Deepfake-Detektor-Leitfaden: So verifizieren Sie Medien im Jahr 2026

Menschliche Prüfer liegen bei der Beurteilung synthetischer Medien kaum besser als beim Raten. Eine gepoolte Auswertung von 56 kontrollierten Studien ergab eine durchschnittliche menschliche Genauigkeit von 55,5 %, und eine iProov-Studie mit 2.000 US-amerikanischen und britischen Verbrauchern zeigte, dass nur 0,1 % zuverlässig einen Deepfake von echten Medien unterscheiden konnten – selbst wenn sie vorab gewarnt wurden, nach Fälschungen zu suchen VoxBoosters Zusammenfassung der Statistiken zur Deepfake-Erkennung. Deshalb ist ein Deepfake-Detektor so wichtig. Er ersetzt kein redaktionelles Urteilsvermögen, sondern gibt Reportern, Pädagogen und Plattform-Teams eine strukturierte Möglichkeit, Medien zu prüfen, wenn Menschen allein das nicht zuverlässig können.

Man kann sich das Problem einfach vorstellen. Ein Deepfake-Detektor sucht nach Artefakten, Unstimmigkeiten und fehlenden Signalen in Bildern, Videos, Audiodateien oder eingebetteten Wasserzeichen. Er kann Wahrheit nicht allein beweisen, aber er kann Medien markieren, die einer genaueren Prüfung bedürfen. Für Verlage und Pädagogen macht ihn das zu einem Verifizierungswerkzeug, nicht zu einem Orakel.

Der Wert liegt im Arbeitsablauf. Eine Redaktion braucht keine mystische Ja-oder-Nein-Antwort, sondern einen wiederholbaren Weg, um zu entscheiden, ob ein Clip veröffentlicht werden kann, ob eine Schülereinreichung nachverfolgt werden muss oder ob ein Angebotsbild zur Prüfung zurückgehalten werden sollte. Deshalb sollte ein Detektor neben Quellprüfungen, Metadatenanalyse und menschlichem Kontext stehen, sie aber nicht ersetzen.

Wer einen umfassenderen, unternehmensorientierten Blick darauf werfen möchte, wie synthetische Medien den Geschäftsbetrieb verändern, findet in ELECTEs Beitrag darüber, wie Deepfakes die Regeln des Geschäfts neu schreiben, eine nützliche Ergänzung.

Was ein Deepfake-Detektor tatsächlich leistet

Ein Deepfake-Detektor ist eine Software, die Medien nach Anzeichen dafür durchsucht, dass sie KI-generiert oder wesentlich verändert wurden. In der Praxis sucht er nach Dingen, die Menschen oft übersehen, etwa ungewöhnliche Gesichtskonturen, zeitliche Fehler bei der Sprache, seltsame Übergänge zwischen Einzelbildern oder Wasserzeichensignale, die auf einen synthetischen Ursprung hindeuten. Es geht nicht darum, jede Fälschung isoliert zu „erwischen“, sondern darum, das Vertrauen zu erhöhen, wenn sich die Medien wie authentische Inhalte verhalten, und es zu senken, wenn die Signale nicht zusammenpassen.

Die Grundaufgabe ist Verifizierung, keine Magie

Betrachten Sie einen Detektor als einen Teil eines größeren redaktionellen Filters. Ein guter Detektor kann ein Foto, einen Clip oder eine Audiodatei analysieren und dann einen Score, ein Urteil oder einen Konfidenzwert zurückgeben, der einem Prüfer hilft zu entscheiden, wie weiter vorzugehen ist. Das ist wichtig, weil die menschliche Basisleistung schwach ist. Selbst wenn Menschen gewarnt werden, fällt es ihnen weiterhin schwer, manipulierte Medien zuverlässig zu erkennen – weshalb automatisierte Verifizierung überhaupt erst notwendig wurde VoxBoosters Statistik-Zusammenfassung.

Das bedeutet nicht, dass der Detektor immer recht hat. Es bedeutet, dass er nützlich ist, weil er eine Aufgabe übernimmt, die Menschen allein schlecht bewältigen, besonders in großem Maßstab. In einer Redaktion kann dieser Maßstab eine Flut aktueller Clips sein. In einer Schule können es Aufgabenmedien sein, die über eine Lernplattform eingereicht werden. In einem Marktplatz können es Verkäuferbilder oder Sprachnachrichten sein, die eine schnelle Echtheitsprüfung benötigen.

Praktische Regel: Behandeln Sie das Ergebnis des Detektors als Signal und fragen Sie dann, ob die Quelle, der Dateiverlauf und die visuellen oder akustischen Belege es stützen.

Warum das für Verlage, Pädagogen und Marktplätze wichtig ist

Ein Verlag muss wissen, ob einem aktuellen Clip vertraut werden kann, bevor er in eine Geschichte eingebettet wird. Ein Pädagoge muss wissen, ob die Medieneinreichung eines Schülers der Aufgabenstellung entspricht. Ein Marktplatzbetreiber muss wissen, ob Produktfotos oder Sprachnachrichten echt genug sind, um Vertrauen zu rechtfertigen. In jedem Fall soll der Detektor blinde Flecken verringern, nicht falsche Gewissheit erzeugen.

Das gedankliche Modell dahinter ist einfach. Ein Deepfake-Detektor kann Ihnen helfen, die Frage zu beantworten: „Verhält sich diese Datei wie ein authentisches Medium?“ Er kann nicht jede nachgelagerte Frage zu Motiv, Kontext oder Rechtmäßigkeit beantworten. Genau hier bleiben Herkunftsnachweis, manuelle Prüfung und Quellprüfung wichtig. Mehr darüber, wie dieses umfassendere Denken zur Medienauthentizität in der Praxis funktioniert, finden Sie in diesem Leitfaden zu Best Practices der KI-Bilderkennung.

Wie die Erkennung bei Bildern, Videos und Sprache funktioniert

Viel Verwirrung entsteht, wenn Menschen annehmen, jeder Detektor suche nach demselben. Das stimmt nicht. Bild-, Video- und Sprachwerkzeuge achten auf unterschiedliche Arten von Belegen, weil jedes Medium auf unterschiedliche Weise versagt. Die stärksten Systeme greifen auf multimodale Analyse zurück, bei der Video-, Audio- und Bildströme gegenseitig abgeglichen werden, sodass eine überzeugende Ebene keine Unstimmigkeit in einer anderen verbergen kann X-PHY Deepfake-Detektor-FAQ.

Bilder und Videos suchen nach unterschiedlichen Hinweisen

Bei Bildern verwendet ein Detektor häufig ein Convolutional Neural Network, um räumliche Artefakte zu untersuchen, etwa unregelmäßige Gesichtstexturen, Übergangskanten oder visuelles Rauschen, das nicht zum Rest des Bildes passt. Videowerkzeuge fügen eine zweite Ebene hinzu: Sie untersuchen die zeitliche Kohärenz, also wie Einzelbilder im Zeitverlauf zueinander stehen. LSTMs und GRUs werden für diese Art der Sequenzanalyse häufig eingesetzt, da sie plötzliche Bewegungsfehler, Abweichungen bei der Lippensynchronisation oder Änderungen von Bild zu Bild erkennen können, die eine Standbildprüfung übersehen würde X-PHY Deepfake-Detektor-FAQ.

Deshalb kann ein einzelnes Bild sauber aussehen, während der gesamte Clip sich seltsam anfühlt. Ein Gesichtstausch kann einen Screenshot überstehen, aber die Mundbewegung stimmt möglicherweise nicht mit den gesprochenen Worten überein. Oder eine Nachstellung bewahrt die Identität in einer Einstellung gut genug, bricht aber zusammen, sobald sich der Kopf dreht. Ein Video-Detektor kann diese Unterschiede sichtbar machen.

Sprachanalyse achtet auf Struktur, nicht nur auf Klang

Sprach-Detektoren konzentrieren sich auf Muster im Audiostrom, darunter spektrale Form, Phonem-Timing und Atemrhythmen. Einfach gesagt: Sie prüfen, ob die Art, wie eine Person klingt, dem üblichen Verhalten von Sprache entspricht. Der Nutzen zeigt sich deutlich bei Anrufaufzeichnungen, Podcasts und Voicemail-ähnlichen Arbeitsabläufen, bei denen die visuelle Datei fehlen oder irrelevant sein kann.

Manche Detektoren unterstützen zudem wasserzeichenbasierte Prüfungen, einschließlich Signalen im SynthID-Stil. Das ist ein völlig anderer Ansatz, denn der Detektor liest dabei einen eingebetteten Marker aus, statt nach visuellen oder akustischen Artefakten zu suchen. Existiert ein kompatibles Wasserzeichen, liefert das dem Prüfer ein saubereres Echtheitssignal, als es das reine Raten anhand von Artefakten könnte.

Ein Verifizierungs-Workflow aus der Praxis

Ein verdächtiger Clip landet um 7:40 Uhr im Aufgabenpostfach. Er zeigt eine öffentliche Person, die etwas Brisantes sagt, und der Absender behauptet, er stamme von einem privaten Account. Der erste Schritt besteht nicht darin, einen Detektor laufen zu lassen. Es geht darum, die Datei wie jedes andere Beweisstück zu sichten.

Beginnen Sie mit der Datei, nicht mit dem Urteil

Der Redakteur prüft die Upload-Quelle, den Post-Verlauf und ob der Datei Metadaten angehängt sind. Anschließend führt er eine Rückwärtsbildsuche für Schlüsselbilder durch und prüft, ob der Clip anderswo mit einer anderen Bildunterschrift oder einem anderen Kontext auftaucht. An diesem Punkt entscheidet die Redaktion, ob es sich wahrscheinlich um Originalberichterstattung, wiederveröffentlichtes Material oder bereits dokumentierte Fehlinformation handelt.

Erst dann kommen die passenden Werkzeuge zum Einsatz. Handelt es sich um ein Video, nutzt man einen Video-Detektor. Gibt es ein Standbild aus dem Clip, kommt ein Bild-Detektor zum Einsatz. Liegt gesprochenes Audio isoliert vor, wird zusätzlich ein Sprach-Detektor eingesetzt. Eine Redaktion kann diese KI-Video-Echtheitsprüfung als praktische Ergänzung nutzen, sobald ein Clip zuerst eintrifft.

Der Detektor ist am nützlichsten, nachdem die Datei eingegrenzt wurde, nicht davor. Schlechte Quellenhygiene kann ein gutes Modell besser oder schlechter erscheinen lassen, als es tatsächlich ist.

Gehen Sie mit widersprüchlichen Signalen um wie ein Reporter, nicht wie ein Spieler

Angenommen, das Bildwerkzeug wirkt zuversichtlich, aber die Sprachanalyse ist nicht eindeutig. Das bedeutet nicht, dass der gesamte Beitrag authentisch ist. Es bedeutet, dass der Prüfer fragen sollte, worauf jedes Werkzeug Zugriff hatte, womit es trainiert wurde und ob Kompression oder erneutes Posten die Datei verändert haben. Die wichtigste Frage lautet nicht „Welcher Score hat gewonnen?“, sondern „Welche Teile der Medien stimmen überein, und welche nicht?“

Kann die Quelle nicht verifiziert werden, eskaliert das Team an einen Fachprüfer. Dokumentiert werden jeder Schritt, die Originaldatei, die Suchergebnisse, die Ausgaben des Detektors, die manuellen Beobachtungen und die endgültige Entscheidung. Für die Redaktionsschulung ist der praktische Leitfaden zur Kennzeichnung von KI-Inhalten ein guter Ausgangspunkt, denn Transparenz zählt genauso wie Erkennung.

Vergleich der Erkennungsansätze über verschiedene Medientypen hinweg

Unterschiedliche Medientypen versagen auf unterschiedliche Weise, daher sollte sich auch die Verifizierungshaltung entsprechend anpassen. Ein Standbild liefert meist weniger Signale, doch diese können schärfer sein. Ein Video liefert Bewegung, Lippensynchronisation und Timing zur Untersuchung. Sprache liefert akustische Struktur. Multimodale Systeme können diese Perspektiven kombinieren, weshalb sie oft wirksamer sind als ein Score aus einer einzigen Modalität X-PHY Deepfake-Detektor-FAQ.

Erkennungssignale und Fehlermodi nach Medientyp	Medientyp	Primäres Signal	Häufiger Fehlermodus	Empfohlene Vorgehensweise
	Bilder	Visuelle Artefakte, Texturunregelmäßigkeiten, Übergangskanten	Kompression, Zuschneiden, erneutes Posten oder starke Bearbeitung können die Hinweise verbergen	Bild-Detektor plus Metadaten und Rückwärtssuche verwenden
	Video	Bildkonsistenz, Bewegungskontinuität, Lippensynchronisations-Abgleich	Erneutes Posten und Kompression können die Klarheit auf Bildebene verringern	Ausgabe des Video-Detektors zusammen mit manueller Bildprüfung kontrollieren
	Sprache	Spektrale Muster, Timing und Sprachrhythmus	Kurze Clips und verrauschtes Audio können die Zuverlässigkeit verringern	Sprach-Detektor mit Quellenherkunft und Transkriptprüfung kombinieren
	Wasserzeichen-Inhalte	Eingebettetes synthetisches Signal, sofern vom Werkzeug unterstützt	Funktioniert nur, wenn das Wasserzeichen vorhanden ist und der Detektor es versteht	Als starken Verifizierungshinweis behandeln, nicht als einzigen

Die Tabelle ist wichtig, weil sie zeigt, warum Denken in Einzel-Scores riskant ist. Ein Video-Detektor kann einen Clip markieren, während ein Sprach-Detektor stumm bleibt, und das ist kein Widerspruch. Es kann bedeuten, dass die Tonspur sauberer war als das Bildmaterial, oder dass die Manipulation nur eine Ebene betraf.

Die praktische Gewohnheit, die es zu entwickeln gilt, ist einfach. Greifen Sie zuerst zu dem Detektor, der zum Medium passt, und vergleichen Sie das Ergebnis dann mit dem Quellverlauf, Kompressionshinweisen und eingebetteten Herkunftsnachweisen. Wer speziell Video prüft, findet in dieser Übersicht über KI-Website-Erkennungswerkzeuge eine hilfreiche Ergänzung, um das breitere Erkennungsfeld zu verstehen.

Warum Laborgenauigkeit selten der Leistung in der Praxis entspricht

Eine glatte Benchmark-Folie kann eine Menge operativer Probleme verbergen. Deepfake-Detektoren wirken in kontrollierten Auswertungen oft stark, verlieren dann aber an Zuverlässigkeit, sobald die Datei per E-Mail, über soziale Plattformen, Messaging-Apps oder ein komprimiertes Redaktions-CMS eintrifft. Unabhängige Auswertungen haben festgestellt, dass Werkzeuge unter realen Bedingungen auf etwa 39 % bis 69 % Erkennungsrate absinken, mit einem Durchschnitt von rund 55 %, und eine weitere Auswertung aus 2026 ergab, dass weniger als die Hälfte der getesteten Detektoren bei modernen Deepfakes einen AUC-Wert über 60 % erreichten ACS-Bericht zur Leistung von Detektoren in der Praxis Detektor-Auswertung 2025.

Warum sich der Score außerhalb des Labors ändert

Der größte Grund ist der sogenannte Distribution Shift. Ein Detektor, der auf einer Klasse synthetischer Medien trainiert wurde, kann bei diesem Datensatz hervorragend abschneiden, verliert dann aber an Boden, wenn sich der Generator ändert, das Licht wechselt oder die Datei neu komprimiert wird. Das Problem liegt nicht nur im Modell, sondern in dessen Umgebung. Erneutes Posten, Zuschneiden und Kompression entfernen alle die kleinen Hinweise, auf die Detektoren angewiesen sind.

Es gibt auch das sogenannte Media Laundering, ein redaktionsfreundlicher Begriff für Inhalte, die so oft wiederveröffentlicht, neu komprimiert oder verändert wurden, dass das ursprüngliche Signal schwerer zu erkennen ist. Das kann bei ganz gewöhnlichem Teilen passieren, nicht nur in feindseligen Szenarien. Sobald die Datei mehrere Plattformen durchlaufen hat, hat der Detektor möglicherweise weniger Grundlage, und die Zuverlässigkeit kann schnell sinken.

Benchmarks können die Beschaffung dennoch in die Irre führen

Benchmark-lastige Vergleiche können eine Methode besser aussehen lassen als eine andere, ohne zu verraten, wie sie mit unbekanntem Filmmaterial umgeht. DeepfakeBench unterstützt 36 Detektoren über Bild- und Videomethoden hinweg, doch dieselbe Benchmark zeigt auch große Leistungsunterschiede je nach Architektur: Ein Transfer-Learning-Ansatz mit ResNet50 erreichte in der zitierten Auswertung 97,3/96,1/95,5 % DeepfakeBench-Repository. Das garantiert aber immer noch nicht, dass er bei Ihren Inhalten genauso gut abschneidet.

Beschaffungsregel: Testen Sie mit derselben Kompression, denselben Kamerabedingungen und derselben demografischen Bandbreite, die Sie im Produktivbetrieb erwarten – sonst ist die Zahl größtenteils Theater.

Deshalb sollte eine Redaktion oder Schule niemals allein aufgrund der Schlagzeilen-Genauigkeit kaufen. Ein Detektor, der in einer Umgebung hervorragend wirkt, kann deutlich schwächer erscheinen, sobald die Datei aus dem tatsächlichen Arbeitsablauf stammt. Die richtige Frage ist nicht, ob ein Modell jemals stark war, sondern ob es bei Ihren Medien nützlich bleibt.

EU-KI-Verordnung Artikel 50 und Pflichten für Verlage

Die Transparenzlogik der EU-KI-Verordnung ist relevant, weil von Verlagen und Pädagogen bereits erwartet wird, KI-generierte oder KI-manipulierte Inhalte klar zu kennzeichnen oder offenzulegen. Vereinfacht gesagt drängt Artikel 50 Organisationen dazu, Menschen mitzuteilen, wenn Medien synthetisch erzeugt oder wesentlich verändert wurden, und die Offenlegung für den Nutzer verständlich zu gestalten. Das kann maschinenlesbare Markierungen, für Nutzer sichtbare Kennzeichnung oder beides umfassen, je nach Kontext und System Humantext.pros Überblick zur Kennzeichnung.

Wie ein compliance-orientierter Workflow aussieht

Der erste Schritt besteht darin, festzulegen, wer in Ihrem Prozess für die Kennzeichnung verantwortlich ist. Redakteure, Kursgestalter und Plattform-Manager sollten wissen, wann eine Datei eine Offenlegung benötigt – vor der Veröffentlichung, nicht erst nach einer Beschwerde. Wenn ein Medieninhalt KI-unterstützt ist, sollte frühzeitig genug eine Kennzeichnung angebracht werden, damit Nutzer ihn nicht mit unverändertem Quellmaterial verwechseln.

Der zweite Schritt besteht darin, Verifizierungsunterlagen zu führen. Dazu gehören Notizen zur Herkunft, Detektorergebnisse und alle manuellen Prüfungen, die zur Untermauerung der Entscheidung dienten. Diese Aufzeichnungen sind nützlich, unabhängig davon, ob der Inhalt veröffentlicht, abgelehnt oder zur Überarbeitung zurückgeschickt wird.

Warum Erkennung und Kennzeichnung zusammengehören

Ein Detektor sagt Ihnen, ob eine Datei synthetisch oder manipuliert wirkt. Eine Kennzeichnung sagt Ihrem Publikum, wie es sie interpretieren soll. Das sind verwandte, aber nicht identische Aufgaben, und ihre Verwechslung führt zu Problemen. Eine interne Prüfung mag nach zusätzlichen Kontrollen entscheiden, dass ein Clip veröffentlicht werden kann, während eine Offenlegungsrichtlinie trotzdem eine Kennzeichnung verlangt, weil KI bei der Produktion zum Einsatz kam.

Teams, die ein breiteres Werkzeug-Set benötigen, können mit einem praktischen Verzeichnis von KI-Website-Erkennungswerkzeugen vergleichen, wie unterschiedliche Verifizierungssysteme in den Inhaltsbetrieb passen. Entscheidend ist, Detektoren als Teil eines Qualitäts- und Transparenzprozesses zu behandeln, nicht als Abkürzung um die Offenlegung herum.

Eine praktische Checkliste für Verlage und Pädagogen

Eine funktionierende Checkliste beginnt vor der Veröffentlichung, nicht erst, wenn ein Problem öffentlich wird. Verlage sollten die Quelle verifizieren, Metadaten prüfen und den passenden Detektor für den Medientyp einsetzen. Pädagogen sollten die Einreichung mit dem gewohnten Muster des Schülers vergleichen und sich dann die Datei selbst ansehen, statt der beigefügten Behauptung. Marktplatzbetreiber sollten dasselbe für Verkäuferbilder und Sprachnachrichten tun.

Bevor Sie veröffentlichen oder genehmigen

• Herkunft zuerst prüfen: bestätigen Sie, wer die Datei gesendet hat, woher sie stammt, und ob der Weg zu Ihnen plausibel ist.
• Metadaten und Kompression prüfen: achten Sie auf Anzeichen dafür, dass die Datei wiederholt gespeichert, erneut gepostet oder über mehrere Systeme exportiert wurde.
• Den passenden Detektor einsetzen: nutzen Sie den Bild-Detektor für Standbilder, den Video-Detektor für Clips und den Sprach-Detektor für reine Audiodateien.
• Mit manueller Prüfung abgleichen: lassen Sie eine zweite Person dieselbe Datei prüfen, wenn der Score unklar ist oder die Konsequenzen erheblich sind.
• Jede Entscheidung protokollieren: speichern Sie die Datei, die Detektorausgabe, das Datum und die Notizen des Prüfers für eine spätere Prüfung.

Was tun, wenn das Ergebnis gemischt ausfällt

Gemischte Ergebnisse sind normal. Ein Detektor kann eine Datei markieren, während die Quellgeschichte weiterhin stimmt, oder eine Datei kann sauber wirken, während die Herkunft schwach belegt ist. In solchen Fällen sollte das Team die Ausgabe als ein Beweisstück unter mehreren behandeln und weiter nachforschen. Ein guter nächster Schritt ist die bildübergreifende Prüfung bei Video oder der Vergleich von Transkript und Audio bei Sprache.

Betriebliche Gewohnheit: Schreiben Sie auf, was Sie wissen, was Sie geprüft haben und was noch bestätigt werden muss. Das verhindert selbstsichere Fehler.

Was Sie nicht tun sollten

Veröffentlichen Sie nicht allein aufgrund des Detektor-Scores. Ignorieren Sie Metadaten nicht, nur weil der Clip „echt aussieht“. Kennzeichnen Sie nichts als Fälschung ohne eine zweite Prüfung, wenn die Beweislage dünn ist. Und gehen Sie nicht davon aus, dass ein Versagen des Detektors bedeutet, die Datei sei authentisch – es kann auch nur bedeuten, dass das Werkzeug mehr Kontext braucht.

Für Pädagogen hilft dieselbe Disziplin bei der Integrität der Schüler, ohne übertriebene Gewissheit zu suggerieren. Für Verlage schützt sie die redaktionelle Glaubwürdigkeit. Für Marktplatz-Teams verhindert sie, dass Vertrauen erodiert.

Alles zusammenführen mit Humantext.pro

Ein guter Verifizierungs-Workflow beginnt mit der Herkunft, durchläuft dann Detektorprüfungen und endet mit menschlicher Prüfung. In dieses Denken fügt sich Humantext.pro ein. Es ist eine datenschutzorientierte Plattform als AI Detector & Text Humanizer, die prüfen kann, ob Text-, Bild-, Video- oder Sprachinhalte KI-generiert sind, und spezialisierte Prüfungen wie den KI-Video-Detektor und den KI-Sprach-Detektor umfasst. Sie unterstützt außerdem Verifizierung im SynthID-Stil und Offenlegungs-Workflows für Teams mit Transparenzpflichten.

Für Teams, die auch mit umfangreichen Content-Pipelines arbeiten, ist der Leitfaden zum KI-Web-Scraping für Entwickler eine nützliche Erinnerung daran, dass Dateiherkunft und Datenverarbeitungspraktiken genauso wichtig sind wie der Detektor selbst. Dasselbe gilt für die Medienverifizierung: Ist die Eingabe unsauber, wird es die Ausgabe auch sein.

Der praktische Ansatz ist einfach. Nutzen Sie den Detektor als ersten Screening-Schritt, vergleichen Sie ihn mit vertrauten Qualitätssicherungsprüfungen, und behalten Sie die menschliche Prüfung für alles Wichtige bei. Das gilt unabhängig davon, ob Sie einen aktuellen Clip, eine Schülereinreichung, ein Produktfoto oder eine Sprachnachricht prüfen.

Die zu vermeidenden Fehler sind bei allen gleich. Verlassen Sie sich nicht auf einen einzigen Score. Überspringen Sie die Herkunftsprüfung nicht. Verwechseln Sie eine Kennzeichnung nicht mit einem Beweis. Und veröffentlichen oder genehmigen Sie keine Medien ohne Prüfprotokoll, wenn wirklich etwas auf dem Spiel steht.

---

Wenn Sie einen Verifizierungs-Workflow benötigen, den Sie in einer Redaktion, einem Klassenzimmer oder einem Content-Team einsetzen können, testen Sie zunächst eine verdächtige Datei mit Humantext.pro und vergleichen Sie das Ergebnis mit Ihren Quellprüfungen, bevor Sie sich entscheiden.