¿Qué es SynthID Text? Marca de agua para LLM (watermark en textos de IA): funcionamiento, uso y detección

¿Se puede distinguir después que un texto lo ha escrito una IA? Las herramientas de detección de IA que lo estiman a partir de las características del texto suelen dar problemas por sus errores, así que se investiga y se aplica ya otro método: insertar una marca de agua digital (watermark) invisible en el momento en que la IA genera el texto. Este tipo de marca de agua en la salida de un LLM (modelo de lenguaje de gran tamaño) también se conoce como marca de agua para LLM (LLM watermarking). El ejemplo más representativo es SynthID Text de Google DeepMind. En este artículo repasamos cómo funciona SynthID Text, su efecto en la calidad, cómo pueden usarlo los desarrolladores, cómo se detecta y en qué casos falla, a partir de la documentación oficial y el artículo de Nature, con información a 9 de octubre de 2026.

Sobre SynthID en general, incluidos imágenes, vídeo y audio, consulta «¿Qué es SynthID?».

Qué es SynthID Text

SynthID Text es una tecnología para insertar una marca de agua digital en el texto generado por modelos de lenguaje de gran tamaño (LLM) y detectarla después. Entre las marcas de agua para LLM, es una implementación de referencia que se usa a gran escala en servicios reales y que cualquiera puede usar porque es de código abierto. La desarrolló Google DeepMind, que el 23 de octubre de 2024 presentó su funcionamiento en un artículo de la revista científica Nature y, al mismo tiempo, la publicó como código abierto.

Su particularidad es que no introduce símbolos ni caracteres invisibles en el texto, sino que deja la marca de agua en la propia forma de elegir qué palabra usa la IA. Al leerlo no se distingue de un texto normal y, según Google, no afecta a su calidad.

Cuando se publicó el artículo, se explicó que las respuestas de Gemini de Google también llevaban la marca de agua de SynthID Text. A octubre de 2026 no hemos podido confirmar ninguna explicación oficial nueva sobre cómo se aplica actualmente en Gemini.

También se usa fuera de Google. En agosto de 2026, Anthropic explicó que la marca de agua del texto que genera Claude «se basa en el método de SynthID Text».

Cómo funciona: la marca de agua queda en la elección de palabras

Cuando un LLM genera un texto, asigna una probabilidad a cada candidata para la siguiente palabra (en rigor, el siguiente token) y elige una de ellas, una y otra vez. SynthID Text interviene en esa fase de «elegir».

El artículo de Nature llama a este método muestreo por torneo (tournament sampling). Simplificado, el proceso es el siguiente.

Se seleccionan varias candidatas para la siguiente palabra según las probabilidades del LLM
Las candidatas se enfrentan en un torneo por eliminatorias. Gana la que obtiene más puntuación en una función (la función g) calculada a partir de una clave secreta y de las palabras inmediatamente anteriores
La candidata que supera todas las rondas se convierte en la palabra que se emite realmente

Como las candidatas salen de entre las palabras que el LLM ya tendía a elegir, el texto sigue siendo natural. En cambio, si alguien que conoce la clave vuelve a calcular las puntuaciones, verá que las palabras emitidas tienden a tener puntuaciones más altas que la media. Ese sesgo es la marca de agua.

La documentación de Google para desarrolladores lo describe como un «procesador de logits» que se aplica después del filtrado habitual de candidatas, como Top-K o Top-P. Además, no inserta la marca de agua en los fragmentos donde se repiten las mismas expresiones, para mantener la facilidad de detección.

Efecto en la calidad y la velocidad

Una gran característica de SynthID Text es que se ha validado a gran escala en un servicio real. El artículo de Nature compara unos 20 millones de respuestas de Gemini, con y sin marca de agua.

La diferencia en la proporción de valoraciones positivas de los usuarios fue del 0,01 % y en la de valoraciones negativas, del 0,02 %, sin apenas diferencias de calidad

En una medición de velocidad realizada por separado, el aumento del tiempo de generación debido a la marca de agua fue de solo un 0,57 % aproximadamente.

Además, no es necesario volver a entrenar el LLM: basta con cambiar el procedimiento de generación del texto. Para detectarla tampoco se necesita el LLM original.

Cómo pueden usarlo los desarrolladores

SynthID Text está integrado en la biblioteca Transformers de Hugging Face (versión 4.46.0 o posterior). También está disponible en el Responsible GenAI Toolkit de Google y en google-deepmind/synthid-text en GitHub. El código de GitHub tiene licencia Apache 2.0 y es una implementación de referencia para reproducir el artículo. Para usarlo en producción, se recomienda la implementación oficial de Transformers.

Con Transformers, se crea la configuración de la marca de agua (SynthIDTextWatermarkingConfig) y se pasa a la función que genera el texto. Los principales parámetros son estos.

keys (obligatorio): lista de números enteros aleatorios que actúan como clave de la marca de agua. Si se filtra, la marca de agua podría falsificarse, así que debe mantenerse en secreto
ngram_len (obligatorio): número de palabras anteriores que se usan para calcular la puntuación. Cuanto mayor, más fácil es detectarla; cuanto menor, más resiste a las reescrituras. La documentación oficial recomienda 5 como valor predeterminado
sampling_table_size: tamaño de la tabla que se usa internamente. Para evitar sesgos, se recomienda 2 elevado a 16 (65536) o más
sampling_table_seed: semilla aleatoria para crear la tabla. Puede ser cualquier número entero
context_history_size: cantidad de contexto que se registra para detectar repeticiones. El valor predeterminado es 1024

La documentación oficial de Transformers incluye código de ejemplo con la forma concreta de escribir la configuración.

Cómo detectar la marca de agua

Para detectar la marca de agua se necesitan la misma configuración de claves y el mismo tokenizador que se usaron al generar el texto. Por eso, solo puede detectarla quien insertó la marca de agua (o quien haya recibido la clave).

La implementación oficial ofrece tres métodos de detección: uno que usa la media de las puntuaciones, otro que usa una media ponderada y un detector bayesiano entrenado. El detector bayesiano devuelve tres resultados posibles, «con marca de agua», «sin marca de agua» y «no concluyente», y permite ajustar el rigor del juicio con dos umbrales.

El detector bayesiano debe entrenarse antes de usarlo con tu propio modelo y tus claves; según la explicación de Hugging Face, se necesitan al menos 10.000 ejemplos. Además, según la documentación de Google para desarrolladores, el detector puede ponerse a disposición de tres maneras: usarlo solo internamente, ofrecerlo a terceros como API o distribuir el propio detector.

Por otro lado, no hay ninguna indicación de que una marca de agua insertada con tus propias claves pueda detectarse con SynthID Detector de Google ni con herramientas similares.

Casos difíciles y límites

La documentación de Google para desarrolladores y el artículo de Nature señalan los siguientes límites.

Respuestas sobre hechos: en preguntas cuya respuesta está casi determinada, hay poco margen para cambiar la elección de palabras, así que la marca de agua pierde eficacia
Reescrituras profundas: si el texto se reescribe a fondo, la confianza de la detección baja mucho
Traducción: si se traduce a otro idioma, la confianza de la detección baja mucho
Ataques deliberados: protegerse de quien intenta borrar la marca de agua con mala intención no forma parte de los objetivos del diseño
Modelos abiertos: en modelos que cualquiera puede ejecutar, es difícil obligar a insertar la marca de agua

Diferencias con las herramientas de detección de textos de IA

Para distinguir los textos escritos por IA, además de las marcas de agua digitales como SynthID Text, existen las herramientas de detección de IA, que estiman a partir de las características del texto si parece escrito por una IA.

Marca de agua digital: quien genera el texto introduce una marca de antemano. Con la clave se puede emitir un juicio fundamentado, pero no permite identificar textos de IA que no lleven marca de agua
Herramientas de detección de IA: pueden hacer una estimación sobre textos de cualquier IA, pero es solo una estimación, y a veces clasifican como IA textos escritos por personas

La tendencia a marcar los resultados de la IA se está extendiendo a otras empresas. Por ejemplo, Anthropic inserta en el texto que genera Claude una marca de agua basada en el método de SynthID Text (por ahora, la detección es una vista previa privada limitada a autoridades reguladoras y organismos similares). OpenAI también presentó en octubre de 2026 su propia marca de agua para texto, «textGrain». Comparamos los distintos métodos en «Comparativa de marcas de agua de IA (watermark)».

Conclusión

SynthID Text es una tecnología que marca los textos de IA de forma imperceptible al leerlos, dejando la marca de agua en el proceso por el que la IA elige las palabras. Una validación con unos 20 millones de respuestas de Gemini demostró que apenas afecta a la calidad, y una medición aparte mostró que el efecto en la velocidad también es mínimo. Está disponible para cualquiera a través de Transformers.

Sin embargo, es débil ante respuestas factuales cortas, traducciones y reescrituras profundas, y solo puede detectarla quien insertó la marca de agua. Más que una prueba definitiva para identificar textos de IA, conviene verla como un mecanismo más para que cada empresa se responsabilice de los resultados de su propia IA.