---
id: CP-298
slug: visuele-akoestische-aanwijzingen-deepfake
lang: nl
title: Een deepfake herkennen aan beeld en geluid
description: Een synthetisch gezicht of een synthetische stem kan een bestuurder of collega nabootsen. Wat vaststaat en waarom u via een ander kanaal controleert.
canonical_url: https://startbrain.io/cyberpedia/nl/articles/visuele-akoestische-aanwijzingen-deepfake/
markdown_url: https://startbrain.io/cyberpedia/nl/articles/visuele-akoestische-aanwijzingen-deepfake.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, “Een deepfake herkennen aan beeld en geluid”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/visuele-akoestische-aanwijzingen-deepfake/ (CC BY 4.0)
wing: 4
theme: deepfake
reflex: air-030
schema: G4
updated: "2026-11-10"
translations:
  nl: https://startbrain.io/cyberpedia/nl/articles/visuele-akoestische-aanwijzingen-deepfake/
  fr: https://startbrain.io/cyberpedia/fr/articles/indices-visuels-acoustiques-deepfake/
  en: https://startbrain.io/cyberpedia/en/articles/spotting-deepfake-visual-audio-clues/
  de: https://startbrain.io/cyberpedia/de/articles/visuelle-akustische-hinweise-deepfake/
  es: https://startbrain.io/cyberpedia/es/articles/indicios-visuales-acusticos-deepfake/
  it: https://startbrain.io/cyberpedia/it/articles/indizi-visivi-acustici-deepfake/
  pl: https://startbrain.io/cyberpedia/pl/articles/wizualne-dzwiekowe-wskazowki-deepfake/
  pt: https://startbrain.io/cyberpedia/pt/articles/indicios-visuais-acusticos-deepfake/
  ja: https://startbrain.io/cyberpedia/ja/articles/gazo-onsei-deepfake-tegakari/
sources:
  - "n": 1
    title: "Phishing: Spearphishing Voice, Sub-technique T1566.004 - Enterprise"
    publisher: MITRE ATT&CK
    url: https://attack.mitre.org/techniques/T1566/004/
    accessed: "2026-11-10"
  - "n": 2
    title: "Deepfake Generation and Detection: A Benchmark and Survey"
    publisher: arXiv
    url: https://arxiv.org/abs/2403.17881
    published: "2024-03-26"
    accessed: "2026-11-10"
  - "n": 3
    title: "Guardians of Forensic Evidence: Evaluating Analytic Systems Against AI-Generated Deepfakes"
    publisher: NIST
    url: https://www.nist.gov/publications/guardians-forensic-evidence-evaluating-analytic-systems-against-ai-generated-deepfakes
    published: "2025-01-27"
    accessed: "2026-11-10"
  - "n": 4
    title: NSA, FBI, and CISA Release Cybersecurity Information Sheet on Deepfake Threats
    publisher: CISA
    url: https://www.cisa.gov/news-events/alerts/2023/09/12/nsa-fbi-and-cisa-release-cybersecurity-information-sheet-deepfake-threats
    published: "2023-09-12"
    accessed: "2026-11-10"
  - "n": 5
    title: "Phishing: Spearphishing via Service, Sub-technique T1566.003 - Enterprise"
    publisher: MITRE ATT&CK
    url: https://attack.mitre.org/techniques/T1566/003/
    accessed: "2026-11-10"
  - "n": 6
    title: Generative Adversarial Networks
    publisher: arXiv
    url: https://arxiv.org/abs/1406.2661
    published: "2014-06-10"
    accessed: "2026-11-10"
  - "n": 7
    title: Denoising Diffusion Probabilistic Models
    publisher: arXiv
    url: https://arxiv.org/abs/2006.11239
    published: "2020-06-19"
    accessed: "2026-11-10"
---

# Een deepfake herkennen aan beeld en geluid

Een deepfake is een beeld, een video of een stem die door een AI-model is gefabriceerd om op een echt persoon te lijken. Voor een medewerker zit het gevaar erin dat een vertrouwd gezicht of een vertrouwde stem wordt gebruikt om een verzoek erdoor te krijgen: een "bestuurder" die dringend om een overschrijving vraagt, een "collega" die om toegang vraagt.

Dit artikel beschrijft wat het slachtoffer waarneemt, hoe deze inhoud wordt gefabriceerd en waarom oog en oor niet volstaan om te beslissen.

## In 30 seconden

- Waar het gebeurt: telefoongesprek of een andere vorm van stemcommunicatie [1], of een bericht dat via een berichtendienst wordt verstuurd [5], met een geleende identiteit van iemand die men vertrouwt.
- Wat de aanvaller wil: via de telefoon toegang tot systemen verkrijgen [1].
- De reflex: bellers wantrouwen en hun identiteit controleren [1]. Voor dit artikel betekent dat: het verzoek bevestigen via een ander kanaal dan dat van het verzoek, zonder op het gezicht of de stem af te gaan.
- Als het al gebeurd is: de beveiligingsdienst van het bedrijf onmiddellijk waarschuwen, met het tijdstip van het gesprek en het gebruikte kanaal.

## Directe vragen

### Kan men een deepfake met het blote oog herkennen?

Generatietechnieken brengen onder bepaalde omstandigheden "zeer realistische" gezichtsbeelden en gezichtsvideo's voort [2]. Het NIST wijdt van zijn kant werk aan de evaluatie van analysesystemen tegen deepfakes van beelden die door AI zijn gegenereerd [3].

### Waarom verdwijnen de zichtbare gebreken?

Generatieve modellen verbeteren. Een overzichtsstudie merkt op dat generatieve antagonistische netwerken (GAN) indrukwekkende resultaten hebben opgeleverd en dat diffusiemodellen het onderzoek daarna nieuw leven hebben ingeblazen [2]. Dezelfde studie geeft aan dat ook de detectietechnieken voortdurend evolueren [2].

### Wat zegt men over de dreiging aan de kant van de autoriteiten?

Op 12 september 2023 hebben de NSA, de FBI en de CISA een informatieblad gepubliceerd, "Contextualizing Deepfake Threats to Organizations". Het presenteert de dreigingen, technieken en trends van synthetische media, waaronder deepfakes, en beveelt organisaties aan daarin maatregelen te zoeken om zich voor te bereiden, te identificeren, te verdedigen en te reageren [4]. De agentschappen schrijven over deze dreigingen dat ze "exponentially increased" [4].

### Wat te doen als het verzoek van een leidinggevende komt?

Via een ander kanaal controleren. MITRE beveelt aan gebruikers op te leiden om bellers te wantrouwen en hun identiteit te controleren [1]. In de praktijk: ophangen en de persoon daarna terugbellen op een al bekend nummer, of bereiken via de interne berichtendienst.

## In de huid van de aanvaller

De aanvaller wil iemand tot handelen brengen. MITRE beschrijft "spearphishing voice" als een variant van gerichte phishing die een gebruiker ertoe brengt toegang tot systemen te geven via een telefoongesprek of een andere vorm van stemcommunicatie [1]. De werkwijze loopt vaak via social engineering: zich voordoen als een vertrouwde bron en bij de persoon een gevoel van urgentie of alarm wekken [1].

Een synthetische stem of een synthetisch gezicht voegt een laag toe aan dit scenario: de gesprekspartner is niet langer alleen iemand die beweert de bestuurder te zijn, hij heeft diens uiterlijk of timbre.

De aanvaller kan ook eerst een stap zetten om vertrouwen te wekken. MITRE beschrijft aanvallers die valse accounts op sociale netwerken aanmaken, het gesprek aangaan met medewerkers en daarna links of bijlagen sturen via een dienst die het bedrijf niet controleert, zoals een persoonlijke mailbox die op de werkcomputer wordt geraadpleegd [5]. Deze diensten hebben waarschijnlijker een minder strikt beveiligingsbeleid dan een bedrijf [5].

## Wat u op het scherm ziet

Het slachtoffer ziet of hoort een persoon die het denkt te kennen. Het verzoek heeft met andere vormen van phishing een vertrouwde identiteit en urgentie gemeen [1].

Hier volgt een geneutraliseerde illustratie van wat een gesprek van dit type kan bevatten. Ze is verzonnen voor het voorbeeld en geeft geen enkel echt geval weer.

```text
Illustratie (fictief geval, adres geneutraliseerd)
Oproep van [stem die een bestuurder nabootst] :
[verzoek om een dringende en vertrouwelijke betaling te verwerken,
 verzoek om niemand te waarschuwen en daarna verbinding te maken met
 hxxps://acces-urgent[.]exemple[.]invalid om te valideren]
```

MITRE merkt ook op dat gesproken phishing kan worden gecombineerd met het genereren van verzoeken om multifactorauthenticatie, om het slachtoffer ertoe te brengen zijn MFA-inloggegevens prijs te geven of authenticatieverzoeken te accepteren [1].

## Onder de motorkap

Twee families van modellen keren terug.

Generatieve antagonistische netwerken, of GAN, zijn voorgesteld in een artikel dat op 10 juni 2014 is ingediend. Het principe: twee modellen worden samen getraind, een generator die de verdeling van de trainingsgegevens vastlegt en een discriminator die schat of een steekproef uit die gegevens of uit de generator komt [6]. De training van de generator beoogt de kans te maximaliseren dat de discriminator zich vergist [6].
Diffusiemodellen volgden. Een artikel dat op 19 juni 2020 is ingediend presenteert resultaten van beeldsynthese van hoge kwaliteit met probabilistische diffusiemodellen, en geeft op de dataset LSUN in 256x256 een kwaliteit van steekproeven aan die vergelijkbaar is met die van ProgressiveGAN [7].

De overzichtsstudie over deepfakes onderscheidt vier domeinen: gezichtsvervanging, het reconstrueren van uitdrukkingen (face reenactment), het genereren van pratende gezichten en het bewerken van gezichtskenmerken, waaraan de detectie van vervalsing wordt toegevoegd [2].

Aan de kant van de verdediging stelt MITRE voor om bij frauduleuze oproepen de oproeplogboeken van zakelijke apparaten te bewaken op ongebruikelijke of niet-toegestane nummers en die vervolgens te correleren met systeemgebeurtenissen die daarop volgen, zoals het uitvoeren van een programma voor beheer op afstand [1].

## Incidentanalyses

De twee onderstaande gevallen zijn telefoontjes van mensen die zich voordoen als IT-ondersteuning, zonder aanwijzing voor een synthetische stem. Ze tonen het scenario dat deepfakes kunnen versterken.

### Scattered Spider: valse IT-medewerkers aan de telefoon

MITRE meldt dat de groep Scattered Spider zich tijdens de campagne C0027 bij telefoontjes voordeed als legitiem IT-personeel, om slachtoffers een programma voor monitoring en beheer op afstand (RMM) te laten downloaden waarmee de groep de controle over hun werkplek zou kunnen overnemen [1].

### Storm-1811: oproepen van "technische ondersteuning"

MITRE geeft aan dat Storm-1811 telefoontjes heeft gepleegd door zich voor te doen als IT-ondersteuning, om gebruikers ertoe aan te zetten scripts en programma's te downloaden en uit te voeren die als eerste toegang dienen [1]. Microsoft Threat Intelligence heeft op 15 mei 2024 een artikel gepubliceerd over het oneigenlijke gebruik van Quick Assist in social-engineeringaanvallen die tot ransomware leiden [1].

## Bronnen

1. MITRE ATT&CK, “Phishing: Spearphishing Voice, Sub-technique T1566.004 - Enterprise”. https://attack.mitre.org/techniques/T1566/004/ (geraadpleegd op 10 november 2026)
2. arXiv, “Deepfake Generation and Detection: A Benchmark and Survey”, 26 maart 2024. https://arxiv.org/abs/2403.17881 (geraadpleegd op 10 november 2026)
3. NIST, “Guardians of Forensic Evidence: Evaluating Analytic Systems Against AI-Generated Deepfakes”, 27 januari 2025. https://www.nist.gov/publications/guardians-forensic-evidence-evaluating-analytic-systems-against-ai-generated-deepfakes (geraadpleegd op 10 november 2026)
4. CISA, “NSA, FBI, and CISA Release Cybersecurity Information Sheet on Deepfake Threats”, 12 september 2023. https://www.cisa.gov/news-events/alerts/2023/09/12/nsa-fbi-and-cisa-release-cybersecurity-information-sheet-deepfake-threats (geraadpleegd op 10 november 2026)
5. MITRE ATT&CK, “Phishing: Spearphishing via Service, Sub-technique T1566.003 - Enterprise”. https://attack.mitre.org/techniques/T1566/003/ (geraadpleegd op 10 november 2026)
6. arXiv, “Generative Adversarial Networks”, 10 juni 2014. https://arxiv.org/abs/1406.2661 (geraadpleegd op 10 november 2026)
7. arXiv, “Denoising Diffusion Probabilistic Models”, 19 juni 2020. https://arxiv.org/abs/2006.11239 (geraadpleegd op 10 november 2026)

---

Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/visuele-akoestische-aanwijzingen-deepfake/
U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.
