Présentation du service
Google a rendu public le SynthID Detector, une interface web qui permet aux utilisateurs de soumettre des images, des vidéos ou des extraits audio afin de vérifier la présence d’un filigrane invisible appelé SynthID. L’accès nécessite une authentification via un compte Google, OpenAI ou Apple, et la prise en charge d’Apple sera ajoutée dans les semaines à venir. Le service s’inscrit dans la continuité du projet SynthID, introduit en 2023, et vise à élargir la disponibilité d’outils de détection auparavant réservés aux journalistes.
Fonctionnement du watermark SynthID
SynthID est intégré directement dans les sorties des modèles d’IA de Google, OpenAI, Nvidia et Kakao. Le filigrane est imperceptible à l’œil humain mais codé dans les fréquences de l’image ou les caractéristiques audio, ce qui le rend détectable uniquement par un algorithme spécialisé. Le Detector analyse ces signaux en comparant le signal reçu à une signature attendue, ce qui permet de confirmer la provenance du contenu lorsqu’il a été généré par l’un des fournisseurs mentionnés.
Analyse des limites techniques
Le principal point faible du Detector réside dans son dépendance au filigrane SynthID. Tout contenu produit par des modèles qui n’intègrent pas ce watermark – par exemple Claude d’Anthropic, Grok de xAI ou les modèles open‑source chinois – échappe à la détection. De plus, l’outil ne distingue pas les parties entièrement synthétisées des parties simplement retouchées, ce qui empêche d’isoler les segments falsifiés dans un média hybride. L’absence de métriques publiques sur le taux de faux positifs ou de faux négatifs rend difficile l’évaluation de la fiabilité du service dans des scénarios réels.
Perspectives d’adoption et standards
Google indique travailler à l’extension de ses partenariats afin d’inclure davantage de fournisseurs de modèles IA. Le texte du site souligne la nécessité d’une « couche d’écosystème » combinant filigranes, métadonnées et outils de vérification. Cependant, l’industrie ne dispose pas encore d’un standard universel : Meta, par exemple, a développé son propre filigrane pour Muse Image, mais celui‑ci ne fonctionne pas avec les modèles tiers. Sans convergence autour d’un protocole commun, les solutions de détection resteront fragmentées et limitées à leurs propres filigranes.
