מדריך לגלאי דיפייק: כיצד לאמת מדיה ב-2026

מעריכים אנושיים כמעט ולא טובים יותר מניחוש אקראי כשהם שופטים מדיה סינתטית. סקירה מרוכזת של 56 מחקרים מבוקרים מצאה דיוק אנושי ממוצע של 55.5%, ומחקר של iProov שכלל 2,000 צרכנים מארה״ב ומבריטניה מצא שרק 0.1% מהם הצליחו להבחין באופן אמין בין דיפייק למדיה אמיתית, גם כשהוזהרו מראש לחפש זיופים סיכום הסטטיסטיקות של VoxBooster בנושא זיהוי דיפייק. זו הסיבה שבגללה גלאי דיפייק חשוב. הוא אינו מחליף שיקול דעת עריכתי, אלא נותן לכתבים, למחנכים ולצוותי פלטפורמות דרך מובנית לבדוק מדיה כאשר בני אדם לבדם אינם מסוגלים לעשות זאת באופן אמין.

דרך שימושית לחשוב על הבעיה היא פשוטה. גלאי דיפייק מחפש פגמים, חוסר עקביות וסימנים חסרים בתמונות, בווידאו, בשמע או בסימני מים משובצים. הוא אינו יכול להוכיח אמת בכוחות עצמו, אך הוא יכול לסמן מדיה שדורשת בדיקה מדוקדקת יותר. עבור מו״לים ומחנכים, זה הופך אותו לכלי אימות, לא לאורקל.

הערך טמון בתהליך העבודה. מערכת חדשות אינה זקוקה לתשובת כן-או-לא מיסטית, אלא לדרך שניתנת לחזרה כדי להחליט אם קליפ בטוח לפרסום, אם הגשה של תלמיד דורשת מעקב, או אם תמונת מודעה צריכה להיעצר לבדיקה. זו גם הסיבה שגלאי צריך לשבת לצד בדיקות מקור, בדיקת מטא-נתונים והקשר אנושי, ולא להחליף אותם.

אם אתם מעוניינים בפרספקטיבה עסקית רחבה יותר על האופן שבו מדיה סינתטית משנה את הפעילות התפעולית, המאמר של ELECTE על כיצד דיפייקים כותבים מחדש את כללי העסקים הוא קריאה משלימה שימושית.

מה גלאי דיפייק עושה בפועל

גלאי דיפייק הוא תוכנה שסורקת מדיה לאיתור סימנים לכך שהיא עשויה להיות מיוצרת בבינה מלאכותית או משונה באופן מהותי. בפועל, הוא מחפש דברים שבני אדם מפספסים לעיתים קרובות, כמו גבולות פנים מוזרים, שגיאות תזמון בדיבור, מעברי פריימים משונים, או אותות סימני מים המצביעים על מקור סינתטי. המטרה אינה "לתפוס" כל זיוף בבידוד, אלא להעלות את רמת הביטחון כאשר המדיה מתנהגת כמו תוכן אותנטי, ולהוריד את רמת הביטחון כאשר הסימנים אינם מתיישבים זה עם זה.

התפקיד הבסיסי הוא אימות, לא קסם

חישבו על גלאי כחלק אחד ממסנן עריכתי גדול יותר. גלאי טוב יכול לנתח תמונה, קליפ או קובץ שמע, ולאחר מכן להחזיר ציון, פסיקה או רמת ביטחון שמסייעים לבודק להחליט מה לעשות בהמשך. זה חשוב כי קו הבסיס האנושי חלש. גם כאשר אנשים מוזהרים מראש, הם עדיין מתקשים לזהות באופן עקבי מדיה מניפולטיבית, וזו הסיבה שאימות אוטומטי הפך להכרחי מלכתחילה סיכום הסטטיסטיקות של VoxBooster.

זה לא אומר שהגלאי תמיד צודק. זה אומר שהוא שימושי מכיוון שהוא מבצע משימה שבני אדם גרועים בביצועה לבדם, במיוחד בקנה מידה גדול. במערכת חדשות, קנה המידה הזה עשוי להיות שטף של קליפים חמים. בבית ספר, זה עשוי להיות מדיה של מטלות שהוגשו דרך פלטפורמת למידה. בשוק מקוון, זה עשוי להיות תמונות מוכרים או הודעות קוליות שדורשות בדיקת אותנטיות מהירה.

כלל מעשי: התייחסו לתוצאת הגלאי כאל אינדיקציה בלבד, ולאחר מכן שאלו אם המקור, היסטוריית הקובץ והראיות החזותיות או הקוליות תומכות בה.

מדוע זה חשוב עבור מו״לים, מחנכים ושווקים מקוונים

מו״ל צריך לדעת אם ניתן לסמוך על קליפ חם לפני שהוא משובץ בכתבה. מחנך צריך לדעת אם מטלת המדיה של תלמיד משקפת את ההנחיה שניתנה. מפעיל שוק מקוון צריך לדעת אם תמונות מוצר או הודעות קוליות אותנטיות מספיק כדי לתמוך באמון. בכל מקרה, הגלאי נמצא שם כדי לצמצם נקודות עיוורון, לא כדי ליצור ודאות שווא.

המודל המנטלי שכדאי לשמור עליו הוא פשוט. גלאי דיפייק יכול לעזור לכם לענות על השאלה, "האם הקובץ הזה מתנהג כמו מדיה אותנטית?" הוא אינו יכול לענות על כל שאלה נלווית לגבי מניע, הקשר או חוקיות. כאן עדיין חשובים מקור, בדיקה ידנית ובדיקת המקור. למידע נוסף על האופן שבו תפיסת האותנטיות הרחבה יותר של מדיה פועלת בפועל, מדריך זה על שיטות עבודה מומלצות לזיהוי תמונות בינה מלאכותית הוא מקור מידע מועיל.

כיצד פועל הזיהוי בתמונות, בווידאו ובקול

הרבה בלבול מתחיל כאשר אנשים מניחים שכל גלאי מחפש את אותו הדבר. זה לא נכון. כלי תמונה, כלי וידאו וכלי קול מקשיבים לסוגים שונים של ראיות, מכיוון שכל מדיום נכשל בדרך אחרת. המערכות החזקות ביותר שואבות מניתוח רב-מודלי, שבודק במקביל זרמי וידאו, שמע ותמונה, כך ששכבה משכנעת אחת לא יכולה להסתיר אי-התאמה בשכבה אחרת שאלות נפוצות על גלאי הדיפייק של X-PHY.

תמונות וידאו מחפשים רמזים שונים

עבור תמונות, גלאי משתמש לעיתים קרובות ברשת נוירונים קונבולוציונית כדי לבחון פגמים מרחביים, כמו מרקמי פנים לא סדירים, קצוות מיזוג, או רעש חזותי שאינו תואם לשאר הפריים. כלי וידאו מוסיפים שכבה שנייה, הם בוחנים עקביות טמפורלית, כלומר כיצד פריימים מתייחסים זה לזה לאורך זמן. רשתות LSTM ו-GRU משמשות לעיתים קרובות לניתוח רצפים מסוג זה, מכיוון שהן יכולות לתפוס תקלות תנועה פתאומיות, אי-התאמות בסנכרון שפתיים, או שינויים מפריים לפריים שבדיקת תמונה בודדת הייתה מפספסת שאלות נפוצות על גלאי הדיפייק של X-PHY.

זו הסיבה שפריים בודד יכול להיראות נקי בעוד שהקליפ המלא מרגיש לא תקין. החלפת פנים עשויה לשרוד צילום מסך, אך תזמון הפה עשוי לא להתאים למילים המדוברות. או ששחזור ביצוע (reenactment) עשוי לשמר את הזהות היטב בצילום אחד ולהתפרק ברגע שהראש מסתובב. גלאי וידאו יכול לחשוף הבדלים אלה.

ניתוח קול מקשיב למבנה, לא רק לגוון

גלאי קול מתמקדים בדפוסים בזרם השמע, כולל צורה ספקטרלית, תזמון פונמות וקצבי נשימה. במילים פשוטות, הם בודקים אם האופן שבו אדם נשמע תואם לאופן שבו דיבור בדרך כלל מתנהג. היתרון בולט בהקלטות שיחות, פודקאסטים ותהליכי עבודה בסגנון הודעות קוליות, שבהם הקובץ החזותי עשוי להיות חסר או לא רלוונטי.

חלק מהגלאים תומכים גם בבדיקות מבוססות סימני מים, כולל אותות בסגנון SynthID. זהו מסלול שונה לחלוטין, מכיוון שהגלאי קורא סמן משובץ במקום לחפש פגמים חזותיים או אקוסטיים. כאשר קיים סימן מים תואם, הוא מעניק לבודק אינדיקציית אותנטיות נקייה יותר מאשר ניחוש המבוסס על פגמים בלבד.

תהליך אימות מהעולם האמיתי

קליפ חשוד נוחת בתיבת המטלות בשעה 7:40 בבוקר. הוא מציג דמות ציבורית אומרת משהו נפיץ, והשולח טוען שהוא הגיע מחשבון פרטי. הצעד הראשון אינו להריץ גלאי. הצעד הראשון הוא למיין את הקובץ בעדיפות כמו כל פיסת ראיה אחרת.

התחילו מהקובץ, לא מהפסיקה

העורך בודק את מקור ההעלאה, את היסטוריית הפרסום, ואם לקובץ מצורפים מטא-נתונים. לאחר מכן הוא מבצע חיפוש תמונה הפוך על פריימים מרכזיים ובודק אם הקליפ מופיע במקום אחר עם כיתוב או הקשר שונה. זו הנקודה שבה מערכת החדשות מחליטה אם הפריט הוא ככל הנראה סיקור מקורי, חומר שפורסם מחדש, או דיסאינפורמציה שכבר תועדה.

רק אז הם מריצים את הכלים הרלוונטיים. אם מדובר בווידאו, הם משתמשים בגלאי וידאו. אם ישנה תמונה קפואה שנלקחה מהקליפ, הם משתמשים בגלאי תמונה. אם ישנו שמע מדובר בבידוד, הם מריצים גם גלאי קול. מערכת חדשות יכולה להשתמש בבדיקת האותנטיות הזו לווידאו בינה מלאכותית ככלי עזר מעשי כאשר קליפ מגיע לראשונה.

הגלאי שימושי ביותר לאחר שהקובץ צומצם, לא לפני כן. היגיינת מקור לקויה יכולה לגרום למודל טוב להיראות טוב יותר או גרוע יותר ממה שהוא באמת.

התייחסו לאותות סותרים כמו כתב, לא כמו מהמר

נניח שכלי התמונה נראה בטוח, אך ניתוח הקול אינו חד-משמעי. זה לא אומר שכל הפריט אותנטי. זה אומר שהבודק צריך לשאול לְמה היה לכל כלי גישה, על מה הוא אומן, ואם דחיסה או פרסום מחדש שינו את הקובץ. השאלה החשובה ביותר אינה "איזה ציון ניצח?", אלא "אילו חלקים של המדיה מסכימים, ואילו לא?"

אם לא ניתן לאמת את המקור, הצוות מעביר את הטיפול לבודק מומחה. הם מתעדים כל שלב, הקובץ המקורי, תוצאות החיפוש, פלטי הגלאי, התצפיות הידניות וההחלטה הסופית. לצורך הכשרת מערכת חדשות, נקודת התחלה טובה היא ההנחיות המעשיות לתיוג תוכן בינה מלאכותית, מכיוון ששקיפות חשובה לא פחות מזיהוי.

השוואת גישות זיהוי בין סוגי מדיה שונים

סוגי מדיה שונים נכשלים בדרכים שונות, ולכן עמדת האימות צריכה להשתנות בהתאם. תמונה קפואה בדרך כלל נותנת פחות אותות, אך האותות הללו יכולים להיות חדים יותר. וידאו נותן לכם תנועה, סנכרון שפתיים ותזמון לבדיקה. קול נותן לכם מבנה אקוסטי. מערכות רב-מודליות יכולות לשלב את התצוגות הללו, וזו הסיבה שהן לרוב יעילות יותר מציון של מודליות בודדת שאלות נפוצות על גלאי הדיפייק של X-PHY.

אותות זיהוי ומצבי כשל לפי סוג מדיה	סוג מדיה	האות העיקרי	מצב הכשל הנפוץ	העמדה המומלצת
	תמונות	פגמים חזותיים, אי-סדירות במרקם, קצוות מיזוג	דחיסה, חיתוך, פרסום מחדש או עריכה כבדה יכולים להסתיר את הרמזים	השתמשו בגלאי תמונה יחד עם מטא-נתונים וחיפוש הפוך
	וידאו	עקביות פריימים, רציפות תנועה, יישור סנכרון שפתיים	פרסום מחדש ודחיסה יכולים להפחית את הבהירות ברמת הפריים	בדקו את פלט גלאי הווידאו לצד בדיקה ידנית של הפריימים
	קול	דפוסים ספקטרליים, תזמון וקצב דיבור	קליפים קצרים ושמע רועש יכולים להפחית את רמת הביטחון	שלבו גלאי קול עם בדיקת מקור ותמלול
	תוכן עם סימן מים	אות סינתטי משובץ, אם הכלי תומך בכך	פועל רק כאשר סימן המים קיים והגלאי מבין אותו	התייחסו לכך כאל אינדיקציית אימות חזקה, לא היחידה

הטבלה חשובה כי היא מראה מדוע חשיבה מבוססת ציון בודד מסוכנת. גלאי וידאו עשוי לסמן קליפ, בעוד שגלאי קול נשאר שקט, וזו אינה סתירה. זה עשוי להעיד על כך שרצועת השמע הייתה נקייה יותר מהתמונה, או שהמניפולציה השפיעה על שכבה אחת בלבד.

ההרגל המעשי שכדאי לפתח הוא פשוט. פנו תחילה לגלאי המתאים למדיום, ולאחר מכן השוו את התוצאה להיסטוריית המקור, לרמזי דחיסה ולכל מקור מובנה שקיים. אם אתם בודקים ספציפית וידאו, סקירה זו של כלי זיהוי בוני אתרים בבינה מלאכותית היא כלי עזר מועיל להבנת תחום הזיהוי הרחב יותר.

מדוע דיוק במעבדה לרוב אינו תואם ביצועים בעולם האמיתי

שקופית השוואת ביצועים (benchmark) מלוטשת יכולה להסתיר כאב תפעולי רב. גלאי דיפייק נראים לעיתים קרובות חזקים בהערכות מבוקרות, ולאחר מכן מאבדים אמינות כאשר הקובץ מגיע דרך דוא"ל, פלטפורמות חברתיות, אפליקציות מסרים, או מערכת ניהול תוכן דחוסה של מערכת חדשות. הערכות עצמאיות מצאו שכלים צונחים לשיעורי זיהוי של כ-39% עד 69% בתנאי עולם אמיתי, בממוצע של כ-55%, והערכה נוספת משנת 2026 מצאה כי פחות ממחצית מהגלאים שנבדקו השיגו ציון AUC מעל 60% על דיפייקים מודרניים דיווח ACS על ביצועי גלאים בעולם האמיתי הערכת גלאים משנת 2025.

מדוע הציון משתנה מחוץ למעבדה

הסיבה הגדולה ביותר היא שינוי בהתפלגות (distribution shift). גלאי שאומן על סוג אחד של מדיה סינתטית עשוי להיראות מצוין על מערך הנתונים ההוא, ולאחר מכן לאבד קרקע כאשר המחולל משתנה, התאורה משתנה, או הקובץ נדחס מחדש. הבעיה אינה רק המודל, אלא הסביבה סביב המודל. פרסום מחדש, חיתוך ודחיסה כולם מסירים את הרמזים הקטנים שהגלאים תלויים בהם.

קיימת גם תופעת הלבנת מדיה (media laundering), שהיא פשוט דרך ידידותית למערכות חדשות לתאר תוכן שפורסם מחדש, נדחס מחדש, או שונה מספיק כדי שהאות המקורי יהיה קשה יותר לזיהוי. זה יכול לקרות בשיתוף רגיל, לא רק בתרחישים עוינים. ברגע שהקובץ עבר דרך פלטפורמות מרובות, ייתכן שיהיה לגלאי פחות חומר לעבוד איתו, ורמת הביטחון עלולה לרדת במהירות.

השוואות ביצועים עדיין עלולות להטעות בתהליכי רכש

השוואות המבוססות בכבדות על benchmark יכולות לגרום לשיטה אחת להיראות טובה יותר מאחרת מבלי לספר לכם כיצד היא מתמודדת עם חומר לא מוכר. DeepfakeBench תומך ב-36 גלאים בשיטות תמונה ווידאו, אך אותו benchmark מראה גם הבדלי ביצועים גדולים לפי ארכיטקטורה, כאשר גישת transfer-learning אחת מבוססת ResNet50 מגיעה ל-97.3/96.1/95.5% בהערכה המצוטטת מאגר DeepfakeBench. זה עדיין לא מבטיח שהוא יתפקד באותה צורה על התוכן שלכם.

כלל רכש: בדקו על אותה רמת דחיסה, תנאי מצלמה וטווח דמוגרפי שאתם צופים בסביבת הייצור, אחרת המספר הוא בעיקר תיאטרון.

זו הסיבה שמערכת חדשות או בית ספר לעולם לא צריכים לרכוש רק על סמך דיוק כותרתי. גלאי שנראה מצוין בסביבה אחת עשוי להיראות חלש בהרבה כאשר הקובץ מגיע מתהליך העבודה בפועל. השאלה הנכונה אינה אם מודל היה חזק אי-פעם, אלא אם הוא נשאר שימושי על המדיה שלכם.

סעיף 50 בחוק ה-AI של האיחוד האירופי והחובות המוטלות על מו״לים

ההיגיון של השקיפות בחוק ה-AI של האיחוד האירופי חשוב מכיוון שממו״לים ומחנכים כבר מצופה לתייג או לחשוף בבירור תוכן שנוצר או שונה בעזרת בינה מלאכותית. במילים פשוטות, סעיף 50 דוחף ארגונים לספר לאנשים כאשר מדיה יוצרה באופן סינתטי או שונתה באופן מהותי, ולשמור על כך שהחשיפה תהיה מובנת למשתמש. זה יכול לכלול סמנים הניתנים לקריאה על ידי מכונה, תיוג הגלוי למשתמש, או שניהם, בהתאם להקשר ולמערכת סקירת התיוג של Humantext.pro.

כיצד נראה תהליך עבודה מכוון-ציות

הצעד הראשון הוא להחליט מי בתהליך שלכם אחראי על התיוג. עורכים, מעצבי קורסים ומנהלי פלטפורמות צריכים לדעת מתי קובץ דורש חשיפה לפני הפרסום, לא אחרי תלונה. אם פריט מדיה נעשה בסיוע בינה מלאכותית, יש לצרף תווית מוקדם מספיק כדי שמשתמשים לא יטעו לחשוב שמדובר בתוכן מקור שלא שונה.

הצעד השני הוא לשמור רישומי אימות. זה כולל הערות מקור, תוצאות גלאי, וכל בדיקה ידנית ששימשה לתמיכה בהחלטה. הרישומים הללו שימושיים בין אם התוכן פורסם, נדחה, או הוחזר לתיקון.

מדוע זיהוי ותיוג שייכים יחד

גלאי אומר לכם אם קובץ נראה סינתטי או מניפולטיבי. תווית אומרת לקהל שלכם כיצד לפרש אותו. אלה משימות קשורות אך לא זהות, ובלבול ביניהן גורם לבעיות. בדיקה פנימית עשויה להחליט שקליפ בטוח לפרסום לאחר בדיקות נוספות, בעוד שמדיניות החשיפה עדיין דורשת תווית מכיוון שנעשה שימוש בבינה מלאכותית בייצור.

עבור צוותים הזקוקים לערכת כלים רחבה יותר, מדריך מעשי לכלי גילוי אתרי בינה מלאכותית יכול לסייע להשוות כיצד מערכות אימות שונות משתלבות בפעילות התוכן. המפתח הוא להתייחס לגלאים כחלק מתהליך איכות ושקיפות, לא כקיצור דרך סביב החשיפה.

רשימת בדיקה מעשית עבור מו״לים ומחנכים

רשימת בדיקה שימושית מתחילה לפני הפרסום, לא אחרי שהבעיה הופכת פומבית. מו״לים צריכים לאמת את המקור, לבדוק מטא-נתונים ולהריץ את הגלאי המתאים לסוג המדיה. מחנכים צריכים להשוות את ההגשה לדפוס הרגיל של התלמיד, ואז לבחון את הקובץ עצמו במקום את הטענה המצורפת אליו. מפעילי שווקים מקוונים צריכים לעשות את אותו הדבר עבור תמונות מוכרים והודעות קוליות.

לפני שאתם מפרסמים או מאשרים

• בדקו מקור תחילה: ודאו מי שלח את הקובץ, מהיכן הוא הגיע, והאם הנתיב אליכם סביר.
• בדקו מטא-נתונים ודחיסה: חפשו סימנים לכך שהקובץ נשמר שוב ושוב, פורסם מחדש, או יוצא דרך מערכות מרובות.
• הריצו את הגלאי המתאים: השתמשו בגלאי תמונה עבור תמונות קפואות, בגלאי וידאו עבור קליפים, ובגלאי קול עבור קבצי שמע בלבד.
• השוו לבדיקה ידנית: בקשו מאדם נוסף לבחון את אותו הקובץ כאשר הציון אינו ברור או כאשר ההשלכות משמעותיות.
• תעדו כל החלטה: שמרו את הקובץ, את פלט הגלאי, את התאריך ואת הערות הבודק לצורך ביקורת מאוחרת יותר.

מה לעשות כאשר התוצאה מעורבת

תוצאות מעורבות הן נורמליות. גלאי יכול לסמן קובץ בעוד שהסיפור המקורי עדיין מתאשש, או שקובץ יכול להיראות נקי בעוד שהמקור חלש. במקרים כאלה, הצוות צריך להתייחס לפלט כפיסת ראיה אחת ולהמשיך לחפש. צעד הבא טוב הוא בדיקה חוצת-פריימים עבור וידאו, או השוואת תמלול ושמע עבור קול.

הרגל תפעולי: רשמו מה אתם יודעים, מה בדקתם, ומה עדיין דורש אישור. זה מונע טעויות מתוך ביטחון יתר.

מה לא לעשות

אל תפרסמו רק על סמך ציון הגלאי. אל תתעלמו ממטא-נתונים כי הקליפ "נראה אמיתי". אל תתייגו משהו כזיוף ללא בדיקה שנייה כאשר הראיות דלות. ואל תניחו שכישלון של גלאי אומר שהקובץ אותנטי, זה עשוי פשוט להעיד על כך שהכלי זקוק להקשר טוב יותר.

עבור מחנכים, אותה משמעת עוזרת עם יושרה אקדמית של תלמידים מבלי לטעון לוודאות מוגזמת. עבור מו״לים, זה מגן על אמינות עריכתית. עבור צוותי שווקים מקוונים, זה שומר על האמון מלהתפורר.

חיבור הכול יחד עם Humantext.pro

תהליך אימות טוב מתחיל במקור, ממשיך דרך בדיקות גלאי, ומסתיים בבדיקה אנושית. זו התפיסה ש-Humantext.pro משתלבת בה. זוהי פלטפורמת גלאי בינה מלאכותית והומניזציה של טקסט המשמרת פרטיות, שיכולה לבדוק אם תוכן טקסט, תמונות, וידאו או קול נוצר בבינה מלאכותית, והיא כוללת בדיקות ייעודיות כמו גלאי וידאו בינה מלאכותית וגלאי קול בינה מלאכותית. היא גם תומכת באימות בסגנון SynthID ובתהליכי חשיפה עבור צוותים המטפלים בחובות שקיפות.

עבור צוותים שעובדים גם עם צינורות תוכן בנפח גבוה, המדריך לגריפת אתרים בבינה מלאכותית עבור מפתחים הוא תזכורת שימושית לכך שמקור הקובץ ושיטות הטיפול בנתונים חשובים לא פחות מהגלאי עצמו. אותו הדבר נכון לגבי אימות מדיה, אם הקלט מבולגן, הפלט יהיה כזה גם הוא.

הגישה המעשית פשוטה. השתמשו בגלאי ככלי סינון ראשוני, השוו אותו לבדיקות אבטחת איכות מוכרות, ושמרו על שלב הבדיקה האנושית עבור כל דבר חשוב. זה נכון בין אם אתם בודקים קליפ חם, הגשה של תלמיד, תמונת מוצר, או הודעה קולית.

הטעויות שיש להימנע מהן עקביות בכולן. אל תסתמכו על ציון אחד. אל תדלגו על בדיקת מקור. אל תבלבלו בין תווית להוכחה. ואל תפרסמו או תאשרו מדיה ללא נתיב ביקורת כאשר יש על מה לשים על הכף.

---

אם אתם זקוקים לתהליך אימות שתוכלו להשתמש בו בחדר חדשות, בכיתה או בצוות תוכן, התחילו בבדיקת קובץ חשוד באמצעות Humantext.pro והשוו את התוצאה לבדיקות המקור שלכם לפני שתקבלו החלטה.