Licencia YOLO
Volver al glosario de Ultralytics

AI Watermarking

La marca de agua de IA oculta una señal detectable por máquinas en imágenes, texto, audio o vídeo generados. Cómo funcionan SynthID y los métodos de lista verde, y dónde fallan.

La marca de agua de IA consiste en insertar una señal oculta y detectable por máquinas en el contenido generado por un sistema de IA generativa, de modo que un detector que disponga de la clave adecuada pueda determinar más adelante si una imagen, un vídeo, un clip de audio o un fragmento de texto procede de ese sistema. La señal se diseña para que las personas no puedan percibirla y para que resista ediciones habituales, como el cambio de tamaño y la compresión. Las marcas de agua son un elemento de la procedencia de los datos de los medios sintéticos, y la normativa está haciendo que sean obligatorias: el artículo 50 del Reglamento de IA de la UE exige a los proveedores de sistemas generativos que marquen las salidas en un formato detectable y legible por máquinas a partir del 2 de agosto de 2026. Los sistemas que ya están en el mercado tienen de plazo hasta el 2 de diciembre de 2026, y las normas de China para etiquetar contenido generado por IA, en vigor desde septiembre de 2025, exigen etiquetas ocultas en los metadatos de los archivos, además de las visibles.

Cómo funciona el marcado de agua de IA#

La mayoría de los métodos actuales insertan la señal mientras se genera el contenido, lo que dificulta eliminarla en comparación con una marca añadida posteriormente.

  • Imágenes y vídeo: Un codificador entrenado introduce pequeños cambios repartidos por toda la imagen, y un decodificador neuronal asociado recupera la señal más adelante. SynthID de Google DeepMind funciona así con imágenes, vídeo y audio de modelos como Imagen, Veo y Lyria; Stable Signature de Meta ajusta el decodificador de un modelo de difusión latente para que todas las imágenes que genera incluyan una firma binaria fija. Otros métodos insertan un patrón en el ruido inicial que elimina el ruido de un modelo de difusión, de modo que la marca queda integrada desde el primer paso en la representación del espacio latente de la imagen.
  • Texto: Un modelo de lenguaje grande (LLM) elige cada token a partir de una distribución de probabilidad, y una marca de agua de texto sesga esas elecciones siguiendo un patrón que solo puede comprobar quien tiene la clave. SynthID Text, descrito en Nature en 2024, se evaluó en casi 20 millones de respuestas de Gemini sin que se apreciara una reducción de la calidad y es de código abierto en Hugging Face Transformers.
  • Marcas añadidas a posteriori: Las marcas de agua clásicas de procesamiento de señales, como los patrones en el dominio de la frecuencia, pueden añadirse a cualquier archivo después de generarlo, aunque, por lo general, son más fáciles de eliminar.

En las imágenes, la detección se basa en la puntuación de salida de un decodificador; en el texto, en una prueba estadística de la secuencia de tokens, que no requiere acceso al modelo.

Una marca de agua de texto con lista verde#

El método de A Watermark for Large Language Models, de Kirchenbauer y sus colaboradores, aplica un hash al token anterior con una clave secreta para dividir el vocabulario en una fracción «verde» y otra «roja»; después, añade un pequeño sesgo a los logits de los tokens verdes antes del muestreo. En los textos sin marca de agua, la proporción de tokens verdes se mantiene en el nivel de referencia; en los textos con marca, es mucho mayor, algo que detecta una prueba z de una proporción. En el fragmento siguiente, unos logits aleatorios simulan un modelo de lenguaje:

import torch

torch.manual_seed(0)
vocab, gamma, delta, length, key = 1000, 0.25, 2.0, 200, 42  # key is the secret shared with the detector


def green_list(prev):
    """Return the green 25% of the vocabulary, picked pseudorandomly from the key and previous token."""
    return torch.randperm(vocab, generator=torch.Generator().manual_seed(key + prev))[: int(gamma * vocab)]


for bias in (0.0, delta):  # ordinary sampling, then watermarked sampling
    tokens = [0]
    for _ in range(length):
        logits = torch.randn(vocab)  # stands in for a language model's next-token logits
        logits[green_list(tokens[-1])] += bias
        tokens.append(torch.multinomial(logits.softmax(0), 1).item())

    # Detection needs only the text and the key: count green tokens and apply a one-proportion z-test
    hits = sum(t in green_list(p) for p, t in zip(tokens, tokens[1:]))
    z = (hits - gamma * length) / (length * gamma * (1 - gamma)) ** 0.5
    print(f"bias {bias}: {hits}/{length} green tokens, z = {z:.1f}")

El muestreo normal elige 44 tokens verdes de 200 (z = −1,0), cerca del 25 % esperado, mientras que la ejecución con marca de agua elige 141 (z = 14,9), muy por encima del umbral z = 4 que utiliza el artículo para señalar un texto con marca de agua. Como cada token aporta pruebas, los fragmentos más largos permiten una detección más fiable; el texto en el que el siguiente token es casi obligatorio, como el código o una lista de datos, transmite una señal más débil.

  • Credenciales de contenido (C2PA): Un manifiesto de metadatos firmado criptográficamente que registra qué herramienta ha creado o editado un archivo. Contiene muchos más detalles que una marca de agua, pero desaparece cuando se vuelve a codificar o se captura una imagen de la pantalla, por lo que a menudo se combinan ambos métodos.
  • Detección de deepfakes e imágenes generadas por IA: Clasificadores que buscan artefactos de generación en contenido sin una marca insertada. Funcionan con las salidas de cualquier generador, pero ofrecen resultados probabilísticos que pierden fiabilidad a medida que mejoran los generadores. Las personas recurren a indicios similares para determinar a simple vista si una imagen se ha generado con IA.
  • Esteganografía: Ocultar un mensaje secreto dentro de un archivo. Las marcas de agua toman prestadas sus técnicas, pero priorizan una detección robusta en lugar de ocultar una gran cantidad de datos.

Las plataformas que etiquetan medios sintéticos y filtran la basura generada por IA suelen combinar estas comprobaciones:

Robustez y limitaciones#

Una marca de agua debe resistir cambios inocuos, como el recorte, el cambio de tamaño, las modificaciones de color y la compresión JPEG, e idealmente también los ataques adversarios deliberados. Los desarrolladores lo comprueban aplicando transformaciones similares al aumento de datos al contenido marcado y midiendo con qué frecuencia la detección sigue teniendo éxito. Los métodos actuales presentan debilidades conocidas:

  • Regeneración: Añadir ruido a una imagen y reconstruirla con un modelo generativo elimina las marcas de agua invisibles a nivel de píxel y mantiene la imagen visualmente similar.
  • Paráfrasis y traducción: Reescribir con otro modelo un texto con marca de agua, o traducirlo y volverlo a traducir, diluye el patrón de tokens que cuenta el detector.
  • Cobertura: Solo se pueden detectar las salidas de proveedores que insertan una marca, y los modelos de pesos abiertos se pueden ejecutar sin ella. Por tanto, la ausencia de una marca de agua no indica si el contenido lo ha creado una persona.
  • Suplantación: Un atacante que conozca suficientemente bien un método puede estampar su marca en contenido creado por personas para desacreditarlo.

Las marcas de agua visibles plantean otro problema para los conjuntos de datos de visión artificial: los modelos las aprenden como atajos. En un caso conocido, un clasificador entrenado con el conjunto de datos PASCAL VOC aprendió a reconocer caballos en parte por una etiqueta de copyright que aparecía en aproximadamente una quinta parte de las fotos de caballos, y fallaba cuando se retiraba la etiqueta. Las marcas y los logotipos visibles son contenido normal de las imágenes, así que un modelo de detección de objetos Ultralytics YOLO26 entrenado con ejemplos etiquetados puede localizarlos en un conjunto de datos de entrenamiento, lo que permite a los equipos recortar las imágenes marcadas o eliminarlas antes de que enseñen al modelo una señal equivocada.

Explora las soluciones

Visión artificial en el deporte

Visión artificial en el deporte

Descubre cómo Ultralytics YOLO impulsa la visión artificial en el deporte con el seguimiento de jugadores y balones, analíticas de rendimiento, información útil para entrenadores y rehabilitación de deportistas.
Más información
Visión artificial para imágenes aéreas

Visión artificial para imágenes aéreas

Convierte imágenes aéreas y de drones en información útil en tiempo real para la agricultura, la acuicultura, la conservación y el análisis geoespacial con Ultralytics YOLO.
Más información
Visión artificial en el sector aeroespacial

Visión artificial en el sector aeroespacial

Aplica la visión artificial en el sector aeroespacial con Ultralytics YOLO para inspeccionar aeronaves, detectar objetos extraños en pistas, gestionar operaciones en tierra y detectar defectos en materiales compuestos.
Más información
Visión artificial en seguridad

Visión artificial en seguridad

Protege todas tus instalaciones con los modelos Ultralytics YOLO. La IA visual permite supervisar perímetros, detectar amenazas, reconocer matrículas y mejorar la seguridad laboral.
Más información
Visión artificial en robótica

Visión artificial en robótica

Potencia máquinas más inteligentes con los modelos Ultralytics YOLO. La IA visual en robótica impulsa la navegación autónoma, la percepción, el seguimiento de objetos y el control en tiempo real.
Más información
Visión artificial en logística

Visión artificial en logística

Agiliza la logística con modelos Ultralytics YOLO. La IA visual permite inspeccionar paquetes, clasificarlos, realizar el seguimiento de vehículos y supervisar la seguridad del almacén en tiempo real.
Más información
Visión artificial en el comercio minorista

Visión artificial en el comercio minorista

Reinventa el comercio minorista con modelos Ultralytics YOLO. La IA visual permite realizar el seguimiento del inventario, supervisar estanterías, gestionar colas y obtener información más útil sobre los clientes.
Más información
Visión artificial en el sector sanitario

Visión artificial en el sector sanitario

Desarrolla soluciones sanitarias con modelos Ultralytics YOLO. La IA visual en el sector sanitario permite acelerar el diagnóstico por imagen, mejorar los diagnósticos y supervisar a los pacientes.
Más información
Visión artificial en la fabricación

Visión artificial en la fabricación

Optimiza la fabricación con modelos Ultralytics YOLO. La IA visual mejora el control de calidad, la detección de defectos, el cumplimiento de las normas de uso de EPI y la automatización de las líneas de montaje.
Más información
Visión artificial en la automoción

Visión artificial en la automoción

Aplica la visión artificial al sector de la automoción con modelos Ultralytics YOLO. La IA visual mejora la seguridad vial, la asistencia al conductor y la automatización de vehículos para lograr carreteras más inteligentes.
Más información
Visión artificial en la agricultura

Visión artificial en la agricultura

Incorpora la IA de visión a la agricultura inteligente con modelos Ultralytics YOLO. Impulsa la monitorización de cultivos, el seguimiento del ganado y la agricultura de precisión para obtener cosechas más abundantes e inteligentes.
Más información

¡Construyamos juntos el futuro de la IA!

Inicia tu recorrido hacia el futuro del aprendizaje automático