deepfake político com IA: como verificar procedência técnica

O problema central é a fabricação de um endosso político por pessoas falecidas. Isso vai além de um “vídeo realista”: combina Inteligência Artificial, identidade, voz, memória afetiva e contexto eleitoral para transformar uma construção sintética em aparente conselho pessoal. Quando não existe uma cadeia confiável de procedência, o desafio deixa de ser apenas detectar um deepfake e passa a ser provar quem publicou, quais alterações ocorreram e o que era conhecido no momento.

O caso do vídeo com IA de Cleitinho e seus familiares

Segundo o Terra.com.br, o senador Cleitinho publicou um vídeo no qual indica que decidirá sobre uma possível candidatura ao governo de Minas Gerais. O material usa Inteligência Artificial para representá-lo ao lado do pai, José Maria Azevedo, e do irmão, Matheus Azevedo, ambos mortos.

Na narrativa, os familiares o incentivam a concorrer. O pai questiona sua insegurança e evoca sua fé; o irmão aparece com uma bandeira de Minas Gerais e diz que ele deve seguir em frente. O efeito emocional é evidente: a mensagem não vem de um personagem fictício, mas de pessoas asociadas à história real do candidato.

A matéria informa que José morreu em 2024, em consequência de complicações de um câncer na bebiga, e Matheus morreu enquanto tratava uma leucemia. Porém, o texto não informa quais modelos foram usados, se houve autorização da família, se existe identificação explícita de conteúdo sintético ou qual foi a cadeia de edição. Essas ausências não são detalhes pequenos. São exatamente os pontos que determinam transparência, responsabilidade e possibilidade de verificação.

Como funciona um vídeo político com pessoas falecidas

Um vídeo desse tipo normalmente não nasce de um único comando. Ele é o resultado de um pipeline com várias etapas, e cada uma introduz oportunidades de controle ou falha:

Coleta de referência: fotografias, vídeos antigos, gravações de voz e aparência pública são reunidas para alimentar o sistema.
Restauração e preparação: imagens antigas passam por aumento de resolução, remoção de ruído, correção de cor e reconstrução facial. Essa etapa pode criar detalhes que nunca existiram.
Modelagem de identidade: face swap, avatares neurais ou modelos de difusão tentam preservar traços reconhecíveis, como rosto, cabelo e marcas pessoais.
Síntese de voz: um modelo de texto para voz recebe o diálogo e tenta reproduzir timbre, entonação e padrões de fala.
Sincronização audiovisual: o áudio é alinhado aos movimentos labiais, à cabeça, aos olhos e à expressão corporal.
Pós-produção: iluminação, cenário, bandeira, sombras, reflexos e compressão final procuram eliminar evidências de montagem.

Na prática, existem duas famílias principais. O face swap preserva grande parte do corpo e do cenário originais, substituindo principalmente o rosto. Um avatar dirigido por áudio reconstrói mais movimentos e pode permitir falas completas. Modelos generativos de vídeo oferecem controle ainda maior, mas geralmente exigem mais poder computacional e produzem inconsistências temporais difíceis de corrigir.

A qualidade da fonte também importa. Poucas fotografías de baixa resolução não significam necessariamente um resultado ruim, porque modelos modernos补偿部分缺失细节. O problema é que esses detalhes “补全” não correspondem à aparência real在那一个特定时刻。越多 edição,e menor a capacidade do espectador de separar観察 do que foi reconstruído.

Por que esse uso de IA é especialmente sensível

O risco não está somente em uma possível falsificação. Ele nasce da combinação de quatro fatores:

Autoridade percebida: familiares são apresentados como fontes de apoio moral e político.
Carga emocional: a morte transforma uma mensagem sintética em uma experiência afetiva intensa.
Incapacidade de resposta: uma pessoa falecida não pode confirmar a fala, corrigir o contexto ou revogar a utilização de sua imagem.
Distribuição viral: a circulação acontece antes que qualquer checagem independente seja concluída.

Mesmo que a família tenha autorizado a produção, isso não resolve automaticamente a transparência. Autorização define quem permitiu o uso; não informa ao público o que é artificial. E, sem uma divulgação clara, pessoas diferentes podem interpretar a mesma cena como arquivo, dramatização ou declaração autêntica.

Também não basta chamar tudo de “fake”. Uma分類 binária——autêntico ou falso——perde nuances。Podemos ter um arquivo não manipulado, mas legenda enganosa；uma voz clonada, mas contexto verdadeiro；ou um vídeo sintético identificado corretamente,mas ainda capaz de误导。Em comunicação política, contexto e intenção precisam ser avaliados вместе。

Na Prática: manifeste a procedência de um vídeo com SHA-256

Um hash SHA-256 não diz se um vídeo é verdadeiro. Ele permite verificar se o arquivo recebido é exatamente aquele para o qual uma determinada impressão digital foi criada. Isso detecta qualquer alteração字节 a字节, mas não impede um atacante de substituir o vídeo e o manifest inteiro. Na produção, o manifest também deve ser assinado por uma chave cuja identidade possa ser validada.

O exemplo abaixo gera um manifest local para uma mídia e, em outro momento, compara o arquivo com o hash armazenado. Ele usa apenas a biblioteca padrão do Python:

from datetime import datetime, timezone
from hashlib import sha256
from pathlib import Path
import argparse
import hmac
import json


def calculate_sha256(media_path: str) -> str:
    path = Path(media_path)
    if not path.is_file():
        raise FileNotFoundError(media_path)

    digest = sha256()
    with path.open("rb") as media:
        for chunk in iter(lambda: media.read(1024 * 1024), b""):
            digest.update(chunk)

    return digest.hexdigest()


def create_manifest(
    media_path: str,
    publisher: str,
    source_url: str,
    synthetic: bool
) -> dict:
    return {
        "schema": "yuri.media-evidence/v1",
        "media_name": Path(media_path).name,
        "publisher": publisher,
        "source_url": source_url,
        "sha256": calculate_sha256(media_path),
        "declared_synthetic": synthetic,
        "created_at": datetime.now(timezone.utc).isoformat()
    }


def verify_manifest(media_path: str, manifest_path: str) -> bool:
    manifest = json.loads(Path(manifest_path).read_text(encoding="utf-8"))
    received_hash = calculate_sha256(media_path)
    return hmac.compare_digest(received_hash, manifest["sha256"])


parser = argparse.ArgumentParser(
    description="Manifeste e verifique a integridade de uma mídia."
)
parser.add_argument("media", help="Caminho do arquivo de vídeo ou imagem")
parser.add_argument("publisher", help="Nome ou identificador do publicador")
parser.add_argument("source_url", help="URL pública da publicação")
parser.add_argument("manifest", help="Arquivo JSON do manifest")
parser.add_argument("--synthetic", action="store_true")
parser.add_argument("--check", action="store_true")
args = parser.parse_args()

if args.check:
    valid = verify_manifest(args.media, args.manifest)
    print("Manifest válido." if valid else "Manifest inválido.")
else:
    evidence = create_manifest(
        args.media,
        args.publisher,
        args.source_url,
        args.synthetic
    )
    Path(args.manifest).write_text(
        json.dumps(evidence, ensure_ascii=False, indent=2),
        encoding="utf-8"
    )
    print(f"Manifest criado em {args.manifest}")

O uso seria:

python3 evidence.py video.mp4 "Perfil oficial" \
  "https://exemplo.com/publicacao" manifest.json --synthetic

python3 evidence.py video.mp4 "Perfil oficial" \
  "https://exemplo.com/publicacao" manifest.json --check

Decidi usar processamento em blocos para não carregar um vídeo inteiro na memória. A comparação com compare_digest reduz diferenças observáveis relacionadas ao tempo de comparação, e o timestamp ajuda a registrar quando a evidência foi produzida. A URL inserida pelo operador ainda precisa ser validada separadamente; ela não comprova autenticidade por existir.

Para um sistema real, o manifest deve conter uma assinatura digital, chave pública, algoritmo, identidade do assinante e um ledger ou certificado confiável. O padrão C2PA e os Content Credentials seguem exatamente essa direção: associam uma mídia a um histórico de captura e edição. Eles são mais robustos que metadados comuns, mas também não provam que o conteúdo narrado é verdadeiro. Um deepfake corretamente assinado continua sendo deepfake.

Checklist técnico para plataformas e equipes de produto

Preserve o original: mantenha o arquivo recebido antes de recomprimir ou redimensionar.
Registre cada transformação: armazene modelo, prompt, seed, ferramentas, operadores e data de processamento quando houver.
Assine o conteúdo: use uma cadeia criptográfica, e não apenas o campo “feito com IA”.
Exiba a divulgação de forma legível: um aviso deve aparecer antes da reprodução, persistir no compartilhamento e estar disponível em texto.
Aplique avaliação de risco: política, pessoas falecidas,-voz clonada e recomendação eleitoral devem receber revisão adicional.
Conserve a evidência: URL, captura de tela, horário, métricas de alcance e manifest são necessários para uma investigação posterior.
Ofereça contestação: usuários precisam conseguir apontar contexto incompleto, identidade incorreta ou manipulação não identificada.

Na minha experiência, o erro mais caro é tentar resolver confiança com um único modelo. Um detector pode ajudar na triagem, mas procedência assinada, histórico de edição, políticas de transparência e revisão humana precisam trabalhar juntos.

Erros comuns que devs cometem ao lidar com deepfakes

Tratar um detector como prova definitiva: compressão, iluminação, câmera e conteúdo não analisado durante o treinamento podem gerar falsos positivos e negativos.
Confiar em metadados EXIF: antivírus, conversores e plataformas frequentemente removem esses dados, e um invasor pode alterá-los.
Achar que marca d’água resolve sozinha: ela pode ser apagada por cropping, recompressão, screencast ou ataque de remoção.
Colocar um aviso minúsculo: transparência formal não cumpre sua função se o usuário precisar pausar o vídeo e procurar o texto.
Usar voz de falecido sem documentar autorização: ausência de prova não prova ausência de autorização, mas cria um risco jurídico e ético desnecessário.
Jogar saída do modelo diretamente em produção: rosto, mãos, objetos refletidos e sincronização podem oscilar entre os quadros.
Confundir conteúdo sintético com conteúdo falso: ambos os conceitos se sobrepõem, mas não são sinônimos absolutos.

Detecção forense ou procedência: qual abordagem escolher?

A detecção forense procura sinais deixados pelo processo generativo: padrões de pixels, respostas de frequência, inconsistências faciais, erros de blending ou comportamento estatístico. É útil quando não existe nenhum registro de origem. A desvantagem é a corrida contínua entre detectores e novos modelos.

A procedência faz uma pergunta diferente: qual componente produziu o arquivo e quais alterações foram registradas? Metadados editáveis ajudam, assinaturas criptográficas são mais fortes, e um padrão interoperável como C2PA oferece uma solução mais completa. Ainda assim, a procedência pode atestar a origem de uma montagem sem confirmar cada palavra dita.

Minha recomendação é combinar ambos. Use detecção para priorizar revisão, não para condenar automaticamente. Dê prioridade à procedência quando ela existir. Em conteúdo político, uma evidência não substitui a outra.

Implicações políticas, jurídicas e éticas no Brasil em 2026

No contexto eleitoral brasileiro, a Resolução 23.732/2024 do Tribunal Superior Eleitoral disciplina o uso de conteúdo sintético e considera deepfake sua utilização para criar, substituir ou alterar imagem ou voz, inclusive de pessoa falecida. A regra eleitoral também reforça a transparência e prevê tratamento restritivo conforme o contexto de promoção, prejuízo ou abuso na propaganda.

Isso não significa que qualquer vídeo artístico, sátira ou reconstrução histórica receba o mesmo tratamento. Alcance, contexto, identificação, autorização, veracidade da mensagem e capacidade de influenciar o eleitor são fatores relevantes. Também é importante separar a regularidade do conteúdo da decisão política comunicada: uma vídeo pode ser identificado como IA e, ainda assim, apresentar uma informação eleitoral enganosa.

FAQ sobre vídeos políticos gerados por IA

Uma Inteligência Artificial consegue detectar qualquer deepfake?

Não. Detectores analisam padrões probabilísticos e podem falhar diante de novos modelos, compressão ou manipulação adicional. A saída deve orientar uma verificação, não funcionar automaticamente como prova definitiva.

Metadados de um vídeo provam que ele foi gerado por IA?

Não. Metadados podem ser removidos, alterados ou criados manualmente. Assinaturas criptográficas e registros de procedência oferecem uma garantia muito mais forte, mas ainda não atestam a verdade do conteúdo.

Content Credentials ou C2PA tornam o vídeo verdadeiro?

Não. Eles comprovam uma cadeia de origem e edição quando a assinatura é válida. Um vídeo assinado também pode manipular, tirar do contexto ou criar uma aparência enganosa.

Plataformas devem bloquear todo conteúdo sintético?

Não. O bloqueio indiscriminado pode atingir sátira, arte, educação e acessibilidade. O controle deve considerar transparência, dano potencial,误导 eleitoral,冒充 de pessoas e capacidade de contestação.

Como compartilhar esse caso sem espalhar informação enganosa?

Salve a URL original, informe que o vídeo usa IA, não republique como se fosse arquivo autêntico e procure a publicação ou fontes independentes. Se a identificação de syntheticidade estiver ausente, registre a evidência e denuncie ao canal apropriado.

Na minha visão, o caso de Cleitinho não mostra apenas que a IA ficou mais realista. Mostra que sistemas de publicação ainda tratam procedência como opcional. Para conteúdo político, syntheticidade deve ser uma propriedade verificável da mídia, não uma nota solta adicionada no final.

Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.