Deepfake-Erkennung: Test von 4 Diensten

Deepfake-Erkennungstools: Test mit 100 Proben

Journalisten haben vier gängige Deepfake-Erkennungstools an einer Sammlung von 100 Dateien getestet: Originalbilder und -videos, moderne synthetische Inhalte aus Sora 2.0, Veo 3, ElevenLabs und Midjourney V7 sowie Hybridinhalte mit Upscaling. Der Test berücksichtigte Komprimierung und fehlende EXIF-Daten – typische Merkmale bei der Verbreitung über soziale Medien.

Die Methode umfasste saubere Dateien aus den Jahren 2022 bis 2024, Audio-Clones und Bilder ohne menschliche Gesichter. Die Ergebnisse zeigen die Genauigkeit, Falschpositiv-Rate und Grenzen jedes Tools auf.

Hive AI Moderation Suite

Eine Cloud-API und Browser-Erweiterung bewertet die Wahrscheinlichkeit einer KI-Erstellung auf einer Skala von 0 bis 100 % mithilfe von Modellen, die auf Millionen von Proben trainiert wurden.

Im Test klassifizierte Hive 94 % der echten Bilder korrekt, scheiterte jedoch in 12 % der Videofälle – indem sie Kompressionsartefakte für KI-Signaturen hielt. Ideal für schnelle Bildprüfungen in massenmarkttauglichen Workflows, doch Videoergebnisse erfordern manuelle Nachprüfung.

RealityGuard von Sensity

Eine Unternehmensplattform, die sich auf Mikrausdrücke, Beleuchtung, Biometrie und Audio-Video-Synchronisation konzentriert. Erzeugt Wärmekarten, die verdächtige Bereiche hervorheben.

Beste Leistung unter B2B-Tools: verarbeitete Audio-Deepfakes effektiv auf Videos. Die Genauigkeit sinkt auf 55 % bei nicht-menschlichen Objekten wie Tieren oder Landschaften.

Vorteile:

• Erkennt Sprachüberlagerungen auf fremden Videoaufnahmen.
• Visualisiert Anomalien frame-basiert.

Nachteile:

• Geringe Wirksamkeit ohne menschliche Gesichter im Bild.
• Nicht geeignet für Nachrichteninhalte ohne erkennbare Personen.

Content Credentials (C2PA)

Der C2PA-Standard, integriert in Kameras von Sony und Leica, Android 16 und iOS 19, fügt eine kryptografische Manifestdatei hinzu, die Aufnahme-, Bearbeitungs- und KI-Nutzungsdaten speichert. Ein unterbrochener Datenstrang weist auf Manipulation hin.

Im Test fehlten in 70 % der echten Dateien Metadaten – durch ältere Geräte oder Messaging-Apps. Zuverlässig nur für Inhalte aus kompatiblen Kameras unter strengen Bedingungen.

Intel FakeCatcher

Analysiert Photoplethysmographie – Hautfarbänderungen durch Blutfluss. Keine Notwendigkeit für künstlich simulierten Herzschlag.

100 % Genauigkeit bei HD-Videos mit Nahaufnahmen des Gesichts. Fehlschläge bei Masken, Brillen oder Auflösungen unter 720p. Unbrauchbar bei statischen Bildern.

Warum es keine All-in-One-Lösung gibt

Erkennungstools hinterhergen gegenüber Generatoren, weil:

• Adversarielle KI: Generatoren beseitigen bewährte Artefakte gezielt (z. B. Finger, Augenreflexe).
• Komprimierung: Plattformen wie Telegram, WhatsApp und Instagram entfernen feine Rauschsignale, die für die Analyse nötig sind.
• Benutzerverhalten: Eine 60-prozentige Wahrscheinlichkeit wird oft als Tatsache behandelt – oder ignoriert – ohne standardisierte Schwellenwerte.

Wichtige Erkenntnisse

• Hive: 94 % Genauigkeit bei Fotos; Schwierigkeiten mit komprimierten Videos.
• RealityGuard: beste Wahl für gesichtsbasierte Videos; schwach bei nicht-menschlichen Inhalten.
• C2PA: ideal für neue Geräte; 70 % der Dateien fehlen Metadaten.
• FakeCatcher: fehlerfrei bei HD-Gesichtern; nutzlos bei niedriger Auflösung.
• Kombination aus Tools + manuelle Überprüfung ist unerlässlich.

Empfehlungen zur Nutzung

Für Entwickler und Faktenprüfer:

• Bilder: Hive + ExifTool zur Metadaten-Validierung nutzen.
• Videos mit Sprache: RealityGuard oder FakeCatcher bei hoher Auflösung einsetzen.
• Eigenes Content: C2PA in der Kamera aktivieren, um nachweisbare Authentizität zu gewährleisten.

Bis 2026 wird die Erkennung eine mehrschichtige Strategie erfordern: Automatisierung gepaart mit Expertenurteil.

— Editorial Team