વાંચવાનો સમય 5 મિનિટ

ડીપફેક: વીડિયોમાં ન બોલેલા શબ્દો કેવી રીતે દેખાય છે?

પ્રકાશિત સુધારેલું

30 સેકન્ડમાં સાર

ડીપફેક (કૃત્રિમ રીતે બનાવેલા નકલી ચિત્રો, અવાજ કે વીડિયો) એ આર્ટિફિશિયલ ઇન્ટેલિજન્સની એવી પદ્ધતિ છે જે વાસ્તવિક વ્યક્તિએ ક્યારેય ન કરેલી ક્રિયા કે વાતને તેની સાથે જોડી દે છે. કમ્પ્યુટર પ્રોગ્રામ્સ વ્યક્તિનો ચહેરો, આંખ-હોઠના હાવભાવ અથવા બોલવાનો અવાજ ડિજિટલ રીતે બદલવા માટે આ પદ્ધતિનો ઉપયોગ કરે છે.

પરિવારના સમૂહમાં કે વોટ્સએપ પર કોઈ જાણીતી જાહેર વ્યક્તિની નાની વીડિયો ક્લિપ આવે છે. તેમાં તે કોઈ આશ્ચર્યજનક કે ચોંકાવનારી વાત બોલતી દેખાય છે. તેને સાચી માનીને તરત બીજાને આગળ મોકલતા પહેલાં એક સાદો સવાલ કરો: આ સંપૂર્ણ વીડિયો ક્યાંથી આવ્યો અને આ જ વાત બીજા કોઈ વિશ્વસનીય અખબાર કે સ્રોતમાં પણ છે? મોબાઇલ સ્ક્રીન પર કોઈનો ચહેરો અને હોઠ હલતા દેખાય છે એટલું જ એ ઘટના સાચી હોવાની ખાતરી આપવા માટે પૂરતું નથી.

ડીપફેક (કૃત્રિમ રીતે રચાયેલા નકલી વીડિયો કે અવાજ) શબ્દ હેઠળ જુદી જુદી રીતે બનાવેલી છબી, ધ્વનિ અને વીડિયોની હેરફેર આવે છે. ચાલો તેની એક સામાન્ય રીત સમજીએ. કમ્પ્યુટરને કોઈ વ્યક્તિના ચહેરાના થોડા ફોટા આપવામાં આવે છે અને સાથે કોઈ બીજા જ વીડિયોમાંથી માથું ફેરવવાની કે બોલવાની હિલચાલ મળે છે. ગણતરી કરતું મોડેલ એ હિલચાલ સાથે મેળ ખાતો નવો ચહેરો બનાવે છે (જેને ફેસ રી-એનેક્ટમેન્ટ અથવા ચહેરાનું પુનર્નિર્માણ કહેવાય છે) અને વીડિયોના એક-એક ચિત્રમાં તેને કુદરતી રીતે ગોઠવી દે છે. પરિણામે આપણને લાગે છે કે મૂળ વ્યક્તિ પોતે જ એ રીતે બોલી રહી છે. ક્યારેક એક વ્યક્તિના ચહેરા પર બીજી વ્યક્તિનો ચહેરો આબેહૂબ બેસાડી દેવામાં આવે છે (જેને ફેસ સ્વેપિંગ કહેવાય છે). આ માત્ર એક પદ્ધતિ છે; દરેક ડીપફેકમાં બીજો જીવંત કલાકાર હોય જ એવું જરૂરી નથી.

સ્ક્રીન શું બતાવે છે, અને શું નથી બતાવતી

ચહેરો બદલવાની આ પ્રક્રિયામાં કમ્પ્યુટર મોડેલને એ શીખવવામાં આવે છે કે કોઈ વ્યક્તિ જુદા જુદા ખૂણેથી કેવી દેખાય છે. તે આંખ, નાક અને હોઠના ખૂણા જેવા ચહેરાના મુખ્ય માપદંડો (જેને ફેશિયલ લેન્ડમાર્ક્સ કહે છે) સમજે છે. પછી નવા વીડિયોની હિલચાલ સાથે મેળ ખાતા ચહેરાના નવા ફોટા તૈયાર કરવામાં આવે છે. જો મૂળ વીડિયો ક્લિપમાં પ્રકાશ અચાનક બદલાય અથવા વ્યક્તિ માથું બહુ ઝડપથી ફેરવે, તો કમ્પ્યુટરે બનાવેલા ચિત્રમાં થોડી ક્ષતિ કે ધૂંધળાપણું (જેને વિઝ્યુઅલ આર્ટિફેક્ટ્સ કહે છે) દેખાઈ શકે છે. પરંતુ આ ક્ષતિઓ દરેક વીડિયોમાં દેખાશે જ એવી કોઈ ખાતરી નથી હોતી. કઈ તકનીક વપરાઈ છે તે માત્ર એક નાની ઝલક જોઈને જાણી શકાતું નથી.

કોઈ વીડિયોમાં અવાજ, ચહેરો અને પાછળનું લખાણ ત્રણેય બદલાયેલા હોઈ શકે છે; જ્યારે બીજી કોઈ ક્લિપમાં માત્ર હોઠનો ભાગ જ બદલાયો હોય. આખો વીડિયો શૂન્યમાંથી નવો બનાવેલો પણ હોઈ શકે છે. એટલે “હોઠ બરાબર હલે છે” તે મૂળ રેકોર્ડિંગ સાચું હોવાનો પુરાવો નથી. એ જ રીતે, “વાળની કિનારી થોડી અજીબ લાગે છે” તે પણ વીડિયો નકલી હોવાનું સાબિત કરતું નથી. ઘણીવાર નબળો પ્રકાશ, જૂનો કેમેરો અથવા ઇન્ટરનેટ પર ઝડપથી મોકલવા માટે વીડિયોનું કદ નાનું કરવાની પ્રક્રિયા (જેને વીડિયો કોમ્પ્રેસન કહેવાય છે) ના કારણે પણ ચિત્ર થોડું ઝાંખું કે વિકૃત દેખાઈ શકે છે.

વૈજ્ઞાનિકો અને સંશોધકો આ પ્રકારની ડિજિટલ બનાવટ પકડવા માટે તપાસ સાધનો (જેને મીડિયા ફોરેન્સિક્સ ટૂલ્સ કહે છે) વિકસાવી રહ્યા છે. પરંતુ નવી નવી પદ્ધતિઓ અને સોશિયલ મીડિયા પર ફરી ફરીને મોકલાતાં વીડિયોની ઘટેલી ગુણવત્તા વચ્ચે આ સાધનો પણ હંમેશા સો ટકા સાચા નથી હોતા. તેથી સામાન્ય દર્શક માટે કોઈ એક નાની ટેકનિકલ ખામી શોધવી એ મુખ્ય રસ્તો નથી. મૂળ વીડિયો કઈ ચેનલ કે વ્યક્તિએ મૂક્યો હતો, આખો સંદર્ભ શું હતો અને અન્ય વિશ્વસનીય અહેવાલો શું કહે છે તે સરખાવવાથી ઘટનાની સાચી હકીકત મળે છે.

જ્યારે વીડિયો સાથે પૈસાની માંગણી આવે

ડિજિટલ રીતે કાતર મૂકેલી ક્લિપ અને ડીપફેકમાં પણ સ્પષ્ટ તફાવત છે. કોઈ સાચા ભાષણનો આગળ-પાછળનો ભાગ કાપી નાખવાથી વાતનો અર્થ સાવ બદલાઈ જાય છે, ભલે ચહેરો જરાય બદલાયો ન હોય. બીજી તરફ, ડીપફેકમાં ચહેરો અથવા અવાજ જ નવો રચેલો હોય છે. દર્શક માટે બંને કિસ્સામાં આખો સંદર્ભ અને મૂળ પ્રકાશન શોધવું જરૂરી છે; ફક્ત “આ એઆઈથી બન્યું છે કે નહીં?” એટલો જ સવાલ પૂરતો નથી હોતો.

ધારો કે તમારા કોઈ સગા કે મિત્ર જેવી વીડિયો ક્લિપ સાથે સંદેશ આવે: “હું મુશ્કેલીમાં છું, અત્યારે આ ખાતામાં તાત્કાલિક પૈસા મોકલો”. આ ઉદાહરણમાં વીડિયો અસલ છે કે નકલી તે ઘરે બેઠાં સ્ક્રીન પર નક્કી કરવું જરૂરી નથી. તમારા ફોનમાં પહેલેથી સાચવેલા નંબર પર તે વ્યક્તિને સીધો ફોન લગાવો અથવા ઘરના બીજા સભ્યો મારફતે વાતની ખરાઈ કરો. જો તમે આવેલા મેસેજમાં આપેલા નંબર પર જ વાત કરશો, તો સામે છેતરપિંડી કરનાર ગઠિયો જ પોતાની વાત સાચી હોવાની ખાતરી આપશે.

બધી બદલેલી ક્લિપ માત્ર છેતરપિંડી માટે જ બને છે એવું નથી હોતું; મનોરંજન કે ફિલ્મ નિર્માણમાં મંજૂરી સાથે પણ આવા વિઝ્યુઅલ ઇફેક્ટ્સ વપરાય છે. પરંતુ કલાત્મક મનોરંજન અને પુરાવા વચ્ચેનો ભેદ સમજવો ખૂબ જરૂરી છે. ક્લિપમાં દેખાતા ચહેરા પરથી સીધો વિશ્વાસ મૂકવાને બદલે તે વીડિયો ક્યાંથી આવ્યો અને તેની પાછળનો હેતુ શું છે તે પૂછવું વધુ સમજદારીભર્યું છે.

જો ક્લિપ કોઈ જાહેર ભાષણની હોય, તો સંબંધિત ન્યૂઝ ચેનલ કે સત્તાવાર સંસ્થાની વેબસાઇટ પર આખું ભાષણ જોવાથી કાપેલા સંદર્ભનો ખ્યાલ આવી જાય છે. જો તે અંગત સંદેશ હોય, તો જાણીતા જૂના નંબર પર ફોન કરીને વાત પૂછી લેવી જોઈએ. ડિજિટલ ફ્રેમ્સમાં નાની ભૂલો શોધવાની રમત કરતાં મૂળ સ્રોત સુધી પહોંચવાની આદત (જેને સોર્સ વેરિફિકેશન કહેવાય છે) હંમેશા વધુ સલામત અને અસરકારક સાબિત થાય છે.

શરૂઆતમાં આવેલી આશ્ચર્યજનક વીડિયો ક્લિપ પર પાછા આવીએ. તેને બીજાને ફોરવર્ડ કરવી કે નહીં તેનો નિર્ણય માત્ર એક ઝલક જોઈને ન લેવાય. જો મૂળ વીડિયો, તારીખ અને વિશ્વસનીય સમાચાર ન મળે તો તેને અફવા ગણીને આગળ મોકલવાનું ટાળો. ડીપફેકની સાચી સમજ આપણને ડરાવવા માટે નથી, પરંતુ ડિજિટલ દુનિયામાં સત્ય અને પુરાવાની ઓળખ કરવા માટે આપણી નજરને વધુ સજાગ બનાવે છે.

સ્ત્રોતો
  1. Anchored diffusion for video face reenactmentGoogle Research
  2. NIST Open Media Forensics Challenge (OpenMFC Briefing for IIRD)NIST
  3. Guardians of Forensic EvidenceNIST
  4. Scammers Use Fake Emergencies To Steal Your MoneyFederal Trade Commission