ディープフェイク｜本人が言っていない言葉を話す偽動画の仕組み

「見ること」が信じる根拠にならなくなった画面の現実

SNSのタイムラインを眺めているとき、ふと指を止めるような短い動画が流れてくることがあります。有名政治家が驚くような過激な発言をしていたり、親しい著名人が怪しげな投資アプリを熱心に勧めていたりする映像です。身振りも表情も非常に自然に見えますが、本人はそんな言葉を一度も口にしていません。これが高度な人工知能の学習（深層学習・ディープラーニング）と偽物（フェイク）を組み合わせた技術、ディープフェイクです。

かつて映画制作で他人の顔を別の俳優に置き換えるには、特殊メイクを施し、何週間もかけてCGクリエイターが1コマずつ手作業で合成する必要がありました。しかし現代のAIツールは、大量の顔写真や過去のインタビュー動画を学習させることで、わずか数分から数時間の計算で本物と見分けがつかない滑らかな合成映像を作り出すことができます。

顔の目印をたどる技術と表情を移し替えるAI（オートエンコーダー）の仕組み

ディープフェイク生成の基礎となるのは、目や鼻、口の端などの位置をピンポイントで見守る仕組み（顔面ランドマーク追跡技術）です。システムは映像の1コマ（1フレーム）ごとから数十箇所の目印をリアルタイムに検出し、顔の向きや口の開閉状態を、網の目のような立体的な骨組み（メッシュ構造）として捉えます。

ここで活躍するのが、情報をぎゅっと小さく要約してから元通りに描き直す人工知能（オートエンコーダーと呼ばれるニューラルネットワーク）です。読み取り担当（エンコーダー）が話している人のまゆ毛の動きや笑顔といった表情の変化を「骨組みの要約データ（潜在変数）」として抜き出します。そして描き直し担当（デコーダー）が、その表情の動きをなりすましたい相手の肌のつや、シワ、顔立ちへと自然に着せ替えて描き直します。

さらに声に合わせて動かす仕組み（音声駆動型システム）では、生身の演者すら必要としません。作り出された声の音の最小単位（音素）に合わせて、AIが「あいうえお」を発音する時の口の形（視覚的な口の形＝ビジーム）と下あごの動きを自動計算し、たった1枚の写真（静止画）からでも流暢にしゃべる動画を生み出します。

「粗探し」による見分け方が通用しなくなる理由

初期のディープフェイクでは、「瞬きをしない」「耳の形が歪んでいる」「眼鏡のフレームが背景に溶け込んでいる」といった視覚的な欠陥をチェックすれば見破れると言われていました。しかし、生成モデルの進化はそのような素人目線のチェックポイントを急速に過去のものにしています。

最新の画像生成技術（ノイズの霧から絵を復元する拡散モデルや、互いに腕を競い合う敵対的生成ネットワーク＝GAN）は、瞳に映り込む光源の反射や、あごのラインに落ちる自然な影、細かな肌の毛穴の質感まで正確に再現します。さらに、スマートフォンの小さな画面や圧縮されたSNS動画では細部の解像度が低下するため、人間の肉眼で粗を探そうとするアプローチには明確な限界があります。

合成映像の時代に私たちが身につけるべき確認の習慣

画面の粗を探すことでは本物かどうか見分けられない以上、確かな安全性は、その情報がどこから流れてきたのかを確かめ、客観的な事実と照らし合わせる慎重な習慣から生まれます。

• 発信元の一次情報と公式発表を確認する：重大なニュースや突飛な発言の動画を見かけた際は、主要な公的機関や複数の信頼できる報道機関が同じ事実を報じているかを確認します。
• 画像をもとに元の写真を探す（逆引き検索）を活用する：動画のワンシーン（スクリーンショット）を検索エンジンで逆引きし、過去の全く別の会見映像が使い回されていないかを確かめます。
• デジタル証明の技術を応援する：映像が撮影されたカメラや編集履歴を改ざんできない記録として残す世界共通の証明規格（C2PA規格）など、本物であることを証明する技術（コンテンツ真正性追跡）の普及に関心を持ちます。

ディープフェイク技術は、外国語映画の自然な吹き替えや歴史的記録の視覚化など、創造的な可能性も秘めています。恐怖に振り回されるのではなく、映像が簡単に作り直せる時代であることを理解し、複数の確かな情報源を確かめる冷静な姿勢が社会全体の安心につながります。