SynthID dari Google: Panduan dengan Contoh

Tujuan watermark AI adalah membuat konten digital lebih transparan dan dapat ditelusuri, terutama ketika AI semakin canggih. Tanpa penanda yang andal, materi yang dihasilkan AI dapat mudah menyatu dan menyebar tanpa terdeteksi, menimbulkan berbagai masalah, seperti penyebaran berita palsu dan deepfake atau penggunaan karya kreatif tanpa izin.

SynthID mendukung watermarking pada teks, gambar, video, dan audio. Pendekatannya menyesuaikan dengan tiap jenis media, yang akan kita bahas lebih lanjut nanti. Watermark ini dirancang untuk bertahan dari pengeditan umum seperti pemangkasan, noise, kompresi, pemotongan, dan penyaringan, sehingga sangat tangguh.

SynthID sudah terintegrasi ke dalam produk AI generatif Google: Gemini untuk teks, Imagen untuk gambar, Lyria untuk audio, dan Veo untuk video. Artinya, model-model ini dapat menyematkan watermark yang tak terlihat langsung ke dalam keluarannya. Dikombinasikan dengan portal SynthID Detector, Google menawarkan solusi watermarking lengkap yang memungkinkan pengguna dengan cepat memverifikasi konten yang dihasilkan AI di semua format yang didukung.

Bagaimana SynthID Bekerja?

Rincian proses watermarking bergantung pada format media. Saya akan menjelaskan prosedur dan ketangguhannya satu per satu.

SynthID untuk gambar dan video

Untuk data gambar, SynthID menggunakan dua jaringan saraf. Yang pertama memodifikasi nilai warna individual (nilai piksel) dalam gambar secara halus sehingga mata manusia tidak melihat perbedaan apa pun.

Perubahan dipilih sedemikian rupa sehingga watermark tetap dapat dideteksi oleh jaringan saraf kedua bahkan setelah pengeditan gambar yang umum seperti pemotongan, kompresi, penyaringan, rotasi, atau bahkan tangkapan layar. Ini membuat watermark sangat tahan terhadap manipulasi umum yang sering terjadi saat gambar dibagikan atau digunakan ulang.

SynthID untuk video

Setiap frame video diperlakukan sama seperti gambar tunggal: setiap frame diberi watermark secara individual, memastikan tanda tersebut tetap dapat dideteksi tidak peduli seberapa banyak video dipangkas. Ini membuat watermark video tak kasatmata dari SynthID tahan terhadap pengeditan dasar seperti pemangkasan, kompresi, atau pemotongan kecil.

Pengguna yang bertekad atau layanan komersial untuk mengelabui tetap dapat menghapus atau mengaburkan watermark, terutama jika termotivasi untuk melewati filter media pada platform periklanan atau untuk moderasi konten. Misalnya, menerapkan filter agresif—seperti distorsi warna atau perubahan kontras ekstrem—atau mengenkripsi ulang video dengan penyesuaian besar pada kompresi, frame rate, atau profil warna dapat menurunkan kualitas watermark sehingga menyulitkan deteksi yang andal.

SynthID untuk audio

Untuk audio, SynthID mengonversi gelombang suara menjadi spektrogram, yaitu representasi visual spektrum frekuensi pada sinyal audio seiring waktu. Kemudian watermark disematkan ke dalam spektrogram dan akhirnya audio direkonstruksi darinya. Watermark tetap tak terdengar namun tangguh terhadap pemrosesan audio standar.

Untuk menangani format konvensional, watermark disematkan dengan cara yang tetap bertahan pada kompresi lossy. Namun, manipulasi ekstrem seperti mengubah pitch atau time-stretching dapat mendistorsi spektrogram, mengurangi akurasi deteksi. Selain itu, meskipun tangguh terhadap kompresi MP3, efektivitas SynthID dapat bervariasi pada format audio proprietari.

SynthID untuk teks

Saat sebuah LLM menghasilkan teks, bahasa diuraikan menjadi token—kata, karakter, atau bagian kata—lalu memprediksi token berikutnya berdasarkan skor probabilitas. SynthID memanfaatkan karakteristik ini untuk menyematkan watermark selama proses generasi dengan menyesuaikan skor probabilitas tersebut. Modifikasi dilakukan secara terkontrol dan pseudorandom yang membuat pilihan kata tertentu sedikit lebih mungkin muncul.

Pola statistik yang dihasilkan dalam teks tak terlihat oleh pembaca dan tidak memengaruhi makna, kualitas, atau bahkan kreativitas teks yang dihasilkan. Saat diperlukan deteksi, SynthID menganalisis teks untuk mencari pola probabilitas halus ini, membandingkannya dengan yang diharapkan dari konten ber-watermark dan tanpa watermark. Watermark umumnya bertahan dari pengeditan ringan dan parafrase, meskipun dapat melemah oleh penulisan ulang berat atau penerjemahan.

Keterbatasan SynthID

SynthID menghadapi keterbatasan signifikan dalam penerapan di dunia nyata. Sementara watermarking teksnya konsisten di berbagai bahasa—tidak seperti detektor pasca-proses yang gagal pada bahasa yang tidak dilatih—tingkat deteksi turun drastis di bawah parafrase berat atau penerjemahan.

Untuk modalitas non-teks (gambar, video, audio), metrik akurasi yang dipublikasikan tidak ada, sehingga mencegah validasi kuantitatif atas klaim ketangguhan Google.

Selain itu, penyematan watermark kurang efektif untuk respons faktual, di mana pilihan generasi yang terbatas membatasi penyisipan pola tanpa mengorbankan akurasi.

Seperti alat deteksi AI lainnya, SynthID tidak menjelaskan bagaimana ia mengambil keputusan untuk mencegah pengelabuan. Jika kriteria atau algoritma deteksi dipublikasikan, akan jauh lebih mudah bagi pengguna untuk memanipulasi konten secara spesifik agar lolos dari deteksi.

Selain itu, model dasarnya kompleks dan sering beroperasi menggunakan pola statistik atau skor probabilitas, sehingga keputusannya sulit diinterpretasikan secara sederhana, bahkan bagi para ahli.

Saat ini, deteksi paling andal SynthID dicapai pada konten yang dihasilkan oleh model Google sendiri, tempat watermarking terintegrasi secara mendalam. Meskipun ada versi open-source dari SynthID-Text yang dapat digunakan dengan model bahasa kompatibel melalui Hugging Face Transformers, tingkat deteksi dan ketangguhannya umumnya lebih rendah dibanding implementasi asli Google.

Akibatnya, penerapan universal SynthID masih terbatas, dan mungkin tidak secara konsisten mengidentifikasi konten yang dihasilkan AI dari penyedia lain seperti OpenAI atau Meta, terutama ketika konten diedit oleh sistem AI berbeda.

Implementasi Praktis: SynthID untuk Teks

Mari mulai! Anda tidak memerlukan akses API Google khusus—SynthID bekerja secara lokal dalam kerangka kerja transformers. Yang Anda butuhkan hanyalah:

• Lingkungan Python (versi 3.8 atau lebih tinggi) dengan paket transformers dan torch terpasang
• Akses ke LLM melalui Hugging Face.

Membuat lingkungan

Lingkungan Python, misalnya, dapat disiapkan menggunakan Anaconda dan perintah berikut. Harap diperhatikan bahwa versi paket transformers harus 4.46.0 atau lebih baru untuk mendukung SynthID untuk teks.

conda create -n synthid-env python=3.9
conda activate synthid-env
pip install "transformers>=4.46.0" torchDidukung oleh

Mengunduh model

Untuk pembuatan teks, kita akan menggunakan model ringan gemma-2b, karena dirancang khusus untuk berjalan efisien pada perangkat konsumen sekaligus tetap memberikan kinerja yang kuat di berbagai tugas bahasa. Karena merupakan model berpagar, diperlukan login ke akun Hugging Face dan menerima ketentuan lisensi model di browser.

Model Gemma-2b tersedia dalam dua format utama:

1. Varian safetensors untuk digunakan dengan PyTorch dan Hugging Face Transformers
2. Varian gguf untuk mesin inferensi khusus seperti llama.cpp

Untuk tutorial ini, Anda hanya memerlukan berkas safetensors, karena berkas tersebut diperlukan untuk memuat dan menjalankan model di Python dengan transformers. Namun, Anda juga perlu mengunduh berkas konfigurasi dan tokenizer terkait, karena berkas-berkas ini berisi informasi penting tentang arsitektur model dan cara pemrosesan teks—tanpa itu, model tidak dapat dimuat atau digunakan dengan benar, terlepas dari format bobot yang Anda pilih.

huggingface-cli download google/gemma-2b model-00001-of-00002.safetensors model-00002-of-00002.safetensors config.json tokenizer.json tokenizer.model tokenizer_config.json special_tokens_map.jsonDidukung oleh

Memuat model

Agar bisa menggunakan Gemma-2b atau model berpagar lain dari Hugging Face, kita juga perlu menyediakan token akses Hugging Face. Token akses hanya memerlukan izin baca. Saat membuat token Anda di pengaturan Hugging Face, pilih peran “read”; tidak diperlukan izin tulis atau admin.

# Logging in to Hugging Face
from huggingface_hub import login
login("<your_huggingface_token>")Didukung oleh

Kita perlu mengimpor AutoTokenizer dan AutoModelForCausalLM dari paket transformers, lalu menginisialisasi keduanya dengan model pilihan kita.

# Loading the models
from transformers import AutoTokenizer, AutoModelForCausalLM
 model_name = "google/gemma-2b"
tokenizer = AutoTokenizer.from_pretrained(generator_model_name)
model = AutoModelForCausalLM.from_pretrained(generator_model_name)Didukung oleh

Membuat konfigurasi SynthID

Untuk menerapkan watermark SynthID pada teks yang dihasilkan AI, Anda perlu membuat objek konfigurasi watermark menggunakan SynthIDTextWatermarkingConfig. Objek ini mengontrol bagaimana watermark disematkan selama pembuatan teks.

Parameter keys adalah daftar bilangan bulat acak (biasanya 20–30 nilai) yang berfungsi sebagai tanda tangan digital privat Anda. Nilai ini menentukan bagaimana probabilitas pilihan kata diubah secara halus selama pembuatan teks untuk menciptakan pola yang dapat dideteksi. Harap diingat bahwa keys tersebut bersifat rahasia—jika terekspos, penyerang dapat memalsukan watermark atau menghasilkan teks AI yang tidak dapat dideteksi.

Parameter ngram_len mendefinisikan panjang urutan kata yang digunakan untuk analisis pola watermark. Semakin rendah nilainya, semakin besar kemungkinan watermark bertahan dari pengeditan berat, tetapi semakin sulit dideteksi. Sebaliknya, nilai yang lebih tinggi meningkatkan deteksi namun rapuh terhadap pengeditan kecil. Nilai 5 direkomendasikan sebagai kompromi terbaik untuk penggunaan nyata.

from transformers import SynthIDTextWatermarkingConfig
# SynthID configuration
watermark_config = SynthIDTextWatermarkingConfig(
    keys=[634, 300, 846, 15, 310, ...], # list of 20-30 integer numbers, keep this secret!
    ngram_len=5
)Didukung oleh

Menerapkan watermark pada teks

Prompt untuk teks yang akan diberi watermark terlebih dahulu harus ditokenisasi menjadi tensor PyTorch, agar model menerima token numerik yang dipahaminya. tokenized_prompt ini kemudian diteruskan ke metode generate() milik model bersama dengan objek konfigurasi. Parameter do_sample harus diatur ke True untuk mengaktifkan sampling yang kompatibel dengan watermark.

tokenized_prompt = tokenizer(
    ["Answer in two sentences: What is AI?"],
    return_tensors=”pt”
)
output_sequences = model.generate(
    **tokenized_prompt,
    watermarking_config=watermark_config,,
    do_sample=True
)Didukung oleh

Ini memodifikasi probabilitas pilihan kata selama pembuatan, menyematkan pola tak kasatmata sambil mempertahankan kualitas teks. Untuk memastikan keterulangan, gunakan keys yang sama di berbagai sesi, sehingga watermark dapat dideteksi secara konsisten.

Dalam contoh ini, kita meminta model memberikan definisi AI versinya. Mari lihat terlebih dahulu responsnya dengan mengonversi token kembali menjadi teks yang dapat dibaca manusia menggunakan metode `batch_decode()`.

watermarked_text = tokenizer.batch_decode(
    output_sequences , # Model's tokenized output
    skip_special_tokens=True # Removes control tokens like [BOS], [EOS], etc.
)
print(watermarked_text)Didukung oleh

['Answer in two sentences: What is AI?

Answer:
Artificial intelligence (AI) is a branch of computer science that deals with the development of intelligent machines that can perform tasks that normally require human intelligence, such as visual perception, speech recognition, decision-making, and language translation.
AI applications include autonomous vehicles, chatbots, and virtual personal assistants.']Didukung oleh

Cara Mendeteksi Watermark AI dalam Teks

Untuk mendeteksi watermark SynthID pada teks yang dihasilkan AI, saat ini ada tiga opsi praktis yang tersedia.

Untuk demonstrasi dan eksperimen, Hugging Face Transformers menyediakan kelas detektor Bayesian. Kelas ini memungkinkan pengujian alur kerja deteksi dalam kode Python menggunakan model dummy open-source. Namun, penting dicatat bahwa model ini hanya untuk tujuan demo dan tidak menawarkan akurasi yang andal atau ketangguhan tingkat produksi. 

Untuk organisasi yang membutuhkan deteksi yang disesuaikan, kelas detektor Bayesian dapat digunakan untuk membangun detektor khusus yang kompatibel dengan SynthID. Contoh ujung-ke-ujung ini menunjukkan bagaimana memungkinkan melakukan pelatihan pada teks ber-watermark yang dihasilkan dengan konfigurasi spesifik dan tokenizer bersama untuk memungkinkan verifikasi watermark yang konsisten di beberapa model internal.

Setelah dilatih, detektor dapat diunggah ke repositori privat Hugging Face Hub untuk akses organisasi yang aman, dan Responsible GenAI Toolkit dari Google menawarkan panduan tambahan untuk penerapan produksi.

Untuk deteksi autentik watermark SynthID pada konten yang dihasilkan oleh model AI Google (seperti Gemini atau Imagen), Google menawarkan Portal SynthID Detector berbasis cloud. Layanan ini ramah pengguna dan tidak memerlukan pengkodean, tetapi bersifat proprietari, saat ini hanya tersedia melalui daftar tunggu, dan terbatas pada verifikasi konten dari ekosistem Google sendiri. Belum ada API publik atau versi lokal untuk pengembang saat ini.

Diskusi Lanjutan tentang SynthID

Standarisasi dan privasi data

SynthID belum diadopsi sebagai standar industri secara luas, karena pemain besar seperti Microsoft dan Meta terus menggunakan sistem watermarking proprietari mereka, menciptakan ekosistem yang terfragmentasi di mana deteksi lintas platform tidak efektif. Saat ini, belum ada protokol evaluasi standar untuk ketangguhan watermark di modalitas teks, gambar, audio, dan video.

Kemitraan industri—seperti dengan Nvidia, yang menggunakan SynthID di platform Cosmos mereka—memang ada, namun jarang. Jadi, meskipun prospeknya menjanjikan, SynthID masih jauh dari dianggap sebagai standar yang diterima secara universal.

Berlawanan dengan beberapa kekhawatiran, SynthID tidak secara inheren mengaktifkan pengawasan atau pelacakan konten oleh Google, karena watermark adalah pengenal pasif yang disematkan saat generasi dan memerlukan pengunggahan sukarela ke portal SynthID Detector untuk verifikasi. Tidak ada bukti bahwa Google memantau distribusi atau penggunaan konten di luar alur kerja pindai-dan-hapus portal tersebut. Google belum mengungkapkan apakah berkas yang diunggah disimpan jangka panjang atau digunakan kembali, sehingga menimbulkan potensi celah privasi.

Implikasi hukum dan sosial

Menghapus watermark dari konten yang dihasilkan AI mempersulit penegakan hak cipta, terutama karena undang-undang seperti EU AI Act belum jelas mendefinisikan kepemilikan atas keluaran AI. Sementara US COPIED Act (2024) mengkriminalisasi penghapusan tersebut, penyerang mengeksploitasi celah—seperti menerjemahkan teks atau menyunting ulang media—untuk menghapus watermark tanpa konsekuensi hukum. Ketidakjelasan ini membuat kreator rentan.

Alat seperti SynthID, yang terbatas pada ekosistem Google, gagal mengatasi skala masalah, karena hanya sebagian kecil unggahan yang membawa watermark yang dapat dideteksi. Watermark statis saja tidak dapat melawan misinformasi AI karena kerentanan teknis, positif palsu, dan ketidakcocokan platform. Dalam kasus terburuk, alat seperti SynthID berisiko menumbuhkan rasa percaya diri yang berbahaya dengan menyiratkan deteksi yang andal namun gagal pada konten non-Google atau media yang telah diedit.

Watermark generatif seperti SynthID-Text bukan jawaban komprehensif untuk deteksi AI; ini lebih merupakan alat taktis yang melengkapi strategi lain. Efektivitasnya bergantung pada kolaborasi antar penyedia yang benar-benar menyematkan watermark selama pembuatan teks. Untuk mengidentifikasi teks yang dihasilkan AI dari sumber yang tidak menggunakan watermarking, metode alternatif—seperti deteksi pascaproses—masih diperlukan.

Kesimpulan

SynthID menawarkan cara untuk memberi watermark dan memverifikasi teks yang dihasilkan AI, sehingga asal-usul konten lebih transparan di era media sintetis. Namun, efektivitasnya dibatasi oleh ketiadaan standar industri yang luas dan kemudahan penghapusan atau pengelabuan watermark.

Untuk mempelajari lebih lanjut tentang watermark AI dan praktik AI yang bertanggung jawab lainnya, silakan lihat sumber berikut:

• Kursus: Konsep AI Generatif
• Kursus: Praktik AI yang Bertanggung Jawab
• Blog: Watermarking AI: Cara Kerja, Aplikasi, Tantangan
• Blog: Apa Itu Deepfake? Contoh, Aplikasi, Tantangan Etis