Qu'est-ce que SynthID Text ? Filigrane LLM (watermark des textes d'IA) : fonctionnement, utilisation et détection

Peut-on reconnaître après coup qu'un texte a été écrit par une IA ? Les outils de détection qui l'estiment à partir des caractéristiques du texte sont souvent critiqués pour leurs erreurs. Une autre méthode est donc étudiée et déjà mise en pratique : insérer un filigrane numérique (watermark) invisible au moment où l'IA rédige le texte. Ce type de filigrane appliqué à la sortie d'un LLM (grand modèle de langage) est aussi appelé filigrane LLM (LLM watermarking), ou tatouage numérique des textes. L'exemple le plus connu est SynthID Text de Google DeepMind. Cet article présente le fonctionnement de SynthID Text, son effet sur la qualité, la façon dont les développeurs peuvent l'utiliser, la détection et les cas où il est peu efficace, à partir de la documentation officielle et de l'article de Nature, avec des informations à jour au 9 octobre 2026.

Pour SynthID dans son ensemble, y compris les images, les vidéos et l'audio, voir « Qu'est-ce que SynthID ? ».

Ce qu'est SynthID Text

SynthID Text est une technologie qui insère un filigrane numérique dans les textes générés par les grands modèles de langage (LLM) et permet de le détecter ensuite. Parmi les filigranes LLM, c'est une implémentation de référence, utilisée à grande échelle dans des services réels et accessible à tous en open source. Elle a été développée par Google DeepMind, qui a présenté son fonctionnement dans un article de la revue scientifique Nature le 23 octobre 2024 et l'a publiée en open source au même moment.

Sa particularité : au lieu d'insérer des symboles ou des caractères invisibles dans le texte, elle laisse le filigrane dans la manière même dont l'IA choisit ses mots. À la lecture, rien ne le distingue d'un texte ordinaire, et Google indique qu'il n'affecte pas la qualité du texte.

Lors de la publication de l'article, Google expliquait que les réponses de Gemini portaient elles aussi le filigrane SynthID Text. En octobre 2026, nous n'avons pas pu confirmer de nouvelle explication officielle sur son utilisation actuelle dans Gemini.

La technologie est aussi utilisée en dehors de Google. En août 2026, Anthropic a expliqué que le filigrane des textes générés par Claude « repose sur la méthode de SynthID Text ».

Fonctionnement : un filigrane laissé dans le choix des mots

Pour produire un texte, un LLM attribue une probabilité à chaque candidat pour le mot suivant (plus précisément, le token suivant), puis en choisit un, et ainsi de suite. SynthID Text intervient à cette étape du « choix ».

L'article de Nature appelle cette méthode l'échantillonnage en tournoi (tournament sampling). En simplifiant, le processus est le suivant.

Plusieurs candidats pour le mot suivant sont tirés selon les probabilités du LLM
Les candidats s'affrontent dans un tournoi à élimination directe. Le vainqueur de chaque duel est déterminé par un score (la fonction g) calculé à partir d'une clé secrète et des quelques mots précédents
Le candidat qui remporte toutes les manches devient le mot effectivement produit

Comme les candidats sont issus des mots que le LLM aurait de toute façon tendance à choisir, le texte reste naturel. En revanche, une personne qui connaît la clé et recalcule les scores constatera que les mots produits ont des scores plus élevés que la moyenne. C'est ce biais qui constitue le filigrane.

La documentation de Google pour les développeurs le décrit comme un « processeur de logits » appliqué après le filtrage habituel des candidats, comme Top-K ou Top-P. Par ailleurs, le filigrane n'est pas inséré dans les passages où les mêmes expressions se répètent, afin de préserver la détectabilité.

Effet sur la qualité et la vitesse

Un atout majeur de SynthID Text est d'avoir été validé à grande échelle dans un service réel. L'article de Nature compare environ 20 millions de réponses de Gemini, avec et sans filigrane.

L'écart dans la proportion d'évaluations positives des utilisateurs était de 0,01 % et celui des évaluations négatives de 0,02 %, soit pratiquement aucune différence de qualité

Lors d'une mesure de vitesse réalisée séparément, l'augmentation du temps de génération due au filigrane s'est limitée à environ 0,57 %.

De plus, il n'est pas nécessaire de réentraîner le LLM : il suffit de modifier la procédure de génération du texte. La détection ne nécessite pas non plus le LLM d'origine.

Utilisation par les développeurs

SynthID Text est intégré à la bibliothèque Transformers de Hugging Face (version 4.46.0 ou ultérieure). Il est aussi disponible dans le Responsible GenAI Toolkit de Google et dans le dépôt google-deepmind/synthid-text sur GitHub. Le code GitHub est sous licence Apache 2.0 et sert d'implémentation de référence pour reproduire l'article. Pour un usage en production, il est recommandé d'utiliser l'implémentation officielle de Transformers.

Avec Transformers, on crée une configuration de filigrane (SynthIDTextWatermarkingConfig) que l'on passe à la fonction de génération du texte. Les principaux paramètres sont les suivants.

keys (obligatoire) : liste d'entiers aléatoires servant de clé au filigrane. Si elle fuite, le filigrane risque d'être falsifié : elle doit rester secrète
ngram_len (obligatoire) : nombre de mots précédents utilisés pour calculer le score. Plus il est élevé, plus la détection est facile ; plus il est faible, plus le filigrane résiste aux reformulations. La documentation officielle recommande 5 par défaut
sampling_table_size : taille de la table utilisée en interne. Pour éviter les biais, 2 puissance 16 (65536) ou plus est recommandé
sampling_table_seed : graine aléatoire servant à créer la table. N'importe quel entier convient
context_history_size : quantité de contexte conservée pour repérer les répétitions. La valeur par défaut est 1024

La documentation officielle de Transformers fournit un exemple de code montrant concrètement comment écrire la configuration.

Détecter le filigrane

Pour détecter le filigrane, il faut la même configuration de clés et le même tokeniseur que lors de la génération du texte. Seule la personne qui a inséré le filigrane (ou à qui la clé a été confiée) peut donc le détecter.

L'implémentation officielle propose trois méthodes de détection : l'une fondée sur la moyenne des scores, une autre sur une moyenne pondérée, et un détecteur bayésien entraîné. Le détecteur bayésien renvoie trois résultats possibles, « filigrane présent », « filigrane absent » et « indéterminé », et permet de régler la sévérité du jugement avec deux seuils.

Le détecteur bayésien doit être entraîné au préalable avec votre propre modèle et vos clés ; selon l'explication de Hugging Face, il faut au moins 10 000 exemples. Par ailleurs, selon la documentation de Google pour les développeurs, trois modes de mise à disposition du détecteur sont possibles : l'utiliser uniquement en interne, le proposer à l'extérieur sous forme d'API, ou distribuer le détecteur lui-même.

En revanche, rien n'indique qu'un filigrane inséré avec vos propres clés puisse être détecté par SynthID Detector de Google ou des outils similaires.

Cas difficiles et limites

La documentation de Google pour les développeurs et l'article de Nature citent les limites suivantes.

Réponses factuelles : pour les questions dont la réponse est presque unique, il y a peu de latitude pour modifier le choix des mots, et le filigrane perd en efficacité
Réécritures importantes : si le texte est réécrit en profondeur, la confiance de la détection baisse fortement
Traduction : une traduction dans une autre langue fait fortement baisser la confiance de la détection
Attaques délibérées : la protection contre une personne malveillante qui cherche à effacer le filigrane ne fait pas partie des objectifs de conception
Modèles ouverts : avec des modèles que n'importe qui peut exécuter, il est difficile d'imposer l'insertion du filigrane

Différences avec les outils de détection de textes d'IA

Pour reconnaître les textes écrits par une IA, il existe, à côté des filigranes numériques comme SynthID Text, des outils de détection d'IA qui estiment à partir des caractéristiques du texte s'il ressemble à celui d'une IA.

Filigrane numérique : celui qui génère le texte y place une marque à l'avance. Avec la clé, on obtient un jugement fondé, mais les textes d'IA sans filigrane ne peuvent pas être identifiés
Outils de détection d'IA : ils peuvent faire une estimation pour les textes de n'importe quelle IA, mais ce n'est qu'une estimation, et il arrive qu'un texte écrit par un humain soit classé à tort comme écrit par une IA

Le marquage des contenus produits par l'IA se répand chez d'autres entreprises. Par exemple, Anthropic insère dans les textes générés par Claude un filigrane fondé sur la méthode de SynthID Text (pour l'instant, la détection est une préversion privée réservée notamment aux autorités de régulation). OpenAI a également présenté en octobre 2026 son propre filigrane textuel, « textGrain ». La comparaison des différentes méthodes est détaillée dans « Comparatif des filigranes IA (watermark) ».

En résumé

SynthID Text est une technologie qui marque les textes d'IA de manière imperceptible à la lecture, en laissant un filigrane dans le processus par lequel l'IA choisit ses mots. Une vérification portant sur environ 20 millions de réponses de Gemini a montré qu'il n'affecte pratiquement pas la qualité, et une mesure distincte a montré un effet très faible sur la vitesse. Il est accessible à tous via Transformers.

Il reste toutefois peu efficace sur les réponses factuelles courtes, les traductions et les réécritures importantes, et seule la personne qui a inséré le filigrane peut le détecter. Plutôt qu'une preuve décisive pour identifier les textes d'IA, il vaut mieux le voir comme l'un des mécanismes permettant à une entreprise d'assumer la responsabilité des contenus produits par sa propre IA.