一句话定义：深度伪造是用深度学习（Deep Learning）合成或篡改人脸、声音、口型，让一个人说出、做出他从没做过的事。
共同原理：把「身份」和「内容」拆开
换脸、拟声、对口型看着是三件事，底层却是同一套思路：一个模型学「身份」——长相、音色、说话习惯；另一个模型负责「内容」——表情、台词、语气；最后把身份套到内容上，重新渲染一遍。
好比给外国电影配中文：动作是内容，演员是谁是身份，配音换掉了声音但保留节奏和情绪。深度伪造也一样，只是「配音演员」和「演员本人」都由模型生成。
- 换脸（Face Swap）：固定原视频的表情姿态，替换五官长相。
- 拟声（Voice Cloning）：听几十秒录音学出音色，再让任意文字用这个音色读出来。
- 对口型（Lip Sync）：固定音频反推嘴部动作，让口型逐帧对齐发音。
实现上多用AI 词典：生成对抗网络">生成对抗网络（GAN）或扩散模型（Diffusion Model），目标是让输出在统计上「足够像真的」。
和相邻概念的区别
| 概念 | 关键差别 |
|---|---|
| 美颜、换脸滤镜 | 只做像素级变形，不冒充他人身份 |
| 合成媒体（Synthetic Media） | 范围更大，含纯虚构的虚拟主播、AI 配音，不一定冒用真人 |
| 传统造假 | 剪辑拼接、改字幕也能骗人，但不依赖深度学习 |
为什么检测追不上生成
一是生成「一对多」，检测「多对一」。一个模型能生成无数张脸、无数种声音，检测器却要先见过某种破绽才认得出来，而下一代生成模型会把这些破绽专门优化掉。
二是成本不对称。生成模型训一次就能无限量产出；检测方要为每一种新方法重新采数据、重新训练。
三是信号先被磨掉。内容一发出去就被压缩、转码、二次拍摄，检测器依赖的那些细微伪影往往最先消失。
四是对抗关系。生成与检测是同一场军备竞赛的两方，不存在一劳永逸的终极检测器。所以公布的高准确率通常只在同分布测试集上成立，换个来源、转发几手就明显下降。
实际意义
视频里「亲眼看到、亲耳听到」已经不足以作为强证据。涉及转账、密码、指令的语音或视频，换一条通道回拨确认；家人之间约定一句只有彼此知道的暗号，在拟声泛滥的今天意外好用。产品侧，远程身份核验别只靠「对着镜头说句话」，活体检测与多因素校验要多层叠加。
长期看，内容来源认证——例如给拍摄设备签名、记录编辑历史的内容凭证（Content Credentials）——可能比事后检测更值得投入；具体规范以官方页面为准。