韦彩虹,唐钰婷,潘瑶婷,陈澳迪,林倩如

随着生成式人工智能技术的迅猛发展，Deepfake内容的逼真度已臻化境，对网络舆论生态构成了前所未有的威胁。传统基于生物特征伪影的检测方法因其被动防御和泛化性差的局限，难以应对日益精进的伪造技术。本文旨在系统综述一种新兴的范式转变——基于多模态语义理解的Deepfake内容识别与舆论风险研判。该范式跳出了低层特征博弈的窠臼，转而从视频内容的内外部语义一致性入手，通过深度融合视觉、听觉、文本等多模态信息，并引入外部知识，实现对深度伪造内容的本质性洞察。论文首先梳理了多模态表示、对齐与融合等关键技术基础；进而评析了基于内部一致性与外部一致性的两大类识别模型的演进路径与优劣；在此基础上，重点探讨了如何将识别结果与舆论风险量化指标相结合，构建从“技术检测”到“风险预警”的自动化研判框架。最后，本文深入剖析了该领域面临的技术、数据与应用挑战，并对未来研究方向，特别是大语言模型作为推理引擎、因果推断引入等趋势进行了展望，以期为构建下一代主动、智能的Deepfake舆论治理体系提供理论参考与技术路径。

多模态语义理解；生成式人工智能；Deepfake；舆论风险研判；内容识别

[1] 孙艺嘉.论Deepfake技术风险现状与治理探究[J].科技视界,2025,15(20):8-11. [2] 高思童.多模态融合技术在抗深度伪造(Deepfake)中的应用[J].信息与电脑,2025,37(02):185-187. [3] 曾志平,张旭龙,瞿晓阳,等.深度伪造音频生成与鉴伪技术综述[J].大数据,2025,11(05):130-151. [4] 杨珂,李永亮,何金栋,等.基于掩码图像建模的深度伪造人脸检测[J].计算机应用,2025,45(S1):72-77. [5] 高泽阳.深度伪造对传播业态的机与危[J].中国传媒科技,2024,(10):39-42. [6] 李俊杰,王健宗,张旭龙,等.视频深度伪造检测的泛化性问题:方法､挑战与技术进展[J/OL].大数据,1-15[2025-10-05].

点击下载PDF