Autenticação de vídeo pela frequência da rede elétrica (ENF): em clipe curto, o que se lê é a taxa de quadros

Ryan Wyton e Bacha Rehman, da Southampton Solent University, no Reino Unido, publicaram no arXiv em 14 de outubro de 2026 o artigo “Frame Rate, Not the Grid: A Confound in Single-Clip Optical ENF Video Forensics”, uma versão preliminar de quatro páginas submetida à revista IEEE Signal Processing Letters, que mostra por que a leitura da frequência da rede elétrica num único clipe curto de vídeo dá uma resposta confiante e errada.

O que é a ENF e por que interessa à perícia

A frequência da rede elétrica (electric network frequency, ENF) oscila em torno do valor nominal de 50Hz ou 60Hz de um jeito característico de cada rede regional, e esse sinal fica gravado no áudio, como zumbido, e no vídeo, como um tremor de luz quase invisível, o que fez da ENF uma assinatura usada para conferir a data de uma gravação e para indicar a região onde ela foi feita.

No vídeo, a captura depende do obturador de rolagem (rolling shutter), em que o sensor lê as linhas da imagem uma depois da outra, de modo que uma lâmpada que pisca ao dobro da frequência da rede, 100Hz numa rede de 50Hz ou 120Hz numa rede de 60Hz, aparece como faixas claras e escuras distribuídas pelas linhas do quadro.

A ideia examinada é ler a frequência nominal direto de um clipe isolado, de modo que uma leitura de 50Hz situaria a gravação numa rede de 50Hz, uma de 60Hz numa rede de 60Hz, e um vídeo gerado por IA, sem assinatura de rede, poderia ser separado de um vídeo real.

O problema técnico: um pente de frequências da própria câmera

Os autores mostram que qualquer variação de brilho de um quadro para o outro, causada pela exposição automática da câmera ou pela estrutura periódica do codificador de vídeo, forma na linha do tempo reconstruída um pente de frequências com dentes em cada múltiplo inteiro da taxa de quadros.

Quando um desses dentes cai na faixa estreita onde o estimador procura o tremor, de mais ou menos 2Hz em torno de 100Hz e de 120Hz, ele não se distingue de uma linha legítima da rede, e o estudo chama essa coincidência de degenerescência entre a taxa de quadros e a frequência da rede.

Nas taxas mais usadas isso acontece sempre, e a tabela do artigo mostra que a 25 quadros por segundo o quarto dente cai exatamente em 100Hz e o clipe é lido como rede de 50Hz, enquanto a 24, 23,976, 29,97 e 30 quadros por segundo um dente cai em torno de 120Hz e o clipe é lido como rede de 60Hz, e só taxas sem coincidência, como 23, 27 ou 45 quadros por segundo, deixam aparecer o tremor verdadeiro.

Os autores reconhecem que esse rebatimento de frequência (aliasing) já era conhecido e tratado como incômodo na extração do sinal, e dizem que a contribuição do trabalho é mostrar a consequência pericial dele.

O método: 1.072 clipes reais e gerados

O levantamento reuniu 1.072 clipes, com vídeos gerados por seis sistemas de texto para vídeo tirados do conjunto VBench-2.0 (StepVideo, Kling, Sora, HunyuanVideo, Veo 3 e CogVideo) e vídeos reais de redes de 50Hz e de 60Hz de bases públicas, de aulas do MIT OpenCourseWare e de sessões do Parlamento britânico.

O CogVideo, que gera a 16 quadros por segundo, ficou fora da análise da rede porque nessa taxa o tremor se rebate abaixo do limite de recuperação, e cada clipe foi analisado em trecho de até 120 segundos, com registro da proeminência da linha de tremor e da frequência nominal recuperada.

Uma análise focada de 362 clipes de treze origens serviu para testar o mecanismo, e uma síntese controlada fixou a frequência real da rede e variou só a taxa de quadros, com cinco sementes aleatórias por taxa, para comparar o resultado com a resposta conhecida.

O que foi encontrado

Nos 804 clipes que tiveram linha mensurável na faixa, a proeminência do tremor não separou vídeo real de vídeo gerado, com área sob a curva ROC de 0,509 e intervalo de confiança de 95% entre 0,469 e 0,549, valor indistinguível do acaso, porque o vídeo gerado também traz linha na faixa com força comparável à do vídeo real.

A frequência recuperada acompanhou a taxa de quadros: todos os clipes do StepVideo, que gera a 25 quadros por segundo, foram lidos como rede de 50Hz, enquanto os geradores de 24 e 30 quadros por segundo foram lidos como 60Hz em pelo menos 95% dos clipes, e na análise focada nenhum dos 346 clipes gravados a 24, 23,98, 29,97, 30, 25 ou 50 quadros por segundo fugiu dessa regra.

Os autores frisam que o estimador não está com defeito, porque ele lê corretamente um dente do pente da câmera, que simplesmente não é a rede elétrica, e um sinal disso é o vídeo real de 60Hz gravado a 28 quadros por segundo, uma taxa sem coincidência, que foi lido como 60Hz.

Na síntese controlada, sem rede presente, o estimador comum devolveu uma rede com confiança em todas as taxas coincidentes, sempre igual à previsão pela taxa de quadros e sem nunca se abster, enquanto uma rede verdadeira foi lida corretamente em todas as taxas pelo voto da maioria.

A correção proposta e seus limites

Como mitigação, os autores ajustaram um detector treinado para reconhecer o pente, com espectrograma que cobre o segundo, o quarto e o sexto harmônicos do tremor, uma razão entre as energias das faixas de 100Hz e de 120Hz e uma classe de treino própria para o pente, e em 40 pentes sintéticos sem rede o detector anterior chamou todos de genuínos, enquanto o ajustado classificou todos como pente, sem errar nenhum clipe real.

Os próprios autores chamam isso de mecanismo demonstrado, e não de problema resolvido, porque separar uma linha fraca da rede de um pente da câmera num único clipe real continua exigindo uma referência externa, e esse passo fica para trabalho futuro.

O trabalho complementar

No dia seguinte, 15 de outubro de 2026, os mesmos autores publicaram no arXiv “An Agentic ENF Framework for Forensic Video Authentication Against Generative AI”, que propõe autenticar vídeo pela coerência da ENF com uma referência independente da rede, e não pela simples presença do sinal, já que, segundo o resumo, o tremor na faixa da ENF aparece em vídeo gerado com proeminência indistinguível da de vídeo real.

O que muda na prática da perícia

A conclusão do artigo é que a presença de uma linha de 100Hz ou de 120Hz não prova que um vídeo é autêntico e que, na prática pericial, a leitura da rede num clipe isolado deve ser informada junto com a taxa de quadros, ou deixada de fora quando a taxa coincide com as frequências da rede.

Para quem examina vídeo no Brasil, onde a frequência nominal da rede é de 60Hz, isso significa que um clipe a 30 ou a 29,97 quadros por segundo dará leitura de 60Hz com ou sem rede elétrica por trás, pelo mecanismo descrito no estudo, e que o código e os dados para reproduzir os resultados foram publicados pelos autores no GitHub.