Qué es SynthID, la marca de agua de la inteligencia artificial

La irrupción de la IA generativa ha disparado la producción de imágenes, textos, audios y vídeos a una escala nunca vista, y con ella han crecido las dudas sobre su procedencia; en este contexto, identificar si un contenido ha sido creado o alterado por un modelo se vuelve clave para la confianza digital. SynthID puede ser una magnífica solución.

Se trata de la propuesta de Google DeepMind, una familia de técnicas de marca de agua “invisibles” que se incrustan directamente en el contenido generado por IA para facilitar su verificación posterior sin degradar la calidad percibida por las personas.

¿Qué es SynthID y qué pretende?

Google describe SynthID como una herramienta de marca de agua específica para contenido generado por IA, pensada para favorecer la transparencia y la trazabilidad. No se limita a un formato: abarca imágenes, audio, texto y vídeo, de modo que un mismo enfoque técnico pueda aplicarse a distintos tipos de medios.

En el ecosistema de Google ya se emplea de varias formas:

• En texto, la marca se aplica a las respuestas de Gemini.
• En audio, se utiliza con el modelo Lyria y con funciones como la creación de pódcasts a partir de texto en Notebook LM.
• En vídeo, se integra en las creaciones de Veo, el modelo capaz de generar clips en 1080p.

En todos los casos la marca de agua es imperceptible, y se ha diseñado para resistir modificaciones habituales como compresión, cambios de ritmo en audio o recortes en vídeo, sin mermar la calidad.

Más allá de la tecnología, su objetivo práctico es claro: ayudar a distinguir el material sintético del producido sin IA, de forma que usuarios, medios e instituciones puedan tomar decisiones informadas sobre el consumo y la distribución de contenidos.

Cómo funciona la marca de agua en texto (SynthID Text)

En la práctica, SynthID Text actúa como un procesador de logits que se engancha a la tubería de generación del modelo de lenguaje después de los filtros de muestreo habituales (Top-K y Top-P). Este procesador modifica de forma sutil las puntuaciones del modelo con una función pseudoaleatoria g, codificando información en el patrón de probabilidades sin introducir artefactos visibles en el estilo o la calidad del texto.

El resultado es un texto que, a simple vista, mantiene calidad, precisión y fluidez, pero que incorpora una estructura estadística detectable con un verificador entrenado.

Para generar texto con marca de agua no hace falta reentrenar el modelo: basta con facilitar una configuración al método .generate() y activar el procesador de logits de SynthID Text. Esto simplifica la adopción y permite probarlo con modelos ya desplegados.

La configuración de la marca de agua incluye dos parámetros esenciales: keys y ngram_len. Las keys son una lista de números enteros aleatorios y únicos que se usan para puntuar el vocabulario mediante la función g; la longitud de esa lista controla cuántas “capas” de marca de agua se aplican. Por su parte, ngram_len fija el equilibrio entre detectabilidad y robustez frente a transformaciones: valores más altos facilitan la detección pero hacen el sello más frágil a cambios; un valor de 5 funciona bien como punto de partida.

Además, SynthID Text usa una tabla de muestreo con dos propiedades: sampling_table_size y sampling_table_seed. Se recomienda un tamaño de al menos 2^16 para asegurar que la función g se comporta de forma estable y sin sesgos al muestrear, teniendo en cuenta que un tamaño mayor implica más memoria durante la inferencia. La semilla puede ser cualquier entero, lo que facilita la reproducibilidad en entornos de evaluación.

Hay un matiz importante para mejorar la señal: los n-gramas repetidos dentro del histórico reciente del contexto (definido por context_history_size) no se marcan, lo que favorece la detectabilidad de la marca en el resto del texto y reduce falsos positivos ligados a repeticiones naturales del lenguaje.

Por seguridad, cada configuración de marca de agua (incluyendo sus keys, semilla y parámetros) debe almacenarse de forma privada. Si esas claves se filtran, terceras partes podrían replicar la marca con facilidad o, peor aún, intentar manipularla con pleno conocimiento de su estructura.

Cómo se detecta: verificación probabilística con umbrales

La verificación de una marca de agua en texto no es binaria, sino probabilística. Google publica un detector bayesiano tanto en Transformers como en GitHub que, tras analizar el patrón estadístico del texto, devuelve tres posibles estados: con marca, sin marca o incierto. Esta salida ternaria permite ajustar la operación a distintos contextos de riesgo y tolerancia al error.

El comportamiento del verificador es configurable mediante dos umbrales que controlan la tasa de falsos positivos y falsos negativos. En otras palabras, puedes calibrar qué tan estricta quieres que sea la detección, sacrificando sensibilidad por precisión o al revés según tu caso de uso, algo especialmente útil en entornos editoriales, moderación o auditoría interna.

Si varios modelos comparten el mismo tokenizador, también pueden compartir la misma configuración de marca y el mismo detector, siempre que el conjunto de entrenamiento del verificador incluya ejemplos de todos ellos. Esto facilita construir “marcas de agua comunes” en organizaciones con múltiples LLM.

Una vez entrenado el detector, las organizaciones pueden decidir su grado de exposición: mantenerlo completamente privado, ofrecerlo de forma semiprivada a través de una API, o liberarlo de manera pública para descarga y uso por terceros. La elección depende de la capacidad para operar la infraestructura, los riesgos regulatorios y la estrategia de transparencia de cada entidad.

Marca de agua en imágenes, audio y vídeo

Esta marca está diseñada para aguantar transformaciones habituales como recortes, redimensionados, rotaciones, cambios de color o incluso capturas de pantalla, sin necesidad de conservar metadatos. Inicialmente, su uso se ofreció a través de Imagen en Vertex AI, donde los usuarios pueden optar por activar la marca de agua al generar contenido.

En audio, la marca es inaudible y resiste operaciones comunes como la compresión MP3, añadir ruido o modificar la velocidad de reproducción. Google la integra en Lyria y en funciones basadas en Notebook LM, reforzando la señal incluso cuando el archivo pasa por flujos de publicación con pérdidas.

En vídeo, el enfoque replica el planteamiento de imagen: la marca se incrusta en los píxeles de cada fotograma, de forma imperceptible, y se mantiene estable frente a filtros, cambios de ratio de refresco, compresión o recortes. Los vídeos generados por Veo en herramientas como VideoFX incorporan esta marca durante la creación, lo que reduce el riesgo de eliminación accidental en ediciones posteriores.

Algoritmos de muestreo y robustez del sello en texto

El corazón de SynthID Text es su algoritmo de muestreo, que usa una clave (o conjunto de claves) para asignar puntuaciones pseudoaleatorias a cada token potencial. Los candidatos se extraen de la distribución del modelo (tras Top-K/Top-P) y se ponen en “competición” siguiendo rondas de eliminación, hasta escoger el token con mejor puntuación según la función g.

Este procedimiento de selección favorece que el patrón estadístico final de las probabilidades lleve la huella de la marca, pero sin forzar opciones antinaturales. Según los estudios publicados, la técnica dificulta borrar, falsificar o invertir el sello, siempre dentro de los límites razonables ante adversarios con tiempo y motivación.

Buenas prácticas de implementación y seguridad

• Si vas a desplegar SynthID Text, trata la configuración como secreto de producción: almacena las keys y semillas en un gestor seguro, aplica controles de acceso y contempla rotación periódica. Evitar filtraciones reduce la superficie de ataque ante intentos de ingeniería inversa.
• Diseña un plan de monitorización para tu detector: registra tasas de falsos positivos/negativos, ajusta umbrales según el contexto y decide tu política de exposición (privado, semiprivado por API o público) con criterios legales y operativos claros. Y si varios modelos comparten tokenizador, valora entrenar un detector común con ejemplos de todos ellos para simplificar mantenimiento.
• A nivel de rendimiento, evalúa el impacto de sampling_table_size en memoria y latencia, y elige un ngram_len que equilibre tu tolerancia a ediciones con la necesidad de detección fiable. Recuerda excluir n-gramas repetidos (vía context_history_size) para mejorar la señal en texto fluido.

SynthID no es una bala de plata contra la desinformación, pero aporta un bloque fundamental para reconstruir la cadena de confianza en la era de la IA generativa. Al incrustar señal de procedencia en texto, imagen, audio y vídeo, y al abrir el componente de texto a la comunidad, Google DeepMind empuja hacia un futuro en el que la autenticidad se pueda auditar de forma práctica, calibrable y, sobre todo, compatible con la creatividad y la calidad de los contenidos.