Descrição
This paper evaluates the effectiveness of three deepfake detection tools: Deepware Scanner, Attestiv, and TrueMedia, testing their ability to identify manipulations in videos and digital media. The tests considered factors such as resolution, duration, and video quality. Deepware Scanner demonstrated good accuracy in identifying authentic videos but struggled with low-resolution and longer-duration deepfakes, limiting its application in more complex scenarios. Attestiv used a suspicion score to indicate manipulations but showed inaccuracies, such as false positives in original videos and failures in detecting deepfakes. The tool emphasized the need for complementary human analysis to validate results. TrueMedia was effective in identifying low-resolution deepfakes but exhibited inconsistencies, including uncertainty in short videos and false positives in original content, suggesting that improvements are needed. The study concludes that, while these tools show progress, they still face challenges in achieving maximum accuracy in deepfake detection. The combination of these tools with human analysis is crucial to improving detection effectiveness and ensuring greater reliability in the verification process.||Este artigo avalia a eficácia de três ferramentas de detecção de deepfakes: Deepware Scanner, Attestiv e TrueMedia, testando sua capacidade de identificar manipulações em vídeos e mídias digitais. Os testes consideraram fatores como resolução, duração e qualidade dos vídeos. O Deepware Scanner mostrou boa precisão ao identificar vídeos autênticos, mas teve dificuldades com deepfakes de baixa resolução e maior duração, o que limita sua aplicação em cenários mais complexos. A Attestiv utilizou uma pontuação de suspeita para indicar manipulações, mas apresentou imprecisões, como falsos positivos em vídeos originais e falhas na detecção de deepfakes. A ferramenta enfatizou a necessidade de análise humana complementar para validação dos resultados. A TrueMedia foi eficaz em identificar deepfakes de baixa resolução, mas apresentou inconsistências, incluindo incerteza em vídeos curtos e falsos positivos em conteúdos originais, sugerindo que aprimoramentos são necessários. O estudo conclui que, embora as ferramentas apresentem avanços, elas ainda enfrentam desafios para identificar deepfakes com máxima precisão. A combinação dessas ferramentas com análise humana é crucial para melhorar a eficácia na detecção de deepfakes e garantir maior confiabilidade no processo de verificação.
