Ảnh: Nvidia
Chúng ta đang sống trong thời đại trí tuệ nhân tạo ngày càng chiếm ưu thế trên internet, khiến việc phân biệt nội dung thật và nội dung giả trở nên khó khăn hơn. Bất kỳ bức ảnh hay video nào bạn nhìn thấy hôm nay cũng có thể do AI tạo ra, và các dấu hiệu truyền thống giúp nhận ra chúng đang dần mất hiệu lực. Đã có một số công cụ hỗ trợ xác định liệu nội dung có được tạo bằng AI hay không, và Nvidia — được coi là người hưởng lợi lớn nhất từ cuộc đua AI — vừa công bố sản phẩm riêng của mình, gọi là Synthetic Video Detector (SVD).
SVD là một Nvidia Inference Microservice (NIM) thuộc chương trình AI for Media Private Access của công ty, vì vậy không công khai cho người tiêu dùng, nhưng vẫn có bản demo để trải nghiệm. Nhiệm vụ của SVD rất đơn giản: phát hiện một video có thật hay đã được tạo bằng AI. Nó có khả năng phân tích video ở quy mô lớn, tách video ra từng khung hình để tìm kiếm các bất thường. Công nghệ cốt lõi dựa trên nghiên cứu tiên tiến đã giành giải thưởng tại hội nghị thị giác máy tính ICCV.
Thay vì xem toàn bộ tệp video, SVD chia video thành các khung ảnh đã được cắt, mỗi khung có độ phân giải 504 × 504. Các khung này sau đó được đưa qua hai Vision Transformer mạnh mẽ của Meta: DINOv2 và DINOv3. Vision Transformer học cách nhận dạng mẫu mà không cần dữ liệu được gán nhãn bởi con người, và thường được dùng cho phân loại ảnh, truy xuất ảnh, phát hiện đối tượng và ước lượng độ sâu.
Sau khi các khung đã được xử lý qua Transformer, các đặc trưng không gian riêng biệt của chúng sẽ được đánh giá, và mỗi khung sẽ nhận được một điểm từ 0 đến 1 — 0 biểu thị hình ảnh hoàn toàn thật, 1 biểu thị hình ảnh hoàn toàn giả. Các điểm sau đó được tổng hợp để tính trung bình, tạo ra một tỷ lệ phần trăm (0‑100) cho người dùng biết video có phải là thật hay không.
Nhờ cách tiếp cận này, các cơ quan báo chí, đài truyền hình và các nhà xuất bản có thể xác thực nhanh hơn và chính xác hơn những đoạn video nhận được. SVD còn được thiết kế để đối phó với thực tế là video trên mạng xã hội thường bị nén, khi các khuyết điểm bề mặt bị che phủ. Các Transformer vẫn có thể phát hiện các mẫu (patterns) mà mắt người không nhìn thấy, tập trung vào những dấu vết nội tại.
Kiểm tra số liệu ở hàng cuối — Credit: Nvidia
Như bảng so sánh trên cho thấy, video không‑nén mang lại kết quả tốt nhất với độ chính xác 92 %. Khi độ nén 15 %, mô hình giảm xuống 87 %, trong khi độ nén 50 % vẫn đạt độ chính xác ổn định 82 % trong việc phát hiện nội dung AI. Vì là một microservice, SVD có độ trễ rất thấp, xử lý video 1080p chỉ trong 22 ms trên GPU RTX của Nvidia và 30 ms trên các workstation của Nvidia.
Credit: Future
SVD yêu cầu bộ mã hóa NVENC, vì vậy các card datacenter như B100 không thể chạy nó trực tiếp. Nvidia đang hợp tác với Wowza để đưa tính năng phát hiện video tổng hợp thời gian thực vào quy trình phát trực tiếp. Phiên bản demo hiện có sẵn để thử ngay tại build.nvidia.com, nhưng lưu ý rằng việc xử lý diễn ra trên đám mây, kích thước tệp tối đa là 100 MB và có thể bị timeout đối với các tệp lớn hơn.
Nvidia AI, Synthetic Video, Media Verification
