SynthID Google DeepMind का AI-जनरेटेड इमेज के लिए अदृश्य वॉटरमार्किंग सिस्टम है। यह जनरेशन के दौरान पिक्सल वैल्यू में अगोचर सिग्नल डालता है, फिर भारी एडिटिंग, क्रॉपिंग या कंप्रेशन के बाद भी उन्हें पहचानने के लिए एक न्यूरल नेटवर्क का उपयोग करता है। यह लेख इस पूरे दो-भाग वाले सिस्टम को समझाता है: वॉटरमार्क कैसे डाले जाते हैं, डिटेक्शन कैसे काम करता है, और यह तकनीक असल में कहाँ विफल होती है।
ये इमेज असली लगती हैं। बिल्कुल असली। एक महिला पार्टी में हँसती हुई, एक नेता पोडियम पर, एक जंगल की आग पूरे मोहल्ले में फैलती हुई। फिर एक टूल चलता है और तीन शब्दों वाला फ़ैसला सामने आता है: "Detected as AI." यही SynthID का काम है, और इसका तरीका उससे कहीं ज़्यादा दिलचस्प है जितना ज़्यादातर लोग समझते हैं।
SynthID कोई मेटाडेटा टैग नहीं है। यह कोने में चिपका कोई दिखने वाला लोगो भी नहीं है। यह AI-जनरेटेड इमेज के पिक्सल में सीधे डाला गया अदृश्य वॉटरमार्क है, जो इमेज की संरचना में इतनी गहराई से बुना गया है कि सामान्य एडिटिंग, क्रॉपिंग, फ़िल्टर या कंप्रेशन उसे हटा नहीं सकते। Google DeepMind द्वारा बनाया गया यह उस समस्या को सुलझाने की सबसे गंभीर कोशिशों में से एक है, जो लगातार कठिन होती जा रही है: असली और सिंथेटिक में फ़र्क करना।
SynthID की घोषणा Google DeepMind ने अगस्त 2023 में की थी, शुरुआत में यह Google के अपने टेक्स्ट-टू-इमेज जनरेशन सिस्टम Imagen के साथ जोड़ा गया था। इसे किसी मौजूदा प्रोडक्ट पर बाद में सोची गई बात के रूप में नहीं बनाया गया था। वॉटरमार्किंग सिस्टम जनरेशन मॉडल के साथ-साथ विकसित किया गया था, और यही वजह है कि यह पहले के तरीकों से इतना अलग काम करता है।
ज़्यादातर पुराने वॉटरमार्किंग सिस्टम मेटाडेटा के स्तर पर काम करते थे: वे इमेज फ़ाइल के EXIF डेटा में जानकारी लिख देते थे, वे छिपे हुए फ़ील्ड जो कैमरा सेटिंग्स, GPS निर्देशांक और लेखक की जानकारी दर्ज करते हैं। इस तरीके की समस्या साफ़ है। मेटाडेटा हटा दें, तो वॉटरमार्क भी चला जाता है। इमेज का स्क्रीनशॉट लें। उसे डाउनलोड करें। फिर से अपलोड करें। मेटाडेटा गायब हो जाता है, और उसके साथ मूल स्रोत का कोई प्रमाण भी।
SynthID एक बिल्कुल अलग परत पर काम करता है।
SynthID वॉटरमार्क फ़ाइल के मेटाडेटा में नहीं रहता। यह इमेज की स्पेक्ट्रल प्रॉपर्टीज़ में रहता है, पिक्सल वैल्यू में एक ऐसे पैटर्न के रूप में फैला हुआ जो इंसानी आँख के लिए अगोचर है, लेकिन एक प्रशिक्षित न्यूरल नेटवर्क द्वारा सांख्यिकीय रूप से पहचाना जा सकता है।
इसे ऐसे समझें: संगीत की एक धुन की फ़्रीक्वेंसी कंपोनेंट्स में एक छिपा पैटर्न हो सकता है, जिसे कोई इंसानी कान नहीं पकड़ेगा, लेकिन एक सिग्नल प्रोसेसर उसे भरोसेमंद तरीके से निकाल सकता है, भले ही ऑडियो कंप्रेस, दोबारा रिकॉर्ड या इक्वलाइज़ किया गया हो। SynthID इमेज डेटा पर वही सिद्धांत लागू करता है।
वॉटरमार्क वितरित है, किसी एक जगह सीमित नहीं। यह बहुत मायने रखता है। अगर वॉटरमार्क इमेज के एक कोने में होता, तो उस कोने को काटने से वह नष्ट हो जाता। चूँकि SynthID सिग्नल पूरी इमेज के फ़्रीक्वेंसी डोमेन में फैला होता है, क्रॉपिंग सिग्नल को सिर्फ़ कमज़ोर करती है, उसे पूरी तरह खत्म नहीं करती। डिटेक्टर फिर भी बचे हुए हिस्से को ढूँढ सकता है।
SynthID एक टूल नहीं है। यह दो हिस्सों से बना है: एक जनरेटर और एक डिटेक्टर। दोनों न्यूरल नेटवर्क हैं, और दोनों को एक साथ प्रशिक्षित किया गया था।
इमेज जनरेशन के दौरान, SynthID जनरेटर यूज़र तक पहुँचने से पहले आउटपुट में बदलाव करता है। ये बदलाव पिक्सल-वैल्यू के स्तर पर होते हैं, और इनमें एक खास पैटर्न की गड़बड़ियाँ डाली जाती हैं, जिन्हें गणितीय रूप से इस तरह डिज़ाइन किया गया है कि वे:
ये गड़बड़ियाँ यादृच्छिक नहीं होतीं। वे एक खास सीखे हुए पैटर्न का पालन करती हैं, जिसे पहचानने के लिए साथी डिटेक्टर नेटवर्क प्रशिक्षित किया गया है। जनरेटर और डिटेक्टर एक साथ प्रशिक्षित किए जाते हैं, इसलिए जनरेटर ऐसे सिग्नल डालना सीखता है जिन्हें डिटेक्टर इमेज के खराब हो चुके संस्करणों में भी भरोसेमंद तरीके से ढूँढ सके।
यह उन तरीकों से बुनियादी तौर पर अलग है जो सिर्फ़ नॉइज़ या टेक्सचर ओवरले जोड़ते हैं। यह पैटर्न उन खास तरह के बिगाड़ों को झेलने के लिए ट्यून किया गया है जिनका सामना इमेज असल दुनिया में आम तौर पर करती हैं।
डिटेक्टर एक अलग न्यूरल नेटवर्क है, जो इमेज को इनपुट के रूप में लेता है और एक कॉन्फ़िडेंस स्कोर देता है: यानी इस संभावना का अनुमान कि इमेज में SynthID वॉटरमार्क है। इस नेटवर्क को वॉटरमार्क वाली और बिना वॉटरमार्क वाली इमेज पर प्रशिक्षित किया गया था, ताकि यह जनरेटर द्वारा बनाए गए खास स्पेक्ट्रल सिग्नेचर के प्रति संवेदनशील बने।
चूँकि डिटेक्टर एक सीखा हुआ क्लासिफ़ायर है, न कि कोई साधारण पैटर्न-मैचर, इसलिए यह शोर वाले इनपुट को अच्छी तरह संभाल लेता है। भरोसेमंद नतीजा देने के लिए इसे वॉटरमार्क की एक परफ़ेक्ट, बिना छेड़छाड़ वाली कॉपी की ज़रूरत नहीं होती। यह इमेज में फैले सांख्यिकीय सबूतों को खोजता है।
एम्बेडिंग डिफ़्यूज़न मॉडल की जनरेशन प्रक्रिया के आख़िरी चरणों में होती है। लेटेंट डिफ़्यूज़न आर्किटेक्चर में (वह प्रकार जिस पर Stable Diffusion और Flux Dev जैसे मॉडल आधारित हैं), इमेज एक संपीड़ित "लेटेंट स्पेस" में बनती हैं और फिर पूरी पिक्सल इमेज में डिकोड की जाती हैं। SynthID-शैली की वॉटरमार्किंग लेटेंट स्पेस में या डिकोड की गई पिक्सल डोमेन में, दोनों में से किसी एक में काम कर सकती है।
मुख्य बात यह है कि इंसानी दृश्य प्रणाली कुछ तरह के बदलावों के प्रति दूसरों से कहीं ज़्यादा संवेदनशील है। हम इन चीज़ों को बहुत अच्छी तरह पकड़ लेते हैं:
इन चीज़ों को हम कम पकड़ पाते हैं:
SynthID खास तौर पर उन चैनलों को निशाना बनाता है जहाँ इंसानी धारणा सबसे कमज़ोर है। जो बदलाव यह करता है, उन्हें कई क्रम (orders of magnitude) तक बढ़ाना पड़ेगा, तब जाकर कोई इंसान उन्हें देख सकेगा।
असल दुनिया के हमलों के खिलाफ़ वॉटरमार्क की मज़बूती एक मुख्य डिज़ाइन लक्ष्य था। जनरेटर नेटवर्क को ऐसी डेटा ऑगमेंटेशन के साथ प्रशिक्षित किया गया जिसने इन चीज़ों की नकल की:
ट्रेनिंग के दौरान जनरेटर को इन ट्रांसफ़ॉर्मेशन के सामने लाने से सीखा गया वॉटरमार्क पैटर्न इनके प्रति स्वाभाविक रूप से मज़बूत हो गया। भारी हेरफेर में सिग्नल कमज़ोर होता है, लेकिन यह कमज़ोर होना धीरे-धीरे होता है, अचानक नहीं। भारी एडिट की गई इमेज में भी अक्सर इतना सिग्नल बचा रहता है कि भरोसेमंद डिटेक्शन नतीजा मिल सके।
ज़रूरी नोट: SynthID अटूट नहीं है। बहुत आक्रामक इमेज हेरफेर, जैसे इमेज को प्रिंट करके खराब रोशनी में दोबारा फ़ोटो खींचना, सिग्नल को डिटेक्शन की सीमा से नीचे ला सकता है। सिस्टम अपने तीन-स्तरीय नतीजे के फ़ॉर्मेट में इस बात को स्वीकार करता है।
जब कोई इमेज SynthID डिटेक्टर को भेजी जाती है, तो प्रक्रिया एक संरचित पाइपलाइन का पालन करती है:
पूरी प्रक्रिया तेज़ी से चलती है, इसलिए यह ब्राउज़र एक्सटेंशन, कंटेंट मॉडरेशन पाइपलाइन और API इंटीग्रेशन जैसे रीयल-टाइम उपयोगों के लिए व्यावहारिक है।
SynthID जानबूझकर दो नहीं, बल्कि तीन नतीजे-श्रेणियाँ देता है। यह एक सोचा-समझा डिज़ाइन चुनाव है, जो ईमानदार अनिश्चितता को दर्शाता है:
| नतीजा | मतलब |
|---|---|
| Detected | SynthID वॉटरमार्क मौजूद होने के मज़बूत सांख्यिकीय सबूत |
| Not Detected | वॉटरमार्क का कोई महत्वपूर्ण सबूत नहीं मिला |
| Inconclusive | मध्यम सिग्नल, डिटेक्शन थ्रेशोल्ड से नीचे लेकिन बेसलाइन से ऊपर |
"Inconclusive" श्रेणी महत्वपूर्ण है। एक बाइनरी सिस्टम हर सीमारेखा वाले मामले को गलत पॉज़िटिव या गलत नेगेटिव में धकेल देता। अनिश्चितता को साफ़ तौर पर स्वीकार करके SynthID ज़रूरत से ज़्यादा दावा करने से बचता है। बहुत ज़्यादा क्रॉप या बहुत ज़्यादा कंप्रेस की गई इमेज किसी भी दिशा में पक्का नतीजा देने के बजाय "inconclusive" लौटा सकती है।
व्यावहारिक सच्चाई: "Not Detected" का मतलब यह नहीं कि इमेज इंसान ने बनाई है। इसका मतलब सिर्फ़ इतना है कि SynthID वॉटरमार्क नहीं मिला। ऐसे मॉडल से बनी इमेज, जो SynthID एम्बेड नहीं करता, जैसे Flux Schnell या SDXL का लोकल रूप से चलने वाला संस्करण, हमेशा "Not Detected" लौटाएगी, और यह उसकी प्रामाणिकता के बारे में कुछ नहीं कहता।
SynthID की मुख्य तकनीकी उपलब्धि उस चीज़ को सुलझाना है जिसे रिसर्चर्स "robustness-imperceptibility tradeoff" कहते हैं। पारंपरिक वॉटरमार्किंग में:
SynthID एक न्यूरल नेटवर्क का उपयोग करके इस ट्रेड-ऑफ़ को तोड़ता है, जो सिग्नल का सबसे अच्छा आकार सीखता है: ऐसा आकार जो एक साथ इंसानी नज़र से अच्छी तरह छिपा रहे और आम बिगाड़ों को भी झेल सके। यह संभव इसलिए है क्योंकि जनरेटर और डिटेक्टर एंड-टू-एंड प्रशिक्षित किए जाते हैं, और दोनों लक्ष्यों को एक साथ अनुकूलित किया जाता है, न कि उन्हें आपस में टकराने वाली बाधाओं की तरह देखा जाता है।
सिग्नल नॉन-लोकलाइज़्ड भी है। कोई भी स्थानिक हमला, चाहे क्रॉपिंग, रोटेटिंग, फ़्लिपिंग या आंशिक डिलीशन हो, सिग्नल का सिर्फ़ कुछ हिस्सा ही हटा सकता है। जब तक मूल पिक्सल का कोई सार्थक हिस्सा बचा है, वॉटरमार्क का कुछ हिस्सा उसके साथ बचा रहता है।
SynthID की कुछ दस्तावेज़ित सीमाएँ हैं, जो किसी के लिए मायने रखती हैं जो उसकी असल दुनिया की कवरेज समझना चाहता है:
ये सीमाएँ सिर्फ़ SynthID तक सीमित नहीं हैं। हर वॉटरमार्किंग सिस्टम को इनका सामना करना पड़ता है। सवाल हमेशा यह होता है कि क्या सिस्टम इच्छित उपयोगों के लिए काफ़ी अच्छा है, और ज़्यादातर प्लेटफ़ॉर्म-स्तर के कंटेंट मॉडरेशन के लिए, SynthID अच्छा प्रदर्शन करता है।
AI-जनरेटेड इमेज का पता लगाने के तीन मुख्य तरीके हैं। यह समझना कि SynthID उनमें कहाँ बैठता है, साफ़ करता है कि वह क्या कर सकता है और क्या नहीं:
| तरीका | यह कैसे काम करता है | ताकत | कमज़ोरी |
|---|---|---|---|
| अदृश्य वॉटरमार्किंग (SynthID) | जनरेशन के दौरान पिक्सल वैल्यू में सिग्नल डालता है | एडिट के बाद भी बचता है, कोई दिखने वाला निशान नहीं | सिर्फ़ वॉटरमार्क वाले जनरेटर पहचानता है |
| मेटाडेटा / C2PA क्रेडेंशियल्स | फ़ाइल मेटाडेटा में लेखकत्व का डेटा डालता है | समृद्ध प्रोवेनेंस डेटा, इंसानों के लिए पढ़ने योग्य | फ़ाइल दोबारा सेव करने से आसानी से हट जाता है |
| AI इमेज क्लासिफ़ायर | AI आर्टिफ़ैक्ट पहचानने के लिए एक मॉडल प्रशिक्षित करता है | किसी भी इमेज पर काम करता है, वॉटरमार्क की ज़रूरत नहीं | नए जनरेटर से धोखा खाता है, फ़ॉल्स-पॉज़िटिव दर ज़्यादा |
SynthID और AI क्लासिफ़ायर आपस में प्रतिस्पर्धी तरीके नहीं हैं, वे एक-दूसरे के पूरक हैं। क्लासिफ़ायर बिना वॉटरमार्क के भी संदिग्ध इमेज को समीक्षा के लिए चिह्नित कर सकता है, जबकि SynthID अपनी बनाई इमेज के लिए उच्च-भरोसे वाले नतीजे देता है। मॉडरेशन पाइपलाइन में दोनों का इस्तेमाल किसी एक के अकेले इस्तेमाल से कहीं ज़्यादा मामलों को कवर करता है।
Content Authenticity Initiative (CAI) और C2PA स्टैंडर्ड एक अलग तरीका अपनाते हैं: निर्माण के समय मेटाडेटा पर क्रिप्टोग्राफ़िक साइनिंग। यह ज़्यादा समृद्ध जानकारी देता है (किसने बनाया, कब, किन टूल्स से), लेकिन अगर फ़ाइल साइनिंग स्टेप के बिना दोबारा सेव हो जाए तो यह बुनियादी तौर पर कमज़ोर है। SynthID का पिक्सल-डोमेन तरीका C2PA की जगह नहीं लेता, बल्कि उसका पूरक है।
जो पत्रकार यह जाँचते हैं कि कोई वायरल फ़ोटो असली है या नहीं, उनके लिए SynthID बहुत सारे संकेतों में से एक महत्वपूर्ण संकेत देता है। जो इमेज "Detected" लौटाती है, उसे SynthID-सक्षम सिस्टम तुरंत AI-जनरेटेड के रूप में चिह्नित कर देता है। इनकॉन्क्लूसिव या नेगेटिव नतीजे के लिए अब भी पारंपरिक सत्यापन तकनीकों की ज़रूरत होती है: रिवर्स इमेज सर्च, मेटाडेटा जाँच, स्रोत सत्यापन और विशेषज्ञ विज़ुअल विश्लेषण।
SynthID डिटेक्शन की गति यहाँ बहुत कीमती है। मिलीसेकंड में चलने वाले क्लासिफ़ायर को किसी न्यूज़रूम की फ़ोटो इनटेक वर्कफ़्लो में जोड़ा जा सकता है। यह उच्च-भरोसे वाली AI इमेज को किसी एडिटर की मेज़ तक पहुँचने से पहले अपने-आप चिह्नित कर देता है।
बड़े प्लेटफ़ॉर्म इस समस्या का सबसे कठिन रूप झेलते हैं: हर दिन अरबों इमेज अपलोड होती हैं, और उनमें से बहुत छोटे हिस्से से ज़्यादा की इंसानी समीक्षा संभव नहीं है। स्वचालित सिस्टम ही एकमात्र व्यावहारिक रास्ता हैं। SynthID-शैली की वॉटरमार्किंग को अपलोड प्रोसेसिंग पाइपलाइन में जोड़ा जा सकता है, जहाँ पॉज़िटिव डिटेक्शन लेबलिंग ज़रूरतों को ट्रिगर करते हैं या इमेज को इंसानी समीक्षा कतारों में भेजते हैं।
Google ने SynthID का दायरा पहले ही इमेज से आगे बढ़ाकर उन ऑडियो, वीडियो और टेक्स्ट तक कर दिया है जो उसके AI सिस्टम से बनते हैं। यह मल्टी-मॉडल तरीका मायने रखता है, क्योंकि गलत सूचना शायद ही कभी एक ही माध्यम में रहती है। एक सिंथेटिक इमेज अक्सर सिंथेटिक टेक्स्ट के साथ आती है, और एक को पहचानना दूसरे की जाँच की ज़रूरत का आधार बनता है।
बड़ी तस्वीर: अकेले वॉटरमार्किंग गलत सूचना की समस्या को हल नहीं कर सकती। इसे प्रभावी होने के लिए नीति ढाँचों, प्लेटफ़ॉर्म प्रवर्तन और उपयोगकर्ता शिक्षा की ज़रूरत है। लेकिन यह एक बड़ी पहेली का तकनीकी रूप से ठोस टुकड़ा ज़रूर है।
जैसे-जैसे वॉटरमार्किंग और प्रोवेनेंस सिस्टम मानक बन रहे हैं, फ़ोटोग्राफ़र, कलाकार और कंटेंट क्रिएटर इमेज जनरेशन के बारे में सोचने का तरीका बदल रहे हैं। अब सवाल सिर्फ़ यह नहीं है कि "क्या यह असली लगती है?" बल्कि यह भी है कि "क्या मैं साबित कर सकता हूँ कि यह कहाँ से आई है?"
विज़ुअल कंटेंट बनाने वालों के लिए आज उपलब्ध टूल्स काबिल-ए-तारीफ़ हैं। Flux Pro और Imagen 4 जैसे मॉडल ऐसी फोटोरियलिस्टिक इमेज बनाते हैं जिन्हें ज़्यादातर लोग असली फ़ोटो से अलग नहीं पहचान पाएँगे। तकनीकी गुणवत्ता अब बाधा नहीं रही। प्रोवेनेंस और प्रामाणिकता के दस्तावेज़ अलग पहचान बनाने वाले नए पहलू बनते जा रहे हैं।
Flux 1.1 Pro Ultra 4-मेगापिक्सल आउटपुट के साथ इसे और आगे ले जाता है, जो बेहद बारीक जाँच में भी टिकता है। Stable Diffusion 3.5 Large कमर्शियल और क्रिएटिव इस्तेमाल के लिए गहरा लचीलापन देता है। इन जेनरेटरों के आउटपुट ठीक उसी दायरे में आते हैं जहाँ SynthID-जैसी डिटेक्शन सबसे ज़्यादा काम की है: फोटोरियलिस्टिक इमेज, जिन्हें कैप्चर की गई फ़ोटो समझ लिया जा सकता है।
SynthID कैसे काम करता है, यह समझने से यह भी बदल जाता है कि आप इन जेनरेटरों का इस्तेमाल कितनी सोच-समझकर कर सकते हैं। यह जानना कि जनरेशन के दौरान अदृश्य संकेत एम्बेड किए जा सकते हैं, और ये संकेत काफ़ी छेड़छाड़ के बावजूद बच सकते हैं, AI-जनरेटेड इमेज को ऐसी चीज़ों के रूप में देखने का नज़रिया बदल देता है जिनका एक संभावित इतिहास होता है, और यह इतिहास मूल जनरेशन सेशन खत्म होने के लंबे समय बाद भी पढ़ा जा सकता है।
इस लेख में चर्चा किए गए मॉडल, जिनमें Flux Pro, Imagen 4, Flux Dev, Flux Schnell और कई और शामिल हैं, PicassoIA पर अभी उपलब्ध हैं। कोई इंस्टॉलेशन नहीं चाहिए। कोई लोकल GPU नहीं चाहिए।
चाहे आप कमर्शियल प्रोजेक्ट्स के लिए इमेज बना रहे हों, फ़ोटोरियलिस्टिक सौंदर्य के साथ प्रयोग कर रहे हों, या बस यह देखना चाहते हों कि आज के AI इमेज जनरेटर क्या कर सकते हैं, PicassoIA आपको एक ही जगह 91 से ज़्यादा टेक्स्ट-टू-इमेज मॉडल का सीधा एक्सेस देता है।
SynthID के पीछे की तकनीक इस बात का संकेत है कि AI-जनरेटेड कंटेंट के आसपास गंभीर इन्फ़्रास्ट्रक्चर बनाया जा रहा है। वॉटरमार्किंग, प्रोवेनेंस ट्रैकिंग और डिटेक्शन टूल्स का स्टैंडर्ड सेट बनते जा रहे हैं। आज आप जो इमेज बनाते हैं, वे ऐसी दुनिया में मौजूद हैं जहाँ यह इन्फ़्रास्ट्रक्चर सक्रिय रूप से विकसित हो रहा है। उस संदर्भ को ध्यान में रखकर बनाना सिर्फ़ तकनीकी रूप से दिलचस्प नहीं है। किसी भी पैमाने पर AI-जनरेटेड विज़ुअल कंटेंट के साथ काम करने वाले हर व्यक्ति के लिए यह तेज़ी से प्रासंगिक होता जा रहा है।
अपनी भाषा चुनें
