ഡീപ് ഫേക്ക്: വീഡിയോയിലെ മുഖവും സംസാരവും കൃത്രിമമായി മാറ്റുന്നത് എങ്ങനെ?

സോഷ്യൽ മീഡിയയിലൂടെ സ്ക്രോൾ ചെയ്യുമ്പോൾ നിങ്ങൾക്കറിയാവുന്ന ഒരു പൊതുപ്രവർത്തകനോ പ്രശസ്തനായ വ്യക്തിയോ അവിശ്വസനീയമായ ഒരു പ്രസ്താവന നടത്തുന്ന വീഡിയോ കണ്ടാൽ ആരും ഒന്നമ്പരക്കും. ദൃശ്യത്തിലെ വെളിച്ചവും മുഖഭാവങ്ങളും ചുണ്ടനക്കങ്ങളും തികച്ചും സ്വാഭാവികമായി തോന്നും; എന്നാൽ ആ വ്യക്തി അത്തരമൊരു കാര്യം സംസാരിച്ചത് വിശ്വസിക്കാൻ മനസ്സ് മടിക്കുന്നു. ഒരു യഥാർത്ഥ വീഡിയോ പോലെ തോന്നിക്കുന്ന ഇത്തരം കൃത്രിമ ദൃശ്യങ്ങൾ കമ്പ്യൂട്ടറുകൾ എങ്ങനെയാണ് നിർമ്മിച്ചെടുക്കുന്നത്?

ഡീപ് ഫേക്കിലെ വിവിധ നിർമ്മാണ രീതികൾ

ഡീപ്ഫേക്ക് എന്നത് ഒറ്റയൊരു സാങ്കേതികവിദ്യയല്ല; ചിത്രങ്ങളും ശബ്ദങ്ങളും കൃത്രിമമായി മാറ്റുന്ന പല രീതികളുടെ കൂട്ടാണിത്. ഒരു വ്യക്തിയുടെ ചിത്രങ്ങളിൽ നിന്ന് കമ്പ്യൂട്ടർ മുഖത്തിന്റെ ഘടന, മൂക്കിന്റെയും കണ്ണിന്റെയും സ്ഥാനങ്ങൾ തുടങ്ങിയ പ്രധാന അളവുകൾ ശേഖരിക്കുന്നു. തുടർന്ന് യഥാർത്ഥ വീഡിയോയിലെ നടന്റെ തലതിരിക്കലും ചിരിയും കൃത്യമായി പകർത്തി പുതിയ മുഖം അതിലേക്ക് മാറ്റിവെക്കുന്നു (ഫേസ് സ്വാപ്പിംഗ് അഥവാ Face Swap). മുഖത്തെ ഭാവങ്ങളും ചുണ്ടിന്റെ ചലനങ്ങളും കമ്പ്യൂട്ടർ ഉപയോഗിച്ച് പുനർനിർമ്മിക്കുന്നതിനെയാണ് ഫേഷ്യൽ റീ-എനാക്റ്റ്മെന്റ് (Facial Reenactment) എന്ന് വിളിക്കുന്നത്.

ചിലപ്പോൾ ദൃശ്യത്തോടൊപ്പം ശബ്ദവും കമ്പ്യൂട്ടർ വഴി കൃത്രിമമായി നിർമ്മിച്ചെടുക്കുന്നു (വോയ്സ് ക്ലോണിംഗ് അഥവാ Voice Cloning). സംസാരിക്കുന്നതിനനുസരിച്ച് ചുണ്ടുകൾ സ്വാഭാവികമായി ചലിപ്പിക്കാൻ പ്രത്യേക സാങ്കേതികവിദ്യയും (ലിപ് സിങ്ക് അഥവാ Lip-sync) ഉപയോഗിക്കുന്നു. അതിനാൽ ഒരു വീഡിയോയിലെ സാങ്കേതികവിദ്യ വെറും കാഴ്ചകൊണ്ട് മാത്രം തിരിച്ചറിയാൻ കഴിയില്ല.

ദൃശ്യങ്ങളിലെ പിഴവുകൾ മാത്രം അന്തിമ തെളിവല്ല

ഒരു വീഡിയോ വ്യാജമാണോ എന്ന് തിരിച്ചറിയാൻ പലരും ദൃശ്യങ്ങളിലെ ചെറിയ പിഴവുകളാണ് ആദ്യം തിരയുന്നത്. കണ്ണിറുക്കുന്നതിലെ അസ്വാഭാവികത, ചുണ്ടുകളുടെ വശങ്ങളിലെ മങ്ങൽ, പല്ലുകളുടെ വികൃതമായ രൂപം, അല്ലെങ്കിൽ കഴുത്തിലെ വെളിച്ച വ്യത്യാസങ്ങൾ എന്നിവയെല്ലാം ചിലപ്പോൾ കൃത്രിമത്വത്തിന്റെ ലക്ഷണങ്ങളാകാം. മുൻകാലങ്ങളിൽ കമ്പ്യൂട്ടറുകൾ കണ്ണിറുക്കുന്നത് കൃത്യമായി വരയ്ക്കാതിരുന്നത് ഒരു പ്രധാന പിഴവായി ചൂണ്ടിക്കാണിക്കപ്പെട്ടിരുന്നു. എന്നാൽ സാങ്കേതികവിദ്യ അതിവേഗം വികസിച്ചുകൊണ്ടിരിക്കുന്നതിനാൽ പുതിയ അൽഗോരിതങ്ങളിൽ ഇത്തരം സ്വാഭാവിക ചലനങ്ങളെല്ലാം വളരെ കൃത്യതയോടെ ഉൾപ്പെടുത്തുന്നുണ്ട്.

മുഖത്തിന്റെ അതിരുകളിലെ നേർത്ത മങ്ങലോ ചുണ്ടുകളുടെ അസ്വാഭാവിക ചലനങ്ങളോ കണ്ട് സംശയം തോന്നാം. എന്നാൽ സാധാരണ വീഡിയോ എഡിറ്റിംഗിന്റെയോ അല്ലെങ്കിൽ ഇന്റർനെറ്റിലൂടെ അയക്കാൻ ഫയലിന്റെ വലുപ്പം കുറയ്ക്കുന്നതിന്റെയോ (വീഡിയോ കംപ്രഷൻ അഥവാ Video Compression) ഭാഗമായും ഇത്തരം തകരാറുകൾ ഉണ്ടാകാം. ദൃശ്യത്തിൽ പിഴവുകൾ കാണുന്നില്ല എന്നത് കൊണ്ട് മാത്രം അത് യഥാർത്ഥ വീഡിയോയാണെന്ന് ഉറപ്പിക്കാൻ കഴിയില്ല.

വിവരങ്ങളുടെ ഉറവിടവും സന്ദർഭവും എങ്ങനെ പരിശോധിക്കാം?

ചില വീഡിയോകളിൽ അത് എവിടെ, എപ്പോൾ, എങ്ങനെ നിർമ്മിക്കപ്പെട്ടു എന്നതിന്റെ ഡിജിറ്റൽ ചരിത്രരേഖകൾ (മെറ്റാഡേറ്റ അഥവാ Content Credentials) ഉണ്ടാകാറുണ്ട്. ആധികാരിക ഏജൻസികളുടെ മാർഗ്ഗനിർദ്ദേശങ്ങൾ അനുസരിച്ച് ഇത് പരിശോധിക്കുന്നത് ഉറവിടം കണ്ടെത്താൻ സഹായിക്കും; എങ്കിലും സോഷ്യൽ മീഡിയയിൽ പങ്കുവെക്കപ്പെടുമ്പോൾ ഇത്തരം വിവരങ്ങൾ നഷ്ടപ്പെടാൻ സാധ്യതയുണ്ട്.

പലപ്പോഴും തെറ്റായ വാർത്തകളും കൃത്രിമ ദൃശ്യങ്ങളും വലിയ വൈകാരിക പ്രതികരണങ്ങൾ ഉണ്ടാക്കാൻ ലക്ഷ്യമിട്ടാണ് ആളുകൾക്കിടയിലേക്ക് എത്തിക്കുന്നത്. അതുകൊണ്ട് അവിശ്വസനീയമായ ദൃശ്യങ്ങൾ കാണുമ്പോൾ എടുത്തുചാടി വികാരഭരിതരാകാതിരിക്കുക. ഒരു പ്രധാന വാർത്തയെക്കുറിച്ചോ വ്യക്തിയെക്കുറിച്ചോ ഉള്ള വീഡിയോ ആണെങ്കിൽ വിശ്വസനീയമായ വാർത്താ മാധ്യമങ്ങൾ ഇത് റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടോ എന്ന് പരിശോധിക്കുക. സെർച്ച് എഞ്ചിനുകൾ ഉപയോഗിച്ച് ആ ദൃശ്യത്തിന്റെ യഥാർത്ഥ പൂർണ്ണരൂപം എവിടെയെങ്കിലും ലഭ്യമാണോ എന്ന് തിരയുക. സത്യാവസ്ഥ സ്ഥിരീകരിക്കാത്ത വിവരങ്ങൾ ഗ്രൂപ്പുകളിലോ സോഷ്യൽ മീഡിയയിലോ പങ്കുവെക്കാതിരിക്കാൻ ശ്രദ്ധിക്കുക.

പണം ആവശ്യപ്പെട്ടോ അടിയന്തര സാഹചര്യങ്ങൾ ആരോപിച്ചോ വരുന്ന വീഡിയോ സന്ദേശങ്ങൾ ലഭിച്ചാൽ, യുഎസ് ഫെഡറൽ ട്രേഡ് കമ്മീഷൻ (FTC) നിർദ്ദേശിക്കുന്നത് പോലെ, മുൻപ് അറിയാവുന്ന ഫോൺ നമ്പറുകളിലൂടെ നേരിട്ട് ബന്ധപ്പെട്ട് വിവരങ്ങൾ ഉറപ്പുവരുത്തുക. സ്ക്രീനിൽ കാണുന്ന കാഴ്ചകളെല്ലാം യാഥാർത്ഥ്യമാകണമെന്നില്ല എന്ന ബോധത്തോടെ വിവരങ്ങളെ സ്വതന്ത്രമായി പരിശോധിക്കുന്നതാണ് ഡിജിറ്റൽ ലോകത്തെ ഏറ്റവും സുരക്ഷിതമായ സമീപനം. കാഴ്ചകൾക്ക് പിന്നിലെ സത്യം കണ്ടെത്താൻ സാങ്കേതികവിദ്യയുടെ വേഗതയേക്കാൾ മനുഷ്യന്റെ സ്വതന്ത്രമായ വിവേകമാണ് ഏറ്റവും വലിയ കവചം.