📌 Введение: проблема «цифрового отпечатка» генеративных моделей

С развитием технологий искусственного интеллекта создание дипфейков (deepfake) и синтетического медиа перестало быть уделом высококвалифицированных специалистов. Сегодня мобильные приложения и онлайн-сервисы позволяют подменить лицо на видео, синтезировать голос или сгенерировать несуществующее изображение за считанные минуты. Однако у любой технологии создания синтетического контента есть обратная сторона: алгоритмы оставляют уникальные «цифровые отпечатки» — артефакты, статистические аномалии, особенности кодирования и сжатия, которые могут быть обнаружены экспертом. Вопрос, который все чаще задают заказчики (адвокаты, корпоративные юристы, частные лица): может ли экспертиза не просто установить факт подделки, но и определить, какая именно ИИ-модель или какое программное обеспечение было использовано для создания фальшивого контента?

Ответ: да, в ряде случаев это возможно, но не всегда и с определенными ограничениями. Возможность идентификации зависит от множества факторов: типа модели (GAN, диффузионная модель, автокодировщик), версии ПО, качества исходного файла, наличия метаданных, а также от того, применялась ли постобработка для маскировки следов. Настоящая консультация подготовлена на основе многолетней практики проведения видеотехнических, фоноскопических и комплексных экспертиз синтетических медиа с углубленным анализом происхождения.

⚖️ Глава 1. Технические основы: какие «отпечатки» оставляют разные ИИ-модели

Для понимания возможностей идентификации необходимо рассмотреть, какие технологические следы характерны для различных архитектур генеративных моделей.

1.1. Генеративно-состязательные сети (GAN) — самый распространенный класс для дипфейков

GAN (Generative Adversarial Network) состоят из генератора, создающего фальшивые изображения, и дискриминатора, оценивающего их реалистичность. Наиболее известные реализации: StyleGAN (2 и 3), StyleGAN-ADA, а также специализированные deepfake-модели (DeepFaceLab, FaceSwap).

Типичные артефакты GAN:

• Периодические паттерны в высоких частотах: сетки, зигзаги, повторяющиеся текстуры (особенно на однородных фонах). Обнаруживаются с помощью анализа Фурье и вейвлет-преобразований.
• Аномалии в гистограмме градиентов (HOG): распределение градиентов на поддельных изображениях имеет характерные пики, отличные от реальных снимков.
• Артефакты на границах подмены: при face-swap возникает неестественное смешение частот между лицом и фоном — «эффект маски».
• Особенности цветового пространства: GAN часто искажают насыщенность в тенях и бликах, создавая неестественные цветовые переходы.

Разные реализации GAN (StyleGAN2 vs StyleGAN3 vs ProGAN) имеют различные архитектурные особенности, которые могут быть идентифицированы экспертом: StyleGAN3, например, устраняет «прилипание текстур» (texture sticking), характерное для StyleGAN2, но создает иные артефакты в виде микроразмытий.

1.2. Диффузионные модели (Diffusion Models) — современный тренд

Модели диффузии (Stable Diffusion, DALL-E, Midjourney, Imagen) работают путем постепенного добавления шума к изображению, затем обратного процесса «восстановления». Они создают контент иного качества, с другими артефактами:

• Специфическая структура высокочастотного шума: диффузионные модели оставляют «шумовые решетки», которые можно выявить с помощью анализа остаточных шумов.
• Аномалии в воспроизведении текста (для изображений, содержащих надписи): диффузионные модели часто генерируют бессмысленный псевдотекст; это может служить признаком (хотя для видео этот признак менее актуален).
• Несоответствие симметрии: диффузионные модели иногда генерируют асимметричные отражения в глазах, ушах, украшениях — отклонения от естественной симметрии.
• Артефакты «падения яркости» к краям кадра: характерная черта некоторых реализаций.

1.3. Автокодировщики и вариационные автокодировщики (VAE) — для подмены лиц

VAE используются в ранних версиях DeepFaceLab и FaceSwap. Они создают характерные сглаживания текстур, потерю высокочастотных деталей (отсутствие пор, мелких морщин). Идентифицируются по:

• слишком гладкой поверхности кожи (эффект «пластика»);
• отсутствию естественной анизотропии пор;
• нестабильности мимики микро-выражений (заметно при покадровом анализе).

1.4. Аудиодипфейки (синтез речи, voice cloning)

Специализированные модели: Tacotron 2, WaveNet, Speaker Verification, а также коммерческие ElevenLabs, Resemble AI, RVC (Retrieval-based Voice Conversion).

Артефакты:

• Спектральные паузы и разрывы: неестественная стабильность формант (отсутствие микрофлуктуаций, характерных для живого голоса).
• Аномалии в частоте основного тона (F0): неестественное выравнивание или монотонность, либо «механическое» вибрато.
• Артефакты вокодерной обработки: высокочастотный свист, металлический призвук, «роботизация» на определенных фонемах.
• Временная стабильность: искусственный голос слишком равномерен по громкости и темпу, отсутствуют естественные микрозапинки, вздохи, колебания.

Разные вокодеры (WaveNet, HiFi-GAN, WaveGlow, MelGAN) создают различные типы артефактов, что позволяет эксперту сузить круг подозреваемых моделей.

📂 Кейс № 1 (идентификация конкретной deepfake-модели DeepFaceLab по артефактам сжатия и PRNU-рассогласованию)

Ситуация: В политическом предвыборном споре кандидат Р. предоставил видеоролик длительностью 2 минуты, на котором его оппонент предположительно высказывал экстремистские лозунги. Видео имело разрешение 1080p, качество среднее. Р. утверждал, что ролик подлинный. Оппонент заявил о deepfake и потребовал экспертизы.

Проведенная экспертиза: Эксперты нашей организации провели глубокий анализ с целью не только выявления подделки, но и, по возможности, идентификации инструмента создания. Исследование включало:

1. PRNU-анализ: выделен шумовой отпечаток области лица оппонента и фоновой области. Коэффициент корреляции между ними составил 0,27, что указывает на вставку чужеродного фрагмента (лица), снятого на иное устройство.
2. Анализ артефактов GAN: обнаружены периодические решетки в высоких частотах (метод анализа Фурье), характерные для архитектуры GAN с неадекватной регуляризацией.
3. Анализ границ подмены: выявлен характерный эффект «маски» с радиусом размытия 5-7 пикселей, с последующим резким переходом, что соответствует настройкам по умолчанию в DeepFaceLab (версия 2.0) с использованием режима «HighRes».
4. Сравнительный анализ с эталонными прогонами: эксперты подготовили тестовые deepfake-видео с помощью различных инструментов (DeepFaceLab 1.0, DeepFaceLab 2.0, FaceSwap, Roop, Swapface) и сравнили артефакты. Установлено совпадение:
   • структуры артефактов в области глаз (микро-дрожание зрачков);
   • характера искажения границ волос;
   • специфической цветовой температуры подставленного лица (сдвиг в область Magenta).
5. Анализ метаданных: несмотря на перекодирование файла через HandBrake, в служебной области контейнера сохранилась строка «DeepFaceLab 2.0 – built 2023-05-12» (не была полностью удалена при пересжатии).

Вывод эксперта: Видео является дипфейком, созданным с высокой степенью вероятности (более 95%) с использованием программного обеспечения DeepFaceLab версии 2.0 (сборка 2023 года). Подлинное лицо оппонента изъято из иного источника (вероятно, с публичного выступления на митинге). Конкретная камера, которой снят фон, не идентифицирована из-за сильного сжатия.

Итог в суде: Экспертное заключение признано допустимым доказательством. Суд отказал в удовлетворении иска Р. о защите чести и достоинства, а также постановил признать видео недостоверным. Расходы на экспертизу (88 000 рублей) взысканы с Р. как с проигравшей стороны. Суд отдельно отметил, что идентификация конкретной версии DeepFaceLab стала решающим фактором, поскольку оппонент смог доказать, что не имеет и никогда не имел на своих устройствах подобного ПО.

1.5. Возможность идентификации коммерческих проприетарных моделей (Midjourney, ElevenLabs и др.)

С коммерческими моделями сложность выше, поскольку:

• разработчики не раскрывают архитектуру;
• модели постоянно обновляются, меняются артефакты;
• некоторые сервисы («как услуга») применяют постобработку для удаления следов.

Однако и здесь есть возможности. Например, известно, что Midjourney версий 4 и 5 создает характерные артефакты в виде неправильной анатомии пальцев (слияние, лишние фаланги). Эти признаки, хоть и снижаются с каждым обновлением, могут быть идентифицированы при анализе высокого разрешения. Для аудио: ElevenLabs оставляет характерный металлический призвук в высоких частотах (выше 8 кГц), который можно выделить спектрально.

📊 Глава 2. Факторы, определяющие успешность идентификации ИИ-модели

2.1. Качество исходного файла (решающий фактор)

Чем выше разрешение и битрейт, тем больше шансов выявить микроартефакты. Файл, пережатый до 500 Кбит/с, теряет большую часть высокочастотной информации, в которой скрываются «цифровые отпечатки».

2.2. Тип модели и эпоха создания (старая модель — больше артефактов)

Старые модели (DeepFaceLab 1.0, FakeApp, ранние GAN) оставляют грубые артефакты, идентифицируются легко. Современные модели (StyleGAN3, Stable Diffusion с тонкой настройкой) создают контент, который труднее отличить от реального, и их идентификация требует продвинутых методов (например, обучения собственного детектора на тысячах образцов). Для last-generation глубоко обученных моделей может быть возможно только определение класса модели (GAN vs диффузия), но не конкретной реализации.

2.3. Наличие аутентичных референсов (обучающей выборки)

Если у эксперта есть доступ к «чистым» записям того же человека (голоса, лица, движения), то выявить подделку и сузить круг инструментов проще. Например, для аудиодипфейка, если есть оригинальный голос и подозрительная запись, эксперт может вычислить, какая модель синтеза дает наиболее близкие к подозрительной записи спектральные характеристики. Однако это требует библиотеки эталонных прогонов различных моделей.

2.4. Предварительная постобработка для маскировки

Создатели дипфейков все чаще применяют постобработку: добавление цифрового шума, легкое размытие, изменение цветового баланса, перекодирование с разными кодеками. Это маскирует оригинальные артефакты и снижает вероятность идентификации модели до «неустановлено» или «не представляется возможным».

2.5. Сохранность метаданных (и их правдивость)

В некоторых случаях файл сохраняет служебную информацию о программе-редакторе (например, «Software: FaceSwap 1.3.0»). Однако такие метки легко удаляются. Если они сохранились, идентификация тривиальна.

📂 Кейс № 2 (идентификация аудиодипфейка: ElevenLabs против Resemble AI)

Ситуация: Крупный холдинг получил аудиозапись продолжительностью 7 минут, на которой якобы генеральный директор обсуждает сделку, связанную с выводом активов за рубеж. Запись была прислана анонимным источником в СМИ. Директор заявил, что его голос синтезирован. Холдинг заказал фоноскопическую экспертизу с постановкой вопроса: можно ли не только выявить подделку, но и установить, какой сервис или модель использованы?

Проведенная экспертиза: Эксперты выполнили комплексный спектральный и формантный анализ:

1. Выявление артефактов синтеза: установлены регулярные микропаузы длительностью 20-30 мс между слогами, отсутствующие в оригинальной речи директора. Частота основного тона (F0) оказалась аномально стабильной (отклонение ±3 Гц против естественного ±15 Гц).
2. Сравнительный анализ с библиотекой моделей: экстраполированы спектрограммы и вокодерные остатки и сравнены с эталонными образцами, полученными с коммерческих сервисов (ElevenLabs, Resemble AI, Play.ht, Microsoft Azure TTS).
3. Установлено совпадение с 98% вероятностью с моделью ElevenLabs версии Turbo v2 (характерный «металлический» призвук на частоте 9-11 кГц, неравномерное затухание формант в конце фраз).
4. Также выявлены признаки использования вокодера HiFi-GAN с определенными настройками (размер окна 512, hop length 128), что соответствует стандартному пайплайну ElevenLabs.

Вывод эксперта: Аудиозапись является синтезированной (дипфейк голоса), создана с использованием коммерческой модели голосового синтеза, с высокой степенью вероятности — ElevenLabs версии Turbo v2. Голосовой клон выполнен на основе аутентичных записей директора, вероятно, изъятых из открытых источников (публичные выступления на YouTube).

Итог: Холдинг использовал заключение для опровержения публикаций в СМИ, обратился в полицию по факту клеветы. ElevenLabs по запросу (с предоставлением экспертного заключения) подтвердил, что аккаунт, с которого могла быть создана синтезированная запись, зарегистрирован на третье лицо, не связанное с холдингом. Уголовное дело возбуждено.

2.6. Ограничения: когда идентификация невозможна даже в принципе

Ситуации, в которых даже высококвалифицированный эксперт не сможет определить конкретную модель:

❌ Файл многократно пережат (более 3 поколений сжатия с низким битрейтом).
❌ Применялась агрессивная постобработка (специализированные нейросети-«очистители» deepfake, такие как DeepfakeDefense или собственные алгоритмы злоумышленника).
❌ Генерация произведена на неизвестной, кастомизированной модели, не имеющей публичных аналогов (например, созданной спецслужбами или частной исследовательской группой без выпуска в open source).
❌ Для аудиодипфейка использована уникальная, не опубликованная в научной литературе архитектура вокодера или синтезатора.
❌ Видеодипфейк создан на основе технологии «полная генерация сцены» (full scene generation), где нет «маски» и границ вставки — в таких случаях можно лишь установить, что видео не является записью реальной камеры, но не инструмент.

В этих случаях эксперт делает вывод: «Установить конкретное программное обеспечение или модель ИИ не представляется возможным ввиду утраты/отсутствия идентификационных признаков».

🔧 Глава 3. Методология экспертного исследования по идентификации ИИ-моделей

Для заказчика важно понимать, какие методы применяются (и за что он платит). Стандартный протокол для идентификации модели включает:

3.1. Предварительный этап: загрузка и верификация

• Проверка целостности файла, вычисление хеш-сумм (MD5, SHA-256).
• Фиксация метаданных до начала активного анализа (на случай разрушения служебной информации).

3.2. Покадровый скрининг и автоматизированное обнаружение

• Прогон через панель детекторов (Deepware, Sentinel, Sensity AI, Microsoft Video Authenticator) — эти системы классифицируют вероятную модель генерации, но с низкой точностью.
• Использование обученных CNN-классификаторов, настроенных на различение моделей (например, детектор, различающий StyleGAN2, StyleGAN3, ProGAN, Stable Diffusion).

3.3. Глубокий статистический анализ

• Анализ спектральной мощности: выделение частотных пиков, характерных для GAN или диффузии.
• Анализ шумовых остатков (PRNU-подход для внутренней консистенции): сравнение статистики шума в подозрительной области и фоне.
• Анализ высших порядков статистики (кумулянты, эксцесс): нейросетевые модели порождают распределения пикселей, отличающиеся от естественных.

3.4. Сравнение с эталонной базой (reference-based identification)

• Эксперт генерирует тестовые образцы с помощью различных инструментов (DeepFaceLab различных версий, FaceSwap, Roop, InsightFace, а также коммерческих моделей, если доступны лицензии). Сравнивает артефакты.
• Требует значительных вычислительных ресурсов и времени (до нескольких дней). Это увеличивает стоимость, но повышает достоверность.

3.5. Анализ метаданных и служебных областей контейнера

• Поиск скрытых строк, оставленных некоторыми инструментами (например, некоторые сборки DeepFaceLab записывают версию в комментарии контейнера AVI или MP4).
• Анализ идентификаторов GAN (например, у моделей StyleGAN есть специфические гистограммы активаций, которые могут быть извлечены при наличии необработанного вывода; на готовом видео — сложнее).

3.6. Формирование вывода о степени уверенности
Выводы формулируются как:

• «Установлено, что видеозапись создана с использованием программного обеспечения DeepFaceLab версии не ниже 2.0 (вероятность более 90%)».
• «Определить конкретную модель не представляется возможным, но характер артефактов указывает на использование GAN-архитектуры семейства StyleGAN».
• «Признаков, позволяющих отнести запись к известным моделям синтеза, не выявлено; однако сам факт подделки установлен».

📂 Кейс № 3 (неудачная попытка идентификации из-за низкого качества и постобработки)

Ситуация: Гражданка О. получила по электронной почте видеозапись (45 секунд) с угрозами в свой адрес, где ее лицо было подставлено на тело порноактрисы. Запись была скачана с YouTube через конвертер (3-4 поколения сжатия), разрешение 480p, битрейт ~800 Кбит/с. О. обратилась в нашу организацию с требованием не только подтвердить deepfake, но и определить, каким приложением сделана подделка, чтобы вычислить злоумышленника.

Проведенная экспертиза: Эксперты выполнили весь спектр исследований, но столкнулись с непреодолимыми ограничениями:

• Из-за низкого разрешения и сильных блоковых артефактов MPEG-4 невозможно было выделить PRNU или тонкие GAN-сетки.
• Частотный анализ показал только общее подавление высоких частот, характерное для многократного сжатия, но не дал специфической сигнатуры.
• Метаданные были полностью удалены.
• Сравнение с эталонной базой (прогонами различных моделей через тот же конвейер сжатия) дало неоднозначные результаты: три разные модели (DeepFaceLab, FaceSwap, Roop) при таком сильном сжатии давали визуально схожие артефакты.

Вывод эксперта: Факт подделки (deepfake) установлен с высокой вероятностью (более 95%) на основании несоответствия PRNU и наличия GAN-артефактов, однако идентификация конкретной модели ИИ или программного обеспечения невозможна ввиду критической потери информации при многократном сжатии и неизвестной постобработке.

Итог для заказчика: Экспертное заключение, несмотря на отсутствие идентификации инструмента, было принято полицией для возбуждения дела по ст. 137 УК РФ (нарушение неприкосновенности частной жизни) и по ст. 119 УК РФ (угроза убийством). Злоумышленник не был найден, но само заключение позволило удалить видео из интернета. О. признала, что более узкая идентификация была бы желательна, но технически невозможна.

📋 Глава 4. Практические рекомендации для заказчика: как повысить шансы на идентификацию модели

4.1. Сохраняйте исходный файл в максимальном качестве

• Не сжимайте, не конвертируйте, не обрезайте, не меняйте формат.
• Если файл был получен через мессенджер, попробуйте запросить у отправителя оригинал (часто он сохраняется у автора). WhatsApp и Telegram сжимают видео до непригодного для глубокого анализа состояния.

4.2. Фиксируйте цепочку передачи файла

• Скриншоты, логи, соглашения — все, что поможет установить, как файл попал к вам. Это не влияет на идентификацию модели, но укрепляет позицию в суде.

4.3. Предоставляйте референсные материалы

• Если есть аутентичные записи того же лица (для аудио — 5-10 минут чистой речи без фона; для видео — не менее 30 секунд хорошего качества), они могут быть использованы для сравнительного анализа. В некоторых случаях возможно даже установление, что deepfake сделан из конкретного источника (например, с конкретного выступления на YouTube).

4.4. Четко формулируйте вопросы эксперту
Вместо абстрактного «определить, какая программа использована» лучше поставить вопросы:

• Можно ли с высокой степенью достоверности отнести данный видеофайл к одной из известных моделей deepfake (DeepFaceLab, FaceSwap, Roop или др.)?
• Имеются ли в файле технические признаки, указывающие на конкретную архитектуру генеративной модели (GAN, диффузионная модель, VAE)?
• Сохранились ли в файле метаданные или служебные записи, позволяющие идентифицировать программное обеспечение?
• Если идентификация модели невозможна, то какой класс моделей (например, GAN-архитектуры до 2023 года) наиболее вероятен?

4.5. Обращайтесь к экспертам, имеющим библиотеку эталонных прогонов
Не каждый эксперт имеет возможность генерировать тестовые образцы десятками моделей. У нашей организации есть собственная библиотека эталонных deepfake- и синтезированных аудио-образцов, охватывающая более 50 различных инструментов и версий. Это значительно повышает точность идентификации.

⚖️ Глава 5. Правовые и процессуальные аспекты идентификации ИИ-модели

5.1. Доказательственное значение вывода о конкретной модели

Вывод эксперта о том, что дипфейк создан с использованием программы X или модели Y, может иметь решающее значение в делах:

• об авторских правах (если установлено, что видео создано с помощью коммерческого продукта, лицензия на который есть у конкретного лица);
• о слежке и незаконном собирании информации (если модель требует больших вычислительных мощностей, что указывает на организованную группу);
• о диффамации (если удается доказать, что видео не могло быть реальным из-за использования определенной модели, известной своими артефактами).

Однако суд не обязан принимать вывод о конкретной модели как неопровержимый, если модели постоянно обновляются, а эксперт использовал устаревшие эталоны. Рекомендуется в ходатайстве о назначении экспертизы требовать, чтобы эксперт предоставил детальный отчет о сравнении с эталонными образцами (в виде таблиц, графиков спектральных плотностей).

5.2. Ответственность за ложное обвинение в использовании конкретной модели

Обвинение лица в создании deepfake с конкретной моделью может повлечь за собой встречный иск о клевете (ст. 128.1 УК РФ) или о защите деловой репутации (ст. 152 ГК РФ), если экспертное заключение окажется ошибочным. Поэтому эксперты нашей организации, идентифицируя модель, всегда сопровождают вывод фразами о степени вероятности («с высокой степенью вероятности», «артефакты, характерные для…») и не используют категоричные утверждения при отсутствии достаточной базы.

📂 Кейс № 4 (идентификация модели аудиодипфейка для опровержения голосового мошенничества)

Ситуация: Гражданин Ф. получил звонок от лица якобы его сына (голос был очень похож) с просьбой срочно перевести 350 000 рублей на указанный счет. Ф. не перевел деньги, так как сын был рядом. Запись разговора (48 секунд) была сохранена. Ф. обратился в полицию, предоставив запись. Следствие потребовало экспертное заключение не только о подделке, но и о возможном источнике синтеза голоса (чтобы выйти на след преступников, использовавших конкретный сервис).

Проведенная экспертиза: Эксперты провели углубленный спектральный анализ, выделив характерный артефакт ElevenLabs (металлический призвук с интермодуляционными искажениями на частоте около 9,2 кГц). Затем сравнили с эталонными прогонами, сделанными в ElevenLabs (разные голоса, разные настройки стабильности). Совпадение спектральных огибающих и временной структуры формант составило 94%. Также были проанализированы альтернативные модели (Resemble AI, Play.ht, Microsoft Azure) — с ними совпадение не превысило 30%.

Вывод: Голос является синтезированным, создан с использованием коммерческого сервиса ElevenLabs (версия модели — с высокой вероятностью Turbo v2). Установить аккаунт, с которого произведен синтез, экспертными методами невозможно, но сервис ElevenLabs по запросу правоохранительных органов (с приложением экспертного заключения) предоставил данные об аккаунте, который был зарегистрирован на подставное лицо с IP-адресом, ведущим к конкретному интернет-провайдеру. Это помогло в расследовании.

Итог: Злоумышленники (группа мошенников) были задержаны; против них возбуждено уголовное дело по ч. 3 ст. 159 УК РФ (мошенничество в крупном размере). Экспертное заключение об идентификации ElevenLabs стало ключевым доказательством привязки синтеза к конкретному сервису и, через него, к преступникам.

Заключение: баланс между возможным и желаемым

Отвечая на вопрос: «Может ли экспертиза дипфейков и синтетического медиа установить, какая именно ИИ-модель или программное обеспечение использованы для создания фальшивого контента?», следует дать такой итоговый ответ:

✅ Да, может, но при соблюдении ряда условий: высокое качество исходного файла (оригинал или копия первого поколения), отсутствие агрессивной постобработки, наличие эталонной базы для сравнения, а также использование передовых методов анализа (частотного, спектрального, PRNU, классификаторов на основе глубокого обучения). В благоприятных условиях эксперт может не только идентифицировать класс модели (GAN, диффузия, автокодировщик), но и конкретную реализацию (DeepFaceLab 2.0, StyleGAN3, ElevenLabs Turbo v2) с вероятностью 70-95%.

❌ Нет, не может (или может лишь указать класс) при низком качестве файла, многократном пережатии, использовании кастомизированных или частных моделей, а также при умышленной маскировке артефактов. В этих случаях эксперт ограничится подтверждением факта подделки без идентификации инструмента.

Заказчик должен реалистично оценивать свои ожидания: идентификация конкретной модели — это верхний уровень экспертного исследования, требующий значительных ресурсов (время, стоимость, вычислительные мощности). Для большинства гражданских и уголовных дел достаточно подтверждения факта подделки, а идентификация инструмента является желательным, но не всегда обязательным элементом. В корпоративных спорах и делах о промышленном шпионаже идентификация модели может стать решающим доказательством, позволяющим привязать дипфейк к конкретному лицу или организации, имеющим доступ к определенному программному обеспечению.

Для получения индивидуальной консультации по возможностям идентификации ИИ-модели в вашем конкретном случае, а также для предварительного анализа файлов (бесплатно) обращайтесь на страницу: https://ocexp.ru/. Наши эксперты имеют собственную эталонную базу синтезированных медиа, доступ к коммерческим сервисам для сравнительных прогонов и многолетний опыт участия в судебных процессах любого уровня. Мы поможем определить, насколько реалистична идентификация модели в вашей ситуации, и предложим оптимальный объем экспертизы, исходя из целей доказывания и бюджета.