I. Giriş

Derin sahte (deepfake) teknolojisi, yapısı gereği gerçekte var olmayan bir sesin, görüntünün yahut video kaydının gerçekmiş gibi yahut var olan bu verilerin farklı şekil ve içeriklerle topluma sunulmasını mümkün kılmaktadır. Bu sahtecilik ile kişiler hakkında şantaj ya da kişiler üzerinden menfaat temin edilebilmektedir. Kişisel verilerin belirli algoritmik süreçlerden geçirilerek manipülasyona açık hâle getirilmesi; finansal kayıplar, siber zorbalık ve dolandırıcılık gibi zararlı eylemlerin artmasına zemin hazırlamakta, özellikle teknolojik okuryazarlık seviyesi düşük olan çocuklar ve yaşlı bireyler saldırganlar açısından kolay hedef hâline gelmektedir.[1] Bu tablo karşısında, derin sahtecilikle mücadele ve bu sahteciliğin tespiti için geliştirilmiş bazı teknolojik önerilerin bilinmesinde fayda bulunmaktadır. Zira soruşturma evresinde bir kaydın yapay olup olmadığının saptanamaması, hem masum kişilerin sahte delillerle itham edilmesine hem de gerçek delillerin sahtelik iddiasıyla etkisizleştirilmesine yol açabilecektir.

II. Tespit Yöntemleri

Konuşmacı Tanıma (Speaker Recognition): Konuşmacı tanıma sistemleri, konuşmacı kimlik tespiti (identification) ve konuşmacı doğrulama (verification) olmak üzere iki temel bileşen üzerine inşa edilmiştir. Kimlik tespiti sistemleri, yalnızca ses girdisine dayanarak konuşmacının kim olduğunu belirlemeyi amaçlarken; otomatik konuşmacı doğrulama sistemleri, belirli bir ses örneğinin beyan edilen kimliğe ait olup olmadığını doğrulamaya yönelik çalışmaktadır. Bu teknolojiler, yeni ses örneklerinin, önceden oluşturulmuş ses izleri (voice prints) veri tabanlarıyla karşılaştırılması esasına dayanmaktadır.[2]

Ses Canlılığı Tespiti (Voice Liveness Detection): Ses canlılığı tespiti teknolojileri, bir sesin gerçek bir birey tarafından o anda üretilip üretilmediğini veya önceden kaydedilmiş bir ses dosyasından gelip gelmediğini belirleyebilmektedir. İnsan kulağı tarafından neredeyse ayırt edilemez düzeyde üretilen ses klonları dahi, bu tür yapay zekâ tabanlı tespit sistemleri tarafından fark edilebilen belirli akustik anomaliler veya üretilmiş ses artefaktları içerebilmektedir. Bununla birlikte telefon görüşmeleri veya radyo röportajları gibi düşük kaliteli ses kayıtlarında bu sistemlerin doğruluk oranı ve güvenilirliği önemli ölçüde azalmaktadır.

Yüz Tanıma (Facial Recognition): Yüz tanıma sistemleri, dijital ortamlarda kişilerin kimliğini belirlemek amacıyla kullanılan biyometrik tabanlı yazılımlar olup, aynı zamanda sahte veya manipüle edilmiş görsel materyallerin analizinde de kullanılabilmektedir. Derin sahte algoritmaları; yüzleri bükme, germe, yeniden biçimlendirme veya yalnızca belirli yüz hatlarını değiştirme eğiliminde olup, bu durum morfolojik tutarsızlıklar veya orantısal bozulmalar meydana getirmektedir. Dolayısıyla yüz tanıma sisteminin görseldeki kişi ile beyan edilen kimliği eşleştirememesi, derin sahtecilik olduğuna karine oluşturabilir.

Yüz Özelliklerinin Analizi (Facial Feature Analysis): Son yıllarda yapılan çalışmalar; burun, ağız ve gözlerin konumu, hareketi ve kas dinamikleri gibi yüz hattına ilişkin işaretlerin (facial landmarks) analizi yoluyla derin sahte manipülasyonlarını tespit edebilen algoritmaların geliştirilmesine odaklanmaktadır. Görsel adli bilişim alanında yer alan araştırmalar; göz kırpma frekansındaki eksiklikler, kaş hareketlerindeki senkronizasyon bozuklukları veya mikro düzeydeki ifadelerin tutarsızlıkları gibi göstergeleri temel alarak sahte içeriklerin belirlenebildiğini ortaya koymaktadır.

Geçici Tutarsızlıkların Analizi (Temporal Inconsistencies): Derin sahte videoların üretim süreci genellikle bir video dizisindeki her bir kareye (frame) ayrı ayrı müdahale edilmesi yoluyla yürütülmektedir. Bu durum, kareler arasında zamansal bütünlüğün bozulmasına ve doğal olmayan hareket geçişlerinin ortaya çıkmasına neden olmaktadır. Bu tür tutarsızlıklar; baş pozisyonunda ani değişimler, dudak hareketlerinin konuşma ile uyumsuzluğu veya yüz kaslarının doğallıktan uzak hareketleri şeklinde gözlemlenebilir.

Görsel Artefaktlar (Visual Artefacts): Görsel derin sahtecilik sürecinde yalnızca görüntünün belirli bölümleri değiştirildiğinde, algoritmalar orijinal ve manipüle edilmiş bölgeler arasında yapay bir geçiş yüzeyi oluşturmak zorundadır. Bu geçişler genellikle bulanıklık, renk geçişinde düzensizlik ve kenar bozulmaları gibi görsel artefaktlar şeklinde ortaya çıkmaktadır. Ayrıca derin öğrenme modeli sınırlı sayıda kaynak görüntü ile eğitilmişse, hedef yüzün belirli mimik ve ifadeleri algoritma tarafından tahmin edilmekte ve bu durum doğallık dışı yüz ifadelerinin üretilmesine yol açmaktadır. Arka planların gerçeklik düzeyinin düşük olması ve ışıklandırma değişimlerinin doğru biçimde modellenememesi de derin sahteciliğe işaret eden karakteristik göstergelerden kabul edilebilir.

Gerçeklik Göstergelerinin Yokluğu (Lack of Authentic Indicators): Kamera sensörleri, çiplerin üretim sürecinden kaynaklanan küçük farklılıklar nedeniyle duyarlılığı az da olsa değişen mikroskobik pikseller oluşturmaktadır. Bu farklılıklar, her kamera ile kaydedilen görüntü veya videoda tespit edilebilen bir tür gürültü filigranı (noise watermark) oluşturmaktadır. Deepfake algoritmaları ise çoğu zaman bu ayırt edilebilir deseni bozarak ya da tamamen ortadan kaldırarak, içeriğin sahte olduğuna işaret eden bir belirti bırakmaktadır.

III. Teknolojik Tespitin Sınırları

Derin sahtecilik yöntemleriyle üretilmiş verilerin tespiti için yapay zekâ modellerinin kullanılması tavsiye edilse de, bu yöntemin her zaman sağlıklı sonuçlar vermeyebileceği ileri sürülmüştür. Bu görüşe göre; yalnızca derin sahteleri tespit etmeye yönelik yapay zekâ modelleri geliştirmek, görsel-işitsel yanlış veya yanıltıcı bilgi (mis/disinformation) sorununa tek başına koruma sağlamaz. İlk olarak, yapay zekâ tarafından üretilen videolar manipüle edilmiş medyanın yalnızca bir örneğini oluşturmakta ve günümüzdeki görsel manipülasyonların büyük bir kısmı düşük teknolojili (low-tech) ve yapay zekâ temelli olmayan yöntemlerle gerçekleştirilmektedir.[3] Örneğin Mayıs 2019'da yayımlanan ve ABD Temsilciler Meclisi Başkanı Nancy Pelosi'yi sarhoşmuş gibi gösteren video, bir shallowfake yani basit manipülasyon örneğidir; çünkü video yalnızca yavaşlatılarak değiştirilmiştir. Genel olarak bakıldığında, video temelli yanlış bilgilendirme örneklerinin büyük kısmı, görüntü veya sesin doğrudan değiştirilmesinden ziyade, bağlamından koparılmış ya da yanlış başlıklarla sunulmuş gerçek içeriklerden oluşmaktadır.

İkinci olarak, derin sahtecilikle üretilmiş bir videonun tespit edilmesi durumunda dahi, tespite ilişkin anlamın doğru biçimde yorumlanması gerekmektedir. Teknik tespit araçları, bir videonun nasıl üretildiği veya sahteciliğe konu edildiği hakkında bilgi verebilir; ancak içeriğin yanlış bilgi mi, yoksa yanlış yönlendirme mi içerdiğini, hatta bağlamını belirleyememektedir. Dolayısıyla bir teknoloji platformu, yanıltıcı ve aldatıcı yapay içerikleri kaldırmak isteyebilir; fakat aynı zamanda yapay zekâ ile üretilmiş mizahi, sanatsal veya tarafsız içeriklerin platformda kalmasında bir sakınca görmeyebilir. Ayrıca içeriğin doğası, her zaman üreticinin niyetini (örneğin aldatmak mı, bilgilendirmek mi) açık biçimde ortaya koymamaktadır.

IV. Hukuk ile Teknolojinin Eş Güdümü

Yavuz'a göre derin sahteciliğin kötüye kullanımıyla mücadelede teknolojiden faydalanmak sorunları kayda değer ölçüde dindirebilir; teknolojik çözümler, derin sahtelerin insan hakları ve demokrasiye karşı oluşturduğu tehditlere karşı bir ölçüde derman olabilir.[4] Bizim de katıldığımız bu yaklaşım, sağlıklı ve gerçekçi bir mücadele ve müdahale yollarından biridir. Çünkü hukuk kuralları, toplumsal değişimlerin yaratacağı muhtemel sonuçlar henüz belirginleşmeden proaktif bir yaklaşımla düzenleme yapabildiği gibi; bazen de ortaya çıkan sorunlara karşı deneme-yanılma yöntemiyle gecikmeli çözümler ve yaptırımlar geliştirebilmektedir. Bu ikinci durumda hukuki normların tesisi ancak toplumsal düzen sarsıldıktan sonra gerçekleşebilmekte; hukuk, yeri geldiğinde maalesef geç kalınmış bir adalet mekanizmasına dönüşebilmektedir. Söz konusu durumların; toplum, birey ve kurum menfaatlerini geri dönüşü olmayan ihlallere maruz bırakması, bu ihlallerle mücadelede hukuk ile teknolojinin eş güdümlü hareket etmesini zorunlu kılmaktadır. Bu bağlamda gerekli yazılımsal altyapıların inşası, ilgili personelin eğitimi ve araştırma-geliştirme laboratuvarlarının tesisi, derin sahteciliğin suistimal edilmesine karşı hukuki düzlemde de en etkin stratejik adımları teşkil edecektir. Aksi takdirde ilgili hukuk normları ihdas edilse dahi, teknik yetersizlikler nedeniyle bu normların işlerlik kazanması ve suçun tespiti mümkün olmayacaktır.

V. Yargı Uygulamasına Yansımalar

Türk yargı uygulaması, kayıtların otantikliğinin teknik incelemeyle denetlenmesi gerektiğini kabul etmektedir. Yargıtay 12. Ceza Dairesi; iddiaya konu görüntülü ve sesli kaydın bilirkişiye inceletilmesi, kayıtta montaj olup olmadığının araştırılması ve gerektiğinde uzman bir kriminal ses laboratuvarından rapor alınması gerektiğini vurgulamıştır.[5] Aynı hassasiyetin köklerini, Anayasa Mahkemesi'nin 1971 tarihli kararında da bulmak mümkündür: Mahkeme, ses bantlarını inceleyen bilirkişilerin kimliklerinin ve teknik yetkinliklerinin denetlenememesini delil değerini gölgeleyen bir husus olarak kaydetmiş; teknik verilerin hukuk yönünden tam bir güvenle kabul edilebilmesi için dışsal ve usulüne uygun destekleyici unsurlarla tahkim edilmesi gerektiğini belirtmiştir.[6] Deepfake çağında bu içtihadi birikim; tespit raporlarının hangi yöntemle, hangi yetkinlikteki uzmanlar tarafından ve hangi hata payıyla düzenlendiğinin mahkemelerce sorgulanması gerektiği şeklinde güncellenmelidir.

VI. Sonuç

Tüm açıklamalar kapsamında denilebilir ki; derin sahteciliğin tespitine yönelik teknolojik yöntemler soruşturma makamları için vazgeçilmez araçlar olmakla birlikte, hiçbiri tek başına mutlak güvenilirlik sunmamaktadır. Suçun soruşturulması evresinde yalnızca yasal düzenlemelerin varlığı yeterli olmayıp; elektronik delillerin otantikliğini saptayabilecek gelişmiş yazılımsal altyapıların inşası ve teknik kapasitesi yüksek uzman personelin istihdamı, suçun tespiti ve normların etkin tatbiki açısından stratejik bir zorunluluktur. Teknik veriye duyulan hukuki güven, ancak katı usuli güvencelerle ve teknoloji-hukuk eş güdümüyle korunabilecektir.[7]

-----------

[1]Deepfake Bilgi Notu, Kişisel Verileri Koruma Kurulu, KVKK Yayınları, No: 75, Ankara, 2025, s. 8.

[2]Tespit yöntemlerine ilişkin açıklamalar için bkz. UNIT, Scientific Foresight, Tackling Deepfakes in European Policy, European Parliament, Brussels, 2021, s. 17-19.

[3]The Deepfake Detection Challenge: Insights and Recommendations for AI and Media Integrity, Partnership on AI, 2020, s. 8.

[4]Yavuz, Can, Deepfake (Derin Sahte): Yapay Zekâ Tarafından Üretilen Yeni Nesil Görsel-İşitsel İçerik, Seçkin Yayıncılık, Ankara, 2022, s. 274-275.

[5] T.C. Yargıtay 12. Ceza Dairesi'nin 2022/2295 E., 2022/4956 K. sayılı ve 23.06.2022 tarihli kararı. Kararın tam metni için https://www.hukukihaber.net/yargitay-12-ceza-dairesinin-20222295-e-20224956-k-sayili-karari

[6]AYM'nin 17.8.1971 ve 19.8.1971 günlü, 1971/41 E., 1971/67 K. sayılı kararı (RG 15.1.1972, S. 14073). https://www.hukukihaber.net/aymnin-197141-e-197167-k-sayili-karari

[7]Konuya ilişkin ayrıntılı değerlendirmelerimiz için bkz. GENÇ, Coşkun, Bilişim Suçlarının Soruşturulması ve Koruma Tedbirleri, Yetkin Yayınları, Ankara, 2026, s. 426 vd.