欧盟委员会对马斯克旗下X平台启动正式调查，焦点是其AI机器人Grok被指未能有效阻止生成深度伪造内容，引发多国监管关注。
北韩黑客组织Konni利用AI辅助开发恶意软件，针对亚太区块链开发人员发起攻击。其PowerShell后门脚本展现出明显的大语言模型生成特征，代码布局与传统人工编写的混乱脚本不同，显示出深度伪装能力。
AI视频生成技术飞速发展，但主流AI聊天机器人却难以识别深度伪造内容。研究显示，面对OpenAI自家Sora生成的虚假视频，ChatGPT识别错误率高达92.5%，暴露了AI在内容真实性判断上的严重短板。
YouTube CEO尼尔·莫汉在年度公开信中强调，2026年平台的首要任务是打击AI生成的垃圾内容和深度伪造视频。随着AI技术发展，合成内容与真实影像的界限日益模糊，YouTube正面临大量低质量、重复性AI视频的冲击，维护内容真实性成为科技巨头亟待解决的难题。
一款免费的 AI 换脸工具，支持照片和视频的深度伪造。
一款免费的AI换脸工具，支持照片和视频的深度伪造。
AI音频检测工具，高效、多语言的深度伪 造检测解决方案
Alibaba
$2
Input tokens/M
$20
Output tokens/M
-
Context Length
Bytedance
$0.8
256
Moonshot
$4
$16
$0.15
$1.5
Tencent
$1
32
$8
Openai
$0.4
128
$0.63
$3.15
131
Anthropic
$105
$525
200
Chatglm
Deepseek
$3.5
$12
Baidu
64
$3
$9
$0.2
16
Huawei
MTUCI
AASIST3是基于AASIST架构的增强版本，专门用于语音深度伪造检测。该模型融入了Kolmogorov-Arnold Networks (KAN)，结合自监督学习特征和额外正则化技术，能有效提升语音深度伪造检测的性能和鲁棒性。
agasta
基于视觉变换器的二分类模型，专用于检测深度伪造图像，准确率达99.2%
Zeyadd-Mostaffa
基于wav2vec2-base微调的深度伪造音频检测模型，准确率达99.66%
ashish-001
使用微调Vision Transformer（ViT）检测深度伪造图像的二分类模型
shylhy
基于MCG-NJU/videomae-large模型在深度伪造检测挑战赛数据集上微调的版本，用于视频深度伪造检测。
sparklexfantasy
这是一个专注于图像文本到文本处理的多模态伪造表征学习模型，用于检测扩散生成的视频内容，通过多模态特征学习识别深度伪造内容。
byh711
FLODA是一款先进的深度伪造检测模型，整合图像描述生成和真实性评估功能，采用视觉问答任务形式实现高精度检测。
Bisher
基于facebook/wav2vec2-base微调的深度伪造音频检测模型，用于识别合成或篡改的语音内容
aimagelab
一种用于检测深度伪造图像的视觉变换器模型，通过对比学习和全局-局部相似性分析实现高精度伪造检测。
Gustking
基于wav2vec2架构的音频分类模型，针对深度伪造音频检测任务进行微调，在性别识别和伪造音频检测方面表现优异。
Heem2
基于facebook/wav2vec2-base微调的深度伪造音频检测模型，在评估集上准确率达95.45%
Hemgg
基于facebook/wav2vec2-base微调的深度伪造音频检测模型，在多民族英语数据集上训练，能够有效识别伪造音频，评估准确率达到95.45%。
Hemg
基于facebook/wav2vec2-base微调的深度伪造音频识别模型，在评估集上准确率达95.45%
prithivMLmods
基于SigLIP2视觉-语言编码器微调的深度伪造图像检测模型，用于二分类真实与合成图像
abhishtagatya
基于微软WavLM-base微调的深度伪造音频检测模型，在ASVspoof 2019数据集上表现优异，准确率达99.79%
基于HuBERT架构的音频分类模型，专门用于检测深度伪造音频和音频欺骗
基于facebook/wav2vec2-base-960h微调的音频分类模型，专注于深度伪造和音频欺骗检测。
Wvolf
该模型由Rudolf Enyimba训练完成，用于检测深度伪造图像，测试准确率达98.70%。
joyc360
基于HuggingPics生成的图像分类模型，用于区分深度伪造图片和真实图片
HyperMoon
基于facebook/wav2vec2-base-960h在asvspoof2019数据集上微调的语音深度伪造检测模型
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
