14 9 月
AI 負面內容處理, 負面影片刪除

AI假影片 metadata 怎麼看？技術辨識原始檔案真偽

目錄

AI 假影片 Metadata 怎麼看？技術鑑識原始檔案真偽的完整實戰指南

前言：為什麼我們需要學會「看懂」一支影片的檔案本身

過去幾年，生成式 AI 的進展速度快到讓大多數人措手不及。從早期的換臉技術（Face Swap）、深度偽造（Deepfake），到近年結合擴散模型（Diffusion Model）與大型語言模型的全生成式影片——例如 OpenAI 的 Sora、Google 的 Veo 這類文字轉影片工具——假影片的品質已經從「仔細看就穿幫」進化到「以假亂真」。一段看似真實的政要演說、名人不雅影片、災難現場畫面，可能只需要幾分鐘就能生成，然後在社群媒體上被轉發數十萬次。

面對這個問題，一般人第一個反應是「靠肉眼觀察」：看手指有沒有六根、牙齒是不是糊成一團、耳環兩邊有沒有對稱。這些方法在早期或許有用，但隨著生成模型不斷修正已知缺陷，肉眼的判斷力正在快速失效。真正專業的影音鑑識（Multimedia Forensics）走的是另一條路：不是看影片「像不像真的」，而是回到檔案本身，檢查影片的 metadata（詮釋資料、中繼資料）、編碼軌跡、雜訊指紋與內容憑證，從技術層面判斷這支影片是不是由某台真實攝影機拍攝、有沒有被剪接合成、以及生成過程在檔案裡留下了哪些蛛絲馬跡。

這篇文章的目標，是給讀者一份可以實際動手操作的完整指南。我們會從 metadata 的基礎概念講起，逐步深入 ExifTool、FFprobe、MediaInfo 等鑑識工具的實戰用法，搭配表格教你判讀異常訊號，再延伸到 C2PA 內容憑證、AI 偵測工具與檔案層級鑑識的方法。無論你是查核記者、數位鑑識人員、資安研究員，或只是想保護自己不被假影片騙的讀者，都能從中建立一套完整、系統化的鑑識思維。

第一章：先搞懂敵人——AI 假影片的四大類型

要鑑識一支影片，第一步不是開工具，而是先搞清楚「你面對的是哪一種假」。不同類型的假影片，在檔案 metadata 和畫面痕跡上留下的證據完全不同。

1.1 換臉型 Deepfake（Face Swap）

這是最常見、也最早出現的類型。技術核心是把影片中人臉的五官、膚色、表情映射到另一個人的臉上，代表性工具包括 DeepFaceLab、FaceSwap、ZAO 這類應用程式。這類影片有一個關鍵特徵：只有臉部是假的，背景、身體、場景都是真實拍攝的。

從鑑識角度看，這反而是最容易抓的類型。因為影片的「底子」是真實相機拍的，metadata 往往保留原始攝影機資訊，但畫面上臉部區域會出現明顯的合成痕跡——例如臉部與頸部的膚色斷層、光影方向不一致、頭髮邊緣的模糊殘影。

1.2 唇形同步型（Lip Sync）

這類影片的目標不是換臉，而是「讓片中人物說出他沒說過的話」。代表性技術有 Wav2Lip、SadTalker 等，它們會根據一段音訊，重新生成影片中人物的嘴型，讓嘴型與聲音對齊。這在偽造名人「承認某件事」的影片中尤其危險。

唇形同步型影片的 metadata 通常透露的線索是：影片可能經過某種影音編輯軟體重新封裝，或者原始影片與音訊的時間碼（timecode）存在微妙的不一致。

1.3 全臉重演型（Face Reenactment）

例如 DeepFaceLive、DeepMotion 這類即時驅動技術，或更進階的肖像動畫工具，可以把一張靜態照片或一段短影片變成「真人」在說話、眨眼、轉頭。這類假影片常常只用一張照片就能生成整段畫面，背後的「人」從來不存在。

1.4 全生成式影片（Text-to-Video / Image-to-Video）

這是難度最高、也最讓鑑識界頭痛的新類型。Sora、Veo、Runway、Pika、可靈（Kling）這類模型，可以從零生成一個完全不存在的場景和人物。由於整支影片都是合成的，沒有「真實拍攝的底子」，傳統的 metadata 鑑識方法——例如檢查相機型號——會直接落空，因為生成後的影片根本沒有被真實相機拍過。

這一類的鑑識重點在於：檔案的編碼軌跡（什麼軟體把它輸出成 MP4）、影像的雜訊特性（生成影像的雜訊是「乾淨得不自然」）、以及物理世界的違和感（光影、反射、物體交互邏輯）。

假影片類型技術代表檔案 metadata 線索畫面線索鑑識難度
換臉型DeepFaceLab、FaceSwap可能保留原始相機資訊，或有二次編碼痕跡臉部邊緣模糊、膚色斷層、光影不符中
唇形同步Wav2Lip、SadTalker音訊軌道可能重新封裝，時間碼異常嘴型細節僵硬、牙齒糊化中
全臉重演DeepFaceLive、肖像動畫工具常為錄影或串流擷取，編碼器資訊異常眨眼頻率異常、頭髮與耳朵細節崩壞中高
全生成式Sora、Veo、Runway無相機 metadata，編碼器多為 Lavf/自研工具雜訊過於乾淨、物理邏輯錯誤、細節循環重複高

第二章：Metadata 是什麼？為什麼它是鑑識的第一道防線

2.1 Metadata 的基本概念

Metadata（中繼資料、詮釋資料）簡單說就是「描述資料的資料」。當你用 iPhone 拍一段影片，檔案裡除了畫面本身，還會自動寫入一大堆資訊：拍攝時間、拍攝地點（GPS 座標）、使用的裝置型號與韌體版本、鏡頭參數、影片解析度、幀率、音訊格式、作業系統資訊等等。這些資訊存在 MP4/MOV 檔案的容器層級（container level）以及影像的 EXIF、XMP、QuickTime 標籤裡。

對鑑識人員來說，metadata 就像是一份「出生證明」。一支真實拍攝的影片，應該能講出一個合理的故事：某台真實存在的相機、在某個時間、用某種格式，記錄了某個畫面。如果一支聲稱是「記者用單眼相機在現場拍攝」的影片，metadata 裡卻顯示 encoder 是某個 Python 影音函式庫，或者根本沒有任何相機資訊——這就是重大警訊。

2.2 為什麼單靠肉眼已經不夠

過去網路上流傳的 deepfake 教學文章，大多教你「看手指、看耳朵、看眼睛反光」。但這些方法有三個致命弱點：

  1. 生成模型會進化。 早期模型畫不好手指和耳朵，新版本已大幅改善。以某個特定缺陷作為判斷標準，永遠慢模型一拍。
  2. 壓縮會掩蓋線索。 影片在社群平台轉發時會被重新壓縮，畫質下降後，細節瑕疵根本看不清楚。
  3. 心理偏差。 人類大腦傾向相信「看起來合理」的東西，一旦影片內容符合你的預設立場，很容易自動補腦、忽略破綻。

Metadata 與檔案鑑識的優勢在於：它不依賴主觀感受，而是基於可驗證的技術證據。即使影片被重新上傳，某些底層資訊仍然會留下來。

2.3 一個重要的殘酷現實：社群平台會抹除 metadata

這是初學者最常犯的錯誤。在 LINE、Facebook、Instagram、YouTube、X（Twitter）上流傳的影片，幾乎 100% 已經被平台剝除了原始 metadata。 平台會把影片重新編碼、重新封裝，只留下平台自己的資訊（例如 YouTube 影片會有 com.youtube.3gp.lacing 之類的標籤）。

這代表什麼？代表如果你在社群媒體上看到一支可疑影片，直接下載下來跑 ExifTool，看到的 metadata 大多是平台的，對鑑識幫助有限。要發揮 metadata 鑑識的價值，你拿到的必須是接近原始狀態的檔案——例如寄件者直接用電子郵件附件傳給你的原始檔、Telegram 上以「檔案」形式傳送（而非壓縮影片）的檔案、或從網路原始出處抓下的檔案。

這也引出一個查核上的重要原則：溯源比檢驗更重要。 先找到影片最早的出處，拿到最接近原始的版本，再談鑑識。

第三章：動手之前——鑑識的基本原則與環境準備

3.1 鑑識三原則

在開始操作工具之前，有三條紀律必須建立，否則你的檢驗結果可能在法律或查核層面上站不住腳：

  1. 絕不修改原始檔案。 所有檢驗都在檔案的副本上進行。第一件事情是計算原始檔案的雜湊值（hash，例如 SHA-256），記錄下來，之後所有分析都比對這個雜湊值，確保檔案沒被動過。
  2. 記錄每一步操作。 用了什麼工具、什麼版本、下了什麼指令、得到什麼輸出，全部留存。查核報告需要可被重現。
  3. 區分「證據」與「推測」。 metadata 異常只能告訴你「這支影片不像直接由某台相機直出」，不能直接證明「這是 AI 生成的」。鑑識是證據累積的過程，每條線索的證明力要分級陳述。

3.2 常用工具清單

以下工具全部是免費或開源的，這也是鑑識圈長期使用它們的原因——開源工具可以被獨立驗證，符合科學鑑識精神。

工具類型主要用途
ExifTool開源命令列工具讀取/解析幾乎所有影像與影片格式的 metadata，鑑識必備
MediaInfo開源 GUI/CLI快速檢視容器結構、編解碼器、位元率、軌道資訊
FFprobe / FFmpeg開源命令列分析串流層級資訊、逐幀檢查、音訊視訊同步分析
Hex 編輯器（如 HxD、010 Editor）軟體手動檢視檔案頭（header）與二進位結構，找人工編修痕跡
Hash 工具（如 certutil、sha256sum）內建/開源計算與驗證檔案雜湊值
FotoForensics / 線上 ELA網頁工具快速誤差層級分析（對圖片較有效，影片需抽幀）

Windows、macOS、Linux 三大平台都可以跑 ExifTool 和 FFmpeg，以下教學以命令列為主，因為命令列輸出可以完整複製、存檔，適合查核紀錄。

第四章：ExifTool 實戰——逐欄判讀影片 Metadata

4.1 安裝與第一條指令

安裝 ExifTool 之後（各平台安裝方式可參考其官方文件），最基本的指令是：

exiftool video.mp4

這會把檔案中所有可解析的 metadata 標籤全部列出來，通常動輒上百行。建議搭配重新導向把輸出存成文字檔：

exiftool video.mp4 > report.txt

如果只想看關鍵欄位，可以用 -s 精簡模式配合欄位名稱篩選。實務上，我建議按下面的檢查清單逐項檢視。

4.2 鑑識關鍵欄位總表

以下表格整理了檢查影片 metadata 時最重要的欄位、正常情況應該長什麼樣子，以及異常代表什麼意義。

檢查欄位ExifTool 標籤名稱（示例）正常直出影片異常訊號與解讀
檔案格式FileType、MIMETypeMP4 / MOV / 3GP副檔名與實際格式不符（例如 .mp4 內容其實是 WebM 或 MKV），可能是刻意偽裝
檔案大小 vs 時長FileSize、Duration兩者比例合理（依解析度、位元率估算）時長很短但檔案異常大，或相反——可能經過不尋常的重新編碼
編碼器資訊Encoder、WritingApplication、Software顯示相機型號（如 Canon、Sony、iPhone 的標識）或手機廠商標籤出現 Lavf（FFmpeg 函式庫）、HandBrake、Adobe Premiere、DaVinci Resolve、MeGUI、x264/x265 等，代表影片經過軟體二次處理
建立/修改時間CreateDate、ModifyDate、FileCreateDate三者時間合理且接近建立時間晚於修改時間、時間是明顯的預設值（如 1904 或 1970）、或三者差距極大——檔案被重製或時間被竄改
裝置資訊Make、Model、LensModel、HostComputer有明確相機/手機型號與韌體版本（如 iPhone 會顯示 17.x 系統資訊）完全沒有裝置資訊（正規相機直出極少如此）；或型號與聲稱的拍攝設備不符
GPS 資訊GPSLatitude、GPSLongitude、GPSAltitude若有開啟定位則座標合理聲稱在 A 地拍攝但 GPS 顯示 B 地；或 GPS 資訊「過度乾淨」——只有 GPS 沒有其他相機標籤，可能是後期嵌入的假座標
影像參數ImageWidth、ImageHeight、AvgBitrate、VideoFrameRate解析度與幀率符合該裝置規格（如手機常見 1080p30、4K60）幀率異常（如 23.976 與 30 混雜的痕跡）、可變幀率（VFR）出現在宣稱直出的檔案
音訊軌道AudioFormat、AudioBitrate、AudioSampleRate音訊與視訊同步、取樣率標準（44.1/48 kHz）無音訊軌、音訊取樣率異常、或音訊軌的編碼歷史與視訊明顯不同——可能後期配音或唇形同步合成
旋轉/方向Rotation、Orientation與拍攝情境合理旋轉標籤與實際畫面矛盾，代表可能被旋轉工具處理過
使用者自訂資料UserData、AppleKeywords、XMPToolkit少量或沒有出現明顯的編輯軟體殘留標籤（如某些剪輯軟體會寫入專案名稱）

4.3 三個最具鑑識價值的欄位深入解析

（一）Encoder / WritingApplication——影片的「指紋履歷」

這是 metadata 鑑識中最有價值的單一欄位。一支由相機直接錄製的影片，編碼器欄位通常會顯示相機廠商的資訊，或者至少是相機晶片組的標識。當你看到的是 Lavf60.x.x（FFmpeg 的 libavformat 函式庫），這代表影片在離開相機之後，至少經過一次軟體層級的重新封裝或轉檔。FFmpeg 是絕大多數影音工具、AI 生成工具、剪輯軟體背後的引擎，看到 Lavf 不代表影片一定是假的，但它打破「這是原始直出檔案」的說法。

如果編碼器顯示 HandBrake、x264 core xxx、Adobe Media Encoder 或某個 AI 工具的標識，那麼影片被二次處理的證據就更強。查核實務上常見的情境是：一支宣稱「路人手機直拍」的影片，metadata 卻顯示經過桌面級轉檔軟體處理，這時就要追問「為什麼要轉檔？原始檔在哪？」

（二）時間戳記三角驗證——CreateDate / ModifyDate / FileCreateDate

QuickTime/MP4 格式裡通常存在多組時間：容器層級的建立與修改時間、檔案系統層級的建立與修改時間。鑑識人員會做「三角驗證」：

  • 正常情況：三組時間接近，且都落在影片內容所聲稱的事件時間附近。
  • 異常情況一：容器建立時間遠早於內容聲稱的時間，或顯示 1904 年、1970 年這類系統預設值——時間資訊被清空或竄改。
  • 異常情況二：容器修改時間早於建立時間——這在物理上不合理，代表欄位被手動改寫。
  • 異常情況三：檔案建立時間（FileCreateDate）比容器建立時間還早——檔案曾被複製到新環境，是「轉手過」的證據。

要特別提醒：時間戳記可以被輕易竄改（ExifTool 自己就能改），所以時間異常是警訊而非定論。正確的用法是「時間合理不能證明為真，但時間不合理可以證明有問題」。

（三）裝置資訊與內容的交叉比對

這是更高階的技巧。如果 metadata 顯示影片由某型號手機拍攝，你可以做幾件事：

  1. 查詢該型號手機的錄影規格（支援的解析度、幀率、編碼格式），比對影片參數是否吻合。例如某支影片聲稱用 2018 年的手機拍攝，卻是 8K 解析度——直接破綻。
  2. 比對該型號的錄音特性。不同手機的麥克風取樣率與音訊編碼有慣用設定，音訊軌與聲稱的裝置不符也是線索。
  3. 檢查 GPS 高度、方位角等「二階資訊」是否與拍攝場景的實際地理環境吻合。

4.4 實戰範例：一支可疑影片的判讀流程

假設你收到一支在通訊軟體上流傳的「災難現場目擊影片」，檔名是 disaster_video.mp4。實務操作順序如下：

步驟一：固定證據。

certutil -hashfile disaster_video.mp4 SHA256

記下雜湊值，複製一份副本，之後所有操作只動副本。

步驟二：確認檔案真實身分。 用 ExifTool 看 FileType 與 MIMEType。如果副檔名是 .mp4 但 MIMEType 顯示 video/webm，先記一筆異常。

步驟三：看編碼履歷。 檢查 Encoder、WritingApplication、Software 欄位。假設輸出顯示 Lavf60.16.100——記錄「影片經 FFmpeg 系工具封裝，非相機直出」。

步驟四：看裝置與時間。 檢查 Make、Model、CreateDate、ModifyDate。假設裝置資訊完全空白，而 CreateDate 是 2024 年——但影片聲稱是 2026 年的現場，這就是矛盾（雖然時間可以被改，但空白+矛盾組合起來證明力就強了）。

步驟五：看音訊軌。 檢查音訊編碼與視訊是否「同世代」。例如視訊軌是 H.265/HEVC（新式手機常見），音訊卻是 8 kHz 單聲道 AMR（電話音質），兩者明顯不搭，可能是後期配音。

步驟六：交叉驗證。 把以上發現整理成陳述：「該檔案無拍攝裝置資訊、經 FFmpeg 重新封裝、建立時間與聲稱事件時間矛盾、音視訊軌規格不一致。」每一點單獨看都可以被解釋，但四點疊加後，「此檔案為原始直出目擊影片」的說法基本上已不成立。

第五章：MediaInfo 與 FFprobe——容器結構與串流層級鑑識

5.1 為什麼需要看容器結構

ExifTool 擅長解析標籤，但對影片的「盒子結構」（MP4 格式內部的 box/moov/trak 階層）與串流層級細節，MediaInfo 和 FFprobe 更直覺。容器結構異常——例如 moov atom 在檔案尾部（網路串流常見）、存在多餘的軌道、或 metadata box 有非標準的擴充——都可能透露檔案的處理歷史。

5.2 MediaInfo 的判讀重點

用 MediaInfo 開啟影片後，切換到「樹狀圖（Tree）」模式，重點看：

  • General 區塊的 Writing application 與 Writing library：與 ExifTool 的 Encoder 欄位互相印證。
  • Video 區塊的掃描方式、色彩空間、位元率模式：AI 生成後重新編碼的影片，位元率模式與正規裝置直出的統計特性常有差異。
  • Audio 區塊的通道數與取樣率：單聲道/雙聲道與拍攝情境是否合理（例如聲稱演唱會現場卻是單聲道乾淨人聲）。
  • 是否存在多餘軌道：例如多了一個字幕軌或資料軌，代表經過封裝工具處理。

5.3 FFprobe 的關鍵指令

FFprobe 是 FFmpeg 附帶的分析工具，適合寫入腳本做批次檢查。常用指令：

ffprobe -v error -show_format -show_streams video.mp4

輸出會分為 stream 層（每條影音軌的編解碼器、參數）與 format 層（容器格式、時間長度、位元率、tags）。其中 format tags 裡的 encoder 資訊要與 ExifTool 的結果交叉比對——如果兩者顯示的編碼器不同，代表檔案的標籤被不同工具寫入過，這本身就是異常。

另外一個進階用法是檢查音視訊的時間軸：

ffprobe -v error -select_streams v:0 -show_entries packet=pts_time video.mp4

透過分析封包的時間戳（PTS），可以偵測影音同步異常、掉幀痕跡、或 VFR（可變幀率）模式。唇形同步型假影片經過重新封裝後，音訊與視訊的起始偏移有時會留下痕跡。

5.4 Hex 層級檢查：極端情況下的手段

當懷疑 metadata 被手動竄改時，可以開 Hex 編輯器直接看檔案頭。MP4 檔案開頭應該是 ftyp box，宣告品牌（brand）如 isom、mp41、qt 等。異常狀況包括：

  • 檔案頭殘留其他格式的特徵（例如原本是 AVI 被硬改成 MP4 副檔名）。
  • udta（使用者資料）box 裡出現不尋常的字串——這是人工嵌入 metadata 的位置，曾有查核案例在此發現編輯者的帳號資訊。
  • 多個 free box 或尺寸異常的 box，可能是被工具反覆重寫的痕跡。

Hex 檢查需要對二進位格式有一定理解，屬於進階手段，日常查核以 ExifTool + MediaInfo 為主即可。

第六章：C2PA 與內容憑證——主流平台的下一代防線

6.1 什麼是 C2PA

只靠「事後鑑識」是被動的，產業界因此推動了來源證明（Provenance）技術。其中最重要的標準是 C2PA（Coalition for Content Provenance and Authenticity，內容來源與真實性聯盟），由 Adobe、Arm、Intel、Microsoft、Truepic 等科技巨頭共同發起。其核心的「內容憑證（Content Credentials）」機制，會在影像或影片從拍攝那一刻起，就把數位簽章嵌進檔案，記錄「這是誰的裝置拍的、何時何地拍攝、之後經過哪些編輯」。

重點是：編輯歷史不是被隱藏，而是被如實記錄。 一支用 Photoshop 修改過的圖片，憑證不會說「這是假的」，而是顯示「原始拍攝於某日，之後在 Photoshop 中做了裁切與調色」。AI 生成的內容同理——越來越多生成工具承諾會在輸出內容中嵌入 C2PA 標記，宣告「此內容由 AI 生成」。

6.2 如何檢查內容憑證

  • Content Credentials 驗證網站：verify.contentauthenticity.org，上傳檔案即可檢查是否含有效憑證。
  • 支援憑證顯示的平台：部分相機 App、Adobe 系列軟體、以及越來越多社群平台開始在介面上顯示憑證標記（通常是「CR」圖示或資訊面板）。
  • 開源驗證工具：C2PA 官方提供 open-source 的驗證函式庫，進階使用者可以自行整合檢查流程。

6.3 務實看待：憑證的三個限制

  1. 舊內容沒有憑證。 ecosystem 仍在部署中，海量既有影片沒有任何憑證，「沒憑證」不代表「是假的」。
  2. 截圖與錄影會剝除憑證。 對著螢幕翻拍、用錄影軟體重新擷取，憑證就消失——而這正是假訊息最常見的傳播方式。
  3. 憑證可以被完全去除，但不能被完美偽造。 去除憑證容易（重新編碼即可），但要偽造一個密碼學上有效的憑證極難。所以憑證的正確解讀是：「有有效憑證且內容相符 → 來源高度可信」；「無憑證 → 回到傳統鑑識流程」。

第七章：Metadata 之外——影像內容的技術鑑識方法

Metadata 能告訴你檔案「從哪來」，但當面對全生成式影片（檔案層面已無相機痕跡可查）時，必須深入影像內容本身。以下是鑑識界主流的分析維度。

7.1 雜訊指紋與相機內部痕跡

真實相機拍攝的影像，會帶有該感光元件獨特的雜訊模式（Sensor Pattern Noise，PRNU——像素響應非均勻性）。簡單說，每顆感光元件像指紋一樣獨一無二，大量照片可以反推出這顆感光元件的「指紋」，再驗證某支影片是否來自同一台設備。這是數位鑑識中證明力極高的方法。

相反地，AI 生成影像的雜訊特性是「統計上乾淨」的——生成模型會輸出過度平滑、缺乏感光元件自然雜訊的影像。透過殘差分析（把影像去噪後檢視殘差）可以觀察到這種「不自然的乾淨」。不過要注意：社群平台壓縮會引入大量壓縮雜訊，干擾這類分析，所以同樣需要原始檔案。

7.2 壓縮與重壓縮痕跡（Double Compression）

影片每被重新編碼一次，就會留下一次壓縮的統計特徵。檢查 GOP（圖像群組）結構、I 幀分佈、量化參數（QP）模式，可以判斷影片被壓縮過幾次、不同片段是否來自不同來源。例如一支影片中，0–5 秒的壓縮統計特性與 5–10 秒明顯不同，強烈暗示兩段影片被拼接。FFmpeg 可以抽取出量化參數做視覺化分析，這是查核被移花接木的影片的利器。

7.3 光影與幾何一致性

人類視覺對光影極度敏感，這也是生成模型至今仍容易露餡的地方：

  • 光源方向：檢查人物臉上的高光與陰影方向，是否與環境光源（窗戶、燈具、太陽角度）一致。
  • 反射邏輯：眼鏡、鏡子、水面、金屬表面的反射內容，是否符合場景幾何。
  • 陰影形狀：生成模型常在複雜陰影（如樹影、欄杆影）上出現結構崩壞。

這類分析可以藉助簡單工具輔助（例如調高對比、降低飽和來觀察明暗分佈），不需要寫程式。

7.4 生理訊號分析——最科幻也最實用的方法

這是近年鑑識研究最熱門的方向之一，因為它抓的是「活人」才有的特徵：

  • 眨眼模式：真人眨眼有特定的頻率與節奏，早期 deepfake 的人物幾乎不眨眼或眨眼不自然。新一代模型已改善，但異常的眨眼統計仍可作為輔助特徵。
  • rPPG（遠端光體積描記）：人臉皮膚表面有肉眼看不見的、隨心跳週期變化的微血管顏色波動。真實影片中每個人的臉都帶著獨特的心跳訊號；AI 換臉或全生成的人臉，這個訊號會消失或異常。Intel 的 FakeCatcher 就是基於這類原理的代表性商用系統。
  • 微表情與肌肉連動：真人表情是牽一髮動全身（挑眉會牽動額頭皺紋、抿嘴會牽動法令紋），生成人臉常出現「嘴在動但臉其他部位是死的」的斷裂感。

7.5 唇形與語音的一致性分析

對唇形同步型假影片，可以分析音素（phoneme）與視素（viseme，嘴型）的對應關係。工具上可以用 FFmpeg 抽取出音訊軌，配合語音辨識取得時間軸文字，再逐段比對嘴型變化與發音的對齊程度。業界也有專門的檢測模型計算音視訊同步分數（如 SyncNet 類型的方法），對口型型 deepfake 的偵測效果顯著。

7.6 AI 偵測工具盤點（輔助性質）

市面上有多款商用與研究用偵測工具，可以作為輔助，但都不該作為唯一證據：

工具/服務特點適用情境
Intel FakeCatcher基於生理訊號（血流波動）換臉與重演類偵測
Deepware Scanner開源模型，可本地部署技術人員自建檢測流程
Hive ModerationAPI 服務，含圖片與影片平台方大量內容審核
Sensity AI企業級深偽情報平台金融、政府客戶
Reality Defender多模型聚合偵測企業與查核組織

要強調：所有 AI 偵測器都有誤報與漏報，尤其對全新生成模型、重度壓縮的影片效果打折。正確定位是「提供一個訊號，供鑑識人員佐證或排除」。

第八章：生成式影片的「指紋」——為什麼 AI 工具會在檔案裡留名

一個鮮少被討論但極有價值的鑑識角度：生成工具與轉檔工具的輸出慣例。

每個影音工具在輸出 MP4 時，都有自己的「習慣」：

  • 特定的 moov atom 位置。
  • 特定的預設位元率與編碼器參數。
  • 特定的 metadata 標籤組合（有的工具會寫入自己的名稱或版本號）。
  • 特定的音訊預設（許多生成工具預設輸出無音訊，或輸出靜音音軌）。

例如某些 AI 影片工具的輸出，會呈現「無音訊軌、編碼器為 Lavf、無任何相機標籤、GOP 結構固定」的組合特徵。查核人員若在社群上流傳的影片中反覆觀察到同一組特徵，甚至可以逆推出它出自哪個工具。這就像文件鑑識中透過字型與排版慣例判斷文件出自哪個軟體一樣。

另一個實用技巧是反向圖片搜尋與關鍵幀比對：用 FFmpeg 每隔 N 秒抽一幀，對關鍵幀做以圖搜圖，尋找更早的原始出處。很多「AI 假新聞影片」其實是拿真實影片加工，找到原始素材後，metadata 鑑識就能發揮作用。

第九章：完整鑑識流程總整理——從收到影片到出具結論

綜合全篇，以下是可直接落地的標準作業流程（SOP）：

第一階段：溯源與固定

  1. 確認影片最早的出現位置與時間（反向搜尋、關鍵幀搜圖）。
  2. 取得最接近原始的檔案版本（要求對方提供原始檔、用檔案形式傳輸而非平台轉發）。
  3. 計算 SHA-256 雜湊，複製副本，只分析副本。

第二階段：檔案層鑑識 4. 確認檔案真實格式與副檔名一致性。 5. ExifTool 全量解析，逐項核對第四章的檢查清單。 6. MediaInfo / FFprobe 交叉驗證編碼器、軌道結構、音視訊參數。 7. 時間戳記三角驗證。 8. 檢查 C2PA 內容憑證。

第三階段：內容層鑑識 9. 壓縮痕跡分析（判斷是否多源拼接）。 10. 光影、幾何、反射一致性檢查。 11. 生理訊號與唇形同步分析（若涉及人物）。 12. 輔以 AI 偵測工具，記錄其分數但不作為定論。

第四階段：結論陳述 13. 按證明力分級出具結論： – 「可確認為 AI 生成/變造」（多重獨立強證據） – 「高度疑似」（多項間接證據） – 「無法確認真偽」（證據不足，誠實陳述） – 「未發現造假跡象」（注意：這不等於「證明為真」）

最後這點是鑑識倫理的核心：鑑識的任務是找造假的痕跡，不是證明真實。 「找不到假」與「是真的」是兩件事，報告裡必須區分清楚。

常見問答 FAQ

Q1：影片傳到 LINE 或 Facebook 之後，還能查 metadata 嗎？ 基本上不行。這些平台會重新編碼影片並剝除原始 metadata。你下載到的檔案，其 metadata 反映的是平台的處理結果，對判斷原始出處幫助有限。想鑑識，務必設法取得原始檔案——例如請對方用電子郵件附件、Google Drive 或 Telegram 的「檔案」模式傳送。

Q2：ExifTool 顯示 Encoder 是 Lavf，代表這是 AI 假影片嗎？ 不代表。Lavf 是 FFmpeg 的函式庫，任何用 FFmpeg 轉過檔的影片都會顯示這個，包括正經的剪輯、轉檔、壓縮。它證明的是「影片被軟體處理過，不是相機直出」，是警訊而非定罪證據。需要結合其他線索綜合判斷。

Q3：metadata 完全空白的影片一定是假的嗎？ 高度可疑，但需視來源。某些錄影軟體、串流擷取工具、行車記錄器確實會寫入極少 metadata。正確的判斷方式是「空白 + 聲稱的拍攝方式矛盾」才有證明力。例如聲稱是單眼相機直出，卻毫無相機標籤——正常相機直出幾乎不可能如此。

Q4：AI 偵測網站說這影片 99% 是 AI 生成的，可以直接引用嗎？ 不建議直接引用為定論。偵測器有誤報率，且對重度壓縮、翻拍的影片準確度大幅下降。可以寫成「經某工具檢測顯示高機率為 AI 生成，並輔以 metadata 異常佐證」，把偵測器當作證據鏈的一環，而非全部。

Q5：如何判斷影片是不是從 YouTube 抓下來再加工？ 下載的 YouTube 影片通常帶有平台特定的 metadata 標籤與編碼特徵（例如格式為 MP4 但內部品牌標識、編碼器顯示 Google 相關字樣）。可以用 ExifTool 檢查是否有 YouTube 注入的標籤，再比對上傳時間與影片聲稱的拍攝時間。

Q6：C2PA 憑證能完全解決假影片問題嗎？ 不能。它解決的是「內容來源可驗證」的問題，但無法防範翻拍、錄屏這類「繞過憑證」的傳播方式，也無法回溯既有內容。它是重要的基礎建設，但需要與傳統鑑識、平台政策、媒體識讀教育並行。

Q7：我完全不會寫程式，學得會這些方法嗎？ 可以。ExifTool 和 MediaInfo 的操作就是下指令、看報告，本篇文章的表格就是你的判讀手冊。進階的內容層分析（光影、生理訊號）才需要較多技術背景，可以尋求鑑識社群或查核組織協作。

Q8：Deepfake 偵測工具對 Sora、Veo 這類全生成影片有效嗎？ 效果有限且持續變動。全生成影片沒有「換臉邊界」可抓，偵測器必須改抓生成模型的統計指紋（例如擴散模型的去噪痕跡），但模型一更新，指紋就改變，形成貓鼠遊戲。這也是為什麼 metadata、來源證明、內容查核需要多管齊下。

Q9：個人隱私與鑑識會衝突嗎？會不會查到拍攝者個資？ 會。metadata 裡可能包含 GPS 座標、裝置序號等個資。鑑識人員應遵循最小必要原則，報告中只呈現與真偽判斷相關的欄位，並遮蔽敏感個資。一般使用者也建議：分享照片影片前，可用 ExifTool 清除 metadata（exiftool -all= file.jpg），保護自己的隱私。

Q10：如果所有鑑識方法都查不出破綻，可以說影片是真的嗎？ 不能。你只能說「現有方法未發現造假跡象」。鑑識永遠存在技術極限——全新的生成技術可能在既有檢測下完全隱形。誠實陳述證據的邊界，是鑑識工作的基本倫理。

Q11：有沒有手機可以直接用的檢查方法？ 有部分替代方案：iPhone 的「照片」App 可以檢視部分拍攝資訊；Android 的 Google 相簿也可查看部分詳細資料。另外有第三方 App 可讀取 EXIF。但這些只能看到檔案「現在」攜帶的部分標籤，且經過通訊軟體傳輸後內容已被平台改寫。嚴謹鑑識仍需在電腦上用完整工具鏈。

Q12：為什麼有些假影片的 metadata 看起來「很完整、很正常」？ 因為造假者也進化了。他們可以用真實相機拍攝基底影片再換臉（保留原始 metadata），或手動偽造標籤。這就是為什麼現代鑑識不能只靠單一欄位，而要走「metadata + 內容層 + 來源查證」的多重驗證。記住：metadata 是證據鏈的一環，不是全部。

結語：在「眼見為憑」失效的年代，讓檔案替你說話

AI 假影片的戰爭，本質上是一場不對稱的貓鼠遊戲：生成技術每一次進步，鑑識技術就被迫追趕一輪。在這個循環中，metadata 與檔案鑑識的價值不在於它永遠有效，而在於它提供了一套不依賴主觀感受、可被驗證、可被重現的客觀方法論。

對一般讀者，最重要的三個帶走觀念是：

  1. 先溯源，再鑑識。 沒有接近原始的檔案，再強的工具也巧婦難為無米之炊。
  2. 單一證據不定罪，證據鏈才說話。 編碼器異常、時間矛盾、裝置資訊缺失、內容瑕疵——每一條都是拼圖的一塊。
  3. 鑑證「有假」，不證明「為真」。 對任何號稱能「證明影片是真的」的說法，都保持警惕。

假影片的氾濫不會停下來，但我們不必活在毫無防備的資訊環境裡。學會打開一支影片的「出生證明」，就是這個年代最基本的資訊自衛術。Google搜尋出現AI假影片？檢舉移除搜尋結果教學

作者簡介

陳奕銘（Eddie Chen），數位鑑識與資訊安全研究者，長期投入影音鑑識（Multimedia Forensics）與假訊息查核方法論研究，專注於生成式 AI 內容的檢測技術與鑑識工具鏈實務。曾協助新聞查核組織建立影音真偽鑑定流程，並多次於資安研討會分享深偽偵測與內容來源驗證（C2PA）相關議題。相信技術素養是對抗資訊操弄的基礎防線。

Google 評論

發佈留言