Este estudio propone un nuevo método de detección de falsificaciones basado en el análisis de componentes de frecuencia de imágenes utilizando la Transformada Discreta de Fourier (DFT). En los últimos años, las tecnologías de manipulación facial, particularmente las Redes Generativas Antagónicas (GANs), han avanzado hasta tal punto que su uso indebido, como la creación de deepfakes indistinguibles para los observadores humanos, se ha convertido en una preocupación social significativa. Revisamos dos arquitecturas de GAN, StyleGAN y StyleGAN2, generando rostros sintéticos que se compararon con rostros reales de los conjuntos de datos FFHQ y CelebA-HQ. Los resultados clave demuestran precisiones de clasificación superiores al 99%, con puntuaciones F1 del 99.94% para Máquinas de Vectores de Soporte y del 97.21% para clasificadores de Bosques Aleatorios. Estos hallazgos subrayan el hecho de que realizar un análisis de frecuencia presenta un enfoque superior para la detección de deepfakes en comparación con los métodos de detección espacial tradicionales. Proporciona información sobre sutiles señales de manipulación en imágenes digitales y ofrece una forma escalable de mejorar los protocolos de seguridad en medio de las crecientes amenazas de suplantación digital.