论深度合成技术滥用在著作权领域的风险及应对措施
论深度合成技术滥用在著作权领域的
风险及应对措施
孙那赵江琦
摘要：深度合成技术主要是利用 生成式对抗网络 的人工智能方案，自动生成伪造的音视频㊁图像等内容㊂由于其操作简单，该技术迅速被相关用户普及㊂深度合成技术在快速发展的同时，也存在着被滥用的风险㊂深度合成技术滥用会威胁个人和企业的合法权益，产生社会信任危机，并且在著作权领域也会引发一系列法律问题㊂本文试图分析深度合成技术滥用在著作权领域存在的风险及相关的应对措施，阐明深度合成音视频的传播平台应在现行法律法规下审慎监管深度合成技术的利用㊂在平台内部寻监管资源，及时获取视频素材的商业使用权，修改与著作权紧密相关的用户协议，完善平台的技术应对措施，提高平台的风险防控能力㊂关键词：深度合成技术；著作权法；平台责任
作者简介：孙那(1986 )，西安交通大学法学院副教授，北京大学国际知识产权研究中心研究员，主要研究方向：知识产权法㊁娱乐法㊂赵江琦(1997 )，西北政法大学经济法学院硕士研究生，主要研究方向：知识产权法㊂
基金项目：本文系国家社科基金西部项目‘知识产权惩罚性赔偿制度的完善及与民法典的衔接“(20XFX013)研究成果㊂
目次
一问题的引入
二深度合成物法律性质的认定
171
私法第18辑第1卷(总第35卷)
(一)深度合成物是否属于著作权法上的演绎作品
(二)深度合成物是否构成著作权法上的合理使用
三深度合成技术可能引发的著作权侵权风险
(一)构成对相关著作权的侵害
(二)构成对表演者权的侵害
四深度合成技术滥用侵权主体的责任分析
(一)直接侵权行为人的责任
reddit
(二)深度合成技术服务平台提供者的责任
(三)深度合成技术开发者的责任
五规制深度合成技术的相关措施
(一)完善相关政策法规，加强综合运用
(二)平台方规范视频来源，运用技术措施进行审查和监管
(三)平台用户方严格遵守相关规定
(四)从行业发展角度加强对技术的治理
六结语
一问题的引入
一款名为 ZAO 的现象级App在2019年走红网络，该应用主打 换脸视频制作 ，使用门槛极低，用户无需PS等其他操作，只需上传照片就可以将原视频中的人物的面部替换，从而拥有自己 主演 的深度合成音视频㊂这款App因功能简单易懂㊁操作难度较低迅速吸引大众的眼球㊂与此同时，可以 一键换音 的App也逐渐映入公众眼帘，引发了广泛的关注㊂类似App所依赖的 深度合成技术 滥用的法律风险也逐渐凸显①㊂
271①深度合成(deep synthesis)，是一种基于深度学习的人物图像合成技术的假视频生成方
法，深度合成在视频中常见的方式是把原有视频中的人脸用另一张脸来替换，因此也被称为人脸交换(face swapping)技术㊂
论深度合成技术滥用在著作权领域的风险及应对措施
2017年，深度合成技术首次在美国引起公众关注㊂美国新闻网站Reddit 的某用户上传了大量经深度合成后的情视频，这些视频中的成人演员的脸被替换成了著名演员的脸㊂此后,Reddit 网站也因为大量分享经深度合成后的虚假情视频而被迫关闭㊂但深度合成技术却引发了技术社区的广泛兴趣，借助深度合成技术制作的语音㊁音乐㊁图像㊁人脸㊁视频等内容的开源方法和工具性应用不断涌现㊂与此同时，网络平台中也出现了一些涉及普京㊁特朗普等政治人物的深度合成视频，也将深度合成技术推到了社会舆论的风口浪尖，人们逐渐认识到其滥用的风险㊂
深度合成技术主要依赖于从海量数据中自主学习的深度学习算法模型，具体实现过程主要有三个步骤：数据提取㊁数据训练和数据转换㊂①其背后所依赖的人工智能技术主要包括自动编码机(autoencoders)和生成式对抗网络(Generative Adversarial Networks，以下简称 GAN )㊂自动编码器是一个人工神经网络，被训练来对输入数据进行重建以实现数据合成㊂GAN 由两组相互对抗的人工神经网络组成，其中生成器负责生成数据，识别器负责甄别㊂②生成器主要是从现有网络中获取目标人物的视频和图像等，形成源数据集，通过算法的训练达到样本学习的目的，生成伪造数据㊂识别器将目标数据与伪造数据进行对比，鉴别真伪，当识别器鉴定为 真 时，成为制作伪造音视频的素材，当识别器鉴定为 假 时，需要优化算法，优化后继续进行比对㊂生成器㊁识别器在合作中产生大量高相似性的数据输出，形成深度伪造音视频㊂基于每次迭代的结果，生成网络不断进行调整，生成越来越接近原始数据的新数据，最终GAN 可以生成高度逼真的深度伪造音视频㊂目前的深度合成技术应用主要包括：人脸替换(face replacement)也被称为人脸交换(face swapping)，即将源人
371①②以人脸替换为例，第一步是数据提取，这步需要收集足够的人脸图像，以便来训练算法
模型㊂主流方法是借助软件从视频中提取源人物和目标人物的多角度图像并剪裁成合适的尺寸㊂第二步是利用收集到的图像对人脸替换模型进行训练㊂模型训练通常用到编码器和自动编码机(autoencoder)这一神经网络，以及更复杂的生成对抗网络(GAN)㊂最后一步是合成，需要将合成的图像插入视频中㊂这意味着要确保视频中的每帧合成的图像的自然度和真实性，让合成人脸的角度与目标人物的肖像角度完
全一致，目前视频的深度合成难度远大于图像㊂
曹建峰:‘深度伪造技术的法律挑战及应对“,‘信息安全与通讯保密“2019年第10期㊂

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。