{"id":1673,"date":"2026-07-24T13:02:37","date_gmt":"2026-07-24T13:02:37","guid":{"rendered":"https:\/\/convly.ai\/?p=1673"},"modified":"2026-07-24T13:02:37","modified_gmt":"2026-07-24T13:02:37","slug":"nvidia-ai-video-detector-deepfake-tool","status":"publish","type":"post","link":"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/","title":{"rendered":"Detector de V\u00eddeo por IA da Nvidia visa resolver a crise de deepfakes"},"content":{"rendered":"<p>O <strong>Detector de v\u00eddeo por IA da Nvidia<\/strong> sendo apresentado esta semana pode se tornar uma das ferramentas mais importantes para autenticidade na era da m\u00eddia generativa. Segundo um relat\u00f3rio do PetaPixel intitulado \u00abO Detector de V\u00eddeo por IA da Nvidia Parece Ser a Ferramenta de que o Mundo Desesperadamente Precisa\u00bb, a fabricante de chips est\u00e1 desenvolvendo um sistema projetado para identificar v\u00eddeos gerados por IA \u2014 uma categoria de conte\u00fado que cresceu mais rapidamente do que as salvaguardas destinadas a regulament\u00e1-la. Para reda\u00e7\u00f5es, plataformas e titulares de direitos que observaram clipes sint\u00e9ticos superarem todas as solu\u00e7\u00f5es reativas dispon\u00edveis, o momento \u00e9 particularmente significativo.<\/p>\n<div class=\"convly-tldr\">\n<h3>Principais conclus\u00f5es<\/h3>\n<ul>\n<li>O PetaPixel relata que a Nvidia est\u00e1 desenvolvendo um detector de v\u00eddeo por IA voltado \u00e0 identifica\u00e7\u00e3o de grava\u00e7\u00f5es sint\u00e9ticas, justamente quando ferramentas generativas de v\u00eddeo j\u00e1 se tornaram mainstream.<\/li>\n<li>A publica\u00e7\u00e3o descreve a ferramenta como algo de que a ind\u00fastria \u00abdesesperadamente precisa\u00bb, destacando qu\u00e3o fracos s\u00e3o os atuais m\u00e9todos de detec\u00e7\u00e3o em compara\u00e7\u00e3o com a velocidade de gera\u00e7\u00e3o.<\/li>\n<li>Rev Lebaredian, da Nvidia, argumentou separadamente \u00e0 Fox Business que o maior impacto da IA ocorrer\u00e1 no \u00abmundo f\u00edsico\u00bb, uma perspectiva que ajuda a explicar por que a empresa est\u00e1 investindo em ferramentas de percep\u00e7\u00e3o e verifica\u00e7\u00e3o.<\/li>\n<li>A detec\u00e7\u00e3o \u00e9 um alvo m\u00f3vel: \u00e0 medida que os modelos evoluem, qualquer classificador precisa ser constantemente re-treinado para acompanhar os geradores mais recentes.<\/li>\n<li>Para desenvolvedores de IA, o an\u00fancio \u00e9 relevante porque sinais de origem est\u00e3o se tornando um requisito fundamental de produto, n\u00e3o um mero detalhe p\u00f3s-compliance.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a6801500fd92\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a6801500fd92\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#What_PetaPixel_is_reporting_about_the_Nvidia_AI_video_detector\" >O que o PetaPixel relata sobre o detector de v\u00eddeo por IA da Nvidia<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#Why_detection_is_the_harder_half_of_the_generative_problem\" >Por que a detec\u00e7\u00e3o \u00e9 a metade mais dif\u00edcil do problema generativo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#The_Rev_Lebaredian_angle_perception_as_a_strategic_priority\" >A perspectiva de Rev Lebaredian: percep\u00e7\u00e3o como prioridade estrat\u00e9gica<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#Where_a_detector_fits_in_the_current_provenance_stack\" >Onde um detector se encaixa na atual pilha de proveni\u00eancia<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#What_this_means_for_AI_developers_and_platform_builders\" >O que isso significa para desenvolvedores de IA e construtores de plataformas<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#The_open_questions_PetaPixels_report_leaves_unresolved\" >As perguntas em aberto deixadas pelo relat\u00f3rio do PetaPixel<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#Frequently_asked_questions\" >Perguntas frequentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/pt\/nvidia-ai-video-detector-deepfake-tool\/#The_bottom_line\" >Resumo final<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_PetaPixel_is_reporting_about_the_Nvidia_AI_video_detector\"><\/span>O que o PetaPixel relata sobre o detector de v\u00eddeo por IA da Nvidia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A mat\u00e9ria do PetaPixel caracteriza o detector de v\u00eddeo por IA da Nvidia como uma ferramenta criada para identificar v\u00eddeos gerados por IA, usando termos enf\u00e1ticos: trata-se exatamente do tipo de tecnologia de que o mundo \u00abdesesperadamente precisa\u00bb. O t\u00edtulo da publica\u00e7\u00e3o reflete o sentimento entre fot\u00f3grafos, editores e equipes de confian\u00e7a e seguran\u00e7a de plataformas, que, nos \u00faltimos dois anos, viram clipes sint\u00e9ticos escaparem facilmente de heur\u00edsticas ad hoc de detec\u00e7\u00e3o. O trecho dispon\u00edvel do PetaPixel n\u00e3o menciona data de lan\u00e7amento, pre\u00e7o, arquitetura do modelo ou caminho de integra\u00e7\u00e3o \u2014 portanto, qualquer informa\u00e7\u00e3o al\u00e9m da exist\u00eancia da ferramenta e de seu prop\u00f3sito declarado permanece, por ora, fora do escopo.<\/p>\n<p>O que vale destacar \u00e9 a forma como o tema \u00e9 abordado. O PetaPixel \u00e9 uma publica\u00e7\u00e3o especializada no setor fotogr\u00e1fico, com longa tradi\u00e7\u00e3o em cobrir autenticidade de imagens, e seu veredito \u2014 de que essa \u00e9 a ferramenta de que o mundo precisa \u2014 sinaliza o qu\u00e3o agudo se tornou o d\u00e9ficit de detec\u00e7\u00e3o para meios visuais profissionais. Reda\u00e7\u00f5es, em particular, t\u00eam precisado confiar em um conjunto fragmentado de t\u00e9cnicas forenses, verifica\u00e7\u00f5es de marcas d\u2019\u00e1gua e desmentidos posteriores ao fato, nenhum dos quais escala adequadamente ao volume de v\u00eddeos que circulam nas plataformas sociais.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_detection_is_the_harder_half_of_the_generative_problem\"><\/span>Por que a detec\u00e7\u00e3o \u00e9 a metade mais dif\u00edcil do problema generativo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Gera\u00e7\u00e3o e detec\u00e7\u00e3o est\u00e3o envolvidas em uma corrida armamentista. Cada nova classe de modelo texto-para-v\u00eddeo produz artefatos que podem ser usados para treinar classificadores; cada vers\u00e3o subsequente do modelo suaviza esses artefatos. Assim, os sistemas de detec\u00e7\u00e3o t\u00eam uma vida \u00fatil medida em meses, n\u00e3o em anos, e qualquer fornecedor que os desenvolva deve comprometer-se com re-treinamentos cont\u00ednuos \u00e0 medida que novos geradores forem lan\u00e7ados. Trata-se de um compromisso produtivo muito distinto do lan\u00e7amento, por exemplo, de um classificador de imagens \u00fanico e definitivo.<\/p>\n<p>Para equipes que constroem produtos sobre modelos de ponta, esse \u00e9 um problema familiar. <a href=\"https:\/\/convly.ai\/pt\/models\/\">Banco de dados de modelos de IA<\/a> escolher ferramentas de um ecossistema cada vez mais amplo<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_Rev_Lebaredian_angle_perception_as_a_strategic_priority\"><\/span>A perspectiva de Rev Lebaredian: percep\u00e7\u00e3o como prioridade estrat\u00e9gica<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O interesse da Nvidia pela autenticidade de v\u00eddeos n\u00e3o est\u00e1 isolado de sua vis\u00e3o mais ampla. Em entrevista separada \u00e0 Fox Business, Rev Lebaredian, da Nvidia, argumentou que o maior impacto da IA ocorrer\u00e1 no \u00abmundo f\u00edsico\u00bb \u2014 uma perspectiva que coloca percep\u00e7\u00e3o, simula\u00e7\u00e3o e verifica\u00e7\u00e3o no centro da rota futura da empresa. A detec\u00e7\u00e3o de v\u00eddeos sint\u00e9ticos, nesse contexto, \u00e9 uma extens\u00e3o natural de uma estrat\u00e9gia que h\u00e1 muito tempo trata a compreens\u00e3o visual como infraestrutura central, e n\u00e3o como um nicho vertical.<\/p>\n<p>A abordagem da Fox Business \u00e9 relevante porque sugere por que um fornecedor de hardware computacional est\u00e1 investindo em algo que, \u00e0 primeira vista, parece um produto voltado \u00e0 confian\u00e7a e seguran\u00e7a. Se o futuro da IA estiver ancorado em dados do mundo f\u00edsico \u2014 c\u00e2meras, rob\u00f4s, sensores \u2014 ent\u00e3o uma empresa que fornece os chips usados no treinamento da maioria dos modelos de v\u00eddeo tem tanto um caso de neg\u00f3cios quanto um interesse defensivo em ajudar a distinguir imagens aut\u00eanticas de sint\u00e9ticas. Caso contr\u00e1rio, os pr\u00f3prios dados que alimentam a pr\u00f3xima gera\u00e7\u00e3o de modelos ficar\u00e3o contaminados.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Where_a_detector_fits_in_the_current_provenance_stack\"><\/span>Onde um detector se encaixa na atual pilha de proveni\u00eancia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Atualmente, a autenticidade de conte\u00fados \u00e9 um problema multicamadas, e nenhuma \u00fanica t\u00e9cnica resolve-o integralmente. As principais abordagens em uso incluem:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Abordagem<\/th>\n<th>Como funciona<\/th>\n<th>Limita\u00e7\u00e3o principal<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Proveni\u00eancia criptogr\u00e1fica (no estilo C2PA)<\/td>\n<td>Assina o dispositivo de captura e o hist\u00f3rico de edi\u00e7\u00f5es na origem<\/td>\n<td>Cobre apenas conte\u00fados provenientes de c\u00e2meras e fluxos de trabalho participantes<\/td>\n<\/tr>\n<tr>\n<td>Marca d'\u00e1gua<\/td>\n<td>Incorpora um sinal nas sa\u00eddas geradas no momento da s\u00edntese<\/td>\n<td>Depende da coopera\u00e7\u00e3o do gerador; pode ser removido<\/td>\n<\/tr>\n<tr>\n<td>Detec\u00e7\u00e3o passiva por IA<\/td>\n<td>Classificador analisa o arquivo final em busca de artefatos reveladores<\/td>\n<td>Exige re-treinamento cont\u00ednuo \u00e0 medida que os geradores evoluem<\/td>\n<\/tr>\n<tr>\n<td>An\u00e1lise forense<\/td>\n<td>Inspe\u00e7\u00e3o humana de sombras, movimento, compress\u00e3o<\/td>\n<td>N\u00e3o escala para volumes t\u00edpicos de plataformas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>O detector de v\u00eddeo por IA da Nvidia, conforme descrito pelo PetaPixel, encaixa-se exatamente na terceira linha \u2014 detec\u00e7\u00e3o passiva. Essa \u00e9 a linha com a menor vida \u00fatil, mas tamb\u00e9m com a maior aplicabilidade, pois n\u00e3o exige coopera\u00e7\u00e3o nem da fonte nem do gerador. Uma reda\u00e7\u00e3o avaliando um v\u00eddeo viral n\u00e3o tem o luxo de pedir ao autor um manifesto assinado no padr\u00e3o C2PA; ela tem apenas o arquivo e precisa de uma resposta.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_this_means_for_AI_developers_and_platform_builders\"><\/span>O que isso significa para desenvolvedores de IA e construtores de plataformas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Para equipes que lan\u00e7am produtos baseados em modelos generativos, o surgimento de um detector confi\u00e1vel vindo de um fornecedor de hardware computacional do porte da Nvidia \u00e9 um sinal claro para antecipar a proveni\u00eancia na roadmap de produtos. A revis\u00e3o de confian\u00e7a e seguran\u00e7a tornou-se cada vez mais um passo obrigat\u00f3rio para implanta\u00e7\u00f5es empresariais, e APIs de detec\u00e7\u00e3o provavelmente estar\u00e3o ao lado de ferramentas de modera\u00e7\u00e3o de conte\u00fado e remo\u00e7\u00e3o de informa\u00e7\u00f5es pessoalmente identific\u00e1veis (PII) na pilha-padr\u00e3o de verifica\u00e7\u00e3o pr\u00e9-lan\u00e7amento.<\/p>\n<p>Desenvolvedores que avaliam onde executar essas cargas de trabalho enfrentam os trade-offs habituais. A infer\u00eancia baseada em GPU de um detector grande o suficiente para acompanhar os geradores de ponta n\u00e3o \u00e9 barata; equipes que fazem os c\u00e1lculos costumam recorrer a uma <a href=\"https:\/\/convly.ai\/pt\/self-hosting-vs-api-calculator\/\">calculadora de autohospedagem versus API<\/a> antes de se comprometerem. Quem planeja implanta\u00e7\u00f5es locais tamb\u00e9m deve or\u00e7ar cuidadosamente \u2014 uma <a href=\"https:\/\/convly.ai\/pt\/llm-vram-calculator\/\">calculadora gratuita de VRAM<\/a> ajuda a dimensionar a mem\u00f3ria necess\u00e1ria para pesos do detector continuamente atualizados, e uma an\u00e1lise da lista de <a href=\"https:\/\/convly.ai\/pt\/best-gpus-for-ai-2026\/\">melhores GPUs para IA<\/a> \u00e9 frequentemente o pr\u00f3ximo passo assim que o perfil da carga de trabalho fica claro.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_open_questions_PetaPixels_report_leaves_unresolved\"><\/span>As perguntas em aberto deixadas pelo relat\u00f3rio do PetaPixel<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O que o trecho do PetaPixel n\u00e3o revela \u00e9, possivelmente, mais importante do que o que revela. Quest\u00f5es sem resposta incluem se o detector de v\u00eddeo por IA da Nvidia ser\u00e1 lan\u00e7ado como um produto independente, uma API para desenvolvedores, um SDK integrado \u00e0s ferramentas multim\u00eddia existentes da Nvidia ou uma vers\u00e3o voltada \u00e0 pesquisa. Tamb\u00e9m n\u00e3o est\u00e1 claro como a ferramenta lidar\u00e1 com v\u00eddeos comprimidos, re-codificados, recortados ou capturados via tela \u2014 exatamente as transforma\u00e7\u00f5es que costumam frustrar a maioria dos detectores acad\u00eamicos. Custo, lat\u00eancia, taxa de falsos positivos e desempenho espec\u00edfico por idioma ou regi\u00e3o permanecem em aberto, e quaisquer afirma\u00e7\u00f5es sobre acur\u00e1cia precisar\u00e3o ser testadas contra avalia\u00e7\u00f5es adversariais, e n\u00e3o apenas contra benchmarks curados.<\/p>\n<p>H\u00e1 tamb\u00e9m a quest\u00e3o da governan\u00e7a. Uma ferramenta de detec\u00e7\u00e3o que classifica um v\u00eddeo como sint\u00e9tico acarreta consequ\u00eancias significativas downstream: um v\u00eddeo real erroneamente rotulado como sint\u00e9tico representa um risco de difama\u00e7\u00e3o, enquanto um v\u00eddeo sint\u00e9tico erroneamente liberado como aut\u00eantico representa um risco de desinforma\u00e7\u00e3o. A forma como a Nvidia posiciona essa ferramenta em rela\u00e7\u00e3o \u00e0 responsabilidade dos ve\u00edculos jornal\u00edsticos, \u00e0 modera\u00e7\u00e3o por plataformas e \u00e0 admissibilidade legal influenciar\u00e1 sua ado\u00e7\u00e3o tanto quanto \u2014 ou at\u00e9 mais do que \u2014 sua precis\u00e3o bruta.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Perguntas frequentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>O que exatamente \u00e9 o detector de v\u00eddeos por IA da Nvidia?<\/strong> Segundo o PetaPixel, trata-se de um sistema desenvolvido pela Nvidia para identificar v\u00eddeos gerados por intelig\u00eancia artificial. Mais detalhes t\u00e9cnicos n\u00e3o foram divulgados nas reportagens dispon\u00edveis.<\/p>\n<p><strong>Quando ele estar\u00e1 dispon\u00edvel?<\/strong> O trecho publicado pelo PetaPixel n\u00e3o especifica data de lan\u00e7amento, pre\u00e7o nem modelo de disponibilidade. Trate com cautela quaisquer dados desse tipo que circulem em outras fontes at\u00e9 que a Nvidia os confirme oficialmente.<\/p>\n<p><strong>Por que isso \u00e9 relevante agora?<\/strong> O volume e a qualidade dos v\u00eddeos gerados por IA aumentaram drasticamente, e o PetaPixel descreve essa ferramenta como algo de que a ind\u00fastria \"desesperadamente precisa\". A detec\u00e7\u00e3o tornou-se um gargalo para ve\u00edculos jornal\u00edsticos, plataformas e detentores de direitos.<\/p>\n<p><strong>Como ela se relaciona com a marca d'\u00e1gua (watermarking)?<\/strong> A marca d'\u00e1gua insere um sinal no momento da gera\u00e7\u00e3o e depende da coopera\u00e7\u00e3o do gerador. Um detector passivo, por sua vez, analisa arquivos finalizados sem depender da origem, tornando-o mais amplamente aplic\u00e1vel, mas tamb\u00e9m mais dif\u00edcil de manter preciso ao longo do tempo.<\/p>\n<p><strong>A Nvidia est\u00e1 posicionando essa ferramenta como um produto voltado para confian\u00e7a e seguran\u00e7a ou como uma jogada estrat\u00e9gica de infraestrutura?<\/strong> Isso ainda n\u00e3o est\u00e1 claro. Os coment\u00e1rios separados de Rev Lebaredian \u00e0 Fox Business sobre o impacto da IA no \"mundo f\u00edsico\" sugerem que a empresa considera a percep\u00e7\u00e3o e a verifica\u00e7\u00e3o como \u00e1reas estrat\u00e9gicas, mas o relat\u00f3rio do PetaPixel n\u00e3o detalha a abordagem de entrada no mercado.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>Resumo final<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Uma ferramenta de detec\u00e7\u00e3o com o nome da Nvidia \u2014 assumindo que corresponda \u00e0 descri\u00e7\u00e3o feita pelo PetaPixel \u2014 poderia alterar significativamente a economia da verifica\u00e7\u00e3o em larga escala de v\u00eddeos. Ela n\u00e3o p\u00f4r fim \u00e0 corrida armamentista entre geradores e detectores, pois nada o far\u00e1, mas ofereceria aos ve\u00edculos jornal\u00edsticos, \u00e0s plataformas e aos compradores corporativos uma op\u00e7\u00e3o credenciada de um fornecedor j\u00e1 central na cadeia de suprimentos de IA. Os detalhes mais relevantes \u2014 disponibilidade, precis\u00e3o sob condi\u00e7\u00f5es adversariais, caminho de integra\u00e7\u00e3o e postura em mat\u00e9ria de governan\u00e7a \u2014 ainda est\u00e3o por vir. Por ora, a hist\u00f3ria \u00e9 que a Nvidia entrou na sala \u2014 e essa sala j\u00e1 vinha esperando.<\/p>\n<p><em>Fontes: news.google.com. Relatado em 24 de julho de 2026.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>PetaPixel reports Nvidia is building an AI video detector that could help newsrooms, platforms and creators separate synthetic footage from the real thing.<\/p>","protected":false},"author":1,"featured_media":1674,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[5],"tags":[519,985,987,521,839,778,986],"class_list":["post-1673","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-tools","tag-ai-safety","tag-ai-video-detection","tag-content-authenticity","tag-deepfakes","tag-generative-ai","tag-nvidia","tag-synthetic-media"],"_links":{"self":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1673","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/comments?post=1673"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1673\/revisions"}],"predecessor-version":[{"id":1675,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1673\/revisions\/1675"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media\/1674"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media?parent=1673"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/categories?post=1673"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/tags?post=1673"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}