- SynthID menyisipkan tanda air yang tidak terlihat ke dalam teks, gambar, audio, dan video untuk memungkinkan deteksi selanjutnya.
- Dalam teks, ia terintegrasi sebagai prosesor logit (fungsi-g), dengan kunci yang dapat dikonfigurasi, n-gram, dan tabel pengambilan sampel.
- Verifikasi bersifat probabilistik dengan detektor Bayesian dan tiga status: ditandai, tidak ditandai, atau tidak pasti.
- Ini belum menjadi standar universal; ada kode sumber terbuka di Transformers 4.46.0+, portal penemuan, dan adopsi yang semakin berkembang.
Percepatan AI generatif telah mendorong penciptaan teks, gambar, audio, dan video ke skala yang, hingga baru-baru ini, tampak seperti fiksi ilmiah. Secara paralel, risiko informasi yang salah dan kesalahan atribusi telah meningkat , karena semakin sulit untuk membedakan konten yang dihasilkan manusia dari konten yang berasal dari model. Di sinilah watermark berperan sebagai teknik mitigasi: sidik jari tak terlihat bagi pengguna yang memungkinkan sistem verifikasi untuk menentukan apakah konten tersebut dihasilkan oleh AI.
Google DeepMind telah meluncurkan serangkaian teknologi bernama SynthID yang memungkinkan pengguna untuk menyisipkan dan mendeteksi watermark langsung pada konten yang dihasilkan AI. Teknologi ini bekerja di berbagai format (gambar, audio, teks, dan video), dan dalam kasus teks, teknologi ini juga telah dirilis sebagai open source sehingga pengembang mana pun dapat mengimplementasikannya dalam alur kerja mereka menggunakan pustaka seperti Hugging Face Transformers. Hasilnya bertujuan untuk transparansi yang lebih besar tanpa mengorbankan kualitas yang terlihat.
Apa itu SynthID dan mengapa itu penting?
SynthID adalah proposal Google untuk menandai konten yang dihasilkan atau diubah oleh model AI secara tidak terlihat , sehingga memungkinkan identifikasi selanjutnya dengan detektor. Idenya bukanlah hal baru (kita sudah menggunakan metadata dan standar terkait), tetapi ini melangkah lebih jauh: tanda tersebut tertanam di dalam konten itu sendiri —dalam piksel, gelombang audio, atau pilihan token dalam teks—sehingga tetap ada melalui transformasi umum dan tidak hanya bergantung pada tag eksternal yang rapuh.
Motivasinya jelas: dengan kasus-kasus viral seperti mantel berlapis Paus atau dugaan penangkapan Donald Trump, dan dengan generator gambar yang semakin realistis, kita membutuhkan petunjuk yang andal untuk mengetahui dari mana asal gambar yang kita lihat. Google sudah menerapkan ini dalam ekosistemnya (misalnya, saat menghasilkan gambar dengan Gemini), dan tujuannya adalah agar lebih banyak pemain mengadopsinya untuk membawa kita lebih dekat ke standar industri yang digunakan secara luas.
Cara Kerja SynthID Secara Singkat
Keluarga SynthID mencakup beberapa aplikasi. Pada gambar, sidik jari digital diintegrasikan langsung ke dalam piksel , tidak terlihat oleh mata manusia dan dirancang untuk tahan terhadap perubahan yang sering terjadi seperti pemotongan, penerapan filter, kompresi, atau modifikasi format. Pada audio, tanda tersebut disematkan dalam sinyal dengan cara yang tidak terdengar dan tahan terhadap noise, kompresi MP3, atau perubahan kecepatan. Pada video, tanda tersebut ditambahkan selama pembuatan frame dan dirancang agar tahan terhadap pemotongan, filter, variasi kecepatan refresh, atau kompresi.
Untuk teks, SynthID Text memperkenalkan sinyal selama proses pembuatan: ia menggunakan proses pengambilan sampel yang secara halus memodulasi preferensi pilihan kata dengan fungsi pseudo-acak (fungsi g) untuk mengkodekan watermark. Modifikasi ini diterapkan pada distribusi keluaran model tanpa pembaca menyadari adanya perubahan gaya atau makna, tetapi tetap mempertahankan jejak yang secara statistik dapat dideteksi oleh verifikator yang bersangkutan.
Teks SynthID: Penjelasan Tanda Air Teks
Secara praktis, SynthID Text diimplementasikan sebagai prosesor logit yang terintegrasi ke dalam alur kerja pembuatan model setelah Top-K dan Top-P. Algoritma ini menambahkan logit dengan fungsi pseudo-acak g yang menyandikan informasi watermark di seluruh teks. Tujuannya: memungkinkan detektor untuk kemudian menilai probabilitas bahwa teks tersebut dihasilkan menggunakan konfigurasi SynthID, tanpa mengurangi kualitasnya secara signifikan.
Metode ini menggunakan skema pengambilan sampel turnamen berbasis kunci . Pada dasarnya, metode ini memberikan skor pseudo-acak kepada token kandidat, yang bersaing satu sama lain dengan tetap memperhatikan probabilitas aslinya, dan memilih pemenang untuk setiap langkah. Kompetisi terkontrol ini memperkenalkan tanda tangan statistik. Penelitian yang diterbitkan di Nature merinci teknik tersebut dan menunjukkan bahwa tanda tangan tersebut sulit dipalsukan atau dihilangkan tanpa mengubah teks secara signifikan.
Anda tidak perlu melatih ulang model Anda untuk menerapkannya: cukup lewati satu kali. konfigurasi merek ke metode pembangkitan (misalnya, model.generate() dalam Transformers) untuk mengaktifkan prosesor logit SynthID. Google dan Hugging Face telah memfasilitasi penerapan produksi sejak Transformers 4.46.0 dan ruang pengujian resmi, ditambah implementasi referensi di GitHub yang berguna untuk berkontribusi atau mem-porting teknik dan menciptakan aplikasi dengan kecerdasan buatan untuk mengintegrasikannya ke dalam proyek lain.
Parameter utama dan pengaturan aman
Konfigurasi SynthID Text memiliki dua parameter wajib. Yang pertama adalah ` keys` : daftar bilangan bulat unik acak yang digunakan untuk memberi skor pada kosakata menggunakan fungsi `g`. Panjang daftar ini menentukan berapa banyak "lapisan" penandaan yang diterapkan; dalam praktiknya, disarankan untuk menggunakan antara 20 dan 30 kunci untuk menyeimbangkan kualitas dan kemampuan deteksi, seperti yang disarankan oleh pedoman teknis (lihat Lampiran C.1 dari makalah untuk detail lebih lanjut).
Parameter penting kedua adalah ngram_len , yang menentukan jendela n-gram untuk menyeimbangkan kekokohan dan kemampuan deteksi . Nilai yang lebih tinggi umumnya membuat deteksi lebih mudah, tetapi membuat watermark lebih rentan terhadap pengeditan; nilai referensi yang wajar adalah 5. Untuk privasi dan keamanan, sangat penting bahwa setiap konfigurasi watermark disimpan secara pribadi dan aman , karena jika bocor, pihak ketiga dapat lebih mudah mereplikasinya.
Selain itu, Anda dapat mengoptimalkan kinerja menggunakan tabel pengambilan sampel dengan dua properti: `sampling_table_size` dan `sampling_table_seed` . Untuk memastikan fungsi g yang stabil dan tidak bias saat pengambilan sampel, ukuran minimal 2^16 direkomendasikan , dengan mempertimbangkan dampak memori selama inferensi. Seed dapat berupa bilangan bulat apa pun dan tidak memengaruhi kualitas yang terlihat, tetapi harus dikelola dengan hati-hati seperti rahasia lainnya.
Detail operasional lainnya: n-gram yang berulang dalam token riwayat terkini (dikendalikan oleh context_history_size ) dikecualikan dari flag untuk meningkatkan kemampuan deteksi secara keseluruhan. Penyesuaian ini menghindari penguatan pola-pola sepele di mana sinyalnya akan kurang informatif.
Deteksi dan verifikasi: peran detektor Bayesian
Verifikasi SynthID bersifat probabilistik . Dalam ekosistem Hugging Face dan di GitHub, Anda memiliki detektor Bayesian yang mengklasifikasikan setiap konten ke dalam tiga status: "berwatermark," "tidak berwatermark," atau "tidak pasti." Dengan menggunakan dua ambang batas yang dapat dikonfigurasi, Anda dapat menyesuaikan rasio false positive/false negative , seperti yang dibahas dalam Lampiran C.8 dari artikel teknis.
Ada keuntungan operasional lain: model yang menggunakan tokenizer/analyzer yang sama dapat menggunakan kembali konfigurasi dan detektor merek yang sama, asalkan set pelatihan detektor mencakup contoh dari semua model yang akan menggunakan merek tersebut. Hal ini mempermudah standardisasi sidik jari umum dalam suatu organisasi atau konsorsium teknis.
Terakhir, memutuskan bagaimana mengekspos detektor adalah bagian dari strategi. Ada tiga opsi umum: menjaganya sepenuhnya privat (tanpa mengekspos apa pun), menawarkannya dalam mode semi-privat melalui API tanpa merilis sumber daya apa pun, atau membuatnya publik untuk diunduh dan digunakan secara umum. Pilihan tersebut bergantung pada kapasitas infrastruktur Anda dan kebijakan keamanan, transparansi, dan dukungan Anda.
Aplikasi berdasarkan jenis konten: gambar, audio, video, dan teks
Pada gambar, SynthID menyematkan sidik jari yang tidak terlihat yang tidak menurunkan kualitas visual dan dirancang untuk tahan terhadap pengeditan umum seperti pemotongan, filter, atau perubahan format. Pendekatan ini awalnya diuji dengan pengguna Image (model teks-ke-gambar Vertex AI) dan sejak itu telah diterapkan ke lebih banyak layanan. Selain itu, solusi ini kompatibel dengan metode berbasis metadata yang lebih tradisional (seperti yang digunakan oleh alat seperti Photoshop), memungkinkan kedua pendekatan tersebut untuk hidup berdampingan.
Dalam bidang audio, model seperti Lyria mengintegrasikan branding yang tidak terdengar: ia akan menahan penambahan noise, kompresi MP3, atau perubahan kecepatan. Secara praktis, ini membantu mengidentifikasi podcast yang dibuat dari teks di Notebook LM atau trek lain yang dihasilkan oleh model tanpa pengguna merasakan perbedaan apa pun dalam pengalaman mendengarkan.
Dalam video, Google menerapkan watermark ini selama proses perekaman awal (misalnya, di Veo), sehingga watermark tidak terpengaruh oleh pemotongan, filter, perubahan frame rate, atau kompresi. Watermark ini tidak mengubah kualitas klip secara kasat mata dan dimaksudkan untuk tetap ada setelah proses pengeditan yang wajar.
Dalam teks, seperti yang telah kita lihat, merek tersembunyi di dalam rangkaian keputusan simbolis. Evaluasi internal skala besar—lebih dari 20 juta tanggapan, baik bermerek maupun tidak bermerek, di Gemini—telah menunjukkan bahwa teknik ini tidak menurunkan kualitas , akurasi, kreativitas, atau kecepatan pembuatan. Namun, kekuatan statistiknya bergantung pada panjang tanggapan dan seberapa banyak konten tersebut diedit selanjutnya.
Ketersediaan, sumber terbuka, dan ekosistem
Google telah menyediakan SynthID Text untuk komunitas sebagai perangkat lunak sumber terbuka , dengan implementasi tingkat produksi di Transformers 4.46.0+ dan ruang pengujian resmi . Selain itu, terdapat implementasi referensi di GitHub, yang berguna untuk berkontribusi atau memindahkan teknik ini ke kerangka kerja lain. Dalam ekosistem produk, watermark ini sudah muncul di Gemini (gambar), fitur seperti Magic Editor, dan alat seperti ImageFX . Untuk video, Veo mengintegrasikan SynthID dan saat ini tersedia untuk uji coba dengan akses terbatas di VideoFX.
Selama Google I/O 2025, SynthID Detector diumumkan sebagai portal verifikasi publik: Anda mengunggah file (teks, gambar, audio, atau video) dan portal tersebut akan memberi tahu Anda apakah konten—atau sebagian darinya—mengandung merek tersebut. Saat ini, akses terbatas pada daftar kecil pengguna, tetapi tujuannya adalah untuk secara bertahap membukanya bagi jurnalis, profesional media, dan peneliti —kelompok yang bagi mereka verifikasi ini sangat penting.
Di luar ekosistem Google, kolaborasi dan adopsi yang signifikan telah diumumkan. Misalnya, NVIDIA telah setuju untuk memasukkan SynthID, sebuah langkah yang dapat mempercepat integrasinya ke dalam lebih banyak alat industri. Sementara itu, perusahaan lain sedang mengeksplorasi jalan mereka sendiri: OpenAI, misalnya, telah meluncurkan utilitas untuk mengidentifikasi apakah suatu gambar berasal dari DALL·E dan sedang mengerjakan teknik watermarking canggih. Konvergensi pendekatan—atau interoperabilitas—akan sangat penting.
Implementasi praktis: biaya, akses dan tempat untuk memulai
Saat ini, SynthID terutama terintegrasi ke dalam layanan premium dari Google seperti Vertex AI dan di ekosistem Hugging Face. Ini bukan alat "gratis" dalam arti luas untuk produksi, meskipun ada sumber daya terbuka (kode, dokumentasi, dan contoh) untuk bereksperimen dan mengevaluasi. Jika Anda mengembangkan dengan Transformers, Anda dapat mengaktifkan SynthID Text dengan meneruskan konfigurasinya ke generate(); jika Anda bekerja dengan Vertex AI (Gambar 2/3), tanda diterapkan pada pintu keluar secara transparan.
Untuk menguji detektor, selain portal yang diumumkan di I/O, Anda memiliki implementasi di Hugging Face dan GitHub . Jika Anda adalah sebuah organisasi, Anda perlu merencanakan bagaimana Anda akan mengekspos verifikasi (pribadi, melalui API, atau publik), metrik kinerja apa yang Anda perlukan (ambang batas positif/negatif palsu), dan bagaimana Anda akan melindungi kunci konfigurasi dari kebocoran.
Status standar dan adopsi industri
Apakah SynthID merupakan standar universal ? Belum. Google menggunakannya secara konsisten dalam produk-produknya dan telah merilis komponen-komponen kunci, tetapi mereka membutuhkan pemain lain untuk mengadopsinya agar verifikasi menjadi umum. Paling baik, kita akan melihat kesepakatan antara perusahaan teknologi besar, produsen perangkat keras, dan platform media sosial. Paling buruk, akan ada berbagai solusi yang tidak kompatibel. Untuk saat ini, gerakan sumber terbuka dan kemitraan (seperti dengan NVIDIA) mendorong ke arah yang benar.
Menurut data yang dibagikan oleh Google, sejak tahun 2023 SynthID telah menambahkan watermark ke miliaran konten (gambar, video, audio, dan teks). Volume ini menunjukkan potensinya untuk menjadi standar de facto, sementara regulator dan organisasi publik mendorong solusi yang kuat untuk melawan deepfake dan manipulasi.
Keterbatasan dan tantangan nyata
Tidak ada watermark yang sempurna. SynthID Text mampu mendeteksi cuplikan, sinonim moderat , atau perubahan kalimat kecil, tetapi keandalannya menurun jika teks ditulis ulang sepenuhnya atau diterjemahkan ke bahasa lain. Selain itu, dalam respons yang sangat faktual (di mana kebebasan memilih terbatas), ruang untuk memasukkan sinyal tanpa memengaruhi keakuratan menjadi lebih sempit, sehingga lebih sulit untuk dideteksi.
Dalam gambar, audio, dan video, merek tersebut tahan terhadap transformasi standar dengan baik, tetapi manipulasi ekstrem dapat menurunkan kualitas sinyal. SynthID tidak dimaksudkan untuk mencegah pihak yang sangat termotivasi untuk melakukan kerusakan sendiri, tetapi lebih untuk mempersulit dan, yang terpenting, untuk bekerja bersama dengan langkah-langkah lain (moderasi, validasi sumber, metadata yang ditandatangani, dll.) untuk memperluas cakupan.
Dari kalangan akademisi pun, muncul nuansa-nuansa baru. Para ahli seperti Soheil Feizi menunjukkan bahwa mencapai watermark teks yang andal dan tidak terlihat itu kompleks karena sifat LLM (Label-Line Markers); meskipun demikian, mereka menghargai bahwa komunitas dapat menguji detektor dan mengevaluasi ketahanannya. Yang lain, seperti Scott Aaronson , menekankan pentingnya teknik ini sudah diterapkan dalam produksi , di luar teori.
Panduan cepat untuk tim teknis
Jika Anda akan mengevaluasinya, mulailah dengan Transformers 4.46.0+ dan Konfigurasi SynthID: mendefinisikan kunci-kunci dengan 20–30 bilangan bulat acak unik dan ngram_len dalam 5 sebagai titik awal. Tambahkan tabel sampel dengan ukuran_tabel_sampel ≥ 2^16 dan a benih bilangan bulat. Aktifkan prosesor di .generate() dan menghasilkan korpus uji dengan dan tanpa penandaan untuk melatih/menyesuaikan detektor Bayesian.
Saat mengkalibrasi detektor, tentukan ambang batas berdasarkan toleransi Anda terhadap positif dan negatif palsu . Evaluasi skenario stres (terjemahan, parafrase yang berlebihan, pemotongan) dan periksa kinerja verifikator. Jika beberapa model menggunakan tokenizer yang sama, gunakan tokenizer tersebut dalam skema branding yang sama dan latih detektor dengan contoh dari semua model tersebut untuk meningkatkan generalisasinya.
Selama penerapan, tentukan model paparan (pribadi, API, atau publik), enkripsi dan lindungi kunci merek , serta pantau tingkat deteksi/latensi. Dokumentasikan batasan dan asumsi untuk tim hukum dan produk, dan berkoordinasi dengan tim komunikasi untuk menjelaskan bagaimana hasil yang "tidak pasti" harus diinterpretasikan.
Dampak pada pengguna dan kreator
Bagi pengguna akhir, memiliki portal verifikasi untuk mengunggah file dan mendapatkan hasil yang jelas ("ditandai," "tidak ditandai," "tidak pasti") merupakan langkah maju dalam hal transparansi. Bagi jurnalis dan tim verifikasi, ini adalah alat tambahan untuk mendukung praktik pengecekan fakta di lingkungan yang dipenuhi dengan konten sintetis.
Bagi para seniman dan kreator, jejak digital yang kuat membantu melindungi kepemilikan dan asal usul karya mereka, serta membedakan karya manusia dari karya sintetis ketika hal itu relevan bagi audiens mereka. Dan bagi platform, hal ini mengurangi biaya moderasi, memberikan sinyal yang andal untuk kebijakan penerbitan , dan menyelaraskan produk dengan persyaratan peraturan yang muncul.
SynthID bukanlah solusi ajaib, tetapi merupakan fondasi yang kokoh yang, jika dikombinasikan dengan standar metadata, tanda tangan kriptografi , dan kebijakan yang jelas, dapat membuat perbedaan besar. Dengan semakin banyaknya adopsi—dan jika interoperabilitas terjalin—industri akan memiliki alat yang lebih matang untuk bekerja dengan AI generatif tanpa mengorbankan kepercayaan.
