这一页讲假脸、假声、假视频，以及它们已经造成的实际损失。

两亿港元，十五笔转账

2024 年 1 月，一名香港跨国公司的财务员工先收到一条消息，自称是公司在英国总部的首席财务官，说有一笔机密交易要办。然后他被拉进一个视频会议。

会议里有五六个人。警方后来确认：除了他自己，其他所有人都是假的。

香港警方网络安全部门代理高级警司陈舜智在 2024 年 2 月初的记者会上说得很直白：诈骗者从 YouTube 上找了这些人的公开视频和音频，用技术把声音和脸都复刻了。他还补了一句容易被忽略的细节——那些画面是事先录好的，整场会议没有跟真人实时对话。

损失是 1.8 亿到 2 亿港元区间，走了 15 笔转账，进了 5 个香港本地账户。员工 1 月 29 日报警。英国《金融时报》同年 5 月查明了涉事公司：Arup，全球约 18000 名员工。

警方 2023 年 8 月就发过一次警报，说这是他们首次发现有人用深度伪造手法骗金融机构。

图：TED 2019 上首次公开的实时换脸演示，把台上演员的脸映射到观众席的人脸上。来源：Steve Jurvetson，Wikimedia Commons，CC BY 2.0。

便宜到什么程度

这三个字是关键：深度伪造（deepfake）—— 用模型合成的假音、假脸、假视频。

早年这一行要专业团队和昂贵显卡。现在门槛已经塌到普通人的水平：几分钟音视频，几百块成本。在 YouTube 和 TikTok 上，公开名人素材到处都是——警方这次用的就是这个。

假声比假脸更难防。人耳对细微的音高、节奏、气息变化不敏感，但人眼对嘴型和牙齿的破绽敏感得多。所以从「假视频配真声音」到「假声音配真视频」，中间还隔着一段路。

检测器为什么老失灵

2023 年 Rui Shao 等四个人在 arXiv 上发了 DeepFake-Adapter。他们的观察很准确：现有检测器容易过拟合（overfitting）—— 把训练时见过的样本背下来，换一批就失效 —— 到某一种伪造留下的低层痕迹（也就是像素和纹理层面的破绽），一换一种生成方法就抓瞎。所以他们做法的意思是：别只盯像素，借一个大模型预训练好的高层语义来兜底。

2026 年 Fei Wu 和同事们的 LOGER 补了另一半问题：真实世界里的视频是会被二次压缩、被裁剪、被重新录屏的，一压缩那些痕迹就糊了。他们的做法是同时跑一路看整体、一路看局部，最可疑的那几块区域单独拎出来放大看。论文里说这方法在 NTIRE 2026 的深度伪造检测挑战赛拿了第二名。

我自己试过一次：用检测网站扫一段别人发来的视频，结论是「未发现伪造」。那段视频后来被证明是合成的。

我不认为检测能成为最终防线。到 2026 年 9 月为止，我看到的现实是——造假成本在降，检测准确率在波动，而查证责任仍然在人身上。

延伸阅读

• DeepFake-Adapter: Dual-Level Adapter for DeepFake Detection（Rui Shao、Tianxing Wu、Liqiang Nie et al.，2023，arXiv）—— 指出检测器过拟合低层伪造痕迹，换个造假方法就失效；改用大模型的高层语义来兜。跨数据集测试下优势明显。arXiv: 2306.00863
• LOGER: Local–Global Ensemble for Robust Deepfake Detection in the Wild（Fei Wu、Dagong Lu、Mufeng Yao et al.，2026，arXiv）—— 现实视频会二次压缩、裁剪、录屏，痕迹容易被抹掉。这篇让模型一路看整体异常、一路把最可疑的局部区域单独放大判断。arXiv: 2604.03558

动手试试

下次视频通话谈到涉及钱或者隐私的事，临时加一句：「你把左手抬起来，用右手摸一下耳朵。」

顺便说一句，你自己也做一次，录下来看看动作和口型对不对得上。

这个动作网上有人叫「随机动作挑战」。它挡不住准备充分的伪造，但能挡住那类事先录好、靠声音骗人的。香港那起案子之所以得手，前提正是画面里没有交互。

下一站

假的东西多了，另一种麻烦就来了：真的东西被人拿去抄。下一页是版权。