Wie funktionieren Deepfakes? Die Technik verständlich erklärt
Deepfakes wirken wie Magie, sind aber das Ergebnis eines nachvollziehbaren Prinzips: KI-Systeme lernen aus vielen Beispielen die charakteristischen Muster einer Person und erzeugen daraus neue, künstliche Inhalte. Diese Seite erklärt die Technik dahinter - so weit, dass Sie die Bedrohung verstehen, aber ohne Anleitung, wie man Deepfakes erstellt. Der Fokus liegt auf dem Prinzip, nicht auf der Umsetzung.
Ein Hinweis vorweg: Diese Seite erklärt, wie Deepfake-Technik grundsätzlich arbeitet, weil man eine Bedrohung nur abwehren kann, wenn man sie versteht. Sie nennt bewusst keine konkreten Werkzeuge, keine Anleitungen und keine Schritt-für-Schritt-Prozesse. Wer verstehen will, wie man sich schützt, findet das im Bereich Erkennen & Schützen.
Das gemeinsame Grundprinzip
So unterschiedlich Video-, Bild- und Stimmfälschungen technisch sind - ihnen liegt derselbe Grundgedanke zugrunde. Ein KI-System bekommt sehr viele Beispiele eines Gegenstands gezeigt: Gesichter, Stimmen, ganze Personen. Aus diesen Beispielen lernt es nicht einzelne Bilder auswendig, sondern die dahinterliegenden Muster - was ein Gesicht zu diesem Gesicht macht, wie sich diese Stimme von anderen unterscheidet, wie sich Mimik über die Zeit verändert.
Ist dieses Muster einmal erlernt, kann das System es beliebig neu anwenden. Es kann ein Gesicht in Positionen zeigen, die nie fotografiert wurden, eine Stimme Sätze sprechen lassen, die nie gesagt wurden.
Das ist der Grund, warum Deepfakes so mächtig und so schwer zu bekämpfen sind: Es gibt nicht die eine gefälschte Aufnahme, die man widerlegen könnte, sondern ein Modell, das unbegrenzt neue Fälschungen produziert.
GANs: zwei KIs im Wettstreit
Eine der prägenden Methoden der letzten Jahre trägt den Namen GAN - Generative Adversarial Network, sinngemäß "erzeugendes gegnerisches Netzwerk". Das Prinzip lässt sich ohne Mathematik verstehen, weil es einer sehr menschlichen Situation ähnelt: dem Wettstreit zwischen einem Fälscher und einem Prüfer.
Man stelle sich einen Kunstfälscher und einen Gutachter vor. Der Fälscher produziert eine Fälschung, der Gutachter versucht, sie zu entlarven. Bei jedem Durchgang lernen beide dazu: Der Fälscher wird besser darin, den Gutachter zu täuschen, der Gutachter besser darin, Fälschungen zu erkennen. Nach unzähligen Runden ist der Fälscher so gut geworden, dass der Gutachter die Fälschung nicht mehr vom Original unterscheiden kann.
Genau das passiert in einem GAN, nur automatisiert und millionenfach: Zwei KI-Systeme trainieren sich gegenseitig hoch, bis das erzeugende System Ergebnisse liefert, die selbst für das prüfende System echt aussehen. Das Nebenprodukt dieses Wettstreits ist eine KI, die überzeugende Fälschungen produziert.
Diffusionsmodelle: die neuere Generation
In den letzten Jahren sind Diffusionsmodelle in den Vordergrund gerückt - die Technik hinter vielen aktuellen KI-Bildgeneratoren. Auch ihr Prinzip lässt sich anschaulich beschreiben.
Man kann es sich als Umkehrung eines Zerfallsprozesses vorstellen. Zunächst lernt das System, wie ein klares Bild schrittweise in reines Rauschen zerfällt - so, wie ein Foto unter immer mehr Bildstörung verschwindet. Und dann lernt es, diesen Prozess rückwärts zu gehen: aus Rauschen schrittweise ein klares Bild entstehen zu lassen. Weil es dabei gelernt hat, wie glaubwürdige Bilder aussehen, kann es aus zufälligem Rauschen völlig neue, realistische Bilder "herauskristallisieren".
Für Deepfakes bedeutet das: Diffusionsmodelle erzeugen oft noch überzeugendere und detailreichere Ergebnisse als frühere Methoden - und sie sind ein Grund, warum die alten Erkennungstricks (auf Artefakte achten) zunehmend versagen.
Wie Stimmen geklont werden
Voice-Cloning folgt demselben Grundprinzip, angewandt auf Klang statt Bild. Das System analysiert Audioaufnahmen einer Person und lernt die charakteristischen Merkmale ihrer Stimme: Tonhöhe, Klangfarbe, Sprechrhythmus, typische Betonungen, sogar einen Akzent. Aus diesen gelernten Merkmalen kann es dann beliebigen neuen Text in dieser Stimme erzeugen.
Das Bemerkenswerte - und aus Sicherheitssicht Beunruhigende - ist, wie wenig Ausgangsmaterial moderne Verfahren benötigen. Wenige Sekunden können ausreichen, um eine Stimme erkennbar zu klonen; mehr Material erhöht die Qualität. Da die Stimmen von Führungskräften, Politikern und vielen Privatpersonen in Podcasts, Videos und Sprachnachrichten öffentlich vorliegen, ist das nötige Rohmaterial oft längst vorhanden.
Live-Deepfakes: Fälschung in Echtzeit
Lange galt: Deepfakes sind aufgezeichnet, ein Live-Gespräch ist sicher. Diese Annahme gilt nicht mehr. Fortgeschrittene Systeme können ein Gesicht oder eine Stimme in Echtzeit fälschen - während eines laufenden Videocalls oder Telefonats. Der Angreifer spricht, und was beim Opfer ankommt, ist Gesicht und Stimme einer anderen Person, synchron und in Echtzeit.
Das ist die technische Grundlage für die gefährlichsten Betrugsszenarien: den vermeintlichen Videocall mit dem Vorstand, den Anruf der geklonten Stimme. Es bedeutet auch, dass "Lass uns kurz telefonieren, um sicherzugehen" oder "Ich will dich im Video sehen" kein verlässlicher Echtheitsbeweis mehr ist - genau der Grund, warum Verifikation heute über unabhängige Kanäle laufen muss statt über den Augen- oder Ohrenschein.
Warum die Technik immer besser und zugänglicher wird
Zwei Entwicklungen treiben das Thema an. Erstens die Qualität: Jede Generation von Modellen erzeugt überzeugendere Ergebnisse, und der Abstand zwischen "erkennbar gefälscht" und "nicht mehr unterscheidbar" ist für viele Anwendungen bereits geschlossen. Zweitens die Zugänglichkeit: Was vor wenigen Jahren Spezialwissen, viel Rechenleistung und Zeit erforderte, ist heute in einfach bedienbare Werkzeuge gewandert. Die technische Hürde, die Angreifer früher abschreckte, ist weitgehend verschwunden.
Für die Verteidigung folgt daraus eine unbequeme, aber wichtige Konsequenz: Man kann nicht darauf setzen, dass Fälschungen "noch nicht gut genug" sind oder "zu aufwendig". Beide Annahmen sind überholt. Der Schutz muss von der Voraussetzung ausgehen, dass eine überzeugende Fälschung jederzeit möglich ist - und deshalb an einer anderen Stelle ansetzen als bei der Erkennung.
Was das für den Schutz bedeutet
Wenn man die Technik verstanden hat, wird klar, warum das Erkennen von Deepfakes ein Wettrennen ist, das die Verteidigung strukturell nicht dauerhaft gewinnen kann: Jede bessere Erkennungsmethode kann genutzt werden, um die nächste Generation von Fälschungen zu trainieren, die genau diese Erkennung überwindet. Das ist kein Zufall, sondern liegt im Wettstreit-Prinzip der Technik selbst begründet.
Deshalb liegt der wirksame Schutz nicht darin, Fälschungen besser zu erkennen, sondern darin, Prozesse zu schaffen, die unabhängig von der Qualität der Fälschung funktionieren. Wie das konkret aussieht, beschreibt der Leitfaden zu Verifikationsprozessen. Warum unser Gehirn Fälschungen trotz besseren Wissens glaubt, erklärt der Beitrag zur Psychologie der Täuschung.
Weiterführend auf deepfake.de
