- SynthID は、テキスト、画像、オーディオ、ビデオに目に見えない透かしを挿入し、後で検出できるようにします。
- テキストでは、構成可能なキー、n グラム、サンプリング テーブルを備えたロジット プロセッサ (g 関数) として統合されています。
- 検証はベイジアン検出器と、マーク済み、マークなし、または不明の 3 つの状態を使用して確率的に行われます。
- これはまだ普遍的な標準ではありませんが、Transformers 4.46.0+ にはオープン ソース コードがあり、検出ポータルがあり、採用が拡大しています。
生成型AIの急速な発展により、テキスト、画像、音声、動画の生成規模は、つい最近までSFの世界の話のように思われていたレベルにまで達しました。同時に、人間が生成したコンテンツとモデルが生成したコンテンツを区別することがますます困難になっているため、誤報や誤った情報発信のリスクも高まっています。そこで、ウォーターマークが対策技術として登場します。これは、ユーザーには見えない指紋のようなもので、検証システムがコンテンツがAIによって生成されたかどうかを判断できるようにするものです。
Google DeepMindは、AI生成コンテンツに透かしを直接挿入・検出できる「SynthID」と呼ばれる一連の技術を発表しました。この技術は、画像、音声、テキスト、動画など複数のフォーマットに対応しており、テキストに関してはオープンソースとして公開されているため、Hugging Face Transformersなどのライブラリを使用して、どの開発者でもワークフローに組み込むことができます。この技術は、視覚的な品質を損なうことなく、より高い透明性を実現することを目指しています。
SynthID とは何ですか? なぜ重要なのですか?
SynthIDは、AIモデルによって生成または変更されたコンテンツに、目に見えない形でマークを付けることで、後から検出器で識別できるようにするというGoogleの提案です。このアイデア自体は新しいものではありません（メタデータや関連規格は既に利用されています）が、SynthIDはさらに一歩進んでいます。マークはコンテンツ自体の中に埋め込まれるため（ピクセル、音声波形、テキスト内のトークン選択など）、一般的な変換処理を経てもマークが保持され、脆弱な外部タグだけに頼る必要がなくなります。
その動機は明白だ。ローマ法王のキルティングコートやドナルド・トランプ氏の逮捕疑惑といった話題が瞬く間に広まり、画像生成技術がますますリアルになるにつれ、目にするものがどこから来たのかを知るための信頼できる手がかりが必要になっている。Googleは既に自社のエコシステム（例えば、Geminiで画像を生成する際など）でこの手法を採用しており、より多くの企業がこれを取り入れることで、広く共有される業界標準に近づくことを目指している。
SynthIDの仕組みを簡単に説明すると
SynthIDファミリーは、複数のアプリケーションに対応しています。画像においては、デジタル指紋がピクセルに直接組み込まれ、人間の目には知覚できず、トリミング、フィルターの適用、圧縮、フォーマットの変更といった頻繁な変更にも耐えられるように設計されています。音声においては、マークは信号に聞き取れない形で埋め込まれ、ノイズ、MP3圧縮、速度変化にも強い耐性を備えています。動画においては、フレーム生成時に追加され、カット、フィルター、リフレッシュレートの変動、圧縮にも耐えられるように設計されています。
テキストの場合、SynthID Textは生成時に信号を導入します。擬似乱数関数（g関数）を用いて単語選択の傾向を微妙に調整するサンプリングプロセスを使用し、透かしをエンコードします。この変更は、読者がスタイルや意味の変化を認識することなくモデルの出力分布に適用されますが、対応する検証者によって統計的に検出可能な痕跡が残ります。
SynthID Text: テキスト透かしの説明
実際には、SynthID Textは、 Top-KおよびTop-Pの後にモデル生成パイプラインに統合されるロジットプロセッサとして実装されています。このアルゴリズムは、テキスト全体に透かし情報をエンコードする擬似乱数関数gを用いてロジットを拡張します。その目的は、テキストの品質を大幅に損なうことなく、検出器が後でテキストがSynthID構成を使用して生成された確率を評価できるようにすることです。
この手法は、鍵誘導型トーナメントサンプリング方式を採用している。具体的には、候補トークンに擬似乱数スコアを割り当て、それぞれのトークンが元の確率に基づいて互いに競い合い、各ステップで勝者を選択する。この制御された競争によって統計的な署名が生成される。Nature誌に掲載された研究では、この技術の詳細が説明されており、テキストを大幅に変更しない限り、署名を偽造したり削除したりすることは困難であることが示されている。
これを適用するためにモデルを再トレーニングする必要はありません。一度渡すだけです。 ブランド構成 生成方法（例えば、 model.generate() トランスフォーマーのキャラクター（SynthIDのロジットプロセッサを有効化する）をGoogleとHugging Faceが開発し、実稼働環境への導入を支援してきた。 トランスフォーマー4.46.0 公式のテストスペースと、技術の貢献や移植に役立つGitHub上の参照実装があり、 人工知能を使ったアプリケーションを作成する それを他のプロジェクトに統合します。
主要なパラメータと安全な設定
SynthID Text の設定には、2 つの必須パラメータがあります。1 つ目は ` keys`です。これは、`g` 関数を使用して語彙をスコアリングするために使用される、ランダムで一意の整数のリストです。このリストの長さは、適用されるマーキングの「レイヤー」の数を定義します。実際には、技術ガイドラインで推奨されているように、品質と検出可能性のバランスを取るために20 ～ 30 個のキーを使用することが推奨されます (詳細は論文の付録 C.1 を参照)。
2 つ目の重要なパラメータはngram_lenで、堅牢性と検出可能性のバランスを取るために n-gram ウィンドウを決定します。一般的に値が大きいほど検出は容易になりますが、透かしが編集されやすくなります。適切な参考値は 5 です。プライバシーとセキュリティの観点から、各透かしの設定はプライベートかつ安全に保管することが非常に重要です。漏洩した場合、第三者が容易に複製できてしまうためです。
さらに、 `sampling_table_size`と`sampling_table_seed`という2つのプロパティを持つサンプリングテーブルを使用することで、パフォーマンスを最適化できます。サンプリング時に安定した偏りのないg関数を確保するには、推論時のメモリへの影響を考慮しつつ、少なくとも2^16のサイズを推奨します。シードは任意の整数で、知覚できる品質には影響しませんが、他の秘密情報と同様に慎重に管理する必要があります。
もう一つの運用上の詳細として、最近の履歴トークン（context_history_sizeで制御）内の繰り返し出現するnグラムは、検出精度を向上させるためにフラグから除外されます。この調整により、シグナルの情報量が少ないような些細なパターンが強調されることを回避します。
検出と検証：ベイズ検出器の役割
SynthIDの検証は確率的です。Hugging Faceのエコシステム内およびGitHubでは、各コンテンツを「透かし入り」、「透かしなし」、「不明」の3つの状態に分類するベイズ検出器が使用されています。技術記事の付録C.8で説明されているように、 2つの設定可能な閾値を使用して、偽陽性/偽陰性の比率を調整できます。
もう一つ運用上の利点があります。トークナイザー／アナライザーを共有するモデルは、同じブランド構成と検出器を再利用できます。ただし、検出器のトレーニングセットに、そのブランドを共有するすべてのモデルの例が含まれていることが条件です。これにより、組織内または技術コンソーシアム内で共通のフィンガープリントを標準化することが容易になります。
最後に、検出器をどのように公開するかを決定することも戦略の一部です。一般的な選択肢は3つあります。完全に非公開にする（何も公開しない）、リソースを一切解放せずにAPI経由でセミプライベートモードで提供する、またはダウンロードと一般利用のために公開する、のいずれかです。どの選択肢を選ぶかは、インフラストラクチャの容量、セキュリティ、透明性、およびサポートに関するポリシーによって異なります。
コンテンツタイプ別のアプリケーション：画像、音声、ビデオ、テキスト
画像に埋め込まれるSynthIDは、視覚的な品質を損なわず、トリミング、フィルター処理、フォーマット変更といった一般的な編集にも耐えられるよう設計された、目に見えない指紋データです。この手法は当初、Image（Vertex AIのテキストから画像への変換モデル）のユーザーを対象にテストされ、その後、より多くのサービスに展開されました。さらに、このソリューションは、 Photoshopなどのツールで使用されるような、より従来型のメタデータベースの手法とも互換性があり、両方の手法を共存させることができます。
オーディオ分野では、Lyriaのようなモデルは、ブランディングを耳に聞こえない形で統合しています。つまり、ノイズの追加、MP3圧縮、再生速度の変化などにも耐えることができます。実用面では、これにより、Notebook LMのテキストから作成されたポッドキャストや、モデルによって生成されたその他のトラックを、ユーザーがリスニング体験に何ら違いを感じることなく識別できます。
動画の場合、Googleは初期録画プロセス（例えばVeo）でこの透かしを適用するため、トリミング、フィルター処理、フレームレートの変更、圧縮などの影響を受けません。透かしは動画の画質を損なうことはなく、適切な編集処理後も残るように設計されています。
テキストにおいては、これまで見てきたように、ブランドはトークン決定のシーケンスの中に隠されています。Geminiにおける20万件を超える回答（ブランド付きとブランドなしの両方）の大規模な内部評価では、この手法が品質、正確性、創造性、生成速度を低下させないことが示されています。ただし、その統計的な有効性は、回答の長さと、その後のコンテンツの編集量に依存します。
可用性、オープンソース、エコシステム
GoogleはSynthID Textをオープンソースとしてコミュニティに公開し、Transformers 4.46.0以降で本番環境レベルの実装と公式テスト環境を提供しています。さらに、GitHubにはリファレンス実装があり、この技術への貢献や他のフレームワークへの移植に役立ちます。製品エコシステム内では、Gemini（画像）、Magic Editorなどの機能、ImageFXなどのツールに既にウォーターマークが表示されています。動画に関しては、VeoがSynthIDを統合しており、現在VideoFXで限定アクセスによるトライアル版が利用可能です。
Google I/O 2025において、 SynthID Detectorが一般公開の検証ポータルとして発表されました。テキスト、画像、音声、動画などのファイルをアップロードすると、そのコンテンツ（またはその一部）にブランドが含まれているかどうかを判定します。現在、アクセスは少数のユーザーに限定されていますが、ジャーナリスト、メディア関係者、研究者など、この検証が非常に重要となる可能性のある層に向けて、段階的に公開していく予定です。
Googleのエコシステム以外にも、重要な連携や採用が発表されている。例えば、NVIDIAはSynthIDの導入に合意しており、これによりSynthIDの業界ツールへの統合が加速する可能性がある。一方、他の企業も独自の道を模索している。例えば、OpenAIは画像がDALL·E由来のものかどうかを識別するユーティリティをリリースし、高度な透かし技術の開発に取り組んでいる。こうしたアプローチの融合、すなわち相互運用性が極めて重要となるだろう。
実践的な実施：コスト、アクセス、そしてどこから始めるか
現在、SynthIDは主に プレミアムサービス GoogleのVertex AIやHugging Faceエコシステムなどから提供されるツール。ただし、プロダクション環境において広義の意味で「無料」なツールではない。 オープンリソース （コード、ドキュメント、サンプル）を使って実験・評価できます。Transformersを使って開発する場合は、SynthID Textの設定を generate(); Vertex AI（画像2/3）を使用する場合、 出口にマークが付けられる 透明に。
検出器をテストするには、I/Oで発表されたポータルに加えて、Hugging FaceとGitHubにも実装があります。組織の場合は、検証をどのように公開するか（非公開、API経由、または公開）、必要なパフォーマンス指標（偽陽性/偽陰性の閾値）、および設定キーを漏洩から保護する方法を計画する必要があります。
標準の現状と業界の採用
SynthIDは普遍的な標準規格と言えるだろうか？ まだそうではない。Googleは自社製品で一貫してSynthIDを使用し、主要コンポーネントをリリースしているが、認証手段として普及するには他の企業も採用する必要がある。最良のシナリオは、大手テクノロジー企業、ハードウェアメーカー、ソーシャルメディアプラットフォーム間の合意形成だろう。最悪のシナリオは、互換性のないソリューションが寄せ集められた状態になることだ。今のところ、オープンソース運動や（NVIDIAとの提携のような）パートナーシップは、正しい方向へと進んでいると言えるだろう。
Googleが公開したデータによると、SynthIDは2023年以降、数十億ものコンテンツ（画像、動画、音声、テキスト）に透かしを追加してきた。この規模は、SynthIDが事実上の標準となる可能性を示唆しており、規制当局や公的機関はディープフェイクや改ざんに対する強力な対策を求めている。
現実の限界と課題
透かしはどれも完璧ではありません。SynthID Textは、抜粋、中程度の同義語、軽微な言い換えには耐えられますが、テキストが完全に書き換えられたり、別の言語に翻訳されたりすると、信頼性が低下します。さらに、事実に基づいた回答（選択の自由が限られている場合）では、精度を損なわずにシグナルを挿入する余地が少なくなるため、検出がより困難になります。
画像、音声、動画において、このブランドは標準的な変換には十分耐えられますが、極端な操作は信号を劣化させる可能性があります。SynthIDは、悪意のある攻撃者が単独で危害を加えることを防ぐことを目的とするものではなく、むしろそれをより困難にし、何よりも他の対策（モデレーション、ソース検証、署名付きメタデータなど）と連携して、より広範囲をカバーすることを目的としています。
学術界からも、細かなニュアンスが生まれている。ソヘイル・フェイジ氏のような専門家は、LLM（低レベル透かし）の性質上、信頼性が高く、かつ目に見えないテキスト透かしを実現するのは複雑だと指摘する。それでも、コミュニティが検出器をテストし、その堅牢性を評価できることを高く評価している。一方、スコット・アーロンソン氏のような専門家は、理論だけでなく、既に実運用でこの技術が活用されていることの重要性を強調している。
技術チーム向けクイックガイド
評価する場合は、Transformers 4.46.0以降から始め、 SynthID設定： 定義する キー 20～30個の一意のランダムな整数と nグラムの長さ 5を出発点として、サンプリングテーブルを追加します。 サンプリングテーブルサイズ ≥ 2^16かつ シード 整数。プロセッサをアクティブ化する .generate() 採点ありと採点なしのテストコーパスを生成する 訓練する/調整する ベイズ検出器。
検出器を較正する際は、偽陽性および偽陰性に対する許容度に基づいて閾値を定義します。ストレスシナリオ（翻訳、大幅な言い換え、切り捨てなど）を評価し、検証器の性能を確認します。複数のモデルがトークナイザーを共有している場合は、それらを同じブランディングスキーム内で共有し、すべてのモデルからの例を使用して検出器をトレーニングすることで、汎化性能を向上させます。
展開時には、公開モデル（プライベート、API、パブリック）を決定し、ブランドキーを暗号化して保護し、検出率と遅延率を監視します。法務チームと製品チーム向けに制限事項と前提条件を文書化し、コミュニケーション部門と連携して、 「不確実な」結果の解釈方法を説明します。
ユーザーとクリエイターへの影響
エンドユーザーにとって、ファイルをアップロードして明確な判定結果（「マーク済み」「マークなし」「不確実」）を得られる検証ポータルは、透明性の向上において大きな進歩です。ジャーナリストや検証チームにとっては、合成コンテンツが蔓延する環境において、ファクトチェック活動を支援する新たなツールとなります。
アーティストやクリエイターにとって、確固たるデジタルフットプリントは、作品の著作権と出所を守り、視聴者にとって重要な場合に、人間によるものと合成されたものを区別するのに役立ちます。また、プラットフォームにとっては、コンテンツのモデレーションコストを削減し、公開ポリシーに関する信頼できるシグナルを提供し、新たな規制要件に製品を適合させるのに役立ちます。
SynthIDは万能薬ではありませんが、メタデータ標準、暗号署名、明確なポリシーと組み合わせることで、大きな違いを生み出すことができる確固たる基盤です。普及が進み、相互運用性が確立されれば、業界は信頼性を損なうことなく、生成型AIを扱うためのより成熟したツールを手に入れることができるでしょう。
