Искусственный интеллект научился создавать реалистичные видео, писать музыку и петь человеческими голосами. Теперь другие нейросети пытаются определить, где настоящее творчество, а где результат работы алгоритма. YouTube уже автоматически маркирует часть ИИ-видео, а музыкальная платформа SubmitHub анализирует песни по спектру звука и даже отдельно проверяет вокал. Как работают цифровые детекторы и почему иногда они подозревают в использовании ИИ даже настоящих музыкантов?
YouTube научился распознавать ИИ-видео
В мае 2026 года YouTube объявил о внедрении дополнительных механизмов автоматического обнаружения видео, созданных или существенно изменённых искусственным интеллектом. Если автор не сообщил об использовании нейросетей, но система обнаружила признаки реалистичной генерации, ролик может получить специальную маркировку.
Речь прежде всего о видео, которые зритель способен принять за настоящую съёмку: человек произносит слова, которых никогда не говорил, реальные события оказываются изменены, а вымышленные сцены выглядят как документальная запись.
Платформа использует несколько источников информации: собственные алгоритмы обнаружения, сведения от авторов и цифровые метаданные происхождения контента. Подробное устройство автоматических детекторов YouTube не раскрывает.
Таким образом, надпись об ИИ не всегда означает, что нейросеть обнаружила характерные дефекты изображения. Иногда происхождение ролика известно из его цифровой истории.
Как нейросети вычисляют поддельные изображения
Один из способов обнаружения синтетического видео заключается в анализе визуальных закономерностей, которые оставляют генеративные модели.
Алгоритмы исследуют текстуру изображения, освещение, геометрию объектов, движение лиц и согласованность соседних кадров. Например, искусственно созданный человек может выглядеть совершенно естественно на отдельном изображении, но при движении обнаруживаются несоответствия в мимике, форме деталей или освещении.
Более сложные детекторы анализируют статистическую структуру кадров и изменения изображения во времени. Они способны находить признаки генерации, практически незаметные человеческому глазу.
Но есть проблема: новые генеративные модели постоянно совершенствуются. Кроме того, обычное сжатие видео, изменение разрешения и монтаж иногда создают артефакты, похожие на следы искусственной генерации.
Поэтому результат детектора представляет собой вероятностную оценку, а не неопровержимое доказательство. Даже высокая уверенность алгоритма не исключает ошибки.
Музыкальные сервисы тоже начали искать ИИ
С музыкой ситуация развивается ещё интереснее. Современные генераторы способны за несколько секунд создавать полноценные композиции с вокалом, инструментами, аранжировкой и сведением.
В сентябре 2026 года музыкальная платформа SubmitHub ужесточила правила приёма таких записей. С 9 сентября композиции, которые её автоматический детектор оценивает как созданные ИИ с вероятностью 85% и выше, нельзя отправлять музыкальным кураторам.
При этом использование нейросетей в отдельных элементах песни не обязательно становится причиной ограничения. Решающее значение имеет итоговая оценка детектора.
Сервис применяет две модели анализа звука.
Первая, спектральная, преобразует аудио в спектрограмму, своего рода изображение звука, на котором отображается распределение частот во времени. Нейросеть изучает полученную картину и ищет статистические признаки, характерные для генеративной музыки.
Вторая, временная, анализирует развитие композиции: изменение высоты нот, гармоническую структуру, взаимодействие инструментов и повторяющиеся особенности музыкальных фраз.
Результаты объединяются в единую оценку. Для коротких фрагментов большую роль играет спектральный анализ, для длинных композиций дополнительно учитываются закономерности музыкального развития.
Искусственный вокал под отдельным подозрением
Одна из наиболее интересных возможностей обновлённого детектора SubmitHub заключается в раздельной оценке вокальной и инструментальной составляющих.
Это особенно актуально для гибридных композиций, когда музыка записана настоящими инструментами, а вокал создан нейросетью. Возможна и обратная ситуация: человек поёт самостоятельно, но аккомпанемент генерируется искусственным интеллектом.
Анализ отдельных компонентов позволяет точнее определять происхождение записи, чем проверка только финального аудиофайла.
В случае синтетической речи и клонированного голоса специализированные детекторы могут исследовать особенности речевого спектра, формантную структуру, микроколебания высоты тона, паузы и переходы между звуками.
Однако качественный искусственный голос всё труднее отличить от настоящего. А обработка, компрессия и мастеринг дополнительно усложняют задачу.
Когда нейросеть подозревает живого музыканта
Разработчики SubmitHub признавали, что ранние версии их детектора ошибочно классифицировали некоторые старые записи, композиции, созданные с использованием электронных инструментов, и файлы после определённой звуковой обработки.
Причина заключается в обучающих данных. Если нейросеть недостаточно знакома с определёнными жанрами, способами записи или особенностями старого звука, она может принять необычные акустические характеристики за следы генерации.
Впоследствии разработчики расширили обучающие выборки, добавили исторические записи, обработанные ИИ-композиции и материалы разного качества.
По заявлению SubmitHub, точность детектора при независимой проверке достигла 99,4%. Однако этот показатель относится к конкретным условиям тестирования и не означает практически безошибочную работу со всей музыкой в интернете.
Исследования показывают, что обработанные обычные записи могут приобретать некоторые статистические признаки синтетического звука. Поэтому отличить нейросетевую композицию от сильно переработанной человеческой записи бывает значительно сложнее, чем сравнить два исходных файла.
Можно ли вообще доказать, что видео или песня созданы человеком?
Сегодня существуют два принципиально разных подхода.
Первый предполагает поиск признаков искусственной генерации. Нейросеть анализирует видео или аудио и оценивает вероятность того, что материал создан другой нейросетью.
Второй основан на подтверждении происхождения контента. Для этого используются цифровые подписи и специальные метаданные, которые позволяют установить источник файла и зафиксированные этапы его обработки.
Например, стандарт C2PA предусматривает создание проверяемой истории происхождения цифровых материалов. Такие сведения могут использоваться видеоплатформами наряду с собственными алгоритмами обнаружения.
Но и цифровая подпись не гарантирует, что изображённое событие действительно происходило. Она подтверждает определённые сведения о происхождении и целостности файла, если источник подписи заслуживает доверия.
Нейросетевой детектор, напротив, способен исследовать файл неизвестного происхождения, но не может гарантировать правильность своего заключения.
Получается своеобразная технологическая гонка: одни алгоритмы учатся создавать всё более убедительные видео и музыку, другие пытаются обнаружить оставленные ими следы.
И пока генеративные модели совершенствуются, цифровые детективы тоже вынуждены постоянно переучиваться.
Самая забавная перспектива заключается в том, что скоро музыкантам придётся доказывать, что они действительно умеют петь, а операторам видеосъёмки, что они вообще включали камеру.