一句話定義

深偽（Deepfake）是用深度學習技術，把真實人物的臉孔、表情或聲音合成到影片、照片或語音裡，做出當事人從沒說過、沒做過的逼真假內容。

30 秒看重點

  • 是什麼：Deepfake 是「deep learning（深度學習）」加上「fake（假的）」組成的新字，指用 AI 做出來、冒用真人樣貌或聲音的假影音。
  • 為什麼重要：假冒名人推銷投資、假冒主管視訊叫你匯款，這些詐騙都已經在台灣和香港真實發生過。
  • 跟誰相關：常看 LINE 群組轉傳影片的一般人、負責匯款的財會人員、公眾人物與內容平台都直接受影響。
  • 最常見的誤解：以為「仔細看一定看得出來」，其實連專門訓練的偵測模型，在沒看過的新影片上都會大幅失準。
  • 記住這件事就夠了：看到「名人報明牌」或「老闆急著要你匯款」的影音，先換一個管道查證，比練眼力可靠得多。

Deepfake 到底是什麼？

Deepfake 中文叫深偽，也有人寫成「深度偽造」，指的是用 AI 合成出來、冒用真人臉孔或聲音的假影片、假照片或假語音。關鍵在「讓你以為是某個真實的人」。

這個字的來源滿有畫面的。多個英文辭典來源的說法一致：2017 年底，Reddit 上有一個帳號就叫做 deepfakes，用開源的機器學習工具把名人的臉換到色情影片上，後來媒體報導出來，這個帳號名稱就變成了整類技術的代名詞。Reddit 在 2018 年初關掉了相關討論區，可是這個字已經回不去了。

現在 Deepfake 的意思已經擴大，不只換臉，連「用 AI 讓某人開口講他沒講過的話」「複製某人的聲音打電話」都算在裡面。歐盟 AI 法案的定義也是這個方向：AI 生成或修改的影像、聲音或影片，看起來像真實存在的人、物、地點或事件，而且會讓人誤以為是真的。

生活比喻：你可以想像成夜市那種「模仿藝人秀」，只是升級到變態等級。傳統模仿藝人再像，你湊近看還是知道是別人；Deepfake 則是請了一個看過某人幾千張照片、聽過幾十小時錄音的模仿藝人，連眨眼習慣、嘴角角度都學起來，還能直接「貼」在原本的影片上。最可怕的是，這個藝人不收演出費，誰都可以叫他上台。

為什麼會有 Deepfake？

Deepfake 的出現，是因為深度學習讓「合成一張逼真的人臉」從好萊塢特效等級的成本，降到一般人用家裡顯示卡就做得到。

以前要在電影裡換臉，得靠特效團隊一格一格修，花錢又花時間。開源專案 FaceSwap 在 GitHub 的說明裡講得很直白：當年 deepfakes 的原始程式碼流出之後，「任何人都可以參與 AI 開發」，那是第一批一般人能下載、能執行的這類 AI 程式。

技術門檻一降，用途就兩極化了：

  • 正當用途：電影特效、讓已故演員「回歸」、影片配音對嘴、搞笑模仿影片，FaceSwap 的說明也提到社會或政治評論。
  • 惡意用途：未經同意的性影像、冒充名人推銷投資、冒充主管叫員工匯款、選舉期間的假影片。

老實講，工具本身沒有立場，可是它把「說謊的成本」砍到幾乎是零，這才是大家緊張的原因。

Deepfake 是怎麼做出來的？

先講結論：最經典的換臉 Deepfake，就是讓 AI 大量看兩個人的臉，學會兩張臉的特徵之後，再把 A 的表情和動作「穿」到 B 的臉上。

以 GitHub 上公開的 FaceSwap 專案為例，流程分成三步：

  1. 擷取（Extract）：從照片或影片裡，把人臉一張張切出來存成資料夾。素材越多、角度越多，最後的效果越好。
  2. 訓練（Train）：讓模型反覆看兩個人的臉部照片，學會各自的長相特徵。這一步最吃顯示卡，專案說明也寫了最好搭配支援 CUDA 的 GPU。
  3. 轉換（Convert）：把訓練好的模型套回原始影片，逐格把臉換掉，輸出成新的影片。

聲音版本的道理差不多：素材越多越好仿。這也是公眾人物特別容易中招的原因，網路上他們的影片、演講、訪談多到拿不完。

名詞小教室：深度學習（Deep Learning）是機器學習的一個分支，用多層神經網路從大量資料裡自己找規律。Deepfake 的「deep」就是從這裡來的。能同時處理圖片、聲音、文字的 AI 則叫做多模態 AI。

Deepfake 跟一般 AI 生成影片差在哪？

一句話：Deepfake 的重點是「冒用一個真實存在的人」，一般 AI 生成影片則不一定跟真人有關。

很多人看到 AI 做的影片都叫它 Deepfake，其實不太精準。用 AI 畫一隻會飛的貓，那是 AI 生成內容；用 AI 讓你家老闆在視訊裡叫你匯款，那才是 Deepfake。

比較項目Deepfake（深偽）一般 AI 生成影片傳統修圖／剪接
核心特徵冒用真實人物的臉或聲音從文字或圖片生成新畫面人工修改既有素材
需要的素材目標人物的大量照片、影片或錄音一段文字描述就能開始原始照片或影片
主要風險詐騙、名譽傷害、性影像、假新聞版權爭議、誤導性內容斷章取義、竄改證據
法律焦點冒用身分、未經同意標示是否為 AI 生成誹謗、偽造文書
我會怎麼看待它預設懷疑，換管道查證看用途，娛樂就當娛樂看有沒有原始出處

從這張表可以看出來，Deepfake 真正危險的地方是「身分」，它偷走的是你對某個人的信任。所以判斷一段影片時，與其問「這是不是 AI 做的」，不如問「這真的是那個人說的嗎」。

你會在哪裡碰到 Deepfake？

最常碰到 Deepfake 的地方，是社群平台的投資廣告、LINE 群組轉傳的影片，以及冒充熟人或主管的視訊與電話。

  • 假名人投資廣告：根據台灣多家媒體報導，刑事警察局在 2025 年 11 月的記者會上點名，詐騙集團用 AI 製作假冒公眾人物的擬真影片，常見被冒用的包括黃仁勳、謝金河、張忠謀等人，手法有假贈書、假推銷商品、假投資。
  • 假主管視訊會議：2024 年 1 月，英國工程顧問公司 Arup 香港辦公室的一名財務人員，參加了一場視訊會議，據多家媒體報導，會議中除了他本人以外，其他「同事」全部是 Deepfake。他依指示分 15 次匯出共 2 億港幣（約 2,500 萬美元），Arup 事後也證實了這起事件。
  • 未經同意的性影像：這是 Deepfake 最早出現的濫用方式之一，台灣在 2023 年就為此修了刑法。

開發者這邊也有在動。Anthropic 的使用政策明文禁止用它的模型冒充真實人物、製作未經同意的性影像，以及在選舉情境中產出「沒有揭露是合成的」合成媒體。另一個方向是「內容來源認證」：C2PA（內容來源與真實性聯盟）制定技術標準，替照片和影片附上可驗證的「出生證明」，記錄它從哪裡來、被誰改過。

怎麼分辨 Deepfake 影片？

先講結論：沒有單一的必殺破綻，要同時看好幾個地方，而且最有效的其實是去查來源。

MIT Media Lab 的 Detect Fakes 專案整理過一份檢查清單，多個來源轉述的重點如下：

  1. 臉部和皮膚：皮膚是不是太光滑或太皺，跟頭髮、眼睛的年齡感對不對得上。
  2. 光影和眼鏡反光：眼睛周圍的陰影位置合不合理，人在動的時候，眼鏡反光的角度有沒有跟著變。
  3. 鬍子、痣這些小細節：鬍鬚看起來是不是黏上去的，臉上的痣像不像真的。
  4. 眨眼頻率：眨太多或太少都可疑。
  5. 嘴型：嘴巴動作跟聲音對不對得起來，特別是 ㄅ、ㄆ、ㄇ 這類要閉嘴的音。

可是，這份清單會越來越不準。

2020 年 Facebook 辦過 Deepfake Detection Challenge，冠軍模型在公開資料上表現不錯，換到主辦方另外準備、參賽者從沒看過的測試影片上，據多方報導準確率只剩約 65%。專門訓練的 AI 都這樣了，人類用肉眼盯手機小螢幕，老實講勝算更低 QQ

所以我會建議把重點放在「行為」：

  • 掛掉，用你原本就有的電話號碼回撥本人，不要用對方給的聯絡方式。
  • 名人報明牌一律當假的，真正的名人不會在臉書廣告叫你加 LINE 群組。
  • 公司匯款設「第二人確認」流程，Arup 的案例就是一個人在視訊裡被說服的。

學 Deepfake 最常見的 3 個誤解

Deepfake 最常見的誤解，是以為它很難做、一定看得出來，或是只有名人會被冒用。

  1. 誤解一：做 Deepfake 需要很強的技術 — 真相是門檻已經很低。FaceSwap 這類開源工具附圖形介面，有 GPU 的家用電腦就能跑，曾經很熱門的 DeepFaceLab 也是開源專案（這個 repo 已在 2024 年 11 月封存）。
  2. 誤解二：仔細看一定看得出來 — 真相是偵測永遠在追趕生成。上面提到的偵測比賽，冠軍模型遇到新影片就掉到約 65%，影片經過社群平台壓縮之後，破綻也會跟著被抹掉。
  3. 誤解三：我又不是名人，不會被拿去做 — 真相是你的 IG、臉書照片就是素材。台灣刑法新增「不實性影像罪」，正是因為一般人被合成性影像的案件越來越多。

說白了，防 Deepfake 最有用的是改習慣，眼力只能當輔助。

台灣和國外怎麼管 Deepfake？

台灣目前是用「刑法管性影像、打詐法規管廣告」兩條線處理，歐盟則是從 2026 年 8 月起要求 Deepfake 必須標示。

台灣：立法院在 2023 年 1 月三讀通過刑法第 319 條之 4「不實性影像罪」，意圖散布而用電腦合成或其他科技方法製作他人不實性影像、足以生損害於他人的，處五年以下有期徒刑、拘役，或科或併科 50 萬元以下罰金，散布與營利還有另外的處罰。2024 年 7 月三讀的《詐欺犯罪危害防制條例》，則要求一定規模的網路廣告平台揭露廣告出資者、驗證身分，並配合下架詐騙廣告，等於從「廣告投放」這一端去堵假名人投資廣告。

歐盟：AI 法案第 50 條的透明度義務從 2026 年 8 月 2 日起適用，用 AI 產生或修改 Deepfake 內容的使用者（法條裡叫 deployer）必須揭露內容是人工生成或修改的。明顯是藝術、諷刺或虛構的作品，揭露義務會放寬，只要不破壞觀賞體驗地標示出來即可。

想多了解 Deepfake，從哪開始？

沒技術背景的話，從「認識詐騙手法」開始就夠了；有技術背景的話，可以看偵測資料集和內容來源標準怎麼運作。

一般讀者：

  • 跟家裡長輩約好一句「通關密語」，接到疑似親友的急用錢電話或視訊，先問密語再說。這招很土，可是真的有用。
  • 認識 AI 的另一個毛病幻覺，你會更理解「AI 做出來的東西不能直接信」這件事。

工程師或研究者：

  • 看 FaceForensics++ 資料集：它把 1,000 段原始影片用 Deepfakes、Face2Face、FaceSwap、NeuralTextures 等方法竄改，是偵測研究最常用的基準之一。
  • 看 C2PA 的開源 SDK（c2pa-rs），了解怎麼替媒體檔案簽章、嵌入與驗證來源資訊。

常見問題 FAQ

Deepfake 跟 AI 有什麼關係？

Deepfake 本身就是 AI 的產物，名字裡的 deep 指的就是深度學習。它用深度學習模型學會某個人的臉孔或聲音特徵，再合成出假的影片、照片或語音。沒有深度學習，就做不出現在這種逼真程度的換臉。

為什麼 Deepfake 突然這麼紅？

因為製作門檻變低、詐騙案例變多。2017 年 Reddit 帳號 deepfakes 讓這個詞出圈，之後開源工具讓一般人也能換臉。近年台灣出現大量冒用名人的投資詐騙影片，香港也發生員工在全是 Deepfake 的視訊會議中被騙走 2 億港幣的案件，讓這個詞變得家喻戶曉。

我不是工程師也需要懂 Deepfake 嗎？

需要，而且一般人反而是最常被鎖定的對象。如果你常在 LINE 或臉書看到名人推薦投資的影片，了解 Deepfake 會讓你知道「看起來是本人」已經不能當作證據。最實用的做法是換一個你原本就有的管道，直接聯絡本人確認。

Deepfake 的中文翻譯有沒有統一？

台灣常見「深偽」和「深度偽造」兩種寫法，新聞報導兩種都常見，法條則用「以電腦合成或其他科技方法製作」來描述。本站採用較短的「深偽」，並保留英文 Deepfake，因為台灣讀者實際搜尋時多半直接打英文。

學會 Deepfake 之後，下一個該學什麼？

建議接著看多模態 AI、AI 幻覺和提示詞注入。多模態 AI 說明 AI 怎麼同時處理影像與聲音，AI 幻覺說明為什麼 AI 產出不能照單全收，提示詞注入則說明 AI 本身也會被人用假資訊騙。

延伸閱讀

參考來源

  1. deepfakes/faceswap｜GitHub — 擷取、訓練、轉換三步驟，硬體需求與專案倫理聲明。
  2. ondyari/FaceForensics｜GitHub — FaceForensics++ 資料集規模與收錄的竄改方法。
  3. iperov/DeepFaceLab｜GitHub — 開源換臉工具，repo 於 2024 年 11 月封存。
  4. selimsef/dfdc_deepfake_challenge｜GitHub — Deepfake Detection Challenge 得獎解法的做法說明。
  5. contentauth/c2pa-rs｜GitHub — C2PA 標準的目的，以及簽章、嵌入、驗證來源資訊的 SDK 功能。
  6. Anthropic Usage Policy — 禁止冒充真人、未經同意性影像與未揭露的選舉合成媒體。

查證限制：Deepfake 一詞的 Reddit 起源、Arup 香港詐騙案細節、Deepfake Detection Challenge 約 65% 的成績、MIT Detect Fakes 檢查清單、歐盟 AI 法案第 50 條、台灣刑法第 319 條之 4 與刑事局 2025 年記者會內容，原始網站在撰寫環境無法開啟，以多個獨立搜尋結果交叉比對一致後才寫入，未列入參考來源。

整理一下重點：Deepfake 說穿了就是 AI 版的超級模仿秀，真正的防線不是你的眼力，而是「換個管道問本人」這個習慣。

希望這一篇有讓你對 Deepfake 有比較具體的理解哩～如果發現事實錯誤、定義不準、或翻譯卡卡的，歡迎透過聯絡頁指正，看到我們會盡快修。

我們下篇文章見囉～

本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理，文末已揭露 AI 生成 + 公開資料引用。