Na tecnologia digital, a mídia sintética é o conteúdo digital — texto, imagem, áudio ou vídeo — criado ou modificado de forma automatizada ou artificialmente, geralmente por sistemas de inteligência artificial. Embora nem toda mídia sintética dependa de IA, o termo passou a se associar sobretudo à inteligência artificial generativa, abrangendo aplicações como os deepfakes, a síntese de voz, a geração de imagens e a produção automática de texto.Vitória Boldrin. "A era da mídia sintética: o conflito entre inovação e regulação". Insper, 2023. Consultado em 20 de agosto de 2026.

thumb|Rosto de uma pessoa que não existe, gerado inteiramente por uma rede neural (StyleGAN2, 2019) — um exemplo típico de imagem sintética fotorrealista.

História Em 1993, o conceito de "dado sintético" foi criado pelo professor de estatística Donald B. Rubin (Universidade de Harvard) em um artigo, referindo-se a dados sintetizados a partir de dados históricos modificados. Que atualmente, é comumente associado aos dados gerados por IA generativa. De acordo com a Unesco define "conteúdo sintético" é algo digital gerado/modificado por um algoritmo.

O campo ganhou força a partir de 2014, quando o pesquisador canadense Ian Goodfellow e colegas da Universidade de Montreal propuseram as redes adversárias generativas (conhecidas pela sigla em inglês, GANs), uma arquitetura de aprendizado de máquina que coloca duas redes neurais em disputa — uma geradora e uma discriminadora — até que o conteúdo produzido se torne praticamente indistinguível do real."Introdução às Redes Adversárias Generativas (GANs)". Deep Learning Book. Consultado em 20 de agosto de 2026.

thumb|Esquema simplificado do funcionamento de uma rede adversária generativa (GAN): o gerador cria conteúdo falso e o discriminador tenta identificá-lo, em um ciclo que aprimora ambos.

Essa técnica acabou servindo de base para várias das primeiras aplicações populares de mídia sintética, entre elas os primeiros casos de deepfakes amplamente divulgados (pornografia falsa não-consensual de celebridades e discursos políticos Falsos). Nos anos seguintes, o campo continuou se expandindo com o avanço dos modelos de linguagem e de ferramentas multimodais capazes de gerar vídeo a partir de simples comandos de texto."Deepfakes e inteligência artificial: desafios éticos e jurídicos". Revista Estudos e Contemporaneidade. Consultado em 20 de agosto de 2026.

Tipos Costuma-se dividir a mídia sintética em quatro grandes formatos: Texto — produzido por modelos de linguagem, usado em redação automática, chatbots e tradução. Imagem — imagens fotorrealistas ou estilizadas geradas a partir de descrições textuais ou de outras imagens. Áudio — vozes sintéticas produzidas por clonagem de voz ou por conversão de texto em fala. Vídeo — vídeos gerados ou manipulados digitalmente, incluindo os deepfakes, nos quais rostos ou vozes de pessoas reais são substituídos ou recriados por computador.

Aplicações Na publicidade e no marketing, a mídia sintética permite personalizar mensagens e reduzir custos de produção; no entretenimento, viabiliza dublagem automática e efeitos visuais; e, em áreas como educação e saúde, tem aberto espaço para aplicações consideradas legítimas, ainda que convivam com os usos mais controversos da tecnologia.

Benefícios São grandes os benefícios da mídia sintética em várias áreas: expressão criativa (design), arte (obras), publicidade (anúncio personalizado), entretenimento (filmes, games), saúde (dados para pesquisa e planejamento de cirurgias).

Riscos e controvérsias No entanto, os riscos desta tecnologia também são muitos, o uso malicioso de mídia sintética costuma estar ligado à disseminação de desinformação e a manipulação enganosa, a fraudes financeiras e a violações de direitos de imagem, honra e privacidade. Casos de deepfakes pornográficos não consensuais e de manipulação de conteúdo em períodos eleitorais reacenderam o debate sobre regulamentação específica, já que boa parte da legislação em vigor ao redor do mundo ainda é vista como insuficiente diante desses riscos."Entre a realidade fabricada e o silêncio da lei: a (in)eficácia diante das deepfakes geradas por inteligência artificial". Revista FT. Consultado em 20 de agosto de 2026.

Quando a IA generativa é treinada com dados sintéticos, a qualidade dos resultados é comprometida. Como por exemplo se um modelo de IA gera imagens da mão humana com distorções, e; essas imagens são usadas no treinamento de outros modelo de IA generativa, as distorções são ampliadas até os resultados tornarem-se irreconhecíveis, como o "efeito telefone sem fio".

Regulamentação

Brasil No Congresso brasileiro, tramita o Projeto de Lei nº 2338/2023, conhecido como Marco Legal da Inteligência Artificial e aprovado pelo Senado em 2024, que prevê obrigações de transparência e identificação de conteúdos sintéticos gerados por IA."A Regulação da Inteligência Artificial no Brasil". Jusbrasil, 2025. Consultado em 20 de agosto de 2026. Em paralelo, a Câmara dos Deputados aprovou uma proposta específica voltada a punir redes sociais que hospedarem pornografia falsa gerada por inteligência artificial."Comissão aprova multa e suspensão de rede social que abrigar pornografia falsa gerada por IA". Portal da Câmara dos Deputados. Consultado em 20 de agosto de 2026. Ainda assim, pesquisadores apontam que o arcabouço legal brasileiro — que inclui a Lei Geral de Proteção de Dados e o Marco Civil da Internet — segue fragmentado diante dos desafios específicos colocados pelos deepfakes.

União Europeia Em vigor desde 2024, o Regulamento Europeu de Inteligência Artificial (AI Act) classifica sistemas de IA usados para influenciar eleições como de "alto risco", o que exige mais transparência e supervisão humana sobre seu funcionamento. A norma da União Europeia é citada com frequência como referência em debates sobre propostas regulatórias em outros países, o Brasil incluído.

Ver também Inteligência artificial generativa Arte de inteligência artificial Rede adversária generativa Deepfake Mídia digital

Referências

Ver também Content Authenticity Initiative — iniciativa liderada pela Adobe, em parceria com veículos como o The New York Times, para padronizar a proveniência de conteúdo digital. Coalition for Content Provenance and Authenticity (C2PA) — coalizão responsável pelo padrão técnico usado para rastrear a origem de conteúdo sintético. Categoria "Generative adversarial networks" no Wikimedia Commons

Categoria:Inteligência artificial Categoria:Mídia digital