Google SynthID Detector 向所有人开放，但 AI 验证仍存在覆盖缺口
Google 本周向所有人开放 Google SynthID Detector，此前该工具曾面向记者、研究人员和媒体专业人士进行有限测试。该英文网站可检测图像、视频和音频中由参与 AI 系统植入的隐形水印。
更广泛的开放让这一专业验证工具成为公共服务。Google 表示，SynthID 现已覆盖其自有模型以及 OpenAI、Nvidia 和 Kakao 等参与公司的媒体内容。预计稍后将支持 Apple。
矛盾也正存在于这一承诺之中。阳性结果能够提供有意义的证据，证明参与系统生成或修改了文件；但阴性结果并不能证明内容由人类创作，因为大量生成器并未嵌入兼容的水印。
因此，Google 面对的竞争对手与其说是某一家企业，不如说是一个更棘手的问题：人们期待单一检测器能识别所有合成文件。新网站让水印检查更容易，但并未消除对溯源记录、来源调查和编辑判断的需求。
Google SynthID Detector 将封闭预览版变为公开网站
最直接的变化是访问权限：任何人现在都可以上传受支持的媒体，并查询其中是否包含 SynthID 水印。
Google 于 2025 年 5 月的 Google I/O 首次推出 SynthID Detector 门户。最初，访问权限仅提供给加入早期测试计划的特定记者、媒体专业人士和研究人员。
该公司现已在全球范围内推出英文版检测器。这取消了候补名单，并为普通用户提供了一个独立于 Google 其他产品的专用验证网站。
公开版本支持常见媒体格式。图像可使用 JPG、JPEG、PNG、BMP、WEBP、AVIF、HEIC、HEIF、TIFF、TIF 或 GIF。支持的视频格式包括 MP4、MOV 和 WEBM，音频则支持 WAV、MP3、OGG、FLAC、AAC 和 M4A。
该检测器会扫描上传文件中的 SynthID——一种在生成或编辑过程中嵌入、肉眼不可察觉的信号。如果发现该信号，服务可识别水印出现的区域或时间片段。
当文件混合多个来源时，这种定位能力尤为重要。例如，视频可能在传统实拍画面上叠加生成音频；经过部分编辑的图像，也可能在未标记素材旁保留带标记的区域。
Google 在其 SynthID 概览中将该系统描述为用于 AI 生成内容的水印和识别工具。其图像和视频方法会在像素或帧内调整数据，但不会形成可见标签。
音频水印同样会在生成的声音中植入人耳无法听见的信号。Google 表示，在正常情况下，压缩、添加噪声或改变播放速度等常见处理不应抹去该标记。
Google 最初于 2023 年 8 月通过 Vertex AI 上的 Imagen 推出 SynthID 图像版本。此后，该系统扩展至视频、音频以及带统计水印的文本。
新的公开网站聚焦于上传的图像、视频和音频。SynthID 也可为受支持语言模型生成的文本添加标记，但不应将这款公开媒体检查工具误认为通用 AI 写作检测器。
Google 已将验证功能嵌入 Gemini、Search 和 Chrome。该公司表示，这些集成工具目前每天处理超过 100 万次验证请求。
专用网站仍有不同用途。它为持有文件、但不希望通过聊天机器人或特定浏览器界面开始验证的用户提供直接工作流程。
新闻编辑部可以在发布前检查投稿视频片段。教师可以检查作业所附的音频文件。品牌团队可以查看营销媒体是否带有已知生成器的信号。
这些检查都不能证明媒体中呈现的主张真实无误。结果涉及的是来源信号，而非所描绘的事件是否真实发生、发言者是否同意，或周边说明文字是否准确。
这种区别构成了本文的核心张力。Google 将一种有用的认证信号公开化，但“检测器”这一名称也容易引发超出系统实际覆盖范围的期待。
Google 为何此时扩大 AI 媒体验证
Google 正在扩大验证规模，因为合成媒体已变得更易创建、更易传播，也更难仅凭肉眼判断。
该公司称，其已在超过 1800 亿张图像和视频中嵌入 SynthID。它还表示，已为相当于 24 万年时长的音频添加水印。
这些数字来自公司披露，而非对检测准确率的独立测量。但它们仍显示出 Google 在消费级产品和生成模型中的部署规模。
据该公司及有关此次发布的初始报道，Google 的受支持产品包括 Gemini、Flow、Vids 和 ProducerAI；其带标记的模型系列包括 Nano Banana、Veo 和 Lyria。
这一时机也与 Google 标记策略的更广泛变化相呼应。8 月，Google 表示，用户将能够移除部分生成图像、视频和歌曲上的可见标记。
隐形 SynthID 信号和 C2PA 元数据仍将保留。这让创作者获得更整洁的输出，同时将更多责任转向机器可读的验证。
这种取舍让公开检查器更加重要。只有广泛可用的服务能够读取隐形标记并解释结果时，用户才能从中获得信息。
Google 一直分阶段构建这一分发层。Gemini 获得了图像和视频检查功能，Search 增加了验证功能，Chrome 也得到相关支持。如今，该网站提供了一个不依赖特定产品的入口。
该公司此前的验证功能推广显示，在 Search 和 Chrome 扩大访问之前，SynthID 检查已被使用 5000 万次。当前的每日请求量表明，验证正逐渐成为一种重复性行为，而不再是罕见的取证任务。
Google 也在回应互操作性问题。当媒体在编辑工具、发布平台和社交网络之间流转时，仅限于单一模型的水印会变得不那么有用。
Google 表示，OpenAI、Nvidia 和 Kakao 已针对相关输出采用 SynthID 支持。Apple 预计将加入，但用户应将未来兼容性视为待定状态，直到相关支持正式推出。
外部公司的参与使该检测器的覆盖范围超过了仅限 Google 自有模型的检查工具。它也增强了 SynthID 作为共享基础设施的定位，而不是只在 Gemini 内部可见的专有标签。
这会对其他 AI 提供商形成压力。它们必须决定是采用共同的检测系统、构建独立水印、依赖溯源元数据，还是不提供持久信号。
社交平台也面临相关选择。它们可以在上传时检测嵌入式证据并展示标签，或者让用户自行下载可疑文件并在其他地方检查。
Meta 一直在推进部分基于机器可读信息的自动标签。其 AI 标签系统会寻找基于 C2PA 和 IPTC 标准的信号，以及 Meta 自有工具添加的标记。
Microsoft 和 Adobe 也支持记录文件如何创建或修改的溯源系统。它们的方法与水印有所重叠，但回答的问题略有不同。
嵌入式水印表示参与的生成器已为内容添加标记。当该链条保持完整时，溯源凭证则可描述文件历史、编辑步骤和签名实体。
两种路径都无法适用于所有场景。元数据可能在截图、导出或平台处理过程中消失。隐形水印则可能面临内容变换或蓄意移除的尝试。
Google 的扩展反映了这一现实。该公司并未押注于单一可见标签，而是在结合嵌入式信号、签名溯源、产品级检查和公开访问。
这种分层方法对知识工作者也很重要。将媒体与笔记一同保存的研究人员，可以在个人知识库中保留来源 URL、验证结果和周边语境，而不是将一次检测器响应视为永久证据。
Google SynthID 检测如何在不识别每个 AI 文件的情况下工作
SynthID 是主动水印系统，而不是通过判断媒体是否看起来人工来猜测其是否为 AI 生成的视觉分类器。
这一差异既解释了它为何能提供更强证据，也解释了其覆盖范围为何更窄。生成器会将预设信号植入输出，而检测器随后会搜索该信号。
对于图像，最初的 SynthID 系统使用了两个共同训练的神经网络。一个将不可察觉的水印嵌入图像，另一个则尝试恢复并分类该标记。
Google 围绕相互竞争的目标设计了这一组合。水印应在常见编辑后仍可被检测，同时不应产生可见伪影或显著降低图像质量。
该公司表示，裁剪、颜色调整、滤镜、亮度调整和有损压缩等常规操作仍可保留可检测信号。极端或对抗性的变换则是另一项挑战。
视频将图像方法扩展到多个帧中。SynthID 并非在角落附加一个可被移除的标签，而是在生成的视觉材料中持续植入信号。
音频则需要另一种嵌入方式。Google 会对 Lyria 和 NotebookLM 的音频功能等产品输出施加人耳听不见的模式，随后在上传的声音中搜索相应片段。
文本水印的工作方式又有所不同。语言模型会从概率分布中选择每个词元，而 SynthID 会细微调整这些选择概率，从而形成可检测的统计模式。
Google 在其水印研究中解释了这一技术。该公司也承认，相比短文本或经过大量改写的内容，文本检测在较长且多样化的段落中效果更好。
此次公开发布以媒体为中心，而非开放式文本分析。这一重点避免将水印检测与那些根据写作风格估计作者身份、且颇具争议的工具混为一谈。
当检测器找到有效标记时，网站结果最具说服力。这一发现可将文件或其部分内容与兼容的生成过程联系起来。
检测到水印并不一定能识别后续的每一项编辑。有人可能将真实拍摄的画面置于生成的画框中，将带标记的音频片段配在无关视觉内容上，或附加虚假说明文字。
位置数据可以帮助调查人员区分这些元素。如果 SynthID 仅出现在视频音轨中，用户不应因此断定视觉轨道也由 AI 生成。
反向结果则需要更加谨慎。“未检测到 SynthID”意味着服务未能从提交的材料中恢复其水印。
这并不意味着“由人类制作”。文件可能来自不受支持的 AI 生成器、在处理过程中丢失了水印，或采用了另一家公司的溯源方法。
它也可能包含通过屏幕录制或摄像头重新采集的素材。这种重新采集会以新文件替代原始的像素、音频和元数据结构。
这正是 SynthID 与取证型 AI 检测器的区别所在。取证分类器会检查统计模式和视觉特征，以估计内容是否类似生成式输出，即使其中没有嵌入标记。
这类分类器可以覆盖未知来源，但其结论具有概率性。当传统编辑看起来像生成痕迹时，它们可能产生误报；随着模型能力提升，也可能出现漏报。
水印则缩小了其主张范围。该服务寻找的是参与系统有意插入的信号，而不是仅凭外观推断来源。
这使阳性结果更容易解读。但也意味着该检测器无法覆盖整个合成媒体市场。
因此，对编辑和调查人员而言，实际工作流程应从一个精确的问题开始：“该文件是否包含兼容的 SynthID 信号？”这不同于询问是否有任何 AI 系统参与过该内容。
有价值的结果应与其他证据结合。来源历史、反向图片搜索、发布时间戳、原始文件、目击者确认以及签名凭证，都可能改变评估结论。
覆盖缺口才是 AI 水印真正的局限
主要风险并非 SynthID 没有价值，而是用户赋予一个围绕参与生成器构建的系统以普适性的含义。
Google 自身多次将 SynthID 描述为更广泛验证工具包中的一个组成部分。其 2024 年技术说明指出，该技术并非识别生成内容的完整解决方案。
如今检测器已公开，这一警告更值得突出强调。面向消费者的可用性可能让一种专用信号看起来像决定性的真实性测试。
最明显的错误，是将未标记的文件视为真实文件。阴性结果仍存在多种可能，包括不受支持的生成方式、信号被移除、经过重度转换，或内容本就是普通人工创作。
覆盖范围首先取决于采用情况。Google 可以为自家系统的输出添加水印，但无法强制所有商业或开源模型实施同一机制。
开放模型构成了特殊挑战。开发者可以修改生成管线、禁用可选水印，或通过无法保留原始信号的工具导出内容。
对抗性用户同样有理由移除水印。任何制作欺骗性媒体的人，都不太可能保留会暴露文件来源的自愿性标记。
学术研究表明，不可见图像标记会面临移除攻击。一篇经过同行评审的 NeurIPS 论文发现，生成式重建技术能够在保留可用图像质量的同时，降低多个像素级水印系统的检测率。
该研究并未证明每一种攻击都能击败 Google 当前的实现。它说明，为永久有效或无法攻击的水印提出广泛主张，需要独立测试。
Google 表示 SynthID 能容忍常见编辑，这对日常传播很有价值。但对常见修改的韧性，与抵抗蓄意攻击者，并不是同一标准。
误报同样需要重视。检测器必须避免将传统媒体识别为带标记内容，尤其当结果可能影响新闻报道、纪律处分决定或欺诈调查时。
Google 尚未公布一个涵盖所有受支持合作伙伴、格式、转换方式和真实上传路径的单一公开准确率数据。因此，用户不应将某一次结果转化为数值上的确定性。
随着网络扩展，独立评估会变得更加困难。一家合作伙伴嵌入的水印，可能与另一家合作伙伴的标记在实现方式、模型覆盖范围或部署策略上有所不同。
检测器界面必须传达这些边界。它应区分“检测到水印”“可能检测到”和“未检测到”，同时避免鼓励用户将最后一类结果理解为真实性证明。
来源标准通过一条互补路径解决了部分问题。C2PA specification 定义了经过签名的 Content Credentials，可记录媒体资产的来源和历史。
凭证可以描述拍摄、生成和编辑事件。它们还可以识别对声明进行签名的组织或设备，但这取决于信任和身份控制。
不过，经过截图、不受支持的导出或平台转换后，来源数据可能无法获取。缺少凭证与缺少水印一样，也会带来相同的解读陷阱。
更强大的设计会同时采用两种方法。水印随媒体数据传播，而凭证则提供用户和平台可检查的签名历史。
平台随后可以加入分发层面的上下文。社交服务可能会保留凭证、检查嵌入标记、披露用户提供的标签，并标记不一致的声明。
没有任何单一层级能够证明内容传递的信息是否真实。一张真实的相机照片，仍可能被配以虚假的日期、地点或描述。
同样，AI 生成媒体也可能是无害的。广告创意、电影特效、无障碍工具和教育模拟都会使用合成内容，而并非意图欺骗。
验证目标应是提供上下文，而不是自动谴责。用户需要知道媒体是如何创作的，才能施以恰当程度的审查。
这种框架也能保护合法创作者。可靠的来源信号可以帮助他们记录经授权的 AI 使用、区分成品与冒充内容，并保留编辑历史。
Google 的检测器在不断扩大的网络中推进了这一目标。它的弱点在于该网络的边界，而非验证理念本身。
SynthID 公开发布后值得关注什么
下一项考验是，Google 能否将广泛访问转化为可靠、可互操作的验证，同时不鼓励虚假的信心。
首先要关注的是合作伙伴覆盖范围。OpenAI、Nvidia 和 Kakao 的支持让 SynthID 的覆盖超出 Google，而 Apple 承诺参与则会再加入一个重要的消费级平台。
关键不在于合作伙伴名单有多长，而在于每家公司能否在产品、格式、编辑工具和导出设置中始终如一地为输出添加标记。
部分部署会造成令人困惑的缺口。一家公司可能为某个模型生成的视频添加水印，却让另一模型生成的图像不在系统覆盖范围内。
随着该网络变化，Google 应发布清晰的兼容性文档。用户需要知道检测器能识别哪些产品、模型版本、媒体类型和创作日期。
更广泛且一致的合作伙伴覆盖，将强化 Google 关于 SynthID 正在成为共享验证基础设施的主张。碎片化的采用则会使它主要仍是针对几家大型供应商的检测工具。
第二个信号是独立测试。研究人员和新闻编辑部如今可以提交真实文件，而不必依赖有限的预览计划。
有价值的评估应衡量内容在常规编辑后的检测效果，包括重新压缩、调整尺寸、裁剪、转码、混剪和社交平台处理。它们还应针对人工创作媒体测试误报率。
对抗性测试需要单独分类。蓄意移除攻击衡量的是与日常编辑不同的威胁，不应合并为单一的整体准确率标题。
公开结果将帮助用户理解，该系统是否适用于日常检查、新闻编辑部初筛、平台标注或风险更高的调查。这些用途需要不同的门槛。
Google 对报告失败案例的回应，将与失败案例本身同样重要。透明的更新流程将表明，该检测器作为持续维护的安全基础设施运行，而非静态的发布功能。
第三个信号是平台整合。网站要求用户识别可疑内容、获取原始文件，并另行进行检查。
当平台保留信号并在查看内容的地点展示上下文时，验证会变得更有效。Search、Chrome 和 Gemini 已在朝这一方向发展。
社交网络、云存储服务、新闻编辑部系统和创意应用可以进一步减少阻力。它们可以在上传时检查标记、在编辑期间保留凭证，并在媒体旁展示来源信息。
这种整合必须避免将 AI 标签呈现为对真实性或危害性的判定。最有用的界面会解释检测到了什么、在哪里检测到，以及该结果无法证明什么。
监管压力同样会影响采用。各国政府越来越期望服务提供商通过机器可读的方法披露合成内容，尤其是逼真的媒体。
合规可能加速共同标准的发展，但不兼容的区域性要求也可能带来新一层碎片化。供应商需要将技术信号与清晰的面向用户的说明连接起来。
目前，Google SynthID Detector 最适合作为一项具有明确定义范围的高价值检查工具。阳性结果可以揭示参与 AI 系统嵌入的标记。阴性结果则意味着调查仍需继续。
这仍是有意义的进展。此前，大多数人没有直接方法可查询 Google 水印是否存在于常见的图像、视频和音频文件中。
更艰难的工作将在发布后开始。Google 必须记录覆盖范围，研究人员必须测试韧性，合作伙伴必须一致部署标记，平台则必须保留来源数据。
当可疑文件出现在你的收件箱或信息流中时，请将检测器作为一项证据使用。随后检查其来源、凭证、编辑记录和周边说法，再决定该相信什么。
问题不再是 Google 能否向所有人开放其水印检测能力，而是更广泛的媒体生态系统能否保留足够的证据，让验证在内容离开生成器后仍然有用。
