Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Ver un vídeo ya no basta para saber si ocurrió. Un equipo de la Universidad de California en Riverside ha desarrollado SAGA, una herramienta que no solo detecta si una pieza es falsa, sino que además intenta señalar qué sistema de inteligencia artificial la generó.
Ahí está la parte más delicada del problema. Detectar un contenido fabricado ya era difícil, pero atribuirlo a un modelo concreto añade una capa casi forense, parecida a distinguir no solo una falsificación, sino también la máquina que la imprimió.
SAGA rastrea el origen del vídeo hasta su generador
El sistema identifica si el contenido es auténtico o falso y también si nació a partir de texto o de imagen. A partir de ahí, SAGA baja otro peldaño y trata de reconocer la versión del modelo, el equipo desarrollador y el generador concreto.
Solo con eso ya cambia la conversación sobre los vídeos sintéticos.
La herramienta combina una arquitectura de transformador de vídeo, un modelo de visión y una técnica llamada Firmas de Atención Temporal. Esa mezcla busca capturar patrones que no siempre saltan a la vista del espectador, pero que pueden delatar la huella técnica de un sistema de generación.
Las pruebas pusieron a 19 generadores en el mismo examen
El equipo evaluó SAGA con conjuntos de datos públicos que reunían vídeos creados por 19 generadores distintos, tanto de texto a vídeo como de imagen a vídeo. No es un detalle menor, porque obliga a la herramienta a moverse entre familias de modelos con formas diferentes de construir movimiento, textura y continuidad visual.
En ese terreno, además, la atribución importa tanto como la detección. Ya existen casos en los que las pistas de origen ayudan a desmontar piezas virales, como ocurrió con un vídeo hecho con PixVerse que circuló como si mostrara un homenaje real a Cristiano Ronaldo.
Otra cifra llama la atención.
SAGA obtiene resultados de referencia con un 0,5 % de datos etiquetados por clase. En un campo donde etiquetar material suele exigir tiempo, revisión humana y conjuntos amplios de ejemplos, trabajar con una fracción tan pequeña sugiere una vía útil para entrenar sistemas de análisis sin depender de grandes volúmenes de datos clasificados.
El reto ya no consiste solo en detectar si una imagen miente
La publicación del trabajo en arXiv sitúa la propuesta en el terreno de la difusión científica abierta, aunque ese paso no equivale por sí solo a una validación definitiva. Aun así, el planteamiento encaja con una necesidad cada vez más concreta, porque el problema no termina en decidir si un vídeo es falso, sino en reconstruir su procedencia.
Esa necesidad ya aparece en otros frentes cercanos, desde las marcas invisibles de SynthID hasta los sistemas que etiquetan contenidos alterados en plataformas de vídeo. La diferencia es que SAGA no busca una marca insertada de antemano, sino rastros dejados por la propia forma de generar el vídeo.
Ese matiz concentra buena parte de su interés. Si una herramienta puede distinguir entre 19 generadores distintos y hacerlo con apenas un 0,5 % de datos etiquetados por clase, la discusión deja de girar solo alrededor de si un vídeo engaña y pasa a centrarse en quién lo fabricó.