ডিপফেক কীভাবে তৈরি হয়? নকল ভিডিও ও কণ্ঠস্বর শনাক্ত করার কার্যকর উপায়

কোনো পরিচিত মানুষের ভিডিও আপনার সামনে চলছে। তার মুখ, কণ্ঠস্বর, হাসি, চোখের নড়াচড়া—সবই স্বাভাবিক। তিনি এমন কিছু বলছেন, যা শুনে আপনি বিস্মিত হয়ে গেলেন। সমস্যা হলো, ভিডিওটির মানুষটি হয়তো জীবনে কখনো সেই কথাগুলো বলেনইনি। এমনকি ভিডিওটি ধারণ করার সময় তিনি সেখানে উপস্থিতও ছিলেন না। কৃত্রিম বুদ্ধিমত্তার সাহায্যে তার মুখ, অভিব্যক্তি ও কণ্ঠস্বর নকল করে সম্পূর্ণ নতুন একটি দৃশ্য তৈরি করা হয়েছে। এই প্রযুক্তিনির্ভর কৃত্রিম মাধ্যমই ডিপফেক নামে পরিচিত।

ডিপফেককে শুধু সাধারণ ভিডিও সম্পাদনার উন্নত সংস্করণ ভাবলে এর প্রকৃত ক্ষমতা বোঝা যায় না। প্রচলিত সম্পাদনায় একজন দক্ষ সম্পাদক দৃশ্য কেটে, জোড়া দিয়ে, রং পরিবর্তন করে বা বিশেষ প্রভাব যোগ করে ভিডিও বদলে দিতে পারেন। ডিপফেকে কৃত্রিম বুদ্ধিমত্তা কোনো মানুষের মুখ, কণ্ঠস্বর বা আচরণের বৈশিষ্ট্য শিখে এমন নতুন দৃশ্য তৈরি করতে পারে, যা মূল ব্যক্তির বাস্তব আচরণের মতো মনে হয়। ফলে এখানে শুধু পুরোনো দৃশ্য পরিবর্তিত হয় না; অনেক ক্ষেত্রে বাস্তবে কখনো ঘটেনি এমন দৃশ্যও কৃত্রিমভাবে সৃষ্টি করা সম্ভব।

ডিপফেক তৈরির মূল ভিত্তি হলো বিপুল পরিমাণ নমুনা থেকে মানুষের চেহারা ও আচরণের গঠন শেখা। ধরা যাক, কোনো ব্যক্তির মুখ নকল করা হবে। তার বিভিন্ন সময়ের ছবি ও ভিডিও থেকে সামনে, পাশ থেকে, ওপর-নিচের কোণ, হাসি, কথা বলা, চোখ বন্ধ করা, ভ্রু নাড়ানো এবং বিভিন্ন আলোতে মুখের পরিবর্তনের নমুনা সংগ্রহ করা হয়। কৃত্রিম বুদ্ধিমত্তার ব্যবস্থা এসব নমুনার মধ্যে থাকা নিয়ম খুঁজতে থাকে।

মানুষের কাছে একটি মুখ সামগ্রিক একটি চেহারা হলেও যন্ত্রের বিশ্লেষণ ভিন্ন। ব্যবস্থা চোখের অবস্থান, দুই চোখের মধ্যবর্তী দূরত্ব, নাকের গঠন, ঠোঁটের সীমা, চোয়ালের রেখা, গালের আকৃতি এবং মুখের অসংখ্য সূক্ষ্ম বিন্দুর পারস্পরিক অবস্থান বিশ্লেষণ করতে পারে। এই মুখচিহ্নগুলো ব্যবহার করে কোন অভিব্যক্তিতে মুখের কোন অংশ কীভাবে পরিবর্তিত হয়, তার একটি গাণিতিক উপস্থাপন তৈরি করা সম্ভব।

এরপর আসে মুখ পুনর্গঠনের পর্যায়। লক্ষ্য ব্যক্তির মুখের বৈশিষ্ট্য শেখার পর কৃত্রিম ব্যবস্থা অন্য কারও মুখের নড়াচড়ার সঙ্গে সেই বৈশিষ্ট্য মিলিয়ে নতুন মুখ তৈরি করতে পারে। উৎস ভিডিওর ব্যক্তি মাথা ডানে ঘোরালে কৃত্রিম মুখটিও ডানে ঘোরে, তিনি হাসলে নকল মুখ হাসে, চোখ বন্ধ করলে চোখ বন্ধ করে। প্রতিটি দৃশ্যচিত্রে এই পরিবর্তন ঘটিয়ে পরে সেগুলো ধারাবাহিকভাবে সাজালে তৈরি হয় চলমান ডিপফেক ভিডিও।

তবে শুধু মুখ বসিয়ে দিলেই বিশ্বাসযোগ্য ডিপফেক তৈরি হয় না। মুখের রং, ত্বকের উজ্জ্বলতা, ছায়া, মাথার কোণ, চুলের সীমানা এবং আশপাশের আলোর সঙ্গে নতুন মুখকে মিলিয়ে দিতে হয়। দুর্বল ডিপফেকে এখানেই ভুল ধরা পড়ে। মুখের চারপাশে অস্বাভাবিক ঝাপসা রেখা দেখা যেতে পারে, গলা ও মুখের রঙে পার্থক্য থাকতে পারে অথবা মাথা ঘোরানোর সময় মুখের কোনো অংশ মুহূর্তের জন্য বিকৃত হয়ে যেতে পারে।

আরও উন্নত কৃত্রিম ব্যবস্থা শুধু একটি মুখ আরেকটি মুখের ওপর বসায় না; সরাসরি নতুন দৃশ্যচিত্রও তৈরি করতে পারে। কোনো ব্যক্তির চেহারা সম্পর্কে পর্যাপ্ত তথ্য শেখানো থাকলে বিভিন্ন আলো, কোণ ও অভিব্যক্তিতে তার মতো দেখতে নতুন মুখ তৈরি করা সম্ভব। এই কারণে আধুনিক কৃত্রিম ভিডিওতে আগের প্রজন্মের ডিপফেকের পরিচিত অনেক ত্রুটি আর সহজে দেখা যায় না।

কণ্ঠস্বর নকল করার প্রক্রিয়াটিও একই ধরনের শিক্ষণনির্ভর। মানুষের কণ্ঠ শুধু স্বরের উচ্চতা দিয়ে নির্ধারিত হয় না। কথা বলার গতি, শব্দের ওপর জোর, বিরতির ধরন, উচ্চারণ, স্বরের ওঠানামা, বাক্যের শেষাংশ বলার ভঙ্গি এবং শ্বাস নেওয়ার মতো বৈশিষ্ট্যও একজন মানুষের কণ্ঠকে স্বতন্ত্র করে তোলে। পর্যাপ্ত কণ্ঠের নমুনা বিশ্লেষণ করে কৃত্রিম ব্যবস্থা এসব বৈশিষ্ট্যের একটি কার্যকর প্রতিরূপ তৈরি করতে পারে।

এরপর নতুন লেখা দেওয়া হলে ব্যবস্থা সেই ব্যক্তির কণ্ঠের অনুকরণে বাক্য উচ্চারণ করতে পারে। অর্থাৎ মূল ব্যক্তি কখনো বলেননি এমন কথাও তার মতো কণ্ঠে তৈরি করা সম্ভব। আরও বিপজ্জনক পরিস্থিতিতে কৃত্রিম কণ্ঠ তাৎক্ষণিক কথোপকথনের কাছাকাছি গতিতেও তৈরি হতে পারে। ফলে ফোন বা অনলাইন কথোপকথনে পরিচিত কারও কণ্ঠ শুনলেই সেটিকে নিশ্চিত পরিচয় হিসেবে গ্রহণ করা ক্রমেই ঝুঁকিপূর্ণ হয়ে উঠছে।

মুখ ও কণ্ঠের এই দুই প্রযুক্তি একত্র হলে প্রতারণার ক্ষমতা বহুগুণ বেড়ে যায়। একটি কৃত্রিম মুখকে নির্দিষ্ট বক্তব্যের সঙ্গে সামঞ্জস্য রেখে ঠোঁট নাড়ানো যায়, তার সঙ্গে নকল কণ্ঠ যোগ করা যায় এবং শেষে আলো, শব্দ ও দৃশ্যের অন্যান্য বৈশিষ্ট্য সামঞ্জস্য করা যায়। ফলাফল হতে পারে এমন একটি ভিডিও, যেখানে পরিচিত একজন মানুষকে সম্পূর্ণ স্বাভাবিকভাবে এমন কথা বলতে দেখা যায় যা তিনি কখনো বলেননি।

একসময় ডিপফেক শনাক্ত করার জনপ্রিয় উপায় ছিল চোখের পলক লক্ষ্য করা। প্রাথমিক কৃত্রিম ভিডিও তৈরির ব্যবস্থাগুলো অনেক সময় স্বাভাবিকভাবে চোখের পলক তৈরি করতে পারত না। কিন্তু প্রযুক্তির উন্নতির সঙ্গে এই দুর্বলতার অনেকটাই দূর হয়েছে। তাই একটি নির্দিষ্ট লক্ষণ দেখে কোনো ভিডিওকে আসল বা নকল ঘোষণা করা নিরাপদ পদ্ধতি নয়। বরং একাধিক অসামঞ্জস্য একসঙ্গে পরীক্ষা করতে হয়।

প্রথমে মুখের সীমানা লক্ষ্য করা যেতে পারে। কপালের পাশ, কান, চোয়াল, গলা এবং চুলের গোড়ায় অস্বাভাবিক ঝাপসা ভাব বা সূক্ষ্ম কাঁপুনি আছে কি না দেখুন। ব্যক্তি দ্রুত মাথা ঘোরালে এসব অংশ আরও গুরুত্বপূর্ণ হয়ে ওঠে। কৃত্রিমভাবে তৈরি মুখ সামনে থেকে নিখুঁত দেখালেও পাশের কোণে যাওয়ার সময় মুখের গঠন সামান্য বদলে যেতে পারে।

আলোর উৎসও গুরুত্বপূর্ণ সূত্র। একটি বাস্তব দৃশ্যে একই আলোর উৎস মানুষের মুখ, চোখ, পোশাক এবং আশপাশের বস্তুর ওপর নির্দিষ্ট নিয়মে প্রভাব ফেলে। কিন্তু কৃত্রিমভাবে তৈরি মুখে কখনো আলো এমনভাবে পড়তে পারে যা দৃশ্যের অন্যান্য অংশের সঙ্গে সামঞ্জস্যপূর্ণ নয়। মুখের এক পাশে উজ্জ্বল আলো থাকলেও সংশ্লিষ্ট ছায়া অনুপস্থিত থাকতে পারে অথবা নাকের ছায়ার দিক আশপাশের আলোর সঙ্গে মিলতে নাও পারে।

চোখের প্রতিফলন বিশেষভাবে কার্যকর হতে পারে। মানুষের দুই চোখে সাধারণত একই পরিবেশের আলোর প্রতিফলনের সম্পর্ক থাকে। একটি চোখে জানালার উজ্জ্বল প্রতিফলন দেখা গেলেও অন্য চোখে সম্পূর্ণ ভিন্ন প্রতিফলন থাকলে সেটি সন্দেহের কারণ হতে পারে। তবে ক্যামেরার কোণ, চোখের অবস্থান ও আলোর জটিলতার কারণে এই সূত্রও একা চূড়ান্ত প্রমাণ নয়।

দাঁত ও মুখের ভেতরের অংশও পর্যবেক্ষণ করা যায়। কথা বলার সময় ঠোঁট দ্রুত নড়ে এবং দাঁত, জিহ্বা ও মুখের ভেতরের অংশ বারবার আংশিক দৃশ্যমান হয়। কৃত্রিম ভিডিওতে কখনো দাঁত অস্বাভাবিকভাবে একত্রিত দেখা যায়, দাঁতের আকার মুহূর্তে বদলে যায় অথবা জিহ্বার চলাচল অস্পষ্ট হতে পারে। তবে আধুনিক ব্যবস্থাগুলো এসব অংশও আগের তুলনায় অনেক ভালোভাবে তৈরি করতে পারে।

ঠোঁটের নড়াচড়া এবং শব্দের সম্পর্ক আরেকটি গুরুত্বপূর্ণ পরীক্ষা। মানুষ কোনো ধ্বনি উচ্চারণ করলে ঠোঁট, চোয়াল ও জিহ্বার নির্দিষ্ট নড়াচড়া হয়। ভিডিওতে উচ্চারিত শব্দের সঙ্গে ঠোঁটের গতি সামান্য আগে বা পরে হলে সন্দেহ তৈরি হতে পারে। বিশেষ করে দ্রুত কথা, হাসির মধ্যে কথা বলা কিংবা মাথা ঘুরিয়ে কথা বলার সময় অসামঞ্জস্য বেশি দৃশ্যমান হতে পারে।

ত্বকের গঠনও পরীক্ষা করা দরকার। বাস্তব মানুষের ত্বকে রোমকূপ, বলিরেখা, ক্ষুদ্র দাগ, আলো ও ছায়ার অত্যন্ত জটিল বিন্যাস থাকে। নিম্নমানের কৃত্রিম মুখে ত্বক অতিরিক্ত মসৃণ হতে পারে। আবার মুখের মাঝখান অত্যন্ত পরিষ্কার হলেও কান, গলা বা চুলের আশপাশ তুলনামূলকভাবে কম স্বাভাবিক দেখাতে পারে। কিন্তু শুধু সুন্দর বা মসৃণ ত্বক দেখে ডিপফেক বলা যাবে না, কারণ সৌন্দর্যবর্ধক ছাঁকনিও একই ধরনের প্রভাব সৃষ্টি করে।

কানের দুল, চশমা, চুল এবং অন্যান্য সূক্ষ্ম বস্তু কৃত্রিম ভিডিওর জন্য কঠিন পরিস্থিতি তৈরি করতে পারে। মাথা নড়ার সময় চশমার ফ্রেম মুখের সঙ্গে অস্বাভাবিকভাবে মিশে যেতে পারে, চুলের গোছা হঠাৎ অদৃশ্য হতে পারে অথবা কানের দুলের আকার কয়েকটি দৃশ্যচিত্রের মধ্যে বদলে যেতে পারে। আঙুল মুখের সামনে এলে আরও জটিলতা সৃষ্টি হয়, কারণ তখন ব্যবস্থাকে ঠিক করতে হয় মুখের কোন অংশ আঙুলের পেছনে থাকবে।

কণ্ঠস্বর শনাক্ত করার ক্ষেত্রে দৃশ্যমান সূত্র থাকে না বলে কাজটি আরও কঠিন। পরিচিত মানুষের কণ্ঠ শুনলে আমাদের মস্তিষ্ক দ্রুত তাকে বিশ্বাস করে। কিন্তু নকল কণ্ঠে কখনো শ্বাস নেওয়ার স্বাভাবিক ছন্দ অনুপস্থিত থাকতে পারে। দীর্ঘ বাক্যের মাঝখানে যেখানে মানুষ সাধারণত শ্বাস নেবে সেখানে কোনো বিরতি নেই, আবার অস্বাভাবিক স্থানে বিরতি দেখা যেতে পারে।

আবেগের পরিবর্তনও লক্ষ্য করা যায়। বাস্তব কথোপকথনে বিস্ময়, বিরক্তি, দ্বিধা বা উত্তেজনার সঙ্গে মানুষের স্বরের ক্ষুদ্র পরিবর্তন ঘটে। কৃত্রিম কণ্ঠ অনেক ক্ষেত্রে শব্দগুলো পরিষ্কারভাবে বলতে পারলেও দীর্ঘ কথোপকথনে আবেগের ধারাবাহিকতা বজায় রাখতে সমস্যা করতে পারে। একই স্বরভঙ্গি অতিরিক্ত সময় ধরে চলা কিংবা আবেগের সঙ্গে শব্দের জোর না মেলা সন্দেহজনক হতে পারে।

তবে কণ্ঠের মান শুনে সিদ্ধান্ত নেওয়ার ক্ষেত্রেও সতর্ক থাকা জরুরি। ফোনের দুর্বল সংযোগ, শব্দ সংকোচন, নিম্নমানের মাইক্রোফোন অথবা আশপাশের গোলমাল বাস্তব কণ্ঠকেও কৃত্রিম শোনাতে পারে। বিপরীতভাবে, উন্নত কৃত্রিম কণ্ঠ অত্যন্ত স্বাভাবিক শোনাতে পারে। তাই পরিচয় নিশ্চিত করার জন্য কণ্ঠস্বরকে একমাত্র প্রমাণ হিসেবে ব্যবহার না করাই নিরাপদ।

বিশেষ করে অর্থসংক্রান্ত অনুরোধে এই সতর্কতা অত্যন্ত গুরুত্বপূর্ণ। পরিচিত কারও কণ্ঠে ফোন করে যদি বলা হয় জরুরি টাকা পাঠাতে হবে, গোপন তথ্য দিতে হবে অথবা কোনো হিসাবের প্রবেশসংকেত জানাতে হবে, তাহলে কথোপকথনের কণ্ঠ পরিচিত হলেও আলাদা মাধ্যমে পরিচয় যাচাই করা উচিত। নিজে থেকে পরিচিত নম্বরে পুনরায় ফোন করা বা এমন ব্যক্তিগত তথ্য জিজ্ঞাসা করা যেতে পারে যা প্রকাশ্য উৎস থেকে সহজে জানা সম্ভব নয়।

ভিডিও কলও আর সম্পূর্ণ নির্ভরযোগ্য পরিচয় যাচাইয়ের মাধ্যম নয়। তাৎক্ষণিক মুখ পরিবর্তন প্রযুক্তি ব্যবহার করে ক্যামেরার সামনে থাকা ব্যক্তির মুখ অন্য কারও মতো দেখানো সম্ভব। সন্দেহ হলে ব্যক্তিকে মাথা দ্রুত দুই দিকে ঘোরাতে, মুখের সামনে হাত আনতে অথবা অবস্থান পরিবর্তন করতে বলা যেতে পারে। এসব গতিশীল পরিস্থিতিতে দুর্বল কৃত্রিম রূপান্তরের ত্রুটি প্রকাশ পেতে পারে। তবে উন্নত প্রযুক্তির ক্ষেত্রে এই পরীক্ষাও নিশ্চয়তা দেয় না।

ডিপফেক যাচাইয়ের সবচেয়ে গুরুত্বপূর্ণ নিয়মগুলোর একটি হলো ভিডিওটির ভেতরের দৃশ্যের পাশাপাশি ভিডিওটির উৎস পরীক্ষা করা। কোনো বিস্ময়কর ভিডিও প্রথম কোথায় প্রকাশিত হয়েছে, কে প্রকাশ করেছে এবং মূল সম্পূর্ণ সংস্করণ আছে কি না—এসব প্রশ্ন অত্যন্ত গুরুত্বপূর্ণ। সামাজিক মাধ্যমে হাজারবার ভাগ করা একটি ভিডিওর জনপ্রিয়তা তার সত্যতার প্রমাণ নয়।

একটি ছোট কৌশল হলো ভিডিও থেকে কয়েকটি গুরুত্বপূর্ণ দৃশ্যচিত্র আলাদা করে সেগুলোর উৎস খোঁজা। কখনো পুরোনো একটি বাস্তব ভিডিওর মুখ বা শব্দ পরিবর্তন করে নতুন দাবি ছড়ানো হয়। তখন মূল ভিডিওটি খুঁজে পাওয়া গেলে বোঝা যায় কোন অংশ পরিবর্তন করা হয়েছে। একইভাবে কোনো বক্তব্যের ছোট অংশ দেখানো হলে সম্পূর্ণ বক্তব্য খুঁজে দেখা দরকার, কারণ সব বিভ্রান্তিকর ভিডিও ডিপফেক নয়; অনেক ভিডিও প্রসঙ্গ কেটে, দৃশ্য পুনর্বিন্যাস করে বা ভুল বর্ণনা যোগ করেও বিভ্রান্তিকর করা হয়।

ভিডিওর মান ইচ্ছাকৃতভাবে কমিয়ে দেওয়াও প্রতারণাকারীদের সুবিধা দিতে পারে। বারবার সংকুচিত, ঝাপসা বা ছোট আকারের ভিডিওতে কৃত্রিম পরিবর্তনের সূক্ষ্ম চিহ্ন ঢাকা পড়ে যায়। তাই সম্ভব হলে সবচেয়ে পুরোনো এবং সর্বোচ্চ মানের সংস্করণ পরীক্ষা করা উচিত। পর্দা ধারণ করে পুনরায় প্রকাশ করা সংস্করণের চেয়ে মূল ভিডিও বিশ্লেষণের জন্য বেশি কার্যকর।

পেশাদার পর্যায়ে শনাক্তকরণ আরও গভীর। বিশেষজ্ঞরা দৃশ্যচিত্রের ধারাবাহিকতা, মুখের জ্যামিতি, আলোর পরিবর্তন, শব্দের বর্ণালী, সংকোচনের চিহ্ন এবং সম্পাদনার অসামঞ্জস্য পরীক্ষা করতে পারেন। কিছু স্বয়ংক্রিয় শনাক্তকারী ব্যবস্থা কৃত্রিম মাধ্যমে সাধারণত দেখা যায় এমন গাণিতিক বৈশিষ্ট্য খুঁজে সম্ভাব্য ডিপফেক চিহ্নিত করার চেষ্টা করে।

কিন্তু এখানে একটি মৌলিক সমস্যা রয়েছে। ডিপফেক তৈরির প্রযুক্তি যত উন্নত হয়, শনাক্তকারী প্রযুক্তিকেও তত উন্নত হতে হয়। আবার শনাক্তকারী ব্যবস্থা কোন দুর্বলতা ধরছে তা জানা গেলে নতুন কৃত্রিম ব্যবস্থা সেই দুর্বলতা কমানোর জন্য প্রশিক্ষিত হতে পারে। ফলে এটি স্থির কোনো সমস্যা নয়; বরং কৃত্রিম মাধ্যম তৈরি ও শনাক্ত করার প্রযুক্তির মধ্যে চলমান প্রতিযোগিতা।

আরেকটি বড় সমস্যা হলো ভুল শনাক্তকরণ। কোনো স্বয়ংক্রিয় ব্যবস্থা যদি বলে একটি ভিডিও কৃত্রিম হওয়ার সম্ভাবনা বেশি, সেটি সব সময় চূড়ান্ত প্রমাণ নয়। নিম্নমানের ভিডিও, অস্বাভাবিক আলো, অতিরিক্ত সংকোচন, সৌন্দর্যবর্ধক ছাঁকনি বা সম্পাদনার কারণে বাস্তব ভিডিওও সন্দেহজনক হিসেবে চিহ্নিত হতে পারে। একইভাবে অত্যন্ত উন্নত কৃত্রিম ভিডিও শনাক্তকারীর চোখ এড়িয়ে যেতে পারে।

এই কারণে গুরুত্বপূর্ণ ক্ষেত্রে একাধিক স্তরে যাচাই করা প্রয়োজন। দৃশ্যমান অসামঞ্জস্য, শব্দের অস্বাভাবিকতা, উৎসের বিশ্বাসযোগ্যতা, ঘটনার প্রেক্ষাপট এবং স্বাধীনভাবে পাওয়া অন্যান্য তথ্য একসঙ্গে বিবেচনা করতে হয়। ডিপফেক শনাক্তকরণ কোনো একক জাদুকরী পরীক্ষার নাম নয়; এটি প্রমাণ যাচাইয়ের একটি সমন্বিত প্রক্রিয়া।

ডিপফেকের বিপদ শুধু রাজনৈতিক বিভ্রান্তি বা বিখ্যাত ব্যক্তিদের নকল ভিডিওতে সীমাবদ্ধ নয়। পরিবারের সদস্যের কণ্ঠ নকল করে অর্থ চাওয়া, প্রতিষ্ঠানের কর্মকর্তার পরিচয় ব্যবহার করে কর্মচারীকে টাকা পাঠানোর নির্দেশ দেওয়া, কারও সম্মানহানির জন্য নকল ভিডিও ছড়ানো, ভুয়া সাক্ষ্য তৈরি করা কিংবা সামাজিক অস্থিরতা সৃষ্টির জন্য কৃত্রিম বক্তব্য প্রচার—সবই সম্ভাব্য অপব্যবহার।

বিশেষভাবে বিপজ্জনক হলো জরুরি পরিস্থিতির অভিনয়। কোনো আত্মীয়ের কণ্ঠে কান্নাজড়িত ফোন এলো—দুর্ঘটনা ঘটেছে, এখনই টাকা দরকার। এমন পরিস্থিতিতে মানুষের স্বাভাবিক প্রবণতা হলো দ্রুত সাহায্য করা। প্রতারক এই আবেগজনিত চাপকেই কাজে লাগাতে পারে। তাই পরিবারের সদস্যদের মধ্যে আগে থেকেই একটি ব্যক্তিগত যাচাই পদ্ধতি নির্ধারণ করে রাখা কার্যকর হতে পারে। জরুরি অর্থের অনুরোধ এলেও অন্য মাধ্যমে যোগাযোগ করে নিশ্চিত হওয়া উচিত।

নিজের ডিজিটাল উপস্থিতি সম্পর্কেও সচেতনতা দরকার। সামাজিক মাধ্যমে প্রকাশিত দীর্ঘ ভিডিও, পরিষ্কার কণ্ঠের রেকর্ড এবং বিভিন্ন কোণের উচ্চমানের ছবি কৃত্রিম অনুকরণ তৈরির উপাদান হিসেবে ব্যবহৃত হতে পারে। এর অর্থ এই নয় যে অনলাইনে কোনো ছবি বা ভিডিও প্রকাশ করা যাবে না; বরং কী প্রকাশ করা হচ্ছে এবং কে তা দেখতে পারছে সে বিষয়ে সচেতন থাকা প্রয়োজন।

সবচেয়ে গুরুত্বপূর্ণ পরিবর্তনটি সম্ভবত আমাদের চিন্তার অভ্যাসে আনতে হবে। একসময় বলা হতো, “নিজের চোখে দেখেছি, তাই সত্য।” ডিজিটাল যুগে এই ধারণা আর যথেষ্ট নয়। এখন একটি ভিডিও সত্য হওয়ার জন্য শুধু বাস্তবসম্মত দেখানো যথেষ্ট নয়। কোথা থেকে এসেছে, মূল উৎস কী, অন্য নির্ভরযোগ্য প্রমাণ আছে কি না এবং দৃশ্যটির প্রেক্ষাপট সঠিক কি না—এসবও যাচাই করতে হবে।

আবার বিপরীত বিপদও রয়েছে। ডিপফেক প্রযুক্তির অস্তিত্বকে অজুহাত বানিয়ে প্রকৃত ভিডিওকেও মিথ্যা বলে উড়িয়ে দেওয়া সম্ভব। কোনো বাস্তব ঘটনার ভিডিও প্রকাশিত হলে অভিযুক্ত ব্যক্তি শুধু “এটি ডিপফেক” দাবি করলেই সেটি কৃত্রিম হয়ে যায় না। তাই সন্দেহ যেমন প্রয়োজন, তেমনি প্রমাণ ছাড়া সবকিছুকে নকল ধরে নেওয়াও ভুল।

ভবিষ্যতে কৃত্রিম ভিডিও ও কণ্ঠস্বর আরও বাস্তবসম্মত হবে। ফলে শুধু চোখ বা কান দিয়ে সত্য-মিথ্যা আলাদা করা ক্রমেই কঠিন হতে পারে। তখন মূল মাধ্যমের উৎস, ধারণের ইতিহাস, ডিজিটাল স্বাক্ষর, নির্ভরযোগ্য প্রকাশক এবং বিভিন্ন স্বাধীন প্রমাণের পারস্পরিক মিল আরও গুরুত্বপূর্ণ হয়ে উঠবে।

ডিপফেক প্রযুক্তি নিজে শুধু প্রতারণার প্রযুক্তি নয়। চলচ্চিত্র নির্মাণ, ভাষান্তর, শিক্ষা, বিনোদন, পুরোনো দৃশ্য পুনর্গঠন এবং সৃজনশীল কাজে কৃত্রিম মুখ ও কণ্ঠের বৈধ ব্যবহার রয়েছে। বিপদ তৈরি হয় যখন কৃত্রিম মাধ্যমকে বাস্তব ঘটনা হিসেবে উপস্থাপন করে মানুষের বিশ্বাস, অর্থ, সিদ্ধান্ত বা সুনামকে প্রভাবিত করার চেষ্টা করা হয়।

তাই ডিপফেকের যুগে সবচেয়ে কার্যকর প্রতিরক্ষা কোনো একটি শনাক্তকারী যন্ত্র নয়, বরং প্রযুক্তিগত সচেতনতা এবং যাচাইয়ের অভ্যাস। অস্বাভাবিক মুখভঙ্গি দেখুন, ঠোঁট ও শব্দের মিল পরীক্ষা করুন, আলো ও প্রতিফলন লক্ষ্য করুন, কণ্ঠের বিরতি ও আবেগ শুনুন, মূল উৎস খুঁজুন এবং গুরুত্বপূর্ণ দাবি হলে স্বাধীনভাবে নিশ্চিত করুন। বিশেষ করে অর্থ, পরিচয়, নিরাপত্তা বা জনস্বার্থের প্রশ্নে একটি ভিডিও বা কণ্ঠস্বরকে একক প্রমাণ হিসেবে বিশ্বাস করবেন না।

আমরা এমন এক সময়ে প্রবেশ করছি, যেখানে দেখা মানেই সত্য নয়, শোনা মানেই পরিচিত মানুষ নয় এবং অত্যন্ত বাস্তব মনে হওয়া কোনো ঘটনাও বাস্তবে ঘটেছে—এমন নিশ্চয়তা নেই। ডিপফেকের সবচেয়ে বড় শক্তি প্রযুক্তিগত নিখুঁততা নয়; মানুষের স্বাভাবিক বিশ্বাসকে কাজে লাগানোর ক্ষমতা। আর সেই কারণেই ভবিষ্যতের ডিজিটাল নিরাপত্তায় সবচেয়ে গুরুত্বপূর্ণ দক্ষতাগুলোর একটি হবে—বিশ্বাস করার আগে যাচাই করা।