Cet article propose une nouvelle méthode de détection exploitant les artefacts temporels pour résoudre le problème croissant de la distribution de contenu synthétique dû à l'augmentation du nombre de vidéos générées par l'IA. Nous établissons un cadre théorique basé sur l'analyse dynamique du second ordre selon la mécanique newtonienne et utilisons les caractéristiques de différence centrale du second ordre pour révéler des différences fondamentales dans la distribution des caractéristiques du second ordre entre les vidéos réelles et celles générées par l'IA. Sur cette base, nous proposons D3 (Détection par Différence de Différences), une nouvelle méthode de détection qui ne nécessite aucun apprentissage. Nous démontrons expérimentalement que D3 surpasse les méthodes de pointe existantes sur quatre jeux de données open source (Gen-Video, VideoPhy, EvalCrafter et VidProM). Notamment, sur le jeu de données GenVideo, notre méthode atteint une amélioration moyenne de la précision de 10,39 %, démontrant une excellente efficacité et robustesse de calcul.
