Tatouage numérique de l'IA
Le tatouage numérique de l'IA (AI watermarking) consiste à intégrer un signal caché, détectable par une machine, dans du texte, des images, de l'audio ou de la vidéo au moment où un modèle d'IA les génère, afin qu'un logiciel puisse ensuite identifier le contenu comme généré par IA.
Aussi appelé : content credentials, C2PA, SynthID, AI content watermark
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
À mesure que les images, les voix et les textes générés deviennent plus difficiles à distinguer du travail humain, plateformes, rédactions et régulateurs veulent un moyen de vérifier ce qui a été produit par un modèle. Le tatouage numérique est une approche. Il diffère du filigrane visible sous forme de logo qu'ajoutent les outils photo, et des détecteurs qui devinent après coup en analysant le style.
Comment ça marche
Pour les images, l'audio et la vidéo, le générateur apporte aux pixels ou aux échantillons de petites modifications que l'on ne peut ni voir ni entendre, mais qu'un détecteur correspondant sait retrouver. SynthID de Google DeepMind en est un exemple : il intègre les tatouages directement dans le contenu généré par IA et offre un moyen de les vérifier.
Pour le texte, Kirchenbauer et al. ont proposé un schéma qui, avant la génération de chaque mot, choisit au hasard un sous-ensemble « vert » de tokens et pousse légèrement le modèle vers eux. Le lecteur ne remarque rien, mais un test statistique peut détecter ce biais sur un court passage, sans accès au modèle.
Tatouages ou Content Credentials
C2PA suit une autre voie. Au lieu de cacher un signal dans le contenu, c'est un standard ouvert, appelé Content Credentials, qui consigne l'origine d'un fichier et la façon dont il a été modifié. Un tatouage réside dans le contenu lui-même ; un credential accompagne le fichier comme un historique.
Limites
Les tatouages n'existent que si le créateur du modèle les ajoute : les modèles ouverts exécutés en local produisent donc généralement des sorties non marquées. Le recadrage, la compression, la paraphrase ou la traduction peuvent affaiblir ou supprimer une marque. Chaque schéma a besoin de son propre détecteur. Et l'absence de tatouage ne prouve rien quant à l'origine humaine d'un contenu. Si vous travaillez avec des modèles texte vers image ou des modèles vocaux, vérifiez si votre fournisseur marque les sorties, et comment vos utilisateurs peuvent le vérifier, surtout là où les deepfakes représentent un risque.
Termes liés
- Content Credentials C2PA
- Les Content Credentials C2PA (identifiants de contenu) sont des enregistrements de provenance signés, définis par un standard ouvert de la Coalition for Content Provenance and Authenticity, qui accompagnent une image, une vidéo, un fichier audio ou un document et consignent son origine et ses modifications.
- Text-to-image
- Le text-to-image (texte vers image) consiste à générer une nouvelle image à partir d'une description écrite, appelée prompt. La plupart des modèles text-to-image actuels sont des modèles de diffusion conditionnés par le texte.
- Deepfake
- Un deepfake (hypertrucage) est un contenu image, audio ou vidéo créé ou modifié par IA de façon à montrer de manière convaincante une personne, un lieu ou un événement réels dans une situation qui n'a pas eu lieu, et qui pourrait passer pour authentique.
- Données synthétiques
- Les données synthétiques (synthetic data) sont des données d'entraînement ou de test générées par un logiciel, souvent par un autre modèle d'IA, plutôt que collectées à partir de sources réelles. Elles servent à combler des lacunes, à ajouter des exemples à moindre coût ou à éviter d'exposer de vraies données personnelles.