SynthID : comment fonctionne le filigrane invisible de Google pour identifier les contenus IA ?

SynthID permet d’intégrer un filigrane invisible directement dans un contenu généré par IA. Pour le texte, Google DeepMind ne cache pas un caractère dans la réponse : le système intervient pendant la sélection des tokens afin de créer une signature statistique détectable.

La technologie est notamment utilisée pour les textes générés dans l’application et l’expérience web Gemini. Elle dépasse désormais l’écosystème Google puisque OpenAI l’utilise aussi pour certaines images et certains contenus audio.

SynthID inscrit le filigrane pendant la génération du contenu

Un filigrane numérique peut prendre plusieurs formes selon le média.

Pour une image ou une vidéo, SynthID intègre un signal directement dans le contenu visuel. Pour l’audio, le filigrane est incorporé au signal sonore de manière à rester inaudible.

Avec un texte, la méthode est différente. Il n’y a ni pixels ni piste audio à modifier.

SynthID Text intervient donc au moment où le modèle choisit les éléments qui composent sa réponse.

C’est une différence importante avec un détecteur de texte IA classique. Un détecteur post hoc reçoit un texte déjà produit et essaie d’estimer s’il ressemble à un texte généré par une IA. SynthID ajoute volontairement un signal connu pendant la génération, puis un détecteur peut rechercher ce signal.

Le filigrane apparaît dans les probabilités des prochains tokens

Un modèle de langage ne rédige pas directement une réponse complète. Il produit une succession de tokens, c’est-à-dire des unités de texte qui peuvent correspondre à un mot, une partie de mot ou parfois un caractère.

Imaginons que Gemini doive compléter cette phrase :

Pour améliorer son référencement, il faut avant tout…

À cet instant, plusieurs suites peuvent être plausibles.

De manière totalement fictive, le modèle pourrait calculer quelque chose comme :

proposer    → 24 %
créer       → 20 %
travailler  → 17 %
publier     → 14 %
optimiser   → 12 %

Sans filigranage, le modèle sélectionne son prochain token à partir de sa distribution habituelle.

Avec SynthID Text, cette étape est légèrement modifiée. Google explique que le système introduit de l’information dans la distribution des tokens au moment de la génération en modulant leur probabilité.

Pour simplifier, certains choix pourraient donc être davantage favorisés que d’autres :

proposer    ↓
créer       ↑
travailler  ↓
publier     ↑
optimiser   ↓

La réponse obtenue pourrait être :

Pour améliorer son référencement, il faut avant tout publier…

Pour le lecteur, rien ne paraît inhabituel.

Mais si ce mécanisme intervient successivement sur un grand nombre de tokens, les choix effectués créent une signature statistique que le système de détection peut rechercher.

Le filigrane n’est donc pas nécessairement un élément ajouté au texte. Il est porté par la manière dont ce texte a été généré.

Les mots eux-mêmes peuvent porter le filigrane

Cette particularité permet de comprendre pourquoi chercher un caractère Unicode invisible dans un texte généré par Gemini ne permet pas de vérifier la présence de SynthID Text.

Le signal repose sur la relation entre les tokens générés, leur contexte et le mécanisme de filigranage.

Un copier-coller qui conserve exactement le texte ne retire donc pas, en lui-même, la séquence sur laquelle repose ce signal. À l’inverse, modifier suffisamment la séquence de tokens peut progressivement l’affaiblir.

La documentation destinée aux développeurs décrit SynthID Text comme un processeur de logits. Les logits sont les scores utilisés par le modèle pour calculer la probabilité des différents tokens susceptibles d’être générés ensuite.

SynthID intervient sur cette étape avant que le prochain token soit sélectionné.

L’implémentation scientifique utilise un « tournoi » entre tokens

La publication consacrée à SynthID Text dans Nature décrit plus précisément un mécanisme appelé Tournament sampling.

L’idée générale reste accessible sans entrer dans les équations.

À chaque étape, plusieurs tokens candidats sont échantillonnés à partir de la distribution normale du modèle. Des fonctions pseudo-aléatoires leur attribuent ensuite des scores. Les candidats sont départagés en plusieurs étapes jusqu’à la sélection du token final.

Le contexte précédent et une clé de filigranage participent également au calcul du signal.

Sur une réponse complète, cette méthode crée des corrélations statistiques entre les tokens sélectionnés et les valeurs attendues par le système de filigranage.

Le détecteur peut ensuite rechercher cette corrélation.

C’est cette accumulation de choix statistiquement reconnaissables qui constitue le filigrane.

Un texte long et ouvert offre davantage de signal à SynthID

La détection n’est pas aussi efficace sur tous les textes.

La longueur joue d’abord un rôle important. Plus un texte contient de tokens filigranés, plus le détecteur dispose de données permettant d’évaluer la présence de la signature statistique.

La publication dans Nature identifie également un deuxième facteur : l’entropie de la distribution du modèle.

Le terme peut sembler technique, mais l’idée est simple.

Prenons cette question :

Quelle est la capitale de la France ?

La réponse attendue laisse peu de latitude au modèle. Il devient difficile de modifier ses choix sans risquer d’altérer l’exactitude.

À l’inverse, avec une consigne comme :

Rédige trois manières différentes de présenter Paris à un touriste.

de nombreuses formulations peuvent convenir.

La distribution possède alors davantage d’entropie : plusieurs tokens constituent des suites plausibles. SynthID dispose donc de plus de possibilités pour influencer le choix du prochain token tout en conservant une réponse naturelle.

C’est pour cette raison que Google explique que SynthID Text fonctionne mieux sur des réponses longues et diversifiées, comme un essai, un scénario ou plusieurs variantes d’un email, et moins bien sur certaines réponses factuelles.

Google n’a pas observé de dégradation significative sur près de 20 millions de réponses

Modifier la sélection des tokens pose une question évidente : est-ce que le filigrane dégrade les réponses ?

Google DeepMind a testé une configuration de SynthID Text dans le système Gemini en production.

L’étude publiée dans Nature porte sur environ 20 millions de réponses filigranées et non filigranées. Une partie des requêtes était envoyée vers le modèle utilisant le filigrane et une autre vers son équivalent sans filigranage.

Les chercheurs ont ensuite comparé les évaluations positives et négatives laissées par les utilisateurs.

Le taux de retours positifs différait de 0,01 % entre les deux groupes et celui des retours négatifs de 0,02 %. Ces deux écarts n’étaient pas statistiquement significatifs.

Les chercheurs concluent que, dans cette expérimentation, la différence de qualité et d’utilité perçue était négligeable.

L’expérience montre donc qu’un filigrane statistique peut fonctionner à grande échelle sans différence mesurable dans les retours utilisateurs observés. Elle ne permet pas de conclure que n’importe quelle méthode de filigranage produirait le même résultat.

Une réécriture importante peut fortement affaiblir le filigrane

SynthID Text n’est pas indestructible.

Google indique que le système peut résister à certaines transformations limitées :

• la suppression de parties du texte ;
• la modification de quelques mots ;
• une paraphrase légère.

En revanche, une réécriture complète ou une traduction peuvent fortement réduire le score de confiance du détecteur.

La raison découle directement du fonctionnement du système : si une grande partie des tokens qui portaient la signature disparaît ou change, le signal statistique devient plus difficile à retrouver.

La publication scientifique mentionne également la vulnérabilité des filigranes génératifs aux techniques visant à retirer, imiter ou falsifier le signal.

SynthID ne constitue donc pas une machine universelle capable de distinguer n’importe quel texte humain de n’importe quel texte généré par une IA.

Détecter SynthID et détecter n’importe quel texte IA sont deux problèmes différents

Cette distinction est essentielle.

Un détecteur générique de texte IA essaie d’inférer l’origine d’un document à partir de ses caractéristiques. Il recherche en quelque sorte des propriétés considérées comme plus fréquentes dans des textes générés artificiellement.

SynthID cherche autre chose : la présence d’un signal volontairement introduit avec une configuration de filigranage connue.

La documentation Google indique d’ailleurs que la détection de SynthID Text est probabiliste. L’implémentation publiée peut produire trois états :

• filigrané ;
• non filigrané ;
• incertain.

Les seuils du détecteur permettent ensuite d’arbitrer entre le risque de faux positifs et celui de faux négatifs.

La publication dans Nature insiste sur cette limite : un filigrane génératif ne constitue pas une solution complète à la détection des textes IA. Il faut d’abord que le fournisseur du modèle applique effectivement ce filigrane lors de la génération.

Un modèle qui n’utilise pas SynthID ne laissera pas de signal SynthID à détecter.

Gemini utilise SynthID Text, mais il ne faut pas généraliser à toutes les sorties Gemini

Google DeepMind indique que SynthID est utilisé pour marquer les textes générés par l’application Gemini et son expérience web.

Cette formulation ne permet pas de conclure que toutes les sorties de tous les services reposant sur Gemini sont automatiquement filigranées.

Le cas de la Gemini API l’illustre.

Le 5 août 2026, un utilisateur du forum Google AI Developers a demandé explicitement si les textes retournés par plusieurs modèles Gemini via l’API contenaient un filigrane SynthID ou un autre signal de provenance lisible par machine.

Une réponse publiée sur ce forum indique que le texte généré par l’API n’est pas filigrané avec SynthID, qu’il ne comporte pas de signal de provenance lisible par machine et qu’un filigranage texte natif de l’API n’est pas prévu à ce stade.

Il faut néanmoins garder une nuance sur le niveau de preuve : cette réponse figure sur le forum Google AI Developers, mais la documentation produit de la Gemini API consultée pour cet article ne fournit pas de page officielle dédiée confirmant ce comportement.

La documentation générale de SynthID présente de son côté SynthID Text comme un mécanisme que les développeurs peuvent intégrer à leur propre pipeline de génération.

Google a en effet rendu SynthID Text open source. Une implémentation destinée à la production est notamment disponible dans Hugging Face Transformers, accompagnée d’une implémentation de référence.

Il faut donc distinguer l’utilisation de SynthID dans les produits Gemini documentés et la possibilité technique d’ajouter SynthID Text à d’autres modèles.

SynthID et C2PA ne transportent pas le même type de preuve

SynthID est régulièrement associé à C2PA, mais les deux mécanismes ne fonctionnent pas de la même manière.

C2PA est un standard ouvert de provenance. Il permet d’associer à un média des informations sur son origine ou son historique, notamment à travers des métadonnées et des mécanismes cryptographiques.

SynthID inscrit pour sa part un signal directement dans le contenu généré.

Ces approches peuvent donc être complémentaires.

Les métadonnées C2PA peuvent transporter des informations plus détaillées, mais elles peuvent parfois disparaître lors d’un passage sur une plateforme, d’une conversion de fichier ou d’autres transformations.

Un filigrane comme SynthID peut rester présent lorsque ces métadonnées ne survivent pas. Il apporte en revanche généralement moins de contexte qu’un manifeste de provenance.

Pourquoi OpenAI utilise une technologie développée par Google ?

SynthID n’est désormais plus limité aux produits de Google.

Le 19 mai 2026, OpenAI a annoncé adopter SynthID pour les images prises en charge générées via ChatGPT, Codex et l’API OpenAI, en complément des informations de provenance C2PA.

Le 31 juillet, OpenAI a étendu ce dispositif à certains contenus audio générés avec ses outils, notamment via ChatGPT et l’API.

La documentation actuelle distingue les formats :

• les images prises en charge utilisent des métadonnées C2PA et un filigrane SynthID ;
• les contenus audio pris en charge utilisent SynthID ;
• le texte n’est pas encore listé parmi les formats bénéficiant de ces signaux.

OpenAI indique en revanche avoir pour objectif d’étendre ses mécanismes de provenance à toutes les modalités, y compris le texte.

Le choix d’utiliser une technologie conçue par un concurrent direct est intéressant parce qu’il montre que SynthID peut devenir autre chose qu’une fonctionnalité propre à Gemini.

OpenAI décrit sa stratégie de provenance comme une combinaison de plusieurs couches : des standards partagés, des filigranes plus durables et des outils permettant de vérifier ces signaux.

Dans cette logique, C2PA et SynthID ne se remplacent pas. Ils répondent à des faiblesses différentes : les métadonnées peuvent apporter du contexte, tandis qu’un signal inscrit dans le contenu peut survivre à certaines situations où ces métadonnées disparaissent.

Cette question de provenance devient aussi réglementaire en Europe. Depuis août 2026, l’AI Act prévoit des obligations de transparence et de marquage pour certains contenus générés ou manipulés par IA.

SynthID change surtout la manière de se représenter un filigrane numérique. Dans un texte, il n’y a pas forcément quelque chose de caché entre les caractères : le signal peut provenir des choix statistiques qui ont construit la phrase elle-même.

SynthID fournit donc un signal de provenance, pas une preuve universelle permettant de départager avec certitude un texte humain d’un texte généré par IA. Son intérêt vient de son intégration directement dans le processus de génération ; sa principale limite est qu’il faut que ce filigrane ait été appliqué et qu’il reste suffisamment de signal pour pouvoir le détecter.