida por um modelo, não uma decisão final sobre autoria, autenticidade ou verdade. O que é um falso positivo na detecção de IA? Um falso positivo ocorre quando um detector sinaliza conteúdo autêntico ou fora do escopo como gerado por IA ou manipulado. Um falso negativo ocorre quando conteúdo sintético é classificado como autêntico, não sinalizado ou inconclusivo. Esses erros diferem de um envio não compatível ou de uma falha do sistema. Também diferem de uma legenda enganosa: uma fotografia pode ser verdadeira enquanto a história associada a ela é falsa. Resultado Mídia gerada por IA Mídia não gerada por IA Detector sinaliza IA Verdadeiro positivo Falso positivo Detector não sinaliza IA Falso negativo Verdadeiro negativo Serviços reais podem ter um estado inconclusivo em vez de forçar cada arquivo a um rótulo binário. Muitas vezes esse é o resultado mais honesto quando as evidências são fracas ou a cobertura é desconhecida. Por que detectores de IA cometem erros? A maioria dos detectores passivos aprende padrões associados aos exemplos de treinamento. Eles não possuem um teste físico universal para “IA”. Se um novo gerador, processo de câmera, fluxo de edição ou padrão de compressão diferir da distribuição usada no treinamento, o desempenho pode mudar. O relatório do NIST sobre conteúdo sintético trata a detecção como uma parte de um conjunto maior de ferramentas de transparência que também inclui origem, autenticação, rotulagem e marcas d’água. Essa abordagem em camadas reflete os limites de depender apenas de classificação. Fontes comuns de erro incluem diferenças entre modelos, pós-processamento, entradas de baixa qualidade, edições parciais, verdade de referência ambígua e limites escolhidos para um risco operacional diferente. Como diferenças entre modelos causam resultados falsos? Um detector pode funcionar bem em geradores e conjuntos de dados semelhantes aos de seu treinamento, mas generalizar mal para sistemas desconhecidos. Novos modelos podem produzir texturas, padrões de frequência, movimentos e características de ruído diferentes. O benchmark GenImage avalia explicitamente a detecção entre geradores: treinar com imagens de um gerador e testar em outros. Esse é um problema central de uso real porque os usuários raramente conhecem o modelo gerador com antecedência. A diferença inversa também importa. Um detector pode aprender atalhos associados a imagens reais em seu conjunto de dados — como ruído de câmera, resolução ou pré-processamento — e depois confundir uma imagem autêntica incomum com uma saída de IA. Como compressão e edição afetam a precisão do detector? Compressão JPEG, recodificação por redes sociais, capturas de tela, redimensionamento, aumento de nitidez, redução de ruído, filtros de cor e exportações repetidas alteram sinais no nível dos pixels. Em vídeo, há ainda interpolação de quadros, mudanças de taxa de bits, recorte e sincronização de áudio. Um detector que depende de artefatos frágeis de alta frequência pode perder sinais úteis após a compressão. Ele também pode interpretar blocos comuns de compressão, halos, suavização excessiva ou forte redução de ruído como padrões sintéticos. Identifique sempre a versão do arquivo. Um resultado de uma exportação original e outro de uma captura de tela de uma republicação não têm o mesmo valor como evidência. Se possível, compare o original com a cópia em circulação em vez de tratá-los como intercambiáveis. Por que imagens comuns podem gerar falsos positivos? Imagens autênticas podem ser estatisticamente incomuns por muitos motivos. Fotografia computacional, separação do fundo no modo retrato, combinação HDR, empilhamento no modo noturno, forte redução de ruído, ampliação, restauração, filtros de beleza e cenas parecidas com ilustrações podem se afastar de uma distribuição simples de fotos de câmera. Digitalizações, capturas de tela, imagens de jogos, gráficos, maquetes de produtos, CGI e arte digital também podem ficar fora da tarefa pretendida pelo detector de comparar “fotografia real e imagem de IA”. Um modelo forçado a classificar mídia fora do escopo ainda pode retornar uma pontuação, mesmo quando ela não tem significado. Antes de interpretar um resultado, pergunte se o serviço aceita aquele tipo de mídia e fluxo. “Aceito pelo formulário de envio” não é o mesmo que “validado para esta classe de conteúdo”. Como os limites de decisão mudam falsos positivos e falsos negativos? Um classificador frequentemente produz uma pontuação interna comparada a um limite de decisão. Abaixar o limite pode identificar mais mídia sintética, mas também sinalizar mais mídia autêntica. Aumentá-lo pode reduzir acusações falsas, mas deixar passar mais conteúdo sintético. Não existe um limite universalmente correto. Uma fila de moderação pode tolerar mais falsos positivos porque uma pessoa revisa cada alerta. Uma decisão sobre integridade acadêmica ou fraude precisa de um processo muito mais rigoroso porque uma acusação falsa pode causar danos importantes. Uma pontuação não deve ser lida como probabilidade calibrada a menos que o fornecedor demonstre essa interpretação para a população relevante. “Pontuação do modelo de 0,8” e “80% de chance de este item ser gerado por IA” não são automaticamente equivalentes. Vários detectores podem resolver a questão? A concordância pode acrescentar contexto, mas uma votação da maioria não é prova. Detectores podem compartilhar dados de treinamento, famílias de modelos ou pressupostos de pré-processamento, e seus erros podem estar correlacionados. Não calcule a média de pontuações de sistemas sem relação. Em vez disso, registre o que cada ferramenta examinou, seu escopo compatível, a versão do arquivo e as palavras do resultado. Se as saídas discordarem, investigue a divergência em vez de escolher o número mais confiante. Evidências independentes são mais valiosas do que outra pontuação pouco transparente: registros de origem, declarações do criador, arquivos originais, versões anteriores ou outras gravações que confirmem o contexto podem responder a perguntas que um classificador não consegue. Qual é a diferença entre um detector e um verificador de marca d’água? Um detector passivo infere se o conteúdo se parece com exemplos associados à geração por IA. Um verificador de marca d’água procura um sinal conhecido incorporado. Um validador de origem verifica registros assinados e sua relação com um arquivo. Esses métodos respondem a perguntas diferentes. Uma marca d’água positiva de fornecedor pode dar evidência direta de origem dentro do sistema compatível desse fornecedor. Um detector passivo pode abranger conteúdo sem marca, mas geralmente com maior incerteza. Credenciais de Conteúdo podem explicar ações declaradas, mas podem estar ausentes ou ter sido removidas. O processo mais forte usa os canais disponíveis em conjunto sem fingir que um substitui outro. Como interpretar um resultado do AIFakeScan? A metodologia do AIFakeScan informa que a avaliação e a calibração da versão beta estão incompletas. Resultados apenas passivos permanecem inconclusivos, e o serviço não apresenta uma probabilidade medida de IA nem uma porcentagem de precisão validada. Confira quais evidências foram encontradas: Credenciais de Conteúdo, metadados, sinais de marcas d’água disponíveis ao serviço ou observações de modelo passivo. Um resultado para a imagem inteira pode não localizar uma pequena região editada. A amostragem de vídeo pode não captar uma manipulação breve, e o Basic Scan não inclui classificação especializada de troca de rosto ou fala clonada. Use o detector de imagens de IA ou o detector de vídeo de IA para reunir as evidências disponíveis e preserve a incerteza na conclusão. O que fazer após um possível falso positivo? Não publique uma acusação com base apenas no resultado. Preserve o arquivo exato e registre ferramenta, data, configurações e saída. Depois, procure evidências que possam sustentar ou contestar a classificação de forma independente. Confirme que o tipo de mídia está dentro do escopo informado pelo detector. Obtenha o arquivo original em vez de uma captura de tela ou republicação comprimida. Examine as Credenciais de Conteúdo e os metadados disponíveis. Rastreie versões anteriores e declarações do criador. Compare resultados entre versões do arquivo sem calcular médias de pontuações. Pergunte ao fornecedor o que o resultado significa e que validação o sustenta. Encaminhe casos de alto impacto para revisão humana qualificada. Para investigar imagens especificamente, siga Como detectar imagens geradas por IA. Para vídeo, use Como saber se um vídeo foi gerado por IA. Uma análise prática quando uma foto real recebe um alerta Use os itens a seguir como perguntas de investigação, não como diagnóstico de um detector específico. Uma afirmação da fonte também precisa ser verificada: um arquivo descrito como foto de câmera pode conter edições generativas posteriores. Histórico do arquivo a investigar Evidência a pedir Comparação útil Processamento de celular ou modo retrato Exportação original da câmera e detalhes da captura Original comparado à cópia compartilhada, mantendo o processo documentado Retoques ou filtros de beleza Histórico de edição e imagem anterior, quando disponíveis Separe retoques convencionais de qualquer operação generativa declarada Restauração ou ampliação Aplicativo, recurso, configurações e arquivo de origem Pergunte se o processo reconstruiu detalhes com IA Captura de tela ou compartilhamento repetido Download original e caminho de compartilhamento Compare evidências do arquivo e saídas do modelo visual Ilustração ou CGI enviado como foto Histórico do projeto ou exportação do criador Estabeleça a categoria da mídia antes de aplicar as suposições de um detector de fotos Não continue editando um arquivo até sua pontuação mudar para a resposta desejada. Defina a comparação primeiro e guarde todos os resultados. Uma saída alterada mostra que o sistema respondeu de maneira diferente a outra entrada; sem origem conhecida, não mostra qual resposta está correta. Escreva uma nota de análise que outra pessoa possa conferir Registre a afirmação contestada, identidade do arquivo, histórico de edição conhecido, ferramenta e data, saída exata e verificações que não foram executadas. Anexe evidências fornecidas pelo criador e explique conflitos. Uma conclusão útil pode ser: “O alerta do detector entra em conflito com o histórico de origem fornecido; o método de criação continua sem resposta até a obtenção da exportação original.” Este é um modelo ilustrativo de redação, não um resultado sobre uma imagem testada. Para uma suspeita de origem na IA do Google, mantenha a verificação oficial SynthID separada da classificação visual. Para informações de origem ausentes ou com falha, consulte o guia de resultados C2PA. Os sinais visuais beta do AIFakeScan permanecem inconclusivos quando considerados sozinhos. Acrescente um controle de transformação antes de contestar o resultado Nosso estudo de caso com 60 arquivos sobre captura de tela e compressão mostrou por que a entrada exata importa. Em quatro imagens geradas, a saída bruta média do modelo local foi 0.9968 nos originais, 0.8569 nas capturas de navegador, 0.7151 após redimensionamento e 0.5226 após exportação JPEG com qualidade 60. Os arquivos individuais mudaram em proporções muito diferentes. Esses valores não são porcentagens de precisão. São um lembrete medido para preservar o original, alterar uma configuração por vez e guardar todos os resultados. Se um resultado de foto real for contestado, compare o arquivo intacto com cada versão derivada controlada em vez de editar repetidamente até a pontuação mudar. Perguntas frequentes Um detector de IA pode acusar alguém falsamente? Sim. Pode ocorrer um falso positivo, principalmente com mídia fora do escopo, transformada ou desconhecida. Não use apenas um resultado de detector para conclusões disciplinares, de reputação ou legais. Uma pontuação alta de detector prova geração por IA? Não por si só. É preciso saber como a pontuação foi definida, calibrada e validada para mídias comparáveis. Muitas pontuações de modelos não são probabilidades. A compressão pode fazer conteúdo de IA parecer autêntico para um detector? A compressão pode enfraquecer sinais usados pelo detector e também introduzir defeitos que confundem a classificação. O efeito depende do detector, do arquivo e do processo de compressão. Um resultado inconclusivo é uma falha? Não. Inconclusivo é o resultado correto quando as evidências não sustentam uma conclusão binária confiável. Ele comunica a incerteza em vez de escondê-la. Que evidência é mais forte do que uma pontuação de detector? Informações de origem verificadas, marca d’água específica do fornecedor, arquivos originais, histórico de criação documentado e contexto da fonte confirmado independentemente podem fornecer evidências mais diretas sobre origem e uso. A conclusão prática Detectores de IA podem ser ferramentas úteis de triagem, mas seus erros são influenciados por dados, escopo, transformações e limites. Trate os resultados como um canal de evidência, verifique a afirmação original de forma independente e nunca transforme uma pontuação não calibrada em uma certeza que ela não foi projetada para oferecer."},{"id":"https://aifakescan.com/pt-br/resources/what-is-an-ai-watermark-what-it-can-and-cannot-prove","url":"https://aifakescan.com/pt-br/resources/what-is-an-ai-watermark-what-it-can-and-cannot-prove","title":"O que é uma marca d’água de IA? O que ela pode e não pode provar","summary":"Entenda como funcionam marcas d’água de IA visíveis e invisíveis, o que um sinal positivo pode demonstrar e por que a falta de uma marca não prova que o conteúdo é real.","date_published":"2026-09-22T03:26:18.348Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["Marcas d’água de IA","Credenciais de Conteúdo","Origem da mídia"],"content_text":"Uma marca d’água de IA é um sinal adicionado a conteúdo gerado ou editado por IA para que um detector compatível possa identificar sua origem ou método de produção posteriormente. O sinal pode ser visível, como um logotipo, ou imperceptível, como um padrão incorporado aos pixels de uma imagem, quadros de vídeo, áudio ou texto gerado. Uma marca d’água detectada pode fornecer uma evidência positiva útil. A falta de uma marca d’água não pode provar que o conteúdo foi feito por humanos, e mesmo uma marca válida não prova que a cena ou legenda seja verdadeira. Como funcionam as marcas d’água de IA? Um sistema de IA adiciona um sinal conhecido durante a produção ou exportação do conteúdo. Um verificador correspondente procura esse sinal e informa se ele foi detectado com confiança suficiente. Os métodos de incorporação e detecção dependem do tipo de mídia e do fornecedor da marca d’água. Em imagens e vídeos, um sistema pode fazer pequenas alterações nos padrões de pixels projetadas para sobreviver a transformações comuns. Sistemas de áudio podem alterar características do sinal sem criar uma marca claramente audível. Marcas d’água em texto podem influenciar a seleção de tokens para que os trechos gerados apresentem um padrão estatístico. O relatório do NIST sobre conteúdo sintético explica que o projeto de marcas d’água envolve objetivos que podem competir entre si: resistência, segurança, baixa alteração perceptível, capacidade suficiente de informação, eficiência e pouca interferência nos fluxos normais. Melhorar uma propriedade pode dificultar outra. Qual é a diferença entre marcas d’água visíveis e invisíveis? Marcas d’água visíveis são sinais que uma pessoa pode ver, como logotipo, rótulo, nome de usuário ou sobreposição translúcida. Elas comunicam diretamente, mas muitas vezes podem ser recortadas, cobertas, copiadas ou apresentadas de forma enganosa. Marcas d’água invisíveis são sinais incorporados ao conteúdo de forma a serem imperceptíveis. Elas exigem um detector compatível e podem ser projetadas para resistir a redimensionamento, filtros, compressão, recorte ou outras transformações esperadas. Tipo de marca d’água Principal vantagem Principal limitação Logotipo ou rótulo visível Imediatamente compreensível para quem vê Pode ser recortado, coberto ou copiado Sinal invisível em imagem Pode sobreviver a algumas edições comuns sem alterar a aparência Exige o detector correto e pode falhar após alterações mais intensas Marca d’água em quadros de vídeo Pode identificar segmentos ou quadros marcados Recodificação e edição afetam a cobertura da detecção Marca d’água em áudio Pode permanecer inaudível e permitir verificação por máquina Ruído, remixagem e formatos não compatíveis podem afetar a detecção Marca d’água em texto Pode marcar a saída por padrões de seleção de tokens Textos curtos, factuais, traduzidos ou muito reescritos são mais difíceis de avaliar Nenhuma das categorias é universal por natureza. Um detector criado para uma família de marcas d’água não reconhece automaticamente outra. O que uma marca d’água de IA detectada pode provar? Uma correspondência positiva pode sustentar uma atribuição limitada: a mídia examinada contém um sinal que um verificador específico reconhece como pertencente ao seu sistema de marca d’água. A força dessa afirmação depende da segurança do sistema, do processo de validação, da cobertura e dos controles de falsos positivos. Por exemplo, o Google DeepMind descreve o SynthID como uma marca d’água invisível incorporada a imagens, áudio, texto e vídeo compatíveis gerados pelo Google. Um resultado SynthID verificado pode indicar que uma IA compatível do Google criou ou alterou a mídia. Não é uma declaração genérica sobre todos os sistemas de IA. Algumas marcas d’água codificam apenas sua presença. Outras podem ajudar a localizar informações externas de origem ou identificar um modelo, serviço ou arquivo. Leia o resultado exato do verificador antes de reapresentá-lo. O que uma marca d’água de IA não pode provar? Uma marca d’água não estabelece de forma independente se o conteúdo retratado é factual. Uma imagem gerada de um acontecimento real e uma ilustração fictícia podem ambas ter uma marca d’água de IA válida. A marca trata da origem ou do processo, não da verdade de uma legenda. Ela também não prova quem deu a instrução para a geração, quem publicou o arquivo, se o uso foi autorizado ou se todos os componentes foram gerados. Uma composição pode conter elementos com e sem marca d’água. Um sinal detectado não deve ser ampliado para afirmações que o verificador não fez. “Este arquivo contém uma marca d’água associada ao sistema X” é mais preciso do que “Isso prova que a publicação é desinformação”. A falta de marca d’água significa que o conteúdo é real? Não. Uma verificação negativa de marca d’água se aplica apenas aos sinais e mídias aceitos pelo verificador. O conteúdo pode ter sido criado por um modelo sem marca d’água, exportado antes de sua introdução, transformado além da capacidade de detecção ou gerado por outro fornecedor. Também pode ser uma mídia autêntica de câmera. A questão é que a ausência não distingue essas possibilidades. A cobertura pode variar conforme produto, modelo, data, tipo de arquivo e caminho de exportação. As orientações de origem da OpenAI deixam esse escopo explícito para conteúdo compatível. Uma interpretação responsável deve nomear a marca d’água testada em vez de informar uma “análise de marca d’água de IA” universal. Marcas d’água de IA podem ser removidas? Algumas transformações podem enfraquecer ou destruir uma marca d’água. O resultado depende do projeto da marca, da mídia e da intensidade da alteração. Recorte, nova compressão, redimensionamento, ruído, filtros, transcrição, tradução, paráfrase, remixagem ou gravação do conteúdo por outro aparelho podem alterar o sinal. Sistemas resistentes são testados contra edições comuns esperadas, mas resistência não é invulnerabilidade. O Google afirma que o SynthID para imagens e vídeos foi projetado para sobreviver a mudanças como recorte, filtros, alterações na taxa de quadros e compressão com perda, e também descreve a marca d’água como um dos componentes, não uma solução completa. Um atacante também pode tentar falsificar uma marca d’água ou afirmar falsamente que um arquivo sem marca é autêntico. Por isso, segurança inclui resistência tanto à remoção quanto à inserção. Como capturas de tela afetam marcas d’água de IA? Uma captura de tela cria uma nova imagem a partir dos pixels exibidos. Ela normalmente elimina os metadados e o manifesto incorporado do arquivo original, além de poder redimensionar, converter cores ou comprimir novamente o conteúdo visível. Uma marca d’água invisível nos pixels pode sobreviver se seu sinal permanecer forte o suficiente na captura, mas isso depende do sistema. Uma marca visível pode permanecer, a menos que a captura a exclua ou cubra. Um serviço de impressão digital ou vinculação flexível pode encontrar informações de origem relacionadas mesmo quando o novo arquivo já não contém o registro original. Não generalize a partir de um teste. “Nenhum sinal encontrado nesta captura de tela” não é o mesmo que “o original não tinha marca d’água”. Como marcas d’água de IA diferem das Credenciais de Conteúdo C2PA? Uma marca d’água de IA geralmente é um sinal incorporado ao conteúdo. As Credenciais de Conteúdo C2PA são registros assinados de origem que podem conter informações mais detalhadas sobre origem, edições, ingredientes e uso de IA. O C2PA pode usar marcas d’água invisíveis ou impressões digitais como vínculos flexíveis que ajudam a reencontrar um manifesto após uma transformação. Assim, as tecnologias podem se complementar: a marca d’água melhora a durabilidade, enquanto o manifesto fornece contexto e declarações criptográficas. Leia Credenciais de Conteúdo C2PA: o que são e como funcionam para uma explicação detalhada de assinaturas, vínculos com arquivos e credenciais ausentes. Como verificar um resultado de marca d’água de IA? Comece pelo verificador operado ou documentado pelo fornecedor da marca d’água. Confirme se ele aceita o tipo de mídia, produto, modelo e período aproximado de criação em questão. Preserve o melhor arquivo original disponível e o endereço de sua fonte. Registre o verificador, a data, a versão do arquivo e as palavras exatas do resultado. Diferencie uma correspondência positiva, um resultado negativo, um arquivo não compatível e um resultado inconclusivo. Verifique separadamente se há Credenciais de Conteúdo ou outras informações de origem. Verifique de forma independente a fonte, data, local e afirmação factual da publicação. Evite transformar um resultado específico de fornecedor em um veredito universal sobre IA. O AIFakeScan não afirma ter acesso ao verificador de marcas d’água invisíveis de todos os fornecedores. Nossa metodologia trata “nenhuma marca encontrada” como algo diferente de prova de que a mídia é real. Escolha o verificador conforme o tipo de evidência Evidência necessária Caminho de verificação O que significa a ausência SynthID da IA do Google [Caminho oficial do SynthID](https://aifakescan.com/pt-br/synthid-checker) pelo Gemini Marca d’água da IA do Google não detectada ou resultado incerto; isso não descarta outros geradores Credenciais de Conteúdo C2PA [Verificador C2PA](https://aifakescan.com/pt-br/c2pa-checker) Nenhuma credencial utilizável foi encontrada naquele arquivo exato; isso não prova autenticidade Rótulo ou logotipo visível Inspeção visual e análise da fonte Nenhum rótulo visível foi observado; sistemas invisíveis não foram verificados Sinal de padrão de pixels [Detector de imagens de IA](https://aifakescan.com/pt-br/ai-image-detector) O modelo não produziu evidência forte dentro da cobertura informada; isso não prova que seja uma foto real O AIFakeScan não oferece um detector universal de marcas d’água invisíveis. Validação C2PA, inspeção de metadados e análise de texto visível não podem ser apresentadas como cobertura de todas as marcas d’água proprietárias. A comparação de ferramentas de 2026 lista quais evidências cada opção disponível realmente verifica. Perguntas frequentes Todas as imagens geradas por IA têm marca d’água? Não. A adoção e a cobertura variam conforme fornecedor, modelo, produto, tipo de arquivo, data e caminho de exportação. Fluxos de código aberto e de terceiros podem usar sinais diferentes ou nenhum. É possível confiar em um rótulo visível de IA? Trate-o como uma pista. Rótulos visíveis podem ser copiados, removidos ou aplicados de forma incorreta. Procure informações de origem que os sustentem e verifique a fonte que aplicou o rótulo. Um único detector consegue encontrar toda marca d’água invisível? Não. Famílias de marcas d’água usam métodos diferentes de incorporação e detecção. Um detector compatível geralmente precisa saber qual sinal procura. Marca d’água é o mesmo que metadado? Não. Metadados são armazenados como informações associadas a um arquivo e podem conter registros detalhados. Uma marca d’água invisível é incorporada às características do conteúdo e pode sobreviver em alguns casos em que os metadados são removidos. Devo confiar no conteúdo quando nenhuma marca d’água é detectada? Uma verificação negativa não estabelece autenticidade. Continue com rastreamento da fonte, inspeção de origem, verificação de contexto e outras evidências adequadas. A conclusão prática Use marcas d’água de IA como sinais de origem específicos de fornecedores. Um resultado positivo pode ser relevante; um resultado negativo deixa várias explicações em aberto. Combine verificações de marcas d’água com Credenciais de Conteúdo, verificação de fonte e interpretação cuidadosa da afirmação real."},{"id":"https://aifakescan.com/pt-br/resources/how-to-detect-ai-generated-images","url":"https://aifakescan.com/pt-br/resources/how-to-detect-ai-generated-images","title":"Como detectar imagens geradas por IA","summary":"Aprenda a investigar imagens geradas por IA usando verificação de fonte, Credenciais de Conteúdo, análise visual e resultados de detectores, sem confundir pistas com provas.","date_published":"2026-09-21T08:13:53.515Z","date_modified":"2026-09-24T18:28:42.409Z","tags":[],"content_text":"Para investigar imagens geradas por IA, combine verificação da fonte, análise de origem, inspeção visual e um detector que explique suas limitações. Nenhum detalhe estranho ou pontuação de detecção isolado resolve todos os casos de forma confiável. A pergunta útil não é apenas “Isso parece IA?”, mas “Que evidências sustentam como esta imagem foi criada?” Este guia apresenta uma forma reproduzível de investigar uma imagem sem tratar suspeita como prova. Ele também separa duas perguntas diferentes: se uma imagem foi gerada ou editada com IA e se a afirmação associada a ela é verdadeira. 1. Defina o que você precisa verificar Antes de abrir um detector, anote a afirmação. “Esta fotografia mostra a enchente de ontem nesta cidade” contém uma afirmação sobre local, outra sobre data e a sugestão de que uma câmera registrou a cena. Cada uma precisa de evidências diferentes. Uma fotografia real com legenda falsa pode enganar sem nenhuma IA. Uma edição com ajuda de IA pode mudar apenas o fundo. Uma ilustração totalmente sintética pode estar claramente identificada e ser inteiramente adequada ao contexto. Para uma imagem de notícia, priorize a fonte original, local, data e reportagens independentes. Para um anúncio de produto, peça outras fotos originais ou outra forma de verificar o item. Para uma disputa de autoria, peça o histórico de criação e os arquivos originais em vez de depender apenas da aparência. Mantenha essas perguntas separadas nas suas notas. “Não consegui verificar a data” não significa “gerada por IA”. 2. Preserve o melhor arquivo disponível Guarde o endereço da publicação original, nome da conta, legenda e horário de acesso. Se possível, obtenha a imagem original para download com o criador em vez de uma captura de tela de uma republicação. Trabalhe em uma cópia. Evite exportar ou redimensionar repetidamente o arquivo antes da inspeção: isso altera o material que você está tentando avaliar. Registre se sua cópia é um original, download de plataforma ou captura de tela. Se não souber, informe isso. Não envie documentos privados, imagens íntimas ou material confidencial de clientes a um detector de terceiros sem permissão e uma análise adequada de privacidade. Você pode investigar a fonte pública antes de enviar o arquivo a qualquer serviço. 3. Rastreie a fonte da imagem e usos anteriores Pesquise a imagem inteira e depois tente um recorte característico, como um prédio, placa ou objeto reconhecível. Leia as páginas por trás das correspondências em vez de comparar apenas miniaturas. Procure legendas anteriores, cópias de resolução maior, informações divulgadas pelo criador e uma sequência consistente de publicações. A documentação do Google sobre “Sobre esta imagem” descreve informações de contexto que podem incluir quando o Google encontrou pela primeira vez uma imagem ou imagens semelhantes. Trate isso como ajuda para descobrir fontes, não como data certificada de criação. Uma cópia indexada mais antiga não identifica necessariamente o fotógrafo ou a publicação original. Não encontrar correspondência em uma busca reversa não é evidência de geração por IA. Uma fotografia nova, imagem privada ou recorte muito alterado também pode não ter correspondência acessível. Por exemplo, suponha que uma imagem dramática de uma tempestade “nova” apareça em uma página mais antiga sobre outro país. Isso põe em dúvida a legenda atual. Você pode explicar a divergência sem fazer uma afirmação sem fundamento sobre o método de produção da imagem. 4. Verifique Credenciais de Conteúdo e metadados Quando houver Credenciais de Conteúdo disponíveis, examine o resultado da validação, o signatário e as ações registradas. Elas descrevem uma imagem gerada, uma edição com IA ou um histórico de captura e edição? As informações realmente se aplicam a este arquivo? O explicativo sobre C2PA descreve registros de origem vinculados por criptografia. Um registro válido pode sustentar um histórico atribuído a uma fonte; ele não certifica de forma independente que um acontecimento retratado ou uma legenda seja verdadeiro. Credenciais ausentes são neutras, não prova de que um arquivo é autêntico ou sintético. Metadados comuns merecem uma leitura separada e mais cuidadosa. Campos de câmera e nomes de software podem oferecer pistas, mas podem ser editados ou removidos. Uma identificação de exportação de software informa algo sobre uma etapa de processamento, não necessariamente como cada elemento visível foi criado. Da mesma forma, uma marca d’água visível pode ser copiada ou removida. Verificações de marcas d’água invisíveis são específicas de cada sistema. A visão geral do SynthID do Google DeepMind descreve seu sistema de marca d’água; não é um teste universal para todos os geradores, e este guia não afirma que o AIFakeScan oferece um verificador SynthID. 5. Examine a consistência visual, não uma lista de “sinais de IA” Comece pela cena inteira e depois examine detalhes em uma ampliação razoável. Procure relações que não façam sentido juntas: um objeto que se une a outro sem uma borda plausível, um reflexo inconsistente com o objeto que deveria refletir ou estruturas repetidas que mudam inesperadamente. Mãos, dentes, letras, sombras e texturas finas podem ser pontos úteis de observação. Eles não são impressões digitais permanentes de IA. Uma imagem convincente pode não ter erros evidentes, enquanto uma fotografia comum pode ter borrão de movimento, perspectiva incomum, defeitos de processamento ou uma ilusão de ótica. Observação Próxima verificação útil O que isso não estabelece Letras distorcidas Encontre um original mais nítido e compare a placa Que a IA criou a imagem inteira Mão ou borda estranha Examine o contexto próximo e possíveis borrões Um veredito confiável de IA por si só Metadados ausentes Peça a exportação original ou o arquivo de captura Que a imagem é sintética Ação de IA declarada em credenciais válidas Examine a ação, o signatário e o histórico afetado Que toda parte da cena foi fabricada Cópia anterior com legenda diferente Verifique o contexto e a cronologia anteriores Se houve uso de IA Descreva a observação antes de atribuir uma causa. “O corrimão se funde com a manga” é uma afirmação que pode ser verificada. “Os pixels provam IA” geralmente esconde suposições que ainda precisam ser testadas. 6. Use um detector de imagens de IA como evidência de apoio Se usar o detector de imagens do AIFakeScan, leia as evidências e limitações junto com o resultado. Nossa metodologia explica que a avaliação e a calibração da versão beta estão incompletas: resultados apenas passivos permanecem inconclusivos, e o serviço não apresenta uma probabilidade medida de IA nem uma porcentagem de precisão validada. Confira o que a ferramenta examinou. Ela informou uma declaração de origem, uma pista de metadados ou um sinal de modelo passivo? São tipos diferentes de evidência. Um resultado para a imagem inteira também não localiza necessariamente uma pequena região editada por IA. Se as ferramentas discordarem, preserve a divergência. Não calcule a média de pontuações sem relação nem trate uma votação da maioria como prova. Pergunte se as ferramentas aceitam o tipo de mídia relevante e se suas conclusões dependem de sinais semelhantes. 7. Escreva uma conclusão que corresponda às evidências Use um registro curto com quatro campos: a afirmação, o arquivo examinado, as evidências encontradas e a incerteza restante. Inclua um link para a fonte original e diferencie suas observações da saída de uma ferramenta. Conclusões adequadas podem ser “O criador identifica esta imagem como gerada por IA”, “Os registros de origem disponíveis declaram uma edição por IA” ou “A fonte não pôde ser verificada a partir desta captura de tela”. Evite transformar a última afirmação em uma acusação definitiva. Para decisões de alto impacto envolvendo reputação, emprego ou possível conduta indevida de uma pessoa, uma verificação rápida por detector não basta. Procure o material original e uma análise qualificada antes de agir ou compartilhar uma acusação. Mantenha uma ficha de verificação de imagem Copie esta ficha em branco para suas notas de análise. Ela transforma as sete etapas acima em um registro que outra pessoa pode acompanhar. É um processo sugerido, não um experimento concluído nem uma referência de precisão. Campo da análise Seu registro Afirmação verificada Separe as perguntas sobre geração, edição, identidade e legenda Identificação do arquivo Nome, formato, dimensões e hash SHA-256, se necessário Fonte Endereço mais antigo localizado, publicação, data e como você obteve o arquivo Versão Exportação original, download de plataforma, captura de tela ou desconhecida Transformações conhecidas Software, configurações e ordem; marque explicitamente os detalhes desconhecidos Credenciais de Conteúdo Presença, validação detalhada, confiança no signatário e ações declaradas; ou não verificado Marca d’água do fornecedor Verificador oficial, data, resposta exata e cobertura Modelo visual Ferramenta e versão, se disponível, saída exata, limites informados e verificações indisponíveis Confirmação da fonte Explicação do criador, publicações anteriores e contexto independente Conclusão Afirmação específica sustentada, evidências conflitantes e perguntas restantes Comparação de um original com uma captura de tela ou cópia comprimida Preserve primeiro o original. Se uma comparação for útil, crie cada versão derivada da mesma fonte intacta, altere uma configuração por vez e identifique o resultado. Registre o editor, as dimensões, as configurações de exportação e cada relatório separado. Um download de rede social pode combinar várias transformações, então descreva o caminho real em vez de atribuir todas as diferenças à compressão. Mantenha metadados, validação de credenciais, verificação de marcas d’água e saída do modelo visual em colunas separadas. Não calcule uma média para obter uma porcentagem de autenticidade. Sem conhecer o histórico da fonte, uma mudança no resultado não pode estabelecer qual versão recebeu a classificação correta. Use o guia SynthID para a verificação oficial do Google, o guia C2PA para estados de credenciais e o guia de falsos positivos quando um alerta entrar em conflito com outras evidências. Comece pela verificação que corresponde à pergunta Use o C2PA Checker para informações de origem incorporadas e estado do signatário. Use o caminho de verificação SynthID quando a pergunta for especificamente se a IA do Google criou ou editou o arquivo. Use o AI Image Detector para obter um sinal de modelo visual com limites informados. A comparação de ferramentas de 2026 relaciona esses tipos de evidência ao AIFakeScan, Gemini, Adobe Inspect e uma API visual hospedada. O experimento de captura de tela e compressão apresenta um exemplo concluído de comparação de versões com hashes e resultados por linha disponíveis para download. Perguntas frequentes É possível saber se uma imagem foi gerada por IA apenas olhando? Às vezes, inconsistências evidentes indicam onde investigar, mas a aparência sozinha não resolve todos os casos de forma confiável. Use o histórico da fonte e informações de origem quando disponíveis e mantenha inconclusivos os casos inconclusivos. A falta de dados EXIF significa que uma imagem foi gerada por IA? Não. Metadados ausentes não identificam um método de produção. Pergunte como o arquivo foi baixado, exportado ou capturado antes de tirar conclusões. Um detector de IA pode provar que uma imagem é real? Um resultado de detecção negativo ou inconclusivo não estabelece autenticidade. Também não pode provar a data, o local ou a história associados. Essas afirmações precisam de verificação própria. O que devo verificar primeiro? Comece pela fonte e pela afirmação. Preserve a melhor cópia, procure usos anteriores e depois examine a origem e os detalhes visuais. Use um detector para acrescentar evidências, não para substituir a investigação. Seu próximo passo Reúna o endereço original e a melhor imagem disponível e siga as verificações acima. Se quiser examinar sinais de arquivo compatíveis, abra o detector de imagens de IA e leia como o AIFakeScan funciona antes de interpretar o resultado."},{"id":"https://aifakescan.com/pt-br/resources/how-to-tell-if-a-video-is-ai-generated","url":"https://aifakescan.com/pt-br/resources/how-to-tell-if-a-video-is-ai-generated","title":"Como saber se um vídeo foi gerado por IA","summary":"Aprenda a investigar se um vídeo foi gerado por IA rastreando a fonte, analisando quadros, verificando o áudio e a origem — e entenda o que os detectores não podem provar.","date_published":"2026-09-21T08:13:53.515Z","date_modified":"2026-09-21T08:13:53.515Z","tags":[],"content_text":"Para investigar se um vídeo foi gerado por IA, rastreie sua fonte, examine o arquivo original quando possível, observe o movimento ao longo do tempo e compare qualquer resultado de detecção com informações de origem e evidências independentes. Um quadro estranho ou um movimento labial fora de sincronia é motivo para investigar, não prova de geração por IA. O vídeo acrescenta uma dificuldade que as fotografias não têm: é preciso verificar como a cena muda ao longo do tempo. Ele também pode combinar gravações reais, trechos gerados, um rosto alterado, legendas e áudio substituído. Um único rótulo pode esconder essas diferenças. 1. Separe o vídeo da afirmação Anote exatamente o que está verificando. A pergunta é se uma pessoa disse certas palavras, se um acontecimento ocorreu no local indicado ou se toda a cena foi gerada? Essas perguntas levam a verificações diferentes. Um vídeo verdadeiro pode ser enganoso por ser antigo, ter sido encurtado ou dublado, ou estar acompanhado de uma legenda falsa. Um vídeo também pode usar IA em um elemento sem ser totalmente sintético. Para uma suposta declaração pública, procure uma gravação completa de uma fonte identificável. Para imagens de um acontecimento, procure outras gravações, reportagens e detalhes de contexto. Não deixe que um rótulo de IA substitua a verificação da história em si. 2. Preserve a fonte e obtenha uma cópia melhor Guarde o endereço da publicação, a conta, a legenda, o horário de acesso e qualquer informação divulgada pelo criador. Peça o original ou uma versão de qualidade maior, se puder. Uma gravação de tela de uma republicação é um ponto de partida mais fraco para análise técnica do que o arquivo de origem. Mantenha o original intacto e analise uma cópia de trabalho. Registre a duração do vídeo e se ele parece editado. Anote se falta o começo, o fim ou o som. Não presuma que um trecho curto em circulação contém o contexto necessário para interpretá-lo. Tenha cuidado com imagens sensíveis. Antes de enviar, considere o consentimento, a confidencialidade e as regras do serviço para tratamento de dados. Uma investigação de fontes públicas pode responder à pergunta sem expor a mídia privada de outra pessoa. 3. Pesquise quadros representativos e o contexto ao redor Escolha vários quadros nítidos de momentos diferentes: uma vista ampla, um local característico e um quadro com placas ou objetos reconhecíveis. Faça uma busca reversa de cada um. Um quadro borrado de transição geralmente é um ponto de partida ruim para a busca. Experimente pesquisar tanto o quadro inteiro quanto um recorte relevante. Pesquise frases e nomes visíveis separadamente. Compare datas e legendas nas páginas correspondentes e siga essas pistas até um envio original ou uma versão mais longa. Os recursos de verificação de vídeo da WITNESS oferecem uma base mais ampla para verificar imagens de testemunhas. A tarefa central é estabelecer o que uma gravação sustenta, não apenas decidir se ela parece convincente. As orientações do Google sobre contexto de imagens podem ajudar com quadros, mas uma correspondência indexada é apenas uma pista. Não encontrar uma correspondência não significa que o vídeo foi gerado. Uma gravação privada, recente ou muito alterada pode não ter uma cópia anterior acessível. 4. Assista normalmente e depois examine as mudanças ao longo do tempo Primeiro assista ao vídeo inteiro em velocidade normal, com som se for adequado. Anote os momentos que merecem nova análise. Depois, reduza a velocidade desses trechos e avance quadro a quadro. Um único quadro pausado pode exagerar uma transição ou borrão comum; a sequência ao redor importa. Verifique a consistência da identidade, do formato dos objetos, do contato e do movimento. A roupa de uma pessoa muda sem um corte? Um objeto desaparece sem estar encoberto? Uma mão atravessa algo que parece segurar? Essas perguntas orientam a investigação, mas não são testes conclusivos por si só. Verifique se uma aparente anomalia tem explicação comum, como algo encobrindo a cena, movimento de câmera, corte, reflexo ou uma cópia de baixa qualidade. Lembre também que movimentos coerentes não comprovam autenticidade: uma sequência sintética convincente pode não ter defeito visual evidente. Área a examinar Pergunta a fazer Limitação importante Rostos e roupas As características são consistentes em quadros consecutivos? Borrões, cortes e partes encobertas dificultam a comparação Mãos e objetos O contato continua fisicamente coerente? Um único quadro pouco claro é uma evidência fraca Fundo Placas e estruturas permanecem consistentes com o movimento da câmera? Perspectiva e edição podem mudar a aparência Reflexos e sombras As mudanças combinam com a cena e o movimento? A iluminação complexa pode ser difícil de interpretar Trecho suspeito O problema continua em uma cópia melhor? Uma republicação pode introduzir seus próprios defeitos Faça anotações com os tempos do vídeo. “O copo muda de forma entre estes dois momentos” é mais útil do que “O vídeo inteiro parece falso”. 5. Trate o áudio como uma linha separada de evidências Ouça se há mudanças bruscas no som de fundo, edições perto de palavras importantes e se o áudio pertence ao mesmo ambiente aparente. Compare uma suposta fala com uma gravação oficial completa ou transcrição, quando disponível. A falta de sincronia labial não prova clonagem de voz nem edição de rosto por IA. Dublagem, erros de sincronização e edição convencional são explicações alternativas. Da mesma forma, uma fala que soa natural não prova que a pessoa identificada a gravou. Não conclua que houve clonagem de voz com base em um detector visual. A análise básica de áudio do AIFakeScan não classifica fala clonada ou sintética, e o Basic Scan não inclui classificação especializada de troca de rosto. Esses limites são especialmente importantes ao avaliar um vídeo centrado na identidade de uma pessoa. 6. Examine a origem sem confundi-la com a verdade Se o arquivo tiver Credenciais de Conteúdo, examine o estado da validação, o signatário e as ações registradas. Uma declaração relacionada a IA pode ser uma evidência útil sobre o histórico de produção registrado. Determine se ela descreve geração, edição ou outra ação antes de resumi-la. O explicativo sobre C2PA explica como as informações de origem são vinculadas à mídia. Um histórico válido não comprova por si só que a legenda esteja correta ou que o acontecimento retratado tenha ocorrido como afirmado. A falta de credenciais não é evidência de geração por IA. Marcas d’água são um mecanismo separado. O Google DeepMind descreve as marcas d’água SynthID para texto e vídeo, mas um método de verificação específico de um fornecedor não é um verificador universal de toda mídia sintética. O AIFakeScan não promete acesso a todos os verificadores de marcas d’água invisíveis. 7. Entenda o que um detector de vídeo realmente verificou Antes de interpretar um resultado, pergunte se o serviço examinou todos os quadros, uma amostra de quadros, metadados ou informações de origem disponíveis. Essas abordagens têm coberturas diferentes. Uma amostra pode não captar uma inserção breve, e um tempo indicado pode identificar um intervalo analisado, não o limite exato de uma edição. O detector de vídeo do AIFakeScan deve ser usado junto com a metodologia publicada. A calibração e a avaliação da versão beta continuam incompletas. Resultados baseados apenas em sinais passivos permanecem inconclusivos; não há uma porcentagem de precisão validada nem uma probabilidade de IA medida que possa servir de veredito. O Deep Scan não está disponível publicamente. Se o arquivo não puder ser avaliado, registre a falha em vez de tratá-la como resultado negativo. Se duas ferramentas discordarem, mantenha as observações separadas e investigue o motivo em vez de calcular a média das pontuações. 8. Relate a conclusão mais específica que as evidências sustentam Imagine um vídeo apresentado como um acontecimento recente. Uma busca reversa de um quadro encontra uma versão mais longa publicada em um ano anterior. Agora você pode ter evidências contra a afirmação sobre a data atual. Isso, por si só, não mostra que o vídeo foi gerado por IA. Em outro caso, um criador pode declarar explicitamente uma produção sintética e fornecer informações de origem correspondentes. Você pode relatar essa evidência atribuída à fonte e ainda distingui-la de uma avaliação independente de cada quadro. Use um registro curto de verificação: endereço da fonte, versão do arquivo, afirmação, momentos examinados, resultados e questões não resolvidas. “Não verificado” é um resultado legítimo. Para acusações com consequências relevantes, obtenha o material original e uma análise qualificada antes de agir. Perguntas frequentes Uma captura de tela pode provar que um vídeo foi gerado por IA? Geralmente não. Uma captura de tela elimina o contexto de movimento e áudio e pode mostrar um momento pouco representativo. Ela pode ajudar a encontrar uma fonte anterior, mas avalie também a sequência e o arquivo original. Piscar de forma artificial é um teste confiável de deepfake? Nenhum comportamento isolado deve decidir o caso. Procure evidências que se confirmem na fonte, na sequência e no histórico de produção, em vez de depender de uma lista fixa de sinais visuais. Um vídeo pode ser verdadeiro e ainda assim enganoso? Sim. A data, o local, a legenda ou o contexto ao redor podem estar errados mesmo quando a gravação é verdadeira. Verifique essas afirmações separadamente. Um detector verifica todos os quadros e a voz de quem fala? Não necessariamente. Leia a cobertura informada pelo serviço. Amostragem de quadros, classificação de troca de rosto e detecção de fala sintética são capacidades diferentes; não presuma que uma inclua as outras. Seu próximo passo Guarde a fonte, selecione quadros representativos e documente a afirmação antes de executar uma análise. Use o detector de vídeo de IA para as verificações disponíveis e combine suas evidências com a investigação da fonte. Um resultado honestamente não resolvido é mais útil do que um rótulo confiante sem fundamento."}],"language":"pt-BR"}