---
title: "深度偽造（Deepfake）"
slug: deepfake
language: zh-TW
source: https://aiterms.tw/terms/deepfake
updated_at: 2026-04-29
tags: [AI倫理與治理, 資訊安全, 電腦視覺, 深度學習, AI應用]
ipas_term: false
---

# 深度偽造（Deepfake）

> **你滑到一段超真實的假影片時，怎麼分辨它是不是假的？**
> 你可以把 深度偽造 想成一種把現實內容重新合成或偽造的技術。
> 它其實就是學會模仿資料分布，產出看起來很真的圖片、聲音或影片。
> 深度偽造是利用深度學習技術合成的逼真音訊、圖像或影片，通常用於製造假新聞、詐騙或惡意中傷。因為外觀看起來很自然，所以辨識來源和真偽就變得很重要。

### 容易混淆
> **vs 傳統P圖**
> 傳統P圖像用剪貼簿拼湊圖片，容易看出破綻；深度偽造則像用高科技印表機「生成」新內容，細節和連貫性都非常自然，幾可亂真。
>
> **深度學習 vs 生成對抗網路**
> 深度學習 比較像同一類問題裡的近鄰參考，生成對抗網路 則更像把資料或結構往更深一層整理，兩者的用法不一樣。
>
> **最關鍵的區別：** 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。

### 記住這句就好
> 看起來真，不代表來源真

### 實際案例
> **案例一：深度偽造 生成圖片或影片**
> 模型學到資料分布後，可以從噪聲中逐步合成出接近真實照片的內容，肉眼看起來會很自然。
>
> **案例二：深度偽造 的風險場景**
> 同一套技術也可能被拿去做假新聞、假名人發言或詐騙素材，所以來源驗證和水印就變得很重要。

### 深入了解
> 這類技術常會先學資料分布，再用模型去模仿原本看起來像真的內容
> 品質越高，越容易拿來做創作、也越容易被拿去做欺騙
> 所以重點不只是能不能生成，而是來源可不可信
>
> 深度偽造 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。

### 情境判斷
> **Q1（直覺題）：** 你看到一段影片或一張圖很像真的，這就代表它一定是真實拍攝嗎？
> → 不代表，因為生成模型和偽造技術已經能做出非常逼真的內容。
>
> **Q2（判斷題）：** 只要肉眼看不出破綻，就可以放心相信這段內容嗎？
> → 不行，因為高品質合成內容常能騙過直覺，還是要看來源、簽章、檢測工具或上下文證據。
>
### 常見問題
> **Q：如何辨識深度偽造？**
> 辨識深度偽造並不容易，但可以注意以下幾點：不自然的臉部表情、嘴型與聲音不匹配、畫面模糊或有異常、缺乏眨眼動作、光源不一致等。此外，使用專業的深度偽造檢測工具也能提供幫助，但需注意其準確性。
>
> **Q：深度偽造的法律責任歸屬？**
> 深度偽造的法律責任歸屬取決於其用途和造成的損害。如果用於惡意中傷、詐騙或侵犯他人權益，則可能涉及誹謗罪、詐欺罪或侵權責任。法律對於深度偽造的規範仍在發展中，各國的法律規定可能有所不同。
>
> **Q：如何防範深度偽造的威脅？**
> 防範深度偽造的威脅需要多方面的努力。個人應提高警惕，不輕易相信網路上的資訊，並注意保護個人隱私。技術方面，需要開發更有效的深度偽造檢測技術和防禦措施。法律方面，需要制定更完善的法律法規來規範深度偽造的行為。
>
### 相關術語
> - **深度學習**：讀完這個再看它，可以把上下游概念串起來
> - **生成對抗網路**：讀完這個再看它，可以把上下游概念串起來
> - **人工智慧倫理**：讀完這個再看它，可以把上下游概念串起來
> - **深度偽造偵測**：讀完這個再看它，可以把上下游概念串起來
> - **AI浮水印**：讀完這個再看它，可以把上下游概念串起來

---

來源：https://aiterms.tw/terms/deepfake
快查頁：https://aiterms.tw/terms/deepfake
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-deepfake