What is the most accurate AI detector in 2025?

There is no universally perfect detector. Independent roundups frequently highlight GPTZero for educator use, while Originality.ai and Copyleaks are popular in publishing and enterprise workflows. Pair two tools and include human review for best results.

How do AI detectors work for deepfakes and voice clones?

They analyze forensic cues like spectral inconsistencies, phase artifacts, facial blending artifacts, and provenance signals. In 2025, multi-modal suites and voice anti-spoofing tools are increasingly used to detect synthetic media reliably.

Are AI content detectors reliable for academic integrity?

They’re helpful as decision-support, not as sole evidence. Combine an AI detector with plagiarism checks, ask for drafts, and use LMS-integrated tools like Turnitin or GPTZero reports to inform policy-aligned decisions.

Which AI detectors support enterprise-scale integrations?

Copyleaks, Originality.ai, Hive, and Reality Defender offer strong APIs and dashboards for batch processing and trust & safety workflows. They’re suitable for platforms, marketplaces, and high-volume compliance checks.

How can I reduce false positives when using AI detectors?

Use two detectors, set conservative thresholds, and require human review for short or technical texts. Ask for drafts or sources, compare to past work, and incorporate provenance checks where available.

10 สุดยอดเครื่องมือตรวจจับ AI ที่น่าจับตามองในปี 2025

บทนำ: ภูมิทัศน์ของการตรวจจับ AI เปลี่ยนแปลงไปอย่างรวดเร็ว

นี่คือความจริงที่ยากจะยอมรับ: ไม่มีเครื่องมือตรวจจับ AI ใดที่แม่นยำ 100% ผลลัพธ์ที่ดีที่สุดมาจากการตรวจสอบแบบสามเหลี่ยม—การรวมเครื่องมือตรวจจับสองตัว การสแกนการลอกเลียนแบบ และการตัดสินของมนุษย์ นั่นคือข้อสรุปที่เกิดขึ้นในปี 2025 โดยเฉพาะอย่างยิ่งเมื่อโมเดล Generative พัฒนาขึ้นและเนื้อหาดูเหมือนมนุษย์มากขึ้น หากคุณเป็นผู้เผยแพร่ นักการศึกษา หรือหัวหน้าฝ่ายกำกับดูแลองค์กร คำถามไม่ใช่ “เครื่องมือตรวจจับใดที่สมบูรณ์แบบ?” แต่เป็น “ชุดเครื่องมือตรวจจับใดที่ลดความเสี่ยงและประหยัดเวลาโดยไม่ทำร้ายผู้ใช้ที่น่าเชื่อถือ?” นั่นคือมุมมองที่เราจะใช้ในการประเมินเครื่องมือตรวจจับ AI 10 อันดับแรกที่น่าจับตามองในปี 2025

อนึ่ง เป็นที่น่าสังเกตว่าคู่มือตลาดหลายฉบับในปัจจุบันกำหนดให้เครื่องมือตรวจจับ AI เป็นระบบสนับสนุนการตัดสินใจมากกว่าผู้ตัดสินขั้นสุดท้าย ซึ่งเป็นจุดยืนที่เป็นประโยชน์เมื่อโมเดลมีความฉลาดขึ้นและการใส่ลายน้ำยังคงถูกนำมาใช้อย่างไม่สม่ำเสมอ

อะไรคือสิ่งที่นับว่าเป็น “เครื่องมือตรวจจับ AI” ในปี 2025?

เครื่องมือตรวจจับ AI ข้อความ: ระบุว่าร้อยแก้วมีแนวโน้มที่จะถูกสร้างโดย AI หรือไม่ โดยมักจะใช้ perplexity/burstiness, feature attribution และ classifier ensembles

เครื่องมือตรวจจับ deepfake รูปภาพ/วิดีโอ/เสียง: ตรวจจับการปรับแต่ง เสียงที่ถูกโคลน และใบหน้า/วัตถุสังเคราะห์โดยใช้ forensic และ model-based cues

Provenance และ watermarking: ติดตามแหล่งที่มาของเนื้อหาและการเปลี่ยนแปลงผ่านมาตรฐานเช่น C2PA และลายน้ำโมเดลเสริม

ชุดเครื่องมือสำหรับความซื่อสัตย์ทางวิชาการและองค์กร: ผสมผสานการตรวจจับ การวิเคราะห์การเขียน และขั้นตอนการทำงานตามนโยบาย

วิธีการที่เราประเมิน

Precision และ recall: เครื่องมือตรวจจับข้อความ AI ได้โดยไม่แจ้งเตือนงานเขียนของมนุษย์ที่ถูกต้องตามกฎหมายหรือไม่?

ความโปร่งใสและหลักฐาน: คำอธิบายและไฮไลท์เป็นประโยชน์สำหรับการตรวจสอบหรือไม่?

Modal breadth: รองรับเฉพาะข้อความหรือรองรับหลายรูปแบบ (รูปภาพ วิดีโอ เสียง)?

Workflow fit: ความพร้อมใช้งานของ API, การบูรณาการ LMS/CMS, การประมวลผลเป็นชุด, รายงาน

ความเป็นส่วนตัวและการกำกับดูแล: การจัดการข้อมูลและตัวเลือก on-prem/cloud

10 อันดับเครื่องมือตรวจจับ AI ที่น่าจับตามองในปี 2025

GPTZero — เหมาะสำหรับห้องเรียน เน้นหลักฐานเป็นสำคัญ เหตุผลที่อยู่ในรายการ: GPTZero กลายเป็นเครื่องมือหลักในการศึกษาเพราะเน้นที่ความสามารถในการอธิบายและนำเสนอคุณสมบัติและรายงานที่เน้นนักการศึกษา ในการรวบรวมและเปรียบเทียบเชิงปฏิบัติในปี 2025 มีการอ้างถึงบ่อยครั้งในด้านความแม่นยำที่แข็งแกร่งและการอัปเดตโมเดลบ่อยครั้งโดยมุ่งเป้าไปที่การลดผลบวกลวงสำหรับงานของนักเรียน บทความอิสระในปีนี้สะท้อนให้เห็นถึงแนวโน้มการปรับปรุงประสิทธิภาพและการทำซ้ำที่สอดคล้องกัน เหมาะสำหรับ: นักการศึกษา ทีมงานด้านความซื่อสัตย์ทางวิชาการ องค์กรขนาดเล็กที่ต้องการหลักฐานที่อ่านง่าย คุณสมบัติเด่น: ไฮไลต์ส่วนที่น่าสงสัย ขั้นตอนการทำงานในห้องเรียน การอัปเดตบ่อยครั้ง

Originality.ai — การตรวจจับข้อความระดับเอเจนซี + การลอกเลียนแบบ เหตุผลที่อยู่ในรายการ: เป็นที่นิยมในหมู่เอเจนซีเนื้อหาและทีม SEO ที่ต้องการการตรวจสอบที่ปรับขนาดได้โดยรวมการตรวจจับ AI และการสแกนการลอกเลียนแบบ API มีความแข็งแกร่งสำหรับขั้นตอนการทำงานเป็นชุด และรายงานสามารถแชร์ได้ง่าย เหมาะสำหรับ: ผู้เผยแพร่ SEO/content ops ตลาดกลาง คุณสมบัติเด่น: สิทธิ์ของทีม การรายงานระดับโดเมน การบูรณาการ CMS

Turnitin — ชุดเครื่องมือความสมบูรณ์ระดับสถาบัน เหตุผลที่อยู่ในรายการ: Turnitin บูรณาการโดยตรงกับระบบ LMS และจับคู่การตรวจจับ AI กับการลอกเลียนแบบและการวิเคราะห์การเขียน สร้างขึ้นสำหรับนโยบายทางวิชาการขนาดใหญ่และการตรวจสอบ เหมาะสำหรับ: มหาวิทยาลัย เขต K–12 สภาพแวดล้อมที่เน้นการรับรอง คุณสมบัติเด่น: การรายงานที่สอดคล้องกับนโยบาย การบูรณาการ LMS-native การวิเคราะห์กลุ่มขนาดใหญ่

Copyleaks — การตรวจจับหลายโมเดลด้วย API ที่แข็งแกร่ง เหตุผลที่อยู่ในรายการ: เป็นที่รู้จักในด้าน API ที่แข็งแกร่ง Copyleaks รองรับไปป์ไลน์ขององค์กรและการตรวจสอบหลายภาษา จับคู่การตรวจจับการลอกเลียนแบบกับการตรวจจับข้อความที่สร้างโดย AI และใช้ในการประกันคุณภาพเนื้อหาด้านการศึกษาและองค์กร เหมาะสำหรับ: แพลตฟอร์ม ตลาดกลาง ทีมกำกับดูแล คุณสมบัติเด่น: ความครอบคลุมทางภาษา เครื่องมือสำหรับนักพัฒนา งานเป็นชุด

Winston AI — ขั้นตอนการทำงานด้านบรรณาธิการพร้อมคำอธิบายที่ชัดเจน เหตุผลที่อยู่ในรายการ: เป็นที่ชื่นชอบในหมู่บรรณาธิการและผู้เผยแพร่ขนาดเล็กสำหรับรายงานที่อ่านง่ายและการแจ้งเตือนระดับ passage ความสมดุลที่ดีระหว่างการใช้งานและความเข้มงวด เหมาะสำหรับ: ทีมบรรณาธิการ เครือข่ายฟรีแลนซ์ ตลาดกลางเนื้อหา คุณสมบัติเด่น: การให้คะแนนที่โปร่งใส การรองรับ PDF/Doc หลักฐานที่มนุษย์อ่านได้

Sapling — สัญญาณ AI แบบเรียลไทม์ในการช่วยเหลือการเขียน เหตุผลที่อยู่ในรายการ: Sapling บูรณาการสัญญาณการตรวจจับ AI ภายในขั้นตอนการช่วยเหลือการเขียน—มีประโยชน์สำหรับองค์กรสนับสนุนและทีมขายที่กังวลเกี่ยวกับเนื้อหาที่ใส่ AI แนวทางนี้ให้ข้อเสนอแนะสดโดยไม่ทำให้ขั้นตอนการทำงานหยุดชะงัก เหมาะสำหรับ: ฝ่ายบริการลูกค้า ฝ่ายปฏิบัติการขาย การสื่อสารภายใน คุณสมบัติเด่น: การตรวจจับสดในเครื่องมือแก้ไข การบูรณาการระดับองค์กร

Hive — Deepfake และ Synthetic Media Forensics ในระดับกว้าง เหตุผลที่อยู่ในรายการ: Hive นำเสนอ computer vision และ media forensics สำหรับแพลตฟอร์ม แบรนด์ และทีมรักษาความปลอดภัย—มีประโยชน์สำหรับการตรวจจับ deepfake ภาพผลิตภัณฑ์สังเคราะห์ และภาพที่ถูกปรับแต่ง ใช้โดยทีม trust & safety เพื่อคัดกรองในระดับกว้าง เหมาะสำหรับ: แพลตฟอร์มโซเชียล ตลาดกลาง ทีมงานด้านความสมบูรณ์ของแบรนด์ คุณสมบัติเด่น: การตรวจจับรูปภาพ/วิดีโอ moderation stack APIs ที่ปรับขนาดได้

Reality Defender — การตรวจจับ Deepfake ที่พร้อมสำหรับองค์กร เหตุผลที่อยู่ในรายการ: Reality Defender มุ่งเน้นไปที่การตรวจจับเสียง วิดีโอ รูปภาพ และข้อความที่สร้างโดย AI ปรับแต่งมาเพื่อการป้องกันการฉ้อโกงและกรณีการใช้งานด้านความเสี่ยงขององค์กร เหมาะสำหรับ: บริการทางการเงิน KYC การยืนยันตัวตน ความปลอดภัยของแพลตฟอร์ม คุณสมบัติเด่น: การตรวจจับหลายรูปแบบ แดชบอร์ดสำหรับ risk ops

เครื่องมือตรวจสอบความถูกต้องของ Microsoft/Partner (ระบบนิเวศ C2PA) เหตุผลที่อยู่ในรายการ: แม้ว่าจะไม่ใช่ “เครื่องมือตรวจจับ” เพียงอย่างเดียว แต่การนำมาตรฐาน C2PA provenance และสัญญาณความถูกต้องมาใช้ในระบบนิเวศหลักๆ ที่เพิ่มขึ้น ช่วยตรวจสอบแหล่งที่มาของสื่อและประวัติการแก้ไข ซึ่งมีความสำคัญสำหรับห้องข่าวและแบรนด์ เหมาะสำหรับ: ผู้เผยแพร่ ห้องข่าว แบรนด์ที่มีความต้องการ provenance ที่เข้มงวด คุณสมบัติเด่น: Metadata provenance chain-of-custody การบูรณาการระบบนิเวศ

ชุด Forensic Voice และ Anti-Spoofing (การตรวจจับเสียงที่ถูกโคลน) เหตุผลที่อยู่ในรายการ: การโคลนเสียงเพิ่มขึ้นอย่างรวดเร็วในปี 2024–2025 ชุด anti-spoofing ที่วิเคราะห์ความไม่สอดคล้องกันทางสเปกตรัม phase artifacts และ prosody anomalies กำลังกลายเป็นสิ่งจำเป็น และคู่มือหลายฉบับกำลังติดตามตัวเลือกที่เชื่อถือได้สำหรับปี 2025 เหมาะสำหรับ: Call center การยืนยันตัวตน บริษัทสื่อ คุณสมบัติเด่น: การทดสอบ liveness spectrogram forensics การตรวจสอบการลงทะเบียน

ทำไมไม่มีเครื่องมือตรวจจับใดที่เป็น Silver Bullet

Model drift: เมื่อ LLM พัฒนาขึ้น เครื่องมือตรวจจับที่ได้รับการฝึกฝนจากผลลัพธ์ของปีที่แล้วมีประสิทธิภาพต่ำกว่าจนกว่าจะได้รับการฝึกฝนใหม่ การอัปเดตบ่อยครั้งมีความสำคัญ

Style contamination: งานเขียนของมนุษย์ที่ได้รับการช่วยเหลือจาก AI อาจดู “เหมือน AI” ซึ่งเสี่ยงต่อการเกิดผลบวกลวง โดยเฉพาะอย่างยิ่งในร้อยแก้วทั่วไปหรือที่เป็นสูตรตายตัว

Domain และ length bias: ข้อความที่สั้นมากและเนื้อหาทางเทคนิคสูงให้สัญญาณที่มีสัญญาณรบกวนมากขึ้น

Multilingual variance: ความแม่นยำแตกต่างกันไปตามภาษา ตรวจสอบการอ้างสิทธิ์และการวัดประสิทธิภาพของเครื่องมือในการรองรับภาษา

กลยุทธ์ที่ชาญฉลาดกว่า: สร้าง Detection Stack

จับคู่เครื่องมือตรวจจับสองตัว: เรียกใช้เครื่องมือหลักและเครื่องมือรองของคุณเพื่อสัญญาณยืนยัน เมื่อทั้งสองเห็นด้วย ความมั่นใจจะเพิ่มขึ้น

เพิ่มการสแกนการลอกเลียนแบบ: AI และการลอกเลียนแบบตรวจจับความเสี่ยงที่แตกต่างกัน เมื่อรวมกันแล้วจะช่วยลดจุดบอด

กำหนดให้มีการตรวจสอบโดยมนุษย์: นำเสนอหลักฐานที่ไฮไลต์และขอแหล่งที่มา ฉบับร่าง หรือประวัติเวอร์ชัน

ติดตามอัตราผลบวกลวง: จัดเก็บบันทึกภายในที่มีน้ำหนักเบาเพื่อปรับเกณฑ์สำหรับโดเมนของคุณ

ใช้ provenance หากเป็นไปได้: เมื่อเครื่องมือของคุณรองรับการตรวจสอบ C2PA ให้ใช้ประโยชน์จากเครื่องมือนี้สำหรับสื่อที่มีความเสี่ยงสูง

Use Cases และ Setups ที่แนะนำ

อุดมศึกษา: Turnitin + GPTZero (หรือ Copyleaks) + การตรวจสอบโดยมนุษย์ที่สอดคล้องกับนโยบาย ขอดราฟต์และประวัติการแก้ไข

ห้องข่าวและผู้เผยแพร่: Originality.ai (หรือ Winston) + การสแกนการลอกเลียนแบบ + การตรวจสอบ C2PA provenance สำหรับรูปภาพ

องค์กรที่มีความเสี่ยงต่อการฉ้อโกง: Reality Defender (multi-modal) + voice anti-spoofing + IDV workflows

ตลาดกลาง/แพลตฟอร์ม: Copyleaks/Hive APIs + sampling audits + automated flags to trust & safety

สิ่งที่การวิจัยและคู่มือกล่าวในปี 2025

คำแนะนำเชิงปฏิบัติเน้นการใช้เครื่องมือตรวจจับเป็นตัวช่วยในการตัดสินใจ ไม่ใช่เป็นผู้ตัดสินแต่เพียงผู้เดียว—วางเครื่องมือสองตัวซ้อนกัน รวมกับการตรวจสอบการลอกเลียนแบบ และดูแลการกำกับดูแลของมนุษย์

การตรวจจับ Deepfake กำลังขยายขอบเขตจากใบหน้าไปสู่สัญญาณเสียงและ multi-modal โดยมีการนำคำอธิบายระดับคุณสมบัติ (เช่น spectral anomalies) มาใช้ในการ anti-spoofing suites มากขึ้น

ห้องสมุดและศูนย์ทรัพยากรทางวิชาการกำลังดูแลจัดการ directories ของเครื่องมือตรวจจับ multi-modal—ครอบคลุมข้อความ รูปภาพ วิดีโอ และเสียง—ซึ่งสะท้อนถึงความต้องการของสถาบันที่กว้างขึ้น

Signals ที่ควรจับตามองตลอดปี 2025

Watermarking และ provenance: การนำ C2PA มาใช้ในวงกว้างมากขึ้นในไปป์ไลน์กล้องและเครื่องมือแก้ไขเนื้อหา อาจเปลี่ยนสมดุลจากการตรวจจับเป็นการตรวจสอบ

On-device detection: ภาคส่วนที่ละเอียดอ่อนต่อความเป็นส่วนตัวจะผลักดันให้ใช้โมเดลภายในเครื่องและ secure enclaves

Authorship analytics: เครื่องมือจำนวนมากขึ้นจะวิเคราะห์ประวัติการแก้ไขและ keystroke dynamics (อย่างมีจริยธรรมและได้รับความยินยอม) เพื่อตรวจสอบรูปแบบการเขียน

Multilingual robustness: คาดว่าจะได้ประสิทธิภาพที่ดีขึ้นนอกเหนือจากภาษาอังกฤษ เนื่องจาก benchmarks และข้อมูลการฝึกอบรมมีความหลากหลายมากขึ้น

Hybrid moderation: Media forensics ผสมผสานกับสัญญาณเชิงพฤติกรรม (อายุบัญชี รูปแบบการโพสต์) สำหรับการให้คะแนนความเสี่ยงในระดับแพลตฟอร์ม

วิธีนำร่องโปรแกรมตรวจจับ AI (30–60 วัน)

สัปดาห์ที่ 1–2: กำหนดเป้าหมายและระดับความเสี่ยง (เช่น ความซื่อสัตย์ทางวิชาการ เทียบกับ คุณภาพด้านบรรณาธิการ เทียบกับ การป้องกันการฉ้อโกง) เลือกเครื่องมือตรวจจับสองตัวบวกการลอกเลียนแบบ

สัปดาห์ที่ 3: บูรณาการ APIs ตั้งค่า thresholds เรียกใช้บน samples ในอดีต วัดผลบวกลวง/ผลลบลวง

สัปดาห์ที่ 4: ฝึกอบรมผู้ตรวจสอบในการอ่านรายงานและสื่อสารผลลัพธ์

สัปดาห์ที่ 5–6: เปิดตัวในแผนกย่อย บันทึกกรณีพิเศษและปรับ thresholds

เคล็ดลับที่เป็นประโยชน์เพื่อลดผลบวกลวง

ขอ drafts: เวอร์ชันเริ่มต้น บันทึก และการอ้างอิงช่วยสร้าง authorship

ตรวจสอบ specificity: งานของมนุษย์มักรวมถึงประสบการณ์ตรง รายละเอียดท้องถิ่น หรือข้อมูลเฉพาะ

ระวังข้อความสั้นๆ: สำหรับรายการที่มีคำต่ำกว่า 150 คำ ให้เลื่อนไปที่การตรวจสอบโดยมนุษย์หรือกำหนดให้มีการขยายความ

ประเมินความสอดคล้องของสไตล์: เปรียบเทียบกับงานที่ผ่านมาโดยผู้เขียน/ทีมเดียวกัน

สิ่งที่ควรทราบสำหรับผู้ใช้ Sider.AI

คู่มือตลาดบางฉบับเน้นแนวทางการทำงานเป็นอันดับแรกในการตรวจจับ AI ในปี 2025: ปฏิบัติต่อเครื่องมือตรวจจับในฐานะที่ปรึกษา รวมกับการลอกเลียนแบบและ provenance และลงทุนใน protocols การตรวจสอบโดยมนุษย์ การกำหนดกรอบนั้นสอดคล้องกับขั้นตอนการทำงานของการเขียนโดยใช้เครื่องมือ ซึ่งทีมงานใช้ AI อย่างมีความรับผิดชอบในขณะที่ยังคงรักษาความรับผิดชอบและความสามารถในการตรวจสอบย้อนกลับไว้

ประเด็นสำคัญ

ไม่มีเครื่องมือตรวจจับใดที่ชัดเจน ใช้ stack และให้มนุษย์มีส่วนร่วม

สำหรับข้อความ: GPTZero, Originality.ai, Turnitin, Copyleaks, Winston, Sapling เป็นสิ่งที่น่าจับตามองอย่างยิ่งในปี 2025

สำหรับสื่อ: Hive, Reality Defender และ voice anti-spoofing suites มีความสำคัญเพิ่มขึ้น

Provenance กำลังพัฒนา: C2PA และ authenticity metadata พร้อมที่จะลดการคาดเดา

ปรับ thresholds สำหรับโดเมนของคุณและวัดผลบวกลวง/ผลลบลวงของคุณต่อไปเมื่อโมเดลพัฒนาขึ้น

คำถามที่พบบ่อย

Q1:เครื่องมือตรวจจับ AI ที่แม่นยำที่สุดในปี 2025 คืออะไร? ไม่มีเครื่องมือตรวจจับที่สมบูรณ์แบบในระดับสากล การรวบรวมอิสระมักจะเน้น GPTZero สำหรับการใช้งานของนักการศึกษา ในขณะที่ Originality.ai และ Copyleaks เป็นที่นิยมในขั้นตอนการทำงานด้านการเผยแพร่และองค์กร จับคู่เครื่องมือสองตัวและรวมการตรวจสอบโดยมนุษย์เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

Q2:เครื่องมือตรวจจับ AI ทำงานอย่างไรสำหรับ deepfake และ voice clones? พวกเขาจะวิเคราะห์ forensic cues เช่น spectral inconsistencies, phase artifacts, facial blending artifacts และ provenance signals ในปี 2025 multi-modal suites และ voice anti-spoofing tools ถูกนำมาใช้มากขึ้นเพื่อตรวจจับ synthetic media ได้อย่างน่าเชื่อถือ

Q3:เครื่องมือตรวจจับเนื้อหา AI มีความน่าเชื่อถือสำหรับความซื่อสัตย์ทางวิชาการหรือไม่? มีประโยชน์ในฐานะตัวช่วยในการตัดสินใจ ไม่ใช่ในฐานะหลักฐานเพียงอย่างเดียว รวมเครื่องมือตรวจจับ AI กับการตรวจสอบการลอกเลียนแบบ ขอ drafts และใช้เครื่องมือที่บูรณาการกับ LMS เช่น Turnitin หรือรายงาน GPTZero เพื่อแจ้งการตัดสินใจที่สอดคล้องกับนโยบาย

Q4:เครื่องมือตรวจจับ AI ใดที่รองรับการบูรณาการระดับองค์กร? Copyleaks, Originality.ai, Hive และ Reality Defender นำเสนอ APIs และ dashboards ที่แข็งแกร่งสำหรับการประมวลผลเป็นชุดและขั้นตอนการทำงานด้าน trust & safety เหมาะสำหรับแพลตฟอร์ม ตลาดกลาง และการตรวจสอบการกำกับดูแลปริมาณมาก

Q5:ฉันจะลดผลบวกลวงได้อย่างไรเมื่อใช้เครื่องมือตรวจจับ AI? ใช้เครื่องมือตรวจจับสองตัว ตั้งค่า thresholds ที่อนุรักษ์นิยม และกำหนดให้มีการตรวจสอบโดยมนุษย์สำหรับข้อความสั้นๆ หรือทางเทคนิค ขอ drafts หรือแหล่งที่มา เปรียบเทียบกับงานที่ผ่านมา และรวมการตรวจสอบ provenance หากมี