{"version":"https://jsonfeed.org/version/1.1","title":"Guides de vérification AI Fake Scan","home_page_url":"https://aifakescan.com/fr/resources","feed_url":"https://aifakescan.com/fr/resources/feed.json","description":"Guides en français sur l’origine des images et vidéos d’IA, les preuves et les limites de la détection.","items":[{"id":"https://aifakescan.com/fr/resources/how-to-check-if-a-photo-was-edited-with-ai","url":"https://aifakescan.com/fr/resources/how-to-check-if-a-photo-was-edited-with-ai","title":"Comment savoir si une partie d’une photo a été modifiée avec l’IA","summary":"Vous soupçonnez une modification partielle par IA ? Comparez les images, vérifiez les Content Credentials et interprétez les détecteurs sans exagérer leurs résultats.","date_published":"2026-11-17T05:50:44.481Z","date_modified":"2026-11-17T05:50:44.481Z","tags":["Vérification des images","Content Credentials","Provenance des médias"],"content_text":"Si vous soupçonnez qu’une partie d’une photo a été modifiée avec l’IA, commencez par trouver une version antérieure et comparer la zone qui compte. Examinez les Content Credentials signés du fichier reçu, s’ils existent, et utilisez les résultats des détecteurs pour orienter un examen plus approfondi. Vous pourrez peut-être montrer que deux images diffèrent à un endroit, même si la cause de cette différence reste inconnue. Que peut changer l’IA dans une photo ? Lors d’Adobe MAX, le 10 novembre 2026, Adobe a annoncé Edit Object pour Firefly Image. L’entreprise le décrit comme une fonctionnalité bêta permettant de sélectionner un objet présent dans une photo et de modifier des propriétés comme sa couleur. Elle est conçue pour laisser le reste de l’image inchangé. La modification d’un objet peut changer ce que les personnes retiennent d’une photo dont la scène leur est par ailleurs familière. Annonce d’Adobe MAX · Documentation Adobe Edit Object Imaginez que la photo d’une annonce montre une prise électrique à côté d’un lavabo. Une photo plus ancienne de la même pièce montre un mur sans prise. La première question est de savoir si la prise existe, car c’est sur ce point qu’une personne pourrait se fier à l’image. La seconde est de comprendre comment l’image a changé. Des travaux, une retouche classique et une modification générative sont autant de possibilités, jusqu’à ce que d’autres éléments permettent de les départager. Cet exemple illustre une modification partielle et ses alternatives. Il ne représente ni un résultat d’Edit Object ni un test de détecteur. Comment trouver une version à comparer ? Enregistrez l’image telle que vous l’avez reçue et conservez l’URL de la page ainsi que sa légende. Demandez à la personne qui l’a publiée le fichier de la meilleure qualité possible et, si possible, une exportation antérieure ou des images prises à un moment proche lors de la même séance. Recherchez d’abord l’image entière, puis un recadrage d’un élément inchangé, comme une enseigne ou une porte caractéristique. La recherche peut faire apparaître des versions avec des recadrages ou des légendes différents. Comment effectuer une recherche avec une image dans Google Lens Alignez les deux versions à l’aide de détails situés en dehors de la zone potentiellement modifiée. Comparez l’objet, ses contours, les reflets, les ombres et tout ce qu’il recouvre. Vérifiez les dates et les angles avant de considérer la différence comme une modification. Pour l’exemple de l’annonce, une première note utile serait : « Les deux images montrent des détails différents à l’emplacement de la prise. Les dates des photos et la cause de la différence ne sont pas confirmées. » Pour vérifier la situation réelle, demandez une vue récente sous un autre angle ou une visite en direct par vidéo. Que révèlent les Content Credentials sur une modification partielle ? Si des credentials sont disponibles, examinez leur signataire, leur état de validation et les actions enregistrées. Les Content Credentials C2PA peuvent contenir des informations signées sur l’origine et l’historique des modifications d’un fichier donné. L’élément utile est l’action effectivement enregistrée et la précision avec laquelle elle décrit la modification. Un credential peut identifier un outil sans désigner une région précise de l’image. Présentation de la C2PA Adobe documente l’ajout automatique de credentials aux contenus entièrement générés avec Firefly, comme les images créées à partir de texte. Pour une modification partielle, vérifiez l’exportation réelle et les actions déclarées. Si aucun credential n’est trouvé dans la copie de l’annonce, notez « Aucun credential trouvé dans la copie de l’annonce » et demandez l’exportation d’origine. Ce résultat ne permet pas de déterminer la méthode de modification. Le guide des résultats Content Credentials explique comment interpréter l’état de validation. Aide d’Adobe Firefly Comment interpréter le résultat d’un détecteur ? Commencez par la copie de la meilleure qualité dont vous disposez et notez la version soumise. Le détecteur d’images AIFakeScan ne peut pas localiser de manière fiable une modification locale à partir d’un signal visuel portant sur l’image entière. Dans la version bêta actuelle, les signaux visuels seuls restent non concluants. Si l’analyse de la copie de l’annonce est non concluante, vous pouvez écrire : « Cette analyse n’a pas déterminé si la zone de la prise avait été modifiée. » Le résultat d’un recadrage s’applique à ce recadrage. Méthodologie d’AIFakeScan Une prépublication de recherche sur les images générées et modifiées circulant en ligne évalue des contenus réels recueillis auprès de sources d’information, de vérification des faits et de réseaux sociaux. Son approche est pertinente ici : un test sur des images directement issues de générateurs et non modifiées répond à une question plus limitée que l’examen de photos qui peuvent avoir été partiellement modifiées et republiées. Lorsque les éléments à l’appui d’un résultat sont limités, consultez le guide des analyses d’images non concluantes. Comment rendre compte de ce qui a changé ? Décrivez la partie de la photo qui influe sur l’affirmation, identifiez les deux versions et présentez les éléments qui justifient votre formulation. Si les fichiers diffèrent et que la méthode de modification n’est pas établie, vous pourriez écrire : « La photo antérieure montre un mur sans prise à l’endroit où l’image de l’annonce en montre une. Nous n’avons pas pu établir si cette différence résultait d’une modification de l’image ou d’un changement dans la pièce. » Si l’exportation d’origine comporte un credential validé et fiable déclarant un remplacement génératif, rapportez l’action déclarée et ne nommez la zone concernée que si l’enregistrement l’identifie. Questions fréquentes Une photo prise avec un appareil peut-elle contenir des pixels générés par l’IA ? Oui. Un appareil peut capturer la scène d’origine, puis une personne peut utiliser l’IA générative pour en remplacer ou en étendre une partie. Une photo de comparaison ou un historique de modification documenté peut aider à établir où le changement s’est produit. Peut-on confirmer une modification partielle à partir d’une capture d’écran ? Une capture d’écran peut conserver ce qu’affichait une publication et aider à rechercher des versions antérieures. Pour examiner la provenance du fichier et étudier l’image de plus près, demandez le fichier envoyé à l’origine ou l’exportation source, lorsqu’ils sont disponibles."},{"id":"https://aifakescan.com/fr/resources/how-to-verify-a-viral-news-clip","url":"https://aifakescan.com/fr/resources/how-to-verify-a-viral-news-clip","title":"Comment vérifier une vidéo d’actualité virale avant de la partager","summary":"Une vidéo imitant un bulletin de Sky News a usurpé l’identité de Yalda Hakim. Vérifiez les vidéos virales dans les archives et les déclarations directes.","date_published":"2026-11-17T05:50:44.481Z","date_modified":"2026-11-17T05:50:44.481Z","tags":["Vérification des vidéos","Deepfakes","Provenance des médias"],"content_text":"Avant de partager une vidéo d’actualité, cherchez qui l’a publiée et ce que la chaîne ou la présentatrice a réellement publié. Cherchez l’émission complète, une transcription ou une réponse directe. Dans le cas de Yalda Hakim, sa déclaration répond à la question de savoir si elle a rapporté l’histoire. Les questions concernant les images utilisées et la fabrication de la vidéo demandent d’autres éléments. Que s’est-il passé avec la vidéo usurpant l’identité de Yalda Hakim ? Le 15 novembre 2026, la présentatrice de Sky News Yalda Hakim a déclaré sur X qu’une vidéo en circulation utilisait l’IA pour usurper son identité et qu’elle n’avait jamais rapporté l’histoire qui lui était attribuée. Sky News indique ce compte sur son profil officiel et Journalism Pakistan reproduit sa déclaration. Feature Pakistan a décrit une vidéo de près de quatre minutes conçue dans le style d’un bulletin de Sky News. Déclaration de Hakim sur X · Profil de la présentatrice sur Sky News · Journalism Pakistan · Feature Pakistan Sa réponse porte directement sur l’attribution. Les articles cités décrivent son démenti et la présentation de la vidéo. Ils n’établissent ni les images d’origine, ni l’outil de production, ni l’étendue des modifications apportées au fichier. Que peut-on vérifier dans les archives de l’émission ? Sky News publie des éditions complètes de The World with Yalda Hakim dans les archives de l’émission. Pour vérifier l’attribution d’une vidéo, recherchez une phrase caractéristique sur le site de la chaîne et examinez les épisodes complets autour de la date annoncée. Si vous trouvez une correspondance probable, comparez les paroles et les plans qui l’entourent, puis notez l’URL de l’épisode et le minutage. Une correspondance dans une publication officielle peut établir ce que la chaîne a publié. Archives de l’émission de Sky News Conservez l’URL de la republication et notez les dates et les canaux consultés. Si la recherche dans les archives ne donne aucune correspondance, présentez-le comme un résultat de recherche et cherchez une réponse de la présentatrice ou de la chaîne. Dans ce cas, la déclaration corroborée par Journalism Pakistan étaye le démenti de Hakim. Nous n’avons pas vérifié de correspondance image par image avec une émission source. Que faire si la vidéo réutilise de vraies images de studio ? Effectuez une recherche inversée sur quelques images nettes, en cherchant un élément graphique caractéristique ou un détail du décor. Utilisez une correspondance possible pour trouver l’émission complète et comparer plusieurs moments. Les studios et les éléments graphiques reviennent d’un épisode à l’autre. Notez si la séquence des plans correspond avant de désigner un épisode comme source. Comment effectuer une recherche avec une image dans Google Lens Vérifiez les paroles et leur ordre à l’aide de l’audio original ou d’une transcription fiable. Rapportez séparément toute correspondance dans les images et dans les paroles, avec les minutages des deux versions. Qu’apporte un détecteur à l’enquête ? La vidéo décrite dure près de quatre minutes, au-delà de la limite de deux minutes par fichier du Basic Scan d’AIFakeScan. Pour une vidéo que vous êtes autorisé à examiner, conservez le fichier entier et son audio. Si vous soumettez un extrait plus court, gardez l’audio intact et notez les temps de début et de fin dans la vidéo complète. Rapportez les résultats pour cet extrait. Basic Scan échantillonne des images de la vidéo et vérifie les informations disponibles sur la piste audio. Il ne classe pas les échanges de visage ni les voix clonées ou synthétiques. Si vous utilisez un vérificateur de filigrane distinct, notez son fournisseur et les médias qu’il couvre. Un résultat sans filigrane détecté laisse ouvertes d’autres méthodes de production. Utilisez la liste de vérification des vidéos pour consigner la couverture et les vérifications non résolues. Annonce de SynthID par Google Comment présenter le résultat ? Dans ce cas, un résumé prudent serait : « Yalda Hakim a déclaré que la vidéo utilisait l’IA pour usurper son identité et qu’elle n’avait jamais rapporté cette histoire. » Faites un lien vers la déclaration et vers un compte rendu accessible de celle-ci. Si vous identifiez ensuite les images sources, ajoutez l’émission et les minutages, et ne décrivez que les changements établis par la comparaison. Questions fréquentes Un logo ou un bandeau d’actualité permet-il de vérifier une vidéo ? Un logo et un bandeau identifient la chaîne que la vidéo prétend représenter. Vérifiez cette attribution en retrouvant le contenu sur un canal de publication officiel et en comparant le passage concerné à la version qui circule. L’absence d’un résultat dans les archives suffit-elle à qualifier une vidéo de deepfake ? Considérez l’absence de résultat dans les archives comme une lacune dans la recherche. Vérifiez les dates voisines et les chaînes vidéo officielles, cherchez un enregistrement complet et une déclaration de la chaîne ou de la présentatrice. Consignez si vous pouvez établir qui a publié les images et quelle version vous avez examinée."},{"id":"https://aifakescan.com/fr/resources/check-image-metadata-for-ai","url":"https://aifakescan.com/fr/resources/check-image-metadata-for-ai","title":"Comment vérifier les métadonnées d’une image pour rechercher des indices d’IA","summary":"Apprenez à examiner les métadonnées, les étiquettes de logiciel et les Content Credentials, et comprenez ce qu’elles peuvent ou non révéler sur les images d’IA.","date_published":"2026-10-28T07:27:33.522Z","date_modified":"2026-10-28T07:27:33.522Z","tags":["Vérification des images","Content Credentials","Provenance des médias"],"content_text":"Pour vérifier les métadonnées d’une image à la recherche d’IA, examinez les champs EXIF et XMP intégrés au fichier pour trouver des indices de création et de modification, puis recherchez des Content Credentials vérifiables. Un nom de logiciel, un modèle d’appareil ou un champ manquant est une piste, pas un verdict. Combinez-le avec la source de l’image, d’autres versions et, si utile, un détecteur d’IA. Les métadonnées sont des informations stockées avec un fichier. Elles peuvent inclure un modèle d’appareil photo, une heure de capture, un logiciel de modification ou une description. Certains champs peuvent être modifiés ou supprimés et une copie téléchargée peut différer du fichier initialement enregistré par le créateur. La question pratique est donc : que nous dit cette copie particulière et que reste-t-il d’inconnu ? Quel fichier examiner en premier ? Demandez à l’expéditeur le fichier image original plutôt qu’une capture d’écran ou une image collée dans une discussion. Conservez une copie inchangée et notez son origine, la date de réception et si elle a été téléchargée, redimensionnée ou exportée. Si l’original est indisponible, étiquetez la copie dont vous disposez et travaillez dans cette limite. Définissez l’affirmation avant d’examiner le fichier. Vérifiez-vous si un appareil photo a capturé la scène, si l’IA en a modifié une partie ou si l’image montre le lieu de sa légende ? Ce sont des questions différentes. Une vraie photographie peut être modifiée ; une image réaliste peut aussi représenter un événement faux ou fictif. Pour les images sensibles, demandez-vous si les métadonnées révèlent un lieu, des noms ou d’autres informations privées avant d’envoyer le fichier à un service tiers ou de partager le rapport. Où trouver les métadonnées d’une image ? Sur un ordinateur ou un téléphone Sur un ordinateur, examinez le panneau d’informations ou de propriétés du fichier et cherchez les détails de l’image comme les dimensions, le modèle d’appareil et la date. Sur un téléphone, ouvrez l’original dans l’application photo et cherchez la vue d’informations ou de détails. Les options varient selon l’appareil, le type de fichier et l’application ; un panneau n’affichant que quelques champs n’établit pas que le fichier ne contient pas d’autres métadonnées. Distinguez la date de modification du système de fichiers de la date de capture de l’appareil photo. Un fichier peut recevoir une nouvelle date de modification lors d’une copie ou d’un enregistrement ; ce n’est pas automatiquement la date à laquelle la scène a été photographiée. Avec ExifTool Pour une inspection locale plus détaillée, installez ExifTool depuis son site officiel, ouvrez un terminal et exécutez cette commande en lecture seule, en remplaçant le chemin entre guillemets par celui de votre fichier : exiftool -G1 -a -s \"/path/to/image.jpg\" Les options affichent les noms des groupes de métadonnées, incluent les noms de balises en double et utilisent des noms plus courts. ExifTool permet de lire et d’écrire des métadonnées ; la commande ci-dessus lit le fichier. Consultez la documentation ExifTool pour la configuration selon la plateforme et les options. Un visualiseur peut afficher des propriétés du fichier et du système avec les champs intégrés : faites donc attention au nom du groupe. Quels champs sont utiles et que prouvent-ils ? Champ ou indice Question utile Limite Marque et modèle de l’appareil photo L’appareil déclaré correspond-il à la source disponible ? La valeur peut être modifiée ou copiée ; elle n’authentifie pas la scène. DateTimeOriginal L’heure de capture indiquée correspond-elle aux autres preuves ? Les horloges et fuseaux horaires peuvent être erronés et un champ peut être modifié. Logiciel ou historique de traitement Une application de modification est-elle nommée ? Le nom d’un éditeur n’établit pas à lui seul l’utilisation d’une génération par IA. Coordonnées GPS Le lieu enregistré correspond-il à l’affirmation ? Les coordonnées peuvent être absentes, incorrectes ou modifiées délibérément ; elles peuvent révéler des lieux privés. EXIF ou XMP manquants S’agit-il d’une capture d’écran, d’une exportation ou d’une autre copie modifiée ? Les champs manquants ne prouvent pas une origine IA et n’expliquent pas exactement ce qui s’est passé. EXIF et XMP sont des formats de métadonnées, pas des certificats de vérité. Un champ peut être utile lorsqu’il concorde avec des informations obtenues séparément. Il est moins solide en l’absence de fichier original ou de moyen d’établir qui l’a écrit. Dans notre expérience sur les captures d’écran et la compression, les fichiers originaux de test n’avaient pas d’EXIF visible. Cette expérience ne doit pas être utilisée pour affirmer que les captures ont supprimé les EXIF de l’appareil photo ; la comparaison ne l’a pas établi. Elle rappelle qu’il faut vérifier ce que contenait réellement le fichier de départ avant de décrire un changement. Comment vérifier les Content Credentials ? Les Content Credentials reposent sur la norme C2PA et peuvent contenir des déclarations signées sur un fichier et son historique. Un vérificateur compatible vérifie le justificatif disponible et son état de validation. Le guide d’inspection de la Content Authenticity Initiative explique comment examiner les justificatifs disponibles. Utilisez le vérificateur C2PA d’AIFakeScan ou un autre vérificateur compatible pour examiner ce qui est disponible et lisez notre guide des résultats C2PA avant de conclure. AIFakeScan envoie le fichier et le conserve de manière privée jusqu’à ce que vous supprimiez l’envoi ; le vérificateur ne récupère pas les manifestes distants. Une signature valide peut soutenir que l’information signée n’a pas été modifiée depuis la signature, sous réserve des vérifications du vérificateur ; elle ne prouve pas indépendamment que chaque déclaration du justificatif est vraie ni que l’événement représenté a eu lieu. Aucun justificatif trouvé signifie une absence de provenance disponible, pas une preuve d’IA. Les justificatifs peuvent manquer dans une copie particulière ou n’avoir jamais été créés. Les résultats invalides ou incomplets méritent un examen approfondi, pas une accusation automatique. Notez le résultat réel et le fichier testé. Comment combiner les métadonnées avec d’autres preuves ? Cherchez des copies antérieures ou l’éditeur original. Comparez l’affirmation avec des sources indépendantes et demandez du contexte au créateur lorsque c’est approprié. Si vous utilisez un détecteur d’images d’IA, traitez le résultat comme un indice supplémentaire et gardez à l’esprit l’incertitude de l’outil. Notre guide de détection d’images explique pourquoi aucune vérification visuelle ou automatisée ne suffit à elle seule. Un simple registre de révision rend la distinction explicite : Identifiez le fichier exact, sa source et l’affirmation vérifiée. Notez les champs intégrés pertinents et si un original était disponible. Notez le résultat de vérification des justificatifs et les éventuelles vérifications de source ou de lieu. Formulez une conclusion limitée, avec les preuves contradictoires et les questions sans réponse. Par exemple, « La copie n’a pas d’EXIF d’appareil visible ; son origine reste non vérifiée » est plus exact que « Pas d’EXIF signifie IA ». Si l’affirmation concerne une destination, suivez le guide distinct de vérification des photos de voyage. Questions fréquentes Les métadonnées d’une image peuvent-elles indiquer si elle a été générée par IA ? Elles peuvent contenir une étiquette de logiciel ou un registre de provenance pertinent, mais les métadonnées ordinaires seules établissent rarement comment une image a été créée. Vérifiez la source et les justificatifs signés et gardez visibles les inconnues. L’absence d’EXIF signifie-t-elle qu’une image a été créée par IA ? Non. Un fichier peut manquer d’EXIF pour plusieurs raisons, notamment sa façon d’être enregistré ou partagé. L’absence d’EXIF seule n’identifie ni le créateur ni la méthode de production. Un modèle d’appareil photo dans l’EXIF prouve-t-il que l’image est une vraie photographie ? Non. Les champs ordinaires de métadonnées peuvent être modifiés ou copiés. Traitez le modèle comme un indice à vérifier avec le fichier original et d’autres preuves. Un Content Credential valide prouve-t-il que la scène a réellement eu lieu ? Non. La validation concerne le justificatif signé et les vérifications du vérificateur ; elle ne confirme pas indépendamment chaque déclaration ni l’événement réel représenté. Puis-je examiner les métadonnées sans envoyer mon fichier ? Oui. Le panneau d’informations d’un appareil ou un outil local comme ExifTool peut montrer les métadonnées disponibles sans envoyer l’image. Vérifiez ce qu’affiche chaque outil et protégez les informations sensibles."},{"id":"https://aifakescan.com/fr/resources/how-to-spot-ai-generated-travel-photos","url":"https://aifakescan.com/fr/resources/how-to-spot-ai-generated-travel-photos","title":"Comment repérer les photos de voyage générées par IA","summary":"Découvrez comment vérifier la source, le lieu et le fichier original d’une photo de voyage, et distinguer les indices d’IA des preuves avant de faire confiance à une image de destination.","date_published":"2026-10-28T07:27:33.522Z","date_modified":"2026-10-28T07:27:33.522Z","tags":["Vérification des images","Images générées par IA","Provenance des médias"],"content_text":"Pour repérer les photos de voyage générées par IA, commencez par vérifier la source, rechercher des versions antérieures, comparer le lieu indiqué avec des références indépendantes et demander le fichier original. Les étrangetés visuelles et les résultats de détecteurs peuvent aider à choisir ce qu’il faut examiner, mais ne peuvent pas établir la vérité à eux seuls. Séparez deux questions : cette image représente-t-elle fidèlement la destination, et comment a-t-elle été créée ? Une photographie réelle peut avoir une légende trompeuse, une date ancienne ou un arrière-plan modifié. Une illustration d’IA peut représenter un lieu réel sans montrer une vue réelle. Votre conclusion doit correspondre à la question que vous pouvez étayer. Que prétend exactement la photo de voyage ? Avant la recherche, notez le nom du lieu, le point de vue revendiqué, la date et la source de l’affirmation. Une image d’hôtel peut par exemple laisser entendre qu’une plage est visible depuis une chambre. C’est une affirmation différente de l’existence d’une plage quelque part à proximité. Conservez l’URL de la page, la date de publication si elle est disponible et une copie de l’image pour votre examen privé. Gardez la légende avec elle. Une republication ultérieure peut retirer le contexte ou associer un nouveau lieu à une ancienne image. J’éviterais ici une étiquette rapide « réelle ou fausse » : la décision pratique peut porter sur la conformité de la vue, du moment ou de l’hébergement avec une réservation, même si la photo provient d’un appareil. Comment trouver la source originale ? Utilisez la recherche par image de Google pour envoyer une copie, coller une URL d’image ou rechercher depuis une page web. Les résultats peuvent inclure des images similaires et des pages utilisant l’image. Recherchez aussi un recadrage distinctif ainsi que l’image complète, car les republications peuvent être redimensionnées ou recadrées. Ouvrez les résultats prometteurs et comparez leurs dates, légendes et contextes de publication. La date affichée d’un résultat de recherche est une piste, pas une date de première publication garantie. Le premier résultat trouvé peut lui-même être une republication. Cherchez un créateur identifiable, une page source avec contexte ou un compte crédible capable d’expliquer l’origine de l’image. Si l’image vient d’une entreprise, demandez l’image originale, le point de vue et la date. L’impossibilité de les fournir laisse une question ouverte ; ce n’est pas une preuve de tromperie. Avant d’envoyer l’image d’autrui à un service de recherche, considérez la confidentialité et les pratiques du service en matière de données. Comment vérifier le lieu indiqué ? Recherchez les mêmes éléments fixes dans plusieurs sources indépendantes : la forme d’une côte, le tracé des rues, la position des bâtiments, le profil d’une montagne ou un pont. Comparez l’angle et la distance de la caméra au lieu d’attendre que toutes les images soient identiques. Utilisez des cartes officielles de la destination, des images datées au niveau du sol lorsqu’elles existent et d’autres photographies de sources indépendantes. Tenez compte des changements de saison, de lumière, de météo, de construction et de modification. Un monument différent d’une autre vue est une question à résoudre ; ce n’est pas automatiquement un artefact d’IA. Vérifiez que l’image de référence provient réellement du même lieu et de la même période. Prenons cet exemple fictif : un complexe hôtelier présente une photographie comme la vue d’un balcon privé. Votre carte et des images indépendantes au niveau de la rue montrent la même côte, mais aucune n’établit ce qui est visible depuis ce balcon. Vous pouvez dire que la côte semble cohérente, tandis que la vue du balcon reste non vérifiée. N’en déduisez pas une origine IA et ne formulez pas d’accusation à partir de cette lacune. Ce que vous observez Suivi utile Ce qui reste incertain La même image apparaît sous deux noms de lieux Vérifiez les publications plus anciennes, le contexte et les repères identifiables Quelle légende est exacte sans plus de preuves Le paysage correspond mais le point de vue n’est pas clair Demandez une vue datée depuis la position indiquée Si la vue promise existe Un reflet ou une structure semble inhabituel Comparez un original et des vues indépendantes Si une modification, la perspective ou la génération en est la cause Un détecteur signale un indice d’IA Vérifiez la source, le fichier et la provenance L’historique réel de production sans corroboration Que peuvent vous apprendre le fichier original et les justificatifs ? Si vous obtenez un original, examinez les champs EXIF et XMP disponibles pour les indices de caméra, date, lieu et modification. Notre guide des métadonnées d’image propose un processus pratique. Les métadonnées ordinaires sont modifiables et il est fréquent qu’elles manquent dans les copies ; ni une étiquette d’appareil ni des champs manquants ne tranchent la question. Recherchez ensuite les Content Credentials avec le vérificateur C2PA d’AIFakeScan ou un autre vérificateur compatible. AIFakeScan envoie le fichier et le conserve de manière privée jusqu’à ce que vous supprimiez l’envoi ; le vérificateur ne récupère pas les manifestes distants. La Content Authenticity Initiative décrit comment examiner les justificatifs. Un justificatif validé peut aider à évaluer des informations de provenance signées, mais ne prouve pas indépendamment l’affirmation sur la destination. L’absence de justificatif trouvé ne prouve pas une génération par IA. Si l’original est privé ou contient des données GPS, obtenez une autorisation avant de le partager et évitez de publier des informations de localisation sensibles. Les indices visuels et les détecteurs peuvent-ils identifier les photos de voyage d’IA ? Cherchez les détails qui méritent une vérification : panneaux incohérents, fenêtres répétées, reflets inhabituels, géométrie impossible ou arrière-plan en conflit avec des vues indépendantes. Chacun peut avoir d’autres explications, notamment la perspective, la compression, l’assemblage panoramique ou une modification ordinaire. Ne vous fiez pas à un seul détail étrange. Un détecteur d’images d’IA peut fournir un autre indice. Les indices visuels d’AIFakeScan restent incertains pendant la bêta ; des preuves de source fiables peuvent soutenir un constat plus fort. Un détecteur ne peut pas vérifier seul la vue d’une chambre d’hôtel ni identifier un lieu. Si le résultat contredit les preuves de source, enquêtez au lieu de faire la moyenne des réponses. Consultez photo générée par IA ou photo réelle pour distinguer les images d’origine appareil photo, modifiées par IA et entièrement générées. Que faire si les preuves sont incomplètes ? Gardez une conclusion précise et proportionnée. « Le lieu semble cohérent avec les vues indépendantes, mais je n’ai pas pu vérifier la vue de la chambre » est un constat utile. « L’image est de l’IA » nécessite des preuves sur la production, pas seulement une discordance avec la légende. Si l’image affecte une réservation, demandez une image actuelle et datée de la vue exacte et confirmez les conditions auprès du fournisseur avant de vous engager. Notez les liens des sources, la version du fichier testé, les résultats des justificatifs ou détecteurs et ce qui reste inconnu. Revenez à l’affirmation si vous obtenez plus tard l’original ou une meilleure référence indépendante. Questions fréquentes Puis-je identifier une photo de voyage d’IA en la regardant seulement ? Pas de façon fiable. Les anomalies visuelles peuvent suggérer des questions, mais la perspective, la modification et la compression peuvent aussi produire des détails inhabituels. Vérifiez la source et les preuves indépendantes du lieu. Une destination réelle signifie-t-elle que la photo est authentique ? Non. Un lieu réel peut apparaître dans une image ancienne, modifiée, à la légende trompeuse ou générée. Vérifiez la vue et l’affirmation précises ainsi que le lieu. Comment trouver des copies antérieures d’une image de voyage ? Recherchez l’image entière et des recadrages distinctifs avec un outil de recherche inversée, puis ouvrez les résultats pour comparer le contexte de publication et les dates. Le résultat le plus ancien trouvé n’est pas nécessairement l’original. L’absence de métadonnées peut-elle prouver qu’une photo de voyage a été générée par IA ? Non. Les métadonnées peuvent manquer dans une copie pour de nombreuses raisons. Notez ce que vous avez trouvé et recherchez l’original ou des preuves corroborantes. Que faire si je ne peux pas vérifier la vue d’un hôtel ? Demandez au fournisseur une image actuelle et datée depuis la chambre ou le point de vue précis et confirmez les conditions de réservation. Si les preuves restent insuffisantes, décrivez la vue comme non vérifiée."},{"id":"https://aifakescan.com/fr/resources/ai-generated-photo-vs-real-photo","url":"https://aifakescan.com/fr/resources/ai-generated-photo-vs-real-photo","title":"Photo générée par IA ou photo réelle : que vérifier en premier","summary":"Comparez une photo générée par IA à une photo réelle à l’aide de l’historique de la source, des registres de modification et des preuves du fichier. Découvrez quels indices comptent et lesquels peuvent tromper.","date_published":"2026-10-12T05:10:44.698Z","date_modified":"2026-10-12T05:10:44.698Z","tags":["Vérification des images","Images générées par IA","Content Credentials"],"content_text":"Une comparaison entre photo générée par IA et photo réelle doit commencer par la façon dont l’image a été créée, pas par son apparence convaincante. Recherchez la source et le fichier originaux, examinez les registres de création disponibles et utilisez les observations visuelles ou les résultats d’un détecteur comme preuves de soutien. Envisagez aussi une troisième possibilité : une photographie réelle partiellement modifiée par IA. Cette troisième catégorie compte. Un appareil photo peut avoir capturé la personne tandis qu’un générateur a fourni l’arrière-plan. Qualifier toute l’image de réelle ou de fausse peut masquer la modification précise à examiner. Je trouve la comparaison plus utile lorsqu’elle répond à une question précise : cette scène a-t-elle été photographiée, quelque chose a-t-il été ajouté, ou l’histoire qui l’accompagne est-elle exacte ? Ces questions nécessitent des preuves différentes. Que signifie une photo réelle dans cette comparaison ? Dans ce guide, une photographie d’origine appareil photo signifie qu’un appareil a capturé la scène sous-jacente. Elle peut tout de même avoir été recadrée, corrigée en couleur ou retouchée. Une image entièrement générée représente une scène synthétisée par un modèle. Une photographie modifiée par IA combine des éléments capturés par appareil photo avec un ajout, un retrait ou un remplacement généré. Ce sont des catégories de travail, pas des étiquettes automatiques attribuées par un outil d’envoi. Un fichier peut contenir un mélange et son historique peut être indisponible. Si les preuves n’établissent pas la méthode de production, utilisez « inconnu » plutôt que de forcer une réponse binaire. Catégorie de production Question à examiner Preuves utiles à demander Photographie d’origine appareil photo Qu’a-t-on réellement capturé ? Fichier original et contexte de la source Photographie modifiée par IA Qu’est-ce qui a changé après la capture ? Version antérieure et historique de modification Image entièrement générée Qui l’a générée et l’a déclaré ? Déclaration du créateur et registre de génération Historique inconnu ou mixte Quelles parties restent sans preuve ? Meilleur matériel source et affirmations précises Pour l’enquête plus large étape par étape, consultez notre guide pour détecter les images générées par IA. Ici, nous nous concentrons sur le choix des preuves qui distinguent ces catégories de production. Quelles preuves permettent de distinguer génération et modification ? Demandez un registre qui porte sur le changement que vous soupçonnez. Une version antérieure peut montrer la même personne dans un autre décor. Un créateur peut déclarer qu’une illustration est générée. Un historique de fichier peut enregistrer une modification assistée par IA. Attribuez chaque constat à sa source et décrivez sa portée. Les Content Credentials sont des registres signés de l’historique de création et de modification. La FAQ de la Content Authenticity Initiative explique que les outils compatibles peuvent enregistrer la génération par IA ou la capture par appareil photo et les modifications ultérieures. Les justificatifs ne sont pas un verdict universel sur les fausses photos, et leur absence n’identifie pas la méthode de production. Utilisez le vérificateur C2PA pour examiner les registres compatibles du fichier, puis vérifiez leur validation, leur signataire et les actions. Un registre valide concernant une modification doit être signalé comme une modification ; ce n’est pas automatiquement une preuve que toute la scène a été générée. La présentation de C2PA sépare aussi la provenance de la vérité des faits. Un historique signé ne certifie pas une légende, un lieu ou une histoire. Les métadonnées ordinaires d’appareil photo sont un autre type d’indice et ne doivent pas être considérées comme équivalentes à un historique signé. Comment comparer un original à une copie partagée ? Déterminez d’abord quel fichier vous avez. Une capture d’écran est une nouvelle capture du contenu affiché. Ses propres champs de fichier ne décrivent pas la scène originale. Une copie recadrée ou exportée peut aussi manquer du contexte nécessaire pour interpréter un défaut apparent. Si le créateur fournit une version antérieure, comparez la composition complète avant d’agrandir les détails. Notez les différences entre les sujets, l’arrière-plan, les positions des objets et les contours. Demandez quelle opération a causé le changement au lieu de supposer que toute différence visible vient de l’IA. Cette carte des preuves est conceptuelle. Elle ne montre ni résultat de détecteur ni paire d’images réelle et synthétique testée. Un registre de comparaison utile indique la source des deux fichiers, s’il s’agit d’images complètes ou de recadrages, et le changement précis examiné. Si vous n’avez qu’une capture d’écran compressée, notez cette limite au lieu de considérer que l’original non vu a été examiné. Peut-on reconnaître les photos d’IA par les mains, la peau ou le texte ? Ces détails peuvent guider un examen plus attentif, mais ne doivent pas décider du cas. Comparez le détail suspect à son environnement et demandez-vous si le flou, la perspective, l’éclairage ou une modification conventionnelle offrent une autre explication. Pour un portrait, examinez le contact entre les doigts et les objets tenus, la relation entre les lunettes et le visage ou les lettres qui devraient rester cohérentes sur un même objet. Évitez de transformer une peau lisse ou un visage inhabituel en accusation. Décrivez l’incohérence observée avant de lui attribuer une cause. Pour une image de paysage ou de propriété, examinez comment les structures se rejoignent et comment les reflets correspondent à la scène. Une rambarde qui se fond dans un mur est une observation utile à examiner. Un bâtiment visuellement cohérent ne prouve toujours pas que le bien proposé existe. L’inspection visuelle a la même limite dans les deux sens : un détail étrange n’établit pas une génération par IA et une apparence réaliste n’établit pas une origine appareil photo. Recherchez si possible des preuves sur l’historique de production. Comment la recherche de source et les filigranes aident-ils ? La recherche inversée d’image peut révéler une publication antérieure, une déclaration du créateur ou une autre légende. Les conseils de Google sur le contexte des images expliquent les informations disponibles via About this image. Utilisez les correspondances pour examiner la chronologie et le contexte ; ne considérez pas une date d’indexation comme une date de capture certifiée. Si une image précède l’événement nommé dans une nouvelle publication, vous avez peut-être contesté la légende sans établir quoi que ce soit sur l’IA. L’absence de correspondance accessible laisse aussi la source non résolue, au lieu de prouver une génération. Les vérifications de filigranes répondent à une question plus limitée. Selon la vérification du 12 octobre 2026, les instructions de vérification Gemini de Google décrivent la recherche de filigranes SynthID compatibles dans les médias envoyés. La couverture SynthID documentée concerne le contenu d’IA de Google. Lisez le résultat réel de la vérification ; l’avis général d’un chatbot sur l’apparence ne constitue pas la même vérification. Une marque détectée peut concerner la génération ou la modification : conservez donc la portée indiquée. L’absence de marque n’exclut pas d’autres systèmes. Notre guide SynthID explique comment suivre une voie officielle de vérification. Quelle place pour un détecteur de photos d’IA ? Utilisez un détecteur après avoir identifié le fichier et la question. Lisez ses catégories de preuves et sa couverture, puis comparez son résultat à l’historique de la source. Ne remplacez pas une question précise sur une modification par un score portant sur toute l’image. Le détecteur d’images AIFakeScan peut examiner les preuves compatibles du fichier. Notre méthodologie explique les limites actuelles de la bêta : la calibration et l’évaluation sont incomplètes, les résultats fondés uniquement sur des indices passifs restent incertains et aucun pourcentage de précision validé ni aucune probabilité mesurée d’IA n’est revendiqué. Si un résultat reste non résolu, demandez un meilleur original ou un historique plus clair. Si deux outils divergent, gardez leurs constats séparés. Le guide des résultats d’image incertains propose des étapes suivantes sans transformer l’incertitude en verdict. Quelle conclusion écrire pour une image mixte ? Prenons un scénario illustratif de portrait. Un créateur fournit une photographie antérieure prise par appareil photo et déclare avoir remplacé son arrière-plan par un décor généré. Votre question est de savoir si le portrait final montre la personne photographiée à cet endroit. Une conclusion prudente est : « Le créateur décrit un portrait d’origine appareil photo avec un arrière-plan de remplacement généré. L’image finale n’établit pas que la personne a été photographiée dans le décor représenté. » Cela explique le changement pertinent sans suggérer que le visage de la personne a nécessairement été généré. Considérons maintenant une capture d’écran sans original, déclaration ou résultat utile de recherche. Le résultat approprié est un historique de production non résolu. Le constat incertain d’un détecteur ne peut pas combler ces faits manquants. Je résumerais une comparaison entre photo générée par IA et photo réelle avec quatre champs : Origine : quelles preuves soutiennent la capture par appareil photo ou la génération ? Modifications : quelles preuves soutiennent un ajout, un retrait ou un remplacement ? Contexte : l’image étaye-t-elle la date, le lieu ou l’affirmation qui l’accompagne ? Lacunes : qu’est-ce qui n’a pas pu être vérifié et quel matériel permettrait de le résoudre ? Ces exemples expliquent la méthode ; ils ne sont pas des expériences rapportées ni des affirmations sur l’image d’une personne particulière. Questions fréquentes Une photographie réelle peut-elle aussi être modifiée par IA ? Oui. Une image d’origine appareil photo peut contenir des ajouts ou des remplacements générés. Décrivez la modification étayée et sa portée au lieu de supposer qu’une seule étiquette explique tout le fichier. Le nom d’un appareil photo dans les métadonnées prouve-t-il qu’une photo est réelle ? Un champ d’appareil photo seul n’établit pas l’historique complet de la scène représentée. Vérifiez la source originale et les registres de production disponibles avant d’affirmer l’authenticité. Les Content Credentials prouvent-elles qu’un événement a eu lieu ? Elles peuvent fournir un historique attribué et vérifiable concernant un fichier. Elles n’établissent pas indépendamment la vérité des faits de l’événement ou de la légende. Un détecteur d’IA peut-il identifier exactement quelle partie a été modifiée ? Seulement s’il propose et exécute explicitement une vérification de localisation adaptée. Un indice portant sur toute l’image ne localise pas automatiquement une petite région générée. Que faire si vous n’avez qu’une capture d’écran ? Conservez sa source, recherchez l’image sous-jacente et demandez un original si possible. Indiquez que les conclusions s’appliquent à la copie examinée et notez l’historique manquant. Votre prochaine étape Choisissez l’affirmation sur la production à vérifier, réunissez le meilleur fichier et comparez les preuves d’origine, de modifications et de contexte. Utilisez le détecteur d’images pour les vérifications compatibles et suivez notre liste de vérification vidéo lorsque l’affirmation dépend du mouvement ou de la parole."},{"id":"https://aifakescan.com/fr/resources/ai-video-verification-checklist","url":"https://aifakescan.com/fr/resources/ai-video-verification-checklist","title":"Liste de vérification des vidéos d’IA pour les extraits partagés en ligne","summary":"Utilisez une liste de vérification des vidéos d’IA pour examiner la source, le contexte, le mouvement, l’audio et la couverture du détecteur avant de partager un extrait. Conservez un registre clair des preuves.","date_published":"2026-10-12T05:10:44.698Z","date_modified":"2026-10-12T05:10:44.698Z","tags":["Vérification des vidéos","Vidéos générées par IA","Preuves de deepfake"],"content_text":"Utilisez cette liste de vérification des vidéos d’IA pour établir la source, vérifier la légende et examiner l’enregistrement avant de le partager comme preuve. Conservez le fichier original, examinez séparément le mouvement et le son et notez ce que chaque détecteur a réellement vérifié. Un élément non résolu doit le rester au lieu de devenir un verdict réel ou faux. La liste est conçue pour les extraits d’un fil ou d’une discussion de groupe : un événement dramatique, une déclaration apparente d’une célébrité ou une scène inattendue. Elle aide à distinguer une question de production d’une date, d’un lieu ou d’une légende trompeuse. Je considère le registre de l’enquête comme une partie du résultat. Une autre personne doit pouvoir consulter la source, revoir les mêmes repères temporels et comprendre pourquoi une conclusion a été tirée. Comment utiliser cette liste ? Travaillez en trois passages : source et affirmation, séquence et parole, puis couverture technique et rapport. Pour chaque élément, notez vérifié, non résolu ou sans objet, puis les preuves. Vérifié signifie que vous avez terminé l’examen ; cela ne signifie pas que l’extrait a réussi un test d’authenticité. Si une lacune importante de source ou de couverture demeure, évitez de partager l’enregistrement comme un récit vérifié. Vous pouvez toutefois expliquer ce qui a été trouvé et demander le matériel manquant. Passage Ce que vous examinez Registre à conserver Source et affirmation Éditeur, date, lieu et contexte complet URL et affirmation exacte Séquence et parole Continuité, points de montage et bande-son Repères temporels et comparaisons Couverture et rapport Portée des justificatifs, filigranes et détecteur Constats et vérifications non résolus Pour une introduction détaillée aux méthodes sous-jacentes, lisez comment savoir si une vidéo est générée par IA. Cette page fournit la feuille de travail et la structure du rapport. Passage 1 : que vérifier sur la source et l’affirmation ? 1. Conservez l’affirmation exacte Écrivez en une phrase l’affirmation de la légende. Incluez l’événement, la date, le lieu, la personne ou les mots allégués. Un extrait peut être authentique tandis que l’affirmation qui l’accompagne est fausse : précisez donc l’objet de votre enquête. 2. Trouvez la publication originale ou une version plus longue Notez le compte et la page où vous avez reçu l’extrait, puis cherchez une version antérieure ou complète. Recherchez l’identité de l’éditeur, un historique cohérent de publications et toute déclaration de production. Ne considérez pas automatiquement la première correspondance trouvée comme l’original. 3. Recherchez des images représentatives Choisissez des images nettes contenant un lieu, un panneau ou un objet distinctif. Recherchez une image complète et un recadrage pertinent, puis lisez les pages correspondantes. Les conseils de Google sur le contexte des images aident à expliquer le contexte que ces recherches peuvent révéler. Les correspondances sont des pistes ; leur absence n’établit pas une génération. 4. Vérifiez la date, le lieu et les événements environnants Comparez l’affirmation avec un enregistrement plus long ou des témoignages indépendants. Recherchez des phrases prononcées distinctives et des noms d’événements. Si une publication plus ancienne contient les mêmes images, notez ce constat chronologique séparément de toute affirmation sur l’IA. Le guide de WITNESS pour vérifier les vidéos de témoins fournit une base pour évaluer les enregistrements comme preuves. La question utile est ce que le matériel disponible permet d’établir, pas seulement s’il semble convaincant. Passage 2 : que vérifier dans l’enregistrement ? 5. Conservez la version du fichier et la bande-son Gardez le meilleur fichier disponible sans le modifier. Notez sa durée et s’il s’agit d’une republication, d’un enregistrement d’écran ou d’un extrait. Conservez la bande-son même si c’est la partie dont vous vous méfiez. Examinez une copie et notez le point de départ de tout intervalle extrait. 6. Regardez une fois à vitesse normale Examinez l’extrait entier avant de vous concentrer sur une image inhabituelle. Notez les débuts, fins et coupes brusques ainsi que les moments à revoir. Une transition mise en pause peut paraître différente de l’action vue en séquence. 7. Suivez les objets dans les images adjacentes Rejouez lentement les intervalles suspects. Suivez un visage, une main, un objet tenu ou un élément d’arrière-plan pendant son mouvement et sa réapparition après une obstruction. Notez le changement observé et vérifiez si le flou, le mouvement de caméra, l’occlusion ou un montage conventionnel peuvent l’expliquer. 8. Examinez la parole séparément Comparez une déclaration attribuée à un enregistrement complet identifiable ou à une transcription lorsqu’ils sont disponibles. Écoutez les changements autour des mots importants et vérifiez si le mouvement des lèvres est systématiquement décalé. Le doublage ou des erreurs de synchronisation peuvent aussi expliquer une différence ; ni un son étrange ni une voix convaincante ne tranchent la question de production. Notre détecteur de vidéos d’IA indique la couverture audio séparément. L’inspection audio de base ne classe pas la parole clonée ou synthétique, et Basic Scan ne comprend pas de classification spécialisée des échanges de visage. Lisez notre guide des deepfakes lorsque la manipulation d’identité est la préoccupation centrale. Passage 3 : quelles vérifications techniques ont réellement eu lieu ? 9. Lisez les justificatifs disponibles Examinez le résultat de validation, le signataire et les actions enregistrées. Déterminez si un registre lié à l’IA concerne une génération complète ou une modification. La présentation de C2PA décrit une provenance attribuée et liée au média, pas une certification de la vérité d’une histoire. L’absence de justificatifs n’établit pas une méthode de production. Le guide des résultats de justificatifs explique pourquoi validation et interprétation sont deux étapes différentes. Ne transformez pas une action logicielle enregistrée en affirmation selon laquelle chaque image a été fabriquée. 10. Utilisez un vérificateur officiel de filigrane compatible Selon la vérification du 12 octobre 2026, les instructions de vérification Gemini de Google décrivent la recherche de SynthID dans une vidéo envoyée. Lisez le résultat explicite du filigrane et sa couverture. La couverture SynthID documentée de Gemini concerne les médias d’IA de Google, pas tous les générateurs. Une partie de vidéo signalée ne signifie pas qu’un filigrane a été détecté dans chaque image de cette partie. L’absence de marque détectée n’exclut pas d’autres systèmes. Suivez le guide SynthID pour une voie officielle et distinguez cette vérification des capacités propres d’AIFakeScan. 11. Lisez l’échantillonnage du détecteur et les vérifications indisponibles Demandez si l’analyse a examiné chaque image ou des moments échantillonnés, et si la classification du visage ou de la voix a réellement été exécutée. La méthodologie AIFakeScan indique qu’une analyse vidéo par échantillons peut manquer des modifications brèves et des moments non échantillonnés. Un segment temporel guide une révision supplémentaire ; il ne définit pas une limite exacte de modification. Dans la bêta actuelle, la calibration et l’évaluation restent incomplètes. Les constats fondés uniquement sur des indices passifs restent incertains, et aucun pourcentage de précision validé ni aucune probabilité mesurée d’IA n’est revendiqué. Deep Scan n’est pas disponible publiquement. Les vérifications échouées, non prises en charge et indisponibles doivent être notées comme des lacunes. Cette feuille de travail est une illustration originale, pas un rapport de détecteur. Ses lignes non résolues montrent comment documenter les preuves manquantes au lieu d’inférer un constat négatif. 12. Rédigez une conclusion pour l’affirmation exacte Séparez les constats de source, vos observations et les résultats attribués aux outils. Indiquez le fichier et les intervalles examinés, puis listez les questions non résolues. Ne faites pas la moyenne de scores sans rapport et ne considérez pas un vote majoritaire comme une preuve. Constat Rapport défendable Ce qu’il n’établit pas Une publication antérieure précède la légende L’affirmation sur la date est contredite Que l’IA a créé les images Le créateur déclare une insertion générée Attribuer le segment déclaré Que toutes les autres images sont vérifiées Seules des images échantillonnées ont été examinées Indiquer la couverture limitée Que tout l’extrait a été évalué La classification de voix n’a pas été exécutée L’origine de la parole reste non testée Que la voix est authentique Comment conserver un registre de preuves utile ? Utilisez ce modèle avec la liste de vérification des vidéos d’IA. Ajoutez des liens et des repères temporels, pas seulement des étiquettes. Affirmation : la phrase exacte que vous vérifiez. Source : URL reçue, éditeur et version originale ou plus longue trouvée. Fichier : durée, version, bande-son et décalage de tout extrait. Contexte : preuves concernant la date, le lieu ou l’événement indiqué. Observations : intervalles examinés et explications alternatives envisagées. Constats techniques : état des justificatifs, résultat de filigrane et couverture du détecteur. Éléments non résolus : originaux manquants, parole non testée ou vérifications non prises en charge. Conclusion : affirmation limitée soutenue par les preuves recueillies. Exemple illustratif : un extrait de 15 secondes est présenté comme une inondation d’aujourd’hui. Vous localisez la même séquence dans un enregistrement complet plus ancien. Votre conclusion concerne l’affirmation fausse sur la date ; vous n’avez pas établi une génération par IA. Si aucune vérification de voix n’a eu lieu, la bande-son reste non testée même si le contexte visuel est résolu. Je conserverais cette distinction dans la note finale. Elle permet à une personne de vérifier la chronologie sans reprendre une accusation de média synthétique non étayée. Cet exemple est un scénario pédagogique fictif, pas un test rapporté. Questions fréquentes Remplir la liste prouve-t-il qu’une vidéo est réelle ? Non. Cela enregistre les questions examinées et leurs constats. Des preuves importantes peuvent encore manquer, et le contexte de la source, les images et la parole peuvent rester indépendamment non résolus. Une image étrange peut-elle prouver une génération par IA ? Non. Examinez les images voisines et une meilleure copie, puis vérifiez des explications ordinaires comme le flou ou une coupe. Une anomalie précise est une piste d’enquête. Que faire si la vidéo n’a pas de son ? Notez si la source est un enregistrement muet ou un extrait dont l’audio a été retiré. Ne déduisez rien d’une bande-son originale absente ou non vue. Que faire lorsque les outils divergent ? Conservez le constat et la couverture indiquée de chaque outil. Recherchez un fichier original ou un historique de production plus solide plutôt que de combiner des scores différents en une probabilité finale. Un extrait réel peut-il malgré tout diffuser de fausses informations ? Oui. Une date, un lieu ou une légende incorrects ou un contexte omis peuvent tromper sans images générées. Vérifiez l’affirmation avec l’historique de production du média. Votre prochaine étape Conservez l’extrait et l’affirmation, remplissez les trois passages et utilisez le détecteur vidéo pour obtenir des preuves techniques prises en charge. Si votre document est une image fixe, utilisez la comparaison distincte photo d’IA ou photo réelle pour distinguer capture, génération et modifications ultérieures."},{"id":"https://aifakescan.com/fr/resources/ai-image-detector-inconclusive-what-to-check-next","url":"https://aifakescan.com/fr/resources/ai-image-detector-inconclusive-what-to-check-next","title":"Le détecteur d’images d’IA indique un résultat incertain : que vérifier ensuite","summary":"Un processus pratique après une analyse d’image d’IA incertaine : vérifiez la couverture, conservez l’original, examinez les justificatifs et les filigranes et documentez le contexte de la source.","date_published":"2026-10-03T08:13:58.314Z","date_modified":"2026-10-03T08:13:58.314Z","tags":["Détection de l’IA","Analyse forensique des médias","Provenance des médias"],"content_text":"Un résultat incertain de détecteur d’images d’IA signifie que les preuves disponibles ne permettent pas une décision fiable sur l’origine selon les règles de cet outil. Cela ne signifie ni « certainement réel », ni « certainement IA », ni une probabilité égale pour les deux. Vérifiez d’abord quelles analyses sont terminées, puis obtenez le meilleur fichier, examinez la provenance et vérifiez l’affirmation de la source. Le but est de réduire l’incertitude qui compte. Un second score opaque peut apporter moins que l’exportation originale, un historique de création enregistré ou une publication antérieure montrant que la légende est fausse. L’analyse est-elle terminée ou une vérification était-elle indisponible ? Lisez l’état du traitement et les sections de preuves individuelles avant d’interpréter le verdict. Un résultat global incertain peut coexister avec des vérifications utiles terminées. Un envoi échoué ou une analyse non prise en charge est un autre problème qui doit être enregistré séparément. Ce que dit le rapport Ce que vous savez Que faire ensuite Terminée, mais incertaine L’analyse prise en charge ne justifiait pas une décision plus forte Examinez les preuves, les limites et le fichier original Vérification indisponible Ce canal de preuves n’a pas été vérifié Résolvez le problème de disponibilité ou utilisez un vérificateur adapté Fichier ou analyse non pris en charge L’entrée ou la vérification demandée dépasse la couverture prise en charge Obtenez une version compatible sans jeter l’original Échec du traitement L’analyse tentée ne s’est pas terminée correctement Conservez l’erreur et réessayez après en avoir résolu la cause Aucun justificatif ni filigrane trouvé Une vérification compatible terminée n’a trouvé aucun signal de ce type Conservez la portée de la vérification ; poursuivez avec d’autres preuves Pour la bêta actuelle d’AIFakeScan, la combinaison des détecteurs passifs n’a pas passé le seuil de calibration. Sans indice fort de provenance ou de vérification officielle pris en charge, les résultats fondés uniquement sur des indices passifs restent incertains. C’est une règle de décision du produit, pas une preuve que chaque image envoyée est aussi ambiguë que les autres. Lisez la méthodologie et les limites de couverture avec le détecteur d’images d’IA. Ne transformez pas une observation interne du modèle en probabilité mesurée que l’image soit générée par IA. Obtenez le fichier original avant de modifier l’image La prochaine entrée utile est souvent un fichier mieux documenté, pas une nouvelle tentative plus agressive. Conservez la copie reçue et demandez le fichier original de l’appareil photo ou l’exportation de génération. Étiquetez clairement les deux versions. Une recherche de Corvi et ses collègues examine la détection des images générées par diffusion, y compris dans des scénarios de réseaux sociaux avec compression et redimensionnement. Elle justifie de considérer les transformations comme des conditions pertinentes d’évaluation ; elle ne fournit pas de garantie de précision pour un vérificateur en ligne sans rapport. Demandez comment votre copie a été produite : téléchargement depuis une source, enregistrement par une application de messagerie, capture d’écran, recadrage ou nouvelle exportation. Notez ce que la source peut confirmer et ce qui reste inconnu. Évitez d’accentuer, d’agrandir ou de réenregistrer la seule copie disponible avant l’analyse. Ces actions créent une autre version à expliquer. Si vous comparez des versions, modifiez une chose à la fois et conservez des rapports séparés. Notre étude sur les captures d’écran et la compression fournit un exemple pratique limité de transformations de fichiers. Utilisez-la comme étude de cas, pas comme référence de précision pour chaque capture ou générateur. Examinez la provenance et l’action déclarée Les Content Credentials peuvent fournir des preuves sur les actions de création ou de modification enregistrées lorsqu’elles sont disponibles. Utilisez le vérificateur C2PA et lisez l’état de validation avec le signataire et la déclaration. Un registre manquant laisse une lacune d’information. La spécification C2PA distingue les actions et les ingrédients. Un ingrédient d’IA, une modification par IA et la création du fichier par IA sont des déclarations différentes. Notez celle qui apparaît au lieu de présenter les trois comme une génération complète de l’image. Notre inspection locale des justificatifs ne récupère pas les manifestes distants. Si la source indique qu’une provenance était jointe mais qu’aucune n’est trouvée, demandez l’original signé et le processus d’inspection utilisé. Vérifiez aussi si les métadonnées soutiennent une piste à suivre, comme le nom d’une application ou un historique d’exportation. Les métadonnées doivent guider les questions, pas les trancher : une étiquette de logiciel seule n’établit pas tout le processus de création. La question pratique est précise : « Que dit le registre disponible sur ce fichier ? » Gardez ouverte la question distincte de l’exactitude de sa légende ou de l’événement représenté jusqu’à son examen. Utilisez une vérification de filigrane du fournisseur lorsque la source correspond Choisissez un processus de filigrane selon le fournisseur soupçonné et le type de média pris en charge. Un vérificateur d’un système de filigrane ne teste pas tous les générateurs d’IA. Un résultat négatif ou indisponible doit conserver cette limite de couverture. La documentation SynthID de Google DeepMind décrit les filigranes appliqués dans ses produits d’IA générative et un processus Gemini permettant de vérifier si un média a été généré ou modifié par l’IA de Google. Suivez les instructions officielles actuelles lorsque c’est la question à laquelle vous devez répondre. La page du vérificateur SynthID du site vous dirige vers les processus pertinents. Elle ne réalise pas d’analyse SynthID directe des images envoyées. Utilisez le processus officiel lié et conservez avec le résultat sa portée de médias et de fournisseurs pris en charge. Conservez la réponse exacte du fournisseur. « Un filigrane compatible a été trouvé » est différent de « l’histoire de cette image est vraie ». « Aucun filigrane compatible n’a été trouvé » est différent de « aucune IA n’a été utilisée ». Vérifiez séparément l’affirmation de la source L’origine d’une image et l’affirmation qui l’accompagne sont des questions distinctes. Même si la génération reste non résolue, vous pourrez peut-être vérifier qu’une image précède l’événement allégué, a été publiée ailleurs ou représente un autre lieu. Utilisez ces vérifications comme processus d’enquête : Notez l’affirmation précise : qui, où, quand et ce qui se serait passé. Localisez la publication la plus ancienne que vous pouvez étayer, en conservant son URL et sa date. Cherchez d’autres vues, événements proches ou informations indépendantes soutenant le contexte. Demandez au créateur ou à l’éditeur l’original et une explication du processus. Séparez les faits confirmés des déductions et des détails non résolus. Le rapport de NIST sur la transparence des contenus numériques présente le suivi de la provenance et la détection de contenu synthétique comme des approches distinctes dont les usages dépendent du contexte. Il note aussi qu’un contenu authentique peut être trompeur. Une vérification technique d’origine ne répond donc qu’à une partie de la tâche. Si un autre détecteur donne un résultat différent, conservez la différence et examinez la couverture des outils. Ne faites pas la moyenne de scores sans rapport et ne transformez pas un vote majoritaire en preuve. Pour le problème plus large des erreurs, consultez pourquoi les détecteurs d’IA produisent des faux positifs. Tenez un registre des preuves et choisissez un point d’arrêt utile Un court registre des preuves permet d’agir malgré l’incertitude. Notez la version du fichier, les vérifications terminées, les observations et les questions non résolues. Décidez quelles informations supplémentaires pourraient changer votre conclusion avant de consacrer du temps à des analyses répétées. Champ du registre des preuves Exemple de formulation Version du fichier Capture d’écran d’une republication ; original non fourni Traitement Analyse terminée ; résultat passif incertain Provenance Aucun justificatif disponible localement trouvé Couverture des filigranes Vérification officielle du fournisseur non effectuée Contexte de la source Première publication confirmée enregistrée séparément Question ouverte La source peut-elle fournir l’exportation originale ? Prochaine action Demander l’original et examiner le processus déclaré Ces entrées illustrent un modèle, pas un rapport sur un fichier testé. Remplacez-les par vos observations réelles. Un point d’arrêt utile est une conclusion délimitée : « L’origine reste non résolue pour cette copie ; la légende a été vérifiée séparément », ou « La source a fourni un registre validé déclarant une modification par IA ». Si aucune vérification disponible ne répond à la question non résolue, de nouvelles tentatives peuvent simplement répéter la même limite. Pour une décision aux conséquences importantes, conservez les preuves et obtenez une révision qualifiée adaptée au cas. Un résultat incertain doit le rester jusqu’à ce que des preuves supplémentaires soutiennent une affirmation plus limitée et défendable. Questions fréquentes Un résultat incertain signifie-t-il que l’image est probablement réelle ? Non. Le résultat n’établit pas une origine humaine. Lisez la raison de la décision et la couverture : l’incertitude peut refléter des preuves insuffisantes, une interprétation du modèle non validée ou les limites du fichier et des vérifications prises en charge. Une analyse incertaine est-elle un échec technique ? Pas nécessairement. Une analyse peut se terminer correctement sans disposer de preuves suffisantes pour décider de l’origine. Vérifiez l’état du traitement et chaque canal de preuves pour distinguer l’incertitude d’une analyse échouée ou indisponible. Dois-je continuer à envoyer le fichier jusqu’à obtenir un résultat sûr ? Ne répétez que lorsqu’un élément significatif change, comme l’obtention de l’original ou la résolution d’une vérification indisponible. Conservez les deux rapports. Répéter la même analyse prise en charge n’ajoute pas en soi de preuve indépendante. Que partager avec la personne qui examine l’image ? Partagez la version exacte du fichier, la source, la date d’analyse, le texte du résultat, les vérifications terminées et les limites. Incluez tout contexte vérifié séparément. Gardez les observations distinctes des affirmations qui nécessitent encore une enquête."},{"id":"https://aifakescan.com/fr/resources/c2pa-checker-results-explained","url":"https://aifakescan.com/fr/resources/c2pa-checker-results-explained","title":"Résultats du vérificateur C2PA : justificatifs valides, invalides et absents","summary":"Interprétez les états du vérificateur C2PA, la confiance dans le signataire et les déclarations d’IA, puis rédigez une note de preuve claire sans confondre provenance et preuve d’authenticité.","date_published":"2026-10-03T08:13:58.314Z","date_modified":"2026-10-03T08:13:58.314Z","tags":["C2PA","Content Credentials","Provenance des médias"],"content_text":"Un résultat de vérificateur C2PA décrit le registre de provenance disponible pour un fichier particulier. Un justificatif validé soutient une conclusion plus limitée que « cette image est réelle ». L’absence de justificatifs ne prouve pas une génération par IA et un échec de validation n’explique pas qui a modifié le fichier ni pourquoi. L’étape suivante utile est de lire ensemble l’état, le signataire, les actions déclarées et les limites. Ce guide explique les libellés de résultat affichés par le vérificateur C2PA, puis propose une manière de noter ce que le résultat soutient réellement. Que signifie chaque état du vérificateur C2PA ? Ces libellés décrivent des résultats différents d’une vérification de justificatif. Ce ne sont pas des évaluations d’authenticité interchangeables. Partez du texte exact de votre rapport et gardez le résultat lié à la version du fichier envoyé. Libellé du rapport Comment le lire Votre prochaine étape Justificatif validé Le vérificateur a établi une preuve de justificatif fiable pour le fichier examiné Lisez le signataire et les actions déclarées Confiance dans le signataire non établie Un justificatif a été trouvé, mais le vérificateur n’a pas établi son statut fiable Examinez les avertissements et les détails du signataire ; ne supposez pas que toutes les vérifications de validation ont réussi Échec de validation Le rapport disponible contient un échec de validation Conservez les détails de l’échec et comparez avec le fichier original Aucun Content Credentials trouvé La vérification n’a pas localisé de justificatif par sa méthode prise en charge Demandez l’original et examinez d’autres preuves Vérification indisponible La vérification des justificatifs n’a pas pu être effectuée Traitez ce canal comme non vérifié Rapport non pris en charge La sortie du vérificateur n’a pas pu être interprétée comme un rapport de justificatif pris en charge Conservez les détails disponibles et cherchez un processus d’inspection compatible Les conseils de validation C2PA distinguent un registre analysable, une validation réussie et un justificatif de signature fiable. Une interface peut condenser ces détails en un badge, d’où l’importance des avertissements sous-jacents. Pour une présentation plus large des manifestes et signatures, lisez ce que sont les Content Credentials et comment elles fonctionnent. Ici, nous nous concentrons sur la manière d’utiliser un résultat déjà disponible. « Justificatif validé » prouve-t-il qu’une image est réelle ? Cela soutient la relation du justificatif indiquée par le vérificateur. Cela ne vérifie pas indépendamment une scène, une légende, un lieu ou une date. Une image validée techniquement peut toujours être accompagnée d’une histoire inexacte. Les conseils C2PA aux consommateurs séparent explicitement la provenance vérifiable des jugements sur la vérité des médias numériques. Lisez les actions avant de conclure sur l’origine. La spécification technique fournit des champs d’action et de type de source qui peuvent décrire la création, la modification et les ingrédients. Ils peuvent répondre à des questions différentes : Une action de création peut déclarer qu’un fichier a été généré avec l’IA. Une action de modification peut décrire des changements par IA sur un fichier existant. Un ingrédient peut être généré par IA même lorsque le fichier final combine plusieurs sources. Ne réduisez pas ces cas à « toute l’image a été générée ». Par exemple, un arrière-plan créé par IA dans un montage est une affirmation différente d’une scène entièrement générée. Pour expliquer votre constat, utilisez la portée déclarée : « Le registre validé déclare une modification par IA » est plus précis que « Chaque pixel est faux ». Vérifiez ensuite si l’éditeur a représenté cette modification avec exactitude. Comment traiter un signataire non fiable ou un échec de validation ? Séparez la confiance dans le signataire des erreurs de validation. « Confiance dans le signataire non établie » signifie que ce vérificateur n’a pas élevé le registre au statut fiable. Ce libellé seul n’établit ni que toutes les autres vérifications ont réussi ni que le signataire a agi de manière malhonnête. Recherchez un nom de signataire, des codes de validation et l’explication du rapport. Si un second vérificateur diverge, notez la différence au lieu de choisir le badge qui semble rassurant. Demandez si les deux outils ont examiné les mêmes octets et si leur configuration de confiance ou leur format pris en charge diffèrent. En cas d’« échec de validation », conservez l’avertissement précis. Un échec peut concerner le justificatif ou sa relation avec le fichier ; le libellé seul n’identifie pas la cause. Évitez de conclure à une manipulation délibérée à partir d’un badge récapitulatif. Une comparaison pratique consiste à obtenir le fichier signé original du créateur et à l’examiner séparément. Si l’original et la copie diffusée produisent des résultats différents, documentez cette différence. C’est une piste pour examiner l’historique de distribution, pas une preuve automatique de faute. Pour transmettre le dossier, conservez le fichier exact, le nom de l’outil, la date d’analyse, l’état et les éventuels codes d’erreur. Une capture du badge fournit un contexte utile, mais conserver le fichier examiné rend le constat reproductible. Pourquoi un vérificateur peut-il ne pas trouver de Content Credentials ? Le constat s’applique à la méthode de recherche de justificatifs et au fichier examiné. Il ne distingue pas un original non signé d’une copie ayant perdu sa provenance intégrée. Il n’établit pas non plus si l’IA a été utilisée. Notre vérificateur examine les justificatifs disponibles localement et ne récupère pas les manifestes distants depuis des URL intégrées dans des fichiers non fiables. Un registre externe de provenance peut donc exister sans être accessible par cette vérification. D’autres implémentations peuvent proposer des processus de récupération. La documentation d’Adobe décrit une approche utilisant un filigrane invisible, une empreinte numérique et son cloud Content Credentials pour récupérer des registres correspondants, y compris après des captures d’écran. C’est une fonction du processus Adobe documenté, pas une capacité à supposer pour chaque vérificateur C2PA. Demandez à la source l’exportation originale signée avant de créer vous-même une nouvelle copie. Convertir, réenregistrer ou capturer le fichier introduit une autre version dans l’enquête. Si seule une republication existe, conservez cette limite dans vos notes. « Vérification indisponible » et « Rapport non pris en charge » nécessitent une autre réponse : résolvez le problème d’inspection ou utilisez un processus compatible. Aucun des deux n’est une vérification terminée n’ayant rien trouvé. Comment transformer un résultat en note de preuve utile ? Rédigez une affirmation limitée qu’une autre personne peut vérifier. Séparez ce que le rapport a observé de l’affirmation sur le monde réel que vous évaluez. Cela évite qu’un constat de provenance devienne un verdict plus large lors du partage ou de la révision. Utilisez ce modèle : Champ À enregistrer Fichier Nom, format, dimensions et version ; hash du fichier si disponible Source D’où vient la copie exacte et quand vous l’avez obtenue Vérification Outil, date, libellé du résultat et détails de validation disponibles Déclaration Action, modification ou ingrédient d’IA enregistré, avec les termes du rapport Limite Champs manquants, vérifications indisponibles ou absence de l’original Contexte Légende ou affirmation nécessitant encore une vérification indépendante Pour un résultat absent, une note adaptée est : « Aucun justificatif trouvé par l’inspection locale prise en charge de cette copie ; l’original n’a pas été obtenu. » Pour une déclaration d’IA fiable, notez la portée de la déclaration et le signataire au lieu d’accuser le créateur. Si la provenance ne tranche pas la question, le détecteur d’images d’IA fournit un autre canal de preuves pris en charge. Examinez aussi ses limites et utilisez la recherche de source pour vérifier l’histoire associée au média. Questions fréquentes « Confiance dans le signataire non établie » est-il identique à « Échec de validation » ? Non. Ils représentent des résultats différents du rapport. L’absence de statut fiable n’identifie pas à elle seule un échec de validation et ne prouve pas que toutes les vérifications ont réussi. Examinez les détails et gardez le libellé exact dans vos notes. Une image générée par IA peut-elle avoir des Content Credentials validées ? Oui. Un justificatif peut déclarer une création ou une modification par IA. La question pertinente est l’action déclarée par le registre fiable, pas seulement la présence d’un badge de justificatif. L’absence de Content Credentials prouve-t-elle qu’un fichier est faux ? Non. Ce résultat signifie que la vérification prise en charge n’a trouvé aucun justificatif disponible dans cette copie. Il n’établit ni une origine humaine ni une origine IA et ne résout pas l’exactitude de la légende. Dois-je modifier le fichier pour réparer un justificatif échoué ? Conservez le fichier avant toute modification. Demandez l’exportation originale signée et examinez-la séparément. Une copie modifiée ou réexportée est un nouveau fichier d’enquête et ne doit pas remplacer silencieusement la preuve examinée au départ."},{"id":"https://aifakescan.com/fr/resources/ai-image-detection-after-screenshots-compression","url":"https://aifakescan.com/fr/resources/ai-image-detection-after-screenshots-compression","title":"Ce que les captures d’écran et la compression JPEG ont changé dans notre test de détection d’images d’IA sur 60 fichiers","summary":"Une étude de cas reproductible sur 12 sources et 60 fichiers : captures d’écran, redimensionnement, compression JPEG, réencodage des métadonnées, justificatifs C2PA et résultats de modèles visuels.","date_published":"2026-09-24T18:28:42.409Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["Détection de l’IA","Provenance des médias"],"content_text":"Les captures d’écran, le redimensionnement et la compression JPEG ne font pas que réduire la taille d’un fichier. Ils créent un fichier différent, peuvent supprimer la provenance intégrée et modifier le score d’un détecteur visuel. Nous avons mené une étude de cas contrôlée sur 60 fichiers pour montrer comment ces changements apparaissaient dans un petit échantillon entièrement documenté. Ce que nous avons testé Nous avons sélectionné 12 images sources dans le dépôt public d’échantillons AI Detector Arena : quatre photos d’appareil, quatre images générées par Flux et quatre dérivés visiblement modifiés des photos d’appareil. Les quatre thèmes étaient les animaux, l’art, la nourriture et les paysages. Chaque source a produit cinq versions : l’original identique octet par octet ; une véritable capture de navigateur affichée dans Chrome à 1280 par 900 pixels ; un redimensionnement limitant le côté le plus long à 1024 pixels ; une exportation JPEG à la qualité 60 ; un réencodage PNG sans métadonnées. Pour chaque version, nous avons enregistré son hash SHA-256, son format, ses dimensions, sa taille en octets, le nombre de champs EXIF, le résultat C2PA et la sortie brute du modèle visuel local d’AIFakeScan. L’exécution a utilisé c2patool 0.26.60 et `community-forensics-384.onnx` le 25 septembre 2026. Télécharger le CSV de résultats de 60 lignes. Télécharger l’inventaire des sources. Télécharger les paramètres de l’exécution. Ce qui est arrivé au résultat du modèle visuel Le tableau indique le score brut moyen de quatre fichiers dans chaque cellule. Ce sont des observations de cet échantillon, pas des taux de précision ni des probabilités calibrées. Groupe source Original Capture d’écran Redimensionné JPEG qualité 60 Métadonnées retirées Photos d’appareil 0.0036 0.0021 0.0115 0.0020 0.0036 Photos visiblement modifiées 0.0063 0.0014 0.0145 0.0031 0.0063 Images générées par Flux 0.9968 0.8569 0.7151 0.5226 0.9968 Le groupe généré a le plus changé. Une image d’art générée est passée de 0.9978 pour l’original à 0.3240 après redimensionnement et 0.0093 après compression JPEG. Un paysage généré est passé de 0.9900 à 0.4344 dans la capture d’écran. D’autres fichiers générés sont restés proches de 1.0 après les mêmes transformations. Cette variation explique pourquoi le score d’une capture d’écran ne peut pas être considéré comme celui d’un original non vu. Elle montre aussi pourquoi modifier un fichier jusqu’à ce qu’un détecteur donne la réponse souhaitée n’est pas une méthode de révision valide. Ce qui est arrivé aux Content Credentials Les quatre originaux générés contenaient un manifeste C2PA déclarant du contenu généré. c2patool a indiqué que le manifeste était valide, mais son justificatif de signature ne figurait pas dans la liste de confiance locale ; le résultat enregistré était donc valide mais non fiable. La capture d’écran, le JPEG redimensionné, le JPEG compressé et la version sans métadonnées de chacun de ces quatre fichiers ne contenaient aucun Content Credential intégré. Les huit fichiers sources d’appareil photo et modifiés n’avaient pas non plus de justificatif dans les versions testées. Ce résultat s’applique à ces voies d’exportation. Il ne signifie pas que tout redimensionnement ou éditeur doit supprimer C2PA. Un processus compatible avec C2PA peut conserver ou remplacer un justificatif. Il ne signifie pas non plus qu’un fichier sans justificatif est authentique. Ce qui est arrivé aux métadonnées Aucun des 12 originaux sélectionnés n’exposait de champs EXIF via Pillow. Les versions sans métadonnées ne peuvent donc pas démontrer la suppression d’EXIF d’appareil photo dans cet échantillon. Elles montrent qu’un réencodage aux pixels équivalents change le hash et le conteneur du fichier même lorsque le résultat du modèle visuel local reste identique à six décimales. Cette limite fait partie du résultat. Nous n’avons pas remplacé le constat par une affirmation de suppression de métadonnées alors que les originaux sélectionnés n’en avaient pas à supprimer. Ce que nous n’avons pas testé Les fichiers sélectionnés n’étaient pas documentés comme des produits d’un fournisseur compatible de filigrane propriétaire. Nous n’avons donc pas exécuté de vérification officielle SynthID ni de filigrane d’un autre fournisseur, et ces champs restent vides dans le registre. Vide signifie non exécuté, pas absent. Nous n’avons pas non plus envoyé ces fichiers sur des plateformes sociales. Aucune conclusion ici ne décrit ce qu’une plateforme donnée conserve ou supprime. Comment vérifier vos propres versions Conservez le fichier le plus ancien dont vous disposez avant de l’ouvrir dans un éditeur. Calculez le hash de chaque version et étiquetez-la. N’écrasez pas l’original. Utilisez le vérificateur C2PA sur chaque fichier pour voir si un justificatif est présent et si la validation est terminée. Si l’IA de Google est la source soupçonnée, suivez la voie de vérification SynthID pour chaque version pertinente. Exécutez le détecteur d’images d’IA et consignez le rapport complet et ses limites au lieu de copier un seul score. Décrivez le résultat comme s’appliquant au fichier exact vérifié. Limites de cette étude de cas L’échantillon contient quatre images par groupe source et quatre thèmes. Il a été choisi pour démontrer une méthode reproductible, pas pour estimer la précision dans la population. Le groupe modifié utilisait une recette de modification visible. Le modèle local est une version de détecteur. Les filigranes de fournisseurs et la diffusion par plateformes sociales n’ont pas été testés. Le registre complet de chaque ligne doit être utilisé pour vérifier les résumés ci-dessus. Questions fréquentes Une capture d’écran déjoue-t-elle tous les détecteurs d’images d’IA ? Non. Dans cet échantillon, certaines captures d’images générées sont restées proches du score original, tandis que d’autres ont beaucoup changé. Une capture d’écran est une nouvelle entrée et doit être signalée comme telle. L’absence de C2PA prouve-t-elle qu’une image est réelle ? Non. Cela signifie qu’aucun justificatif utilisable n’a été trouvé dans ce fichier. De nombreux fichiers authentiques et générés n’ont pas de justificatif intégré. Le score visuel brut est-il un pourcentage de précision ? Non. C’est une sortie du modèle observée pour un fichier. Cette expérience n’estime ni la sensibilité, ni la spécificité, ni la précision générale."},{"id":"https://aifakescan.com/fr/resources/ai-image-detector-tools-comparison","url":"https://aifakescan.com/fr/resources/ai-image-detector-tools-comparison","title":"Comparatif des détecteurs d’images d’IA : choisir la bonne vérification des preuves en 2026","summary":"Comparez la détection d’images d’IA, la validation C2PA et la vérification SynthID selon le type de preuve, la confidentialité, l’accès et les limites des résultats.","date_published":"2026-09-24T18:28:42.409Z","date_modified":"2026-10-03T08:13:58.314Z","tags":["Détection de l’IA","Filigranes d’IA"],"content_text":"Un détecteur d’images d’IA, un validateur de Content Credentials et un vérificateur de filigrane de fournisseur répondent à des questions différentes. Une comparaison utile commence par les preuves nécessaires, pas par un unique « meilleur » score. La comparaison des fournisseurs a été vérifiée le 25 septembre 2026. Les notes sur la conservation des fichiers et la portée du vérificateur ont été comparées à l’implémentation le 3 octobre 2026. Le comportement d’AIFakeScan repose sur notre étude de cas exécutée sur 60 fichiers et sur les vérifications de l’implémentation. Les entrées Google, Adobe et Sightengine se limitent à leur documentation officielle actuelle, sauf si une ligne indique explicitement un test. Tableau de sélection rapide Outil Preuve principale Usage adapté Ce qu’un résultat négatif ne peut pas prouver Base des preuves ici AIFakeScan AI Image Detector Modèle visuel local et preuves disponibles du fichier Effectuer un premier examen d’une image inconnue et voir les preuves séparées avec leurs limites Que le fichier est authentique ou n’a jamais été modifié par IA Testé localement sur 60 versions de fichiers enregistrées AIFakeScan C2PA Checker Content Credentials intégrées, validation et état de confiance local Examiner la provenance, l’état du signataire, les actions déclarées et les métadonnées de base Qu’un fichier sans justificatif est réel Testé localement sur les mêmes 60 fichiers Vérification Google Gemini SynthID pour l’IA de Google et Content Credentials compatibles Demander si l’IA de Google a créé ou modifié une image Qu’aucun autre générateur n’a été utilisé Documentation du fournisseur ; aucune source compatible dans notre expérience Adobe Content Authenticity Inspect Content Credentials et justificatifs correspondants récupérables Examiner l’historique des justificatifs dans le processus web d’Adobe Que l’absence de justificatifs établit l’authenticité Disponibilité de l’interface et documentation du fournisseur ; aucun résultat d’envoi enregistré Sightengine genai API Classification visuelle des pixels par une API hébergée Examen visuel programmatique lorsqu’un fournisseur externe est acceptable La provenance, l’identité du signataire ou une exactitude universelle Documentation du fournisseur ; aucune exécution de l’API payante dans cette comparaison AIFakeScan : combiner les preuves du fichier sans les fusionner Le AI Image Detector général exécute un modèle visuel local et présente les preuves disponibles du fichier. Le C2PA Checker spécialisé utilise un profil limité à la provenance et n’exécute ni le classificateur de pixels ni un détecteur payant. Dans notre étude de cas sur 60 fichiers, le vérificateur C2PA a trouvé des manifestes de contenu généré valides mais non fiables localement dans quatre originaux générés. Les 16 versions transformées issues de ces originaux n’avaient aucun justificatif intégré. La moyenne du modèle visuel pour le groupe généré est passée de 0.9968 sur les originaux à 0.5226 sur les versions JPEG de qualité 60. Ces observations montrent pourquoi les deux types de preuves doivent rester séparés ; elles ne classent pas AIFakeScan par rapport à un autre détecteur. Les fichiers du Basic Scan public sont traités sur l’infrastructure serveur d’AIFakeScan. Les originaux envoyés sont conservés de manière privée jusqu’à ce que leur propriétaire choisisse Delete uploads and report sur la page de l’analyse. L’accès au rapport expire après 45 minutes ; cette expiration ne supprime pas les originaux. Le vérificateur ne fonctionne pas localement dans le navigateur. Consultez la politique de confidentialité actuelle avant d’envoyer des médias sensibles. Google Gemini : utilisez-le pour la voie officielle SynthID La page d’aide de Google indique que les utilisateurs Gemini connectés et éligibles peuvent envoyer un fichier et demander s’il a été créé ou modifié par l’IA de Google. Gemini reconnaît actuellement SynthID pour le contenu des outils d’IA de Google et peut aussi résumer les Content Credentials compatibles. C’est la voie adaptée lorsque la question limitée concerne le filigrane de Google. Ce n’est pas un test universel de filigranes. Un résultat SynthID « non détecté » n’exclut pas d’autres systèmes d’IA et Google documente un résultat incertain pour certains fichiers. Utilisez la voie du vérificateur SynthID pour préparer le fichier, copier une question précise et enregistrer le résultat renvoyé. Pour le contenu d’origine Google, utilisez la voie externe officielle de vérification. Les vérifications distinctes de filigranes d’images et d’audio OpenAI sur le site dépendent du fournisseur documenté, de la configuration et de l’accès ; elles n’établissent pas une couverture universelle des filigranes. Adobe Content Authenticity : examiner l’historique des justificatifs L’expérience web Inspect d’Adobe est conçue pour les Content Credentials. La documentation Adobe décrit la consultation de l’origine, de l’historique des modifications et des informations d’IA générative lorsque des justificatifs sont disponibles, y compris des méthodes de récupération pour certains justificatifs correspondants. Le site public était accessible pendant cette revue, mais nous n’avons pas enregistré de résultat d’envoi. Son entrée dans le tableau est donc une capacité documentée, pas un résultat mesuré. Elle est utile comme seconde interface d’examen des justificatifs, surtout dans les processus Adobe. Sightengine : une API visuelle hébergée Sightengine documente un modèle hébergé `genai` qui examine le contenu des pixels et renvoie un score de génération par IA, avec des informations par générateur dans certains niveaux d’accès. Le fournisseur indique que les métadonnées ne sont pas utilisées pour ce score visuel et propose un niveau de test et des offres de production payantes. Nous n’avons pas envoyé le jeu de 60 fichiers à Sightengine ; cet article ne compare donc ni ses scores ni sa précision à AIFakeScan. Utilisez-le lorsqu’une API externe et ses conditions actuelles de traitement des données, limites et prix conviennent à votre processus. Associer l’outil à la question Votre question Commencez ici Ajoutez si nécessaire Ce fichier porte-t-il un historique vérifiable d’origine ou de modification ? Vérificateur C2PA Adobe Inspect pour une autre interface de justificatifs Cela a-t-il été créé ou modifié par l’IA de Google ? Vérification SynthID de Gemini C2PA et examen de la source Le contenu des pixels ressemble-t-il à des motifs appris d’images générées ? Détecteur d’images d’IA Un second fournisseur visuel et une comparaison contrôlée des versions du fichier L’événement représenté ou la légende est-il vrai ? Enquête sur la source et corroboration Recherche inversée d’image, éditeur original et preuves contextuelles Aucun outil de ce tableau ne prouve la vérité des faits. La provenance peut enregistrer qui a signé un historique ; un filigrane peut identifier un fournisseur compatible ; un modèle visuel peut produire un signal probabiliste. Gardez les constats séparés jusqu’à la rédaction de la conclusion finale. Notes sur la confidentialité, l’accès et le coût Outil Traitement du fichier Note d’accès et de prix vérifiée le 25 septembre 2026 AIFakeScan Envoyé au service de traitement ; les originaux privés sont conservés jusqu’à suppression par le propriétaire, l’accès au rapport expirant après 45 minutes Basic Scan public pendant la bêta ; consultez les limites actuelles sur la page de l’outil Gemini Envoyé à Google selon les conditions du compte et du produit Une connexion et un compte éligible sont nécessaires ; Google documente des quotas quotidiens de vérification Adobe Inspect Envoyé ou fourni au processus d’inspection web d’Adobe L’accès web public était disponible ; la disponibilité des comptes et fonctions peut changer Sightengine Envoyé à l’API hébergée de Sightengine Le fournisseur documente un niveau de test gratuit et des offres de production payantes ; consultez les prix actuels Questions fréquentes Quel détecteur d’images d’IA est le plus précis ? Cette comparaison ne fait pas cette affirmation. Une comparaison de précision défendable nécessite un jeu de données étiqueté, représentatif et versionné, des entrées identiques, des métriques prédéfinies et tous les échecs. Les outils ici répondent aussi à des questions différentes. Dois-je utiliser d’abord C2PA ou un détecteur visuel ? Si le fichier original est disponible, vérifiez d’abord la provenance car une déclaration validée peut constituer une preuve directe sur l’historique du fichier. Utilisez ensuite des vérifications visuelles et contextuelles pour les questions auxquelles le justificatif ne répond pas. Un seul outil peut-il vérifier tous les filigranes d’IA invisibles ? Aucun outil public de cette comparaison n’établit une couverture universelle des systèmes de filigranes propriétaires. Utilisez le vérificateur compatible du fournisseur et notez précisément quel système a été exécuté."},{"id":"https://aifakescan.com/fr/resources/synthid-checker-guide","url":"https://aifakescan.com/fr/resources/synthid-checker-guide","title":"Comment vérifier SynthID : étapes officielles et limites","summary":"Vérifiez SynthID avec le Detector officiel ou la procédure d’image de Gemini. Comprenez la couverture des médias, les versions de fichiers et les vérifications propres aux fournisseurs.","date_published":"2026-09-24T16:21:51.477Z","date_modified":"2026-10-19T09:31:03.686Z","tags":["Filigranes d’IA","Provenance des médias"],"content_text":"Pour vérifier SynthID, commencez par le SynthID Detector officiel de Google pour les images, vidéos et fichiers audio pris en charge. Consultez sa couverture actuelle pour Google et ses partenaires participants. L’analyse visuelle d’AIFakeScan et une vérification de filigrane compatible examinent des preuves différentes. Procédures officielles examinées le 19 octobre 2026. La fiche ci-dessous consigne les versions de fichiers et les résultats ; ce n’est pas une mesure de précision. Où vérifier SynthID ? Google a annoncé le 7 octobre 2026 un accès mondial en anglais à SynthID Detector. Le service public vérifie les images, vidéos et fichiers audio pris en charge. Sa disponibilité ne prouve pas l’existence d’un accès public à une API et n’active pas la vérification Google dans AIFakeScan. Ouvrir le SynthID Detector officiel et consulter ses exigences actuelles concernant les fichiers. Conservez l’original, envoyez le fichier pris en charge, lisez le résultat et sauvegardez sa formulation exacte avec la date de vérification. Voir l’annonce d’accès de Google. SynthID intègre un filigrane imperceptible aux médias générés. Google indique qu’il est conçu pour résister à certaines transformations, notamment le recadrage et la compression avec perte. Cet objectif de conception ne prouve aucun taux de réussite pour votre fichier particulier. Comment vérifier une image dans Gemini Suivez les instructions actuelles de vérification Gemini de Google. Connectez-vous avec un compte personnel ou Workspace admissible, ouvrez Gemini, choisissez « Ajouter des fichiers » et envoyez une image. Demandez si l’IA de Google l’a créée ou modifiée. Lisez l’explication de la vérification et conservez la réponse exacte avec le fichier. Avant l’envoi, consultez l’aide actuelle de Gemini pour connaître les limites et les conditions de compte. Gemini, SynthID Detector et AIFakeScan ont des limites distinctes. Si vous ne disposez que d’une capture d’écran, Google conseille un recadrage serré autour d’une seule image plutôt qu’un collage. Conservez aussi la capture intacte et notez le recadrage. Demandez le téléchargement original si possible. Que permet d’affirmer le résultat ? Consignez séparément les résultats détectés, non détectés et incertains, avec les termes exacts du service. Vérifiez la couverture actuelle des médias et fournisseurs du vérificateur utilisé. La détection d’un filigrane pris en charge ne vérifie ni la scène ni la légende. Utilisez cette liste d’interprétation ; les libellés ci-dessous sont des catégories d’examen, pas des formulations d’interface garanties. Ce que vous recevez À noter Prochaine étape Détection SynthID signalée Réponse exacte, fichier, date et portée indiquée Distinguer génération et modification ; vérifier la légende séparément Aucune détection signalée Résultat négatif pour ce fichier envoyé Continuer à considérer les autres générateurs et l’historique de la source Détermination incertaine Explication sans la transformer en oui ou non Chercher un meilleur fichier source et conserver l’incertitude Échec d’envoi ou vérification non terminée Erreur ou couverture manquante Noter comme non vérifié ; ne pas enregistrer un résultat négatif Une réponse du détecteur ne doit pas devenir implicitement une affirmation plus large sur une personne, un événement ou un éditeur. Par exemple, une preuve de modification par IA n’identifie pas chaque zone modifiée et ne prouve pas qu’une information associée est fausse. SynthID, Content Credentials et détection visuelle Ces canaux de preuve peuvent figurer dans un même examen. Gardez leurs résultats séparés. Canal de preuve Question à poser Limite à conserver Vérification SynthID Un vérificateur compatible a-t-il trouvé le filigrane du fournisseur ? Une vérification de filigrane a une couverture définie des fournisseurs C2PA Content Credentials Quelles déclarations de provenance ont été vérifiées et selon quelles règles de confiance ? Un historique signé ne garantit pas la vérité des faits Métadonnées ordinaires Quels indices de caméra, logiciel ou export restent présents ? Les champs modifiables donnent du contexte, pas une preuve indépendante Modèle visuel Qu’a indiqué ce modèle sur les pixels envoyés ? Une classification ne reconstitue pas l’historique de création Gemini peut aussi examiner les Content Credentials. Enregistrez ces constatations séparément de sa réponse SynthID. Notre guide C2PA explique les états de validation et de confiance. Fiche pour les originaux et les copies partagées Conservez une fiche par fichier. Si vous comparez un original à un téléchargement social ou à une capture, identifiez les versions avant l’envoi. N’écrasez pas un original pour tenter d’obtenir une autre réponse du détecteur. Champ À remplir pendant votre examen Question examinée Affirmation précise concernant la génération, la modification ou la source Identité du fichier Nom, format, dimensions et éventuellement empreinte SHA-256 Obtention URL source ou expéditeur, date de téléchargement et indication original ou copie Modifications connues Recadrage, capture, redimensionnement, export ou passage par une plateforme ; inconnu si non disponible Vérification officielle Service, date, réponse exacte et indication de fin de la vérification Autres preuves Détails des identifiants, historique de publication, explication du créateur et résultats contradictoires Conclusion Ce que les preuves permettent d’affirmer et ce qui reste inconnu Ceci est une fiche vierge. Elle ne contient aucune mesure de résistance d’un filigrane. La comparaison de deux fichiers inconnus ne peut pas non plus déterminer quel signal existait avant que l’un ou l’autre ne vous parvienne. Le rôle d’AIFakeScan Utilisez le détecteur d’images IA pour examiner les preuves disponibles dans le fichier et lire les notes de couverture. AIFakeScan n’exécute pas le vérificateur SynthID propriétaire de Google. Ses signaux visuels bêta restent non concluants seuls et ne fournissent pas de probabilité d’IA calibrée. Pour une enquête plus large sur la source, suivez Comment détecter les images générées par IA. Si un signalement du détecteur contredit l’historique de la source, utilisez le guide d’examen des faux positifs. Utiliser la procédure interactive de vérification SynthID Le vérificateur SynthID d’AIFakeScan présente l’accès et la couverture propres à chaque fournisseur. Utilisez le Detector officiel externe pour les médias pris en charge ; Gemini reste une autre procédure pour les images. Vérifiez l’état du fournisseur avant tout envoi dans AIFakeScan. Suivre une procédure externe n’envoie pas de fichier à AIFakeScan et n’importe pas le résultat. Seul un vérificateur intégré confirmé et activé peut recevoir des fichiers ici. Notez le service utilisé, la réponse exacte, la version du fichier et la date. Ce guide reste la référence détaillée pour la couverture, les versions de fichiers et l’interprétation. La page de l’outil est le point d’entrée pratique pour la recherche `synthid checker`. Questions fréquentes Un détecteur général d’images IA est-il un vérificateur SynthID ? Non. Un classificateur visuel et un vérificateur de filigrane compatible examinent des preuves différentes. Cherchez une description explicite de la vérification réellement effectuée. L’absence de détection SynthID prouve-t-elle qu’une image est une vraie photo ? Non. Le résultat n’exclut pas tous les autres systèmes d’IA et ne prouve pas la vérité de la scène. Notez ce constat limité et poursuivez l’enquête sur la source. AIFakeScan peut-il vérifier SynthID ? La vérification Google dans AIFakeScan dépend encore de l’accès à l’intégration. Utilisez le SynthID Detector officiel externe pour les médias pris en charge ou Gemini pour la procédure documentée des images. Les autres vérifications intégrées ne fonctionnent que lorsque leur état individuel confirme leur disponibilité. Peut-on examiner une capture d’écran ? Oui, mais conservez-la comme version de fichier distincte et cherchez l’original. Ne traitez pas un résultat sur la capture comme l’historique complet de l’original non vu."},{"id":"https://aifakescan.com/fr/resources/c2pa-content-credentials-what-they-are-and-how-they-work","url":"https://aifakescan.com/fr/resources/c2pa-content-credentials-what-they-are-and-how-they-work","title":"C2PA Content Credentials : ce qu’ils sont et comment ils fonctionnent","summary":"Découvrez ce que les C2PA Content Credentials enregistrent, comment les signatures et les liaisons aux contenus sont vérifiées et ce que des identifiants valides ou absents peuvent prouver ou non.","date_published":"2026-09-22T06:43:03.997Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["C2PA","Content Credentials","Provenance des médias"],"content_text":"C2PA est une norme technique ouverte pour enregistrer et vérifier l’origine et l’historique des modifications des médias numériques. Les Content Credentials sont les informations de provenance présentées aux utilisateurs et fondées sur cette norme. Ils peuvent aider à examiner qui ou quoi a signé un fichier, quelles actions ont été déclarées et si l’enregistrement signé correspond encore au contenu. Ils ne prouvent pas automatiquement qu’une image, une vidéo ou une légende est vraie. Un identifiant valide prouve certains éléments concernant un enregistrement de provenance signé, pas toutes les affirmations réelles associées au média. Que signifie C2PA ? C2PA signifie Coalition for Content Provenance and Authenticity. Cette coalition élabore des spécifications techniques pour joindre aux images, vidéos, sons, documents et autres contenus numériques des informations de provenance dont les altérations sont détectables. La norme n’est pas un détecteur d’IA. Elle n’examine pas les artefacts visuels pour deviner si un modèle a généré un fichier. Elle fournit plutôt aux appareils photo, logiciels, éditeurs et systèmes d’IA participants un moyen commun de faire des déclarations signées sur l’historique d’un contenu. L’explication C2PA décrit la provenance comme des faits sur l’historique d’un contenu. Un identifiant peut contenir des déclarations sur l’origine, les modifications, les outils, les composants ou l’utilisation d’IA. Les déclarations présentes dépendent de l’implémentation et de ce que le signataire choisit ou est configuré pour enregistrer. Que sont les Content Credentials ? Content Credentials désigne les fonctionnalités de provenance qui suivent la spécification C2PA. On peut voir C2PA comme le cadre technique et Content Credentials comme l’enregistrement signé et l’interface que les personnes examinent. Un Content Credential, aussi appelé manifeste C2PA, peut comprendre : l’application, le service, l’appareil ou l’organisation qui a émis l’identifiant ; la date d’application de l’identifiant ; les actions de création ou de modification déclarées ; des informations sur les composants utilisés dans une composition ; une indication d’utilisation d’IA générative, lorsque le processus émetteur l’enregistre ; des informations facultatives sur l’identité du créateur ou de l’éditeur ; des données cryptographiques liant le manifeste au contenu. Tous les identifiants ne contiennent pas tous ces champs. L’absence d’un nom de créateur, par exemple, ne prouve pas que l’enregistrement est invalide. Les choix de confidentialité et les différences d’implémentation influencent les informations divulguées. Comment fonctionne un manifeste C2PA ? Un outil participant crée un manifeste contenant des déclarations sur le contenu et le signe avec un identifiant cryptographique. Une liaison associe ce manifeste au contenu concerné. Un vérificateur compatible peut ensuite contrôler la signature, la structure du manifeste et les éventuels changements du contenu lié depuis la création du manifeste. Le processus se résume en cinq étapes : Un appareil ou une application crée ou modifie un contenu. Le générateur de déclarations enregistre les actions choisies et d’autres informations dans un manifeste. Le manifeste est signé cryptographiquement. Le manifeste est intégré au fichier ou rendu accessible par un autre mécanisme pris en charge. Un vérificateur contrôle le manifeste et présente la provenance disponible à la personne qui consulte le contenu. La signature identifie l’identifiant utilisé par le signataire. Elle ne transforme pas chaque déclaration du manifeste en fait vérifié indépendamment. La confiance dépend toujours de la personne ou de l’organisation qui signe, de ses déclarations et des raisons de faire confiance au signataire ou à sa procédure de vérification. À quoi servent les liaisons fortes et souples ? Les liaisons fortes associent un manifeste au contenu protégé exact, souvent à l’aide d’empreintes cryptographiques. Si les octets protégés changent, la validation peut détecter que le manifeste actif ne correspond plus à cette version du contenu. Les liaisons souples servent à retrouver la provenance de médias dérivés ou transformés. La spécification C2PA Content Credentials explique que ces liaisons peuvent être calculées à partir du contenu numérique plutôt que de ses octets bruts exacts. Les exemples comprennent les empreintes ou filigranes invisibles utilisés pour retrouver un manifeste associé. Cette distinction compte lorsqu’une plateforme supprime les métadonnées intégrées ou qu’une personne prend une capture d’écran. Le manifeste intégré peut ne plus accompagner le nouveau fichier, tandis qu’un mécanisme de recherche durable peut parfois relier la copie transformée à un enregistrement externe. La récupération dépend de l’implémentation et ne doit jamais être supposée. Comment les signatures sont-elles vérifiées ? Un vérificateur contrôle plusieurs niveaux au lieu de chercher un simple indicateur « C2PA présent ». Il examine si le manifeste est bien formé, si la signature est valide, si l’identifiant de signature est acceptable ou reconnu comme fiable dans le modèle de confiance pertinent et si le manifeste reste lié au contenu examiné. Question de validation Ce qu’une vérification réussie étaye Ce qu’elle ne prouve pas Le manifeste est-il bien formé ? L’enregistrement respecte la structure requise Que les déclarations sont vraies La signature est-elle valide ? L’enregistrement signé n’a pas été modifié après la signature Que le signataire est digne de confiance Le signataire est-il reconnu comme fiable ? L’identifiant remonte à une source de confiance reconnue Que l’événement représenté a eu lieu La liaison au contenu est-elle valide ? Le contenu protégé correspond à l’état signé Que la légende ou le contexte est exact L’utilisation d’IA est-elle déclarée ? Le signataire a enregistré une action d’IA pertinente Que tous les autres fichiers sans déclaration sont exempts d’IA La spécification technique distingue des états tels que bien formé, valide et fiable. Les interfaces peuvent les simplifier : examinez les détails au lieu d’attribuer le même niveau de garantie à chaque badge. Quel rapport entre Adobe Content Credentials et C2PA ? Adobe a participé à la fondation de C2PA et développe des produits qui appliquent la norme, mais C2PA n’est pas un format réservé à Adobe. D’autres logiciels, matériels, éditeurs, plateformes et outils de vérification peuvent appliquer la même spécification ouverte. La documentation Adobe Content Credentials indique que ses outils d’inspection utilisent des méthodes cryptographiques fondées sur C2PA pour afficher les informations disponibles sur la provenance et l’intégrité. Certains processus Adobe joignent automatiquement des identifiants aux productions Firefly prises en charge ; d’autres permettent aux créateurs de choisir les informations d’identité ou d’attribution à inclure. Un identifiant généré par Adobe est donc une implémentation de C2PA. L’émetteur, les actions et le résultat de validation sont plus informatifs que la simple présence d’un nom de produit Adobe. Comment examiner les Content Credentials ? Commencez par le meilleur fichier disponible, pas par une capture comprimée si l’original peut être obtenu. Ouvrez-le dans un outil d’inspection compatible ou utilisez l’interface d’une plateforme qui les prend en charge. Examinez ensuite le résultat dans un ordre réfléchi. Confirmez que l’identifiant est associé au fichier sélectionné. Vérifiez l’état de validation et les avertissements ou échecs. Identifiez le signataire ou le générateur de déclarations. Examinez les actions, composants et déclarations d’utilisation d’IA enregistrés. Notez la date d’émission et si des modifications ultérieures sont représentées. Comparez la provenance à l’affirmation externe, à la source et au contexte de publication. Si une interface trouve une correspondance possible grâce à une capture ou une empreinte, distinguez cette recherche de la validation d’une liaison forte au fichier original. Ces relations sont utiles mais différentes. Que signifie l’absence de Content Credentials ? Cela signifie que le vérificateur n’a trouvé aucun identifiant accessible par les méthodes utilisées. Sans preuve supplémentaire, c’est la seule conclusion possible. L’adoption des identifiants est facultative et inégale. Un appareil photo peut ne pas prendre en charge C2PA, un éditeur peut ne pas l’activer, une plateforme peut supprimer les métadonnées intégrées ou la copie reçue peut avoir été transformée. Des créateurs légitimes peuvent aussi choisir de ne pas fournir leur identité pour des raisons de confidentialité ou de sécurité. Les recommandations de C2PA avertissent qu’il ne faut pas considérer un média non signé comme intrinsèquement suspect. L’absence de provenance est un manque d’information, pas un verdict sur l’IA. Que peuvent prouver les Content Credentials et que ne peuvent-ils pas prouver ? Les Content Credentials sont les plus utiles pour des questions limitées de provenance : qui ou quoi a signé cet enregistrement, quelles actions ont été déclarées, si le manifeste signé a été modifié et s’il reste associé au contenu examiné. Ils ne peuvent pas prouver indépendamment qu’une scène a eu lieu, qu’une citation est exacte ou qu’une description est honnête. Une image synthétique peut porter un identifiant valide. Une vraie photo peut ne pas en avoir. Un contenu valablement signé peut tout de même être utilisé avec une fausse date ou une légende trompeuse. C’est pourquoi AIFakeScan traite la provenance comme un canal de preuve. Notre méthodologie combine la provenance et les métadonnées disponibles avec d’autres vérifications tout en conservant l’incertitude. Pour une procédure pratique, voir Comment détecter les images générées par IA. Comment lire les résultats d’un vérificateur C2PA Enregistrez le rapport complet de validation, pas seulement un badge. Les catégories suivantes servent à l’examen pratique ; les termes peuvent varier selon les vérificateurs. Ce n’est pas une liste de libellés de résultat garantis par AIFakeScan. Catégorie d’examen Signification dans la vérification terminée Prochaine étape Aucun identifiant trouvé Le vérificateur n’a trouvé aucun identifiant pris en charge par les voies examinées Demander l’export original ; vérifier si une récupération externe était prise en charge Validation réussie et signataire fiable Les vérifications de validation et de confiance indiquées ont réussi Lire les actions et déclarations d’IA ; vérifier la légende séparément Signature vérifiée, signataire non fiable Certains contrôles d’intégrité ont réussi mais le signataire ne satisfait pas à la politique de confiance du vérificateur Examiner le certificat et la politique ; ne pas assimiler inconnu à frauduleux Validation échouée Au moins une règle de validation signalée a échoué Conserver le code exact et le fichier avant tout dépannage Incomplet, non pris en charge ou erreur Le vérificateur n’a pas pu terminer les contrôles pertinents Noter la couverture manquante au lieu de déclarer l’identifiant absent Examiner le fichier avant de juger l’image Conservez le fichier qui a produit le résultat. Obtenez ensuite, si possible, l’export original du créateur et examinez-le sans le réenregistrer. Comparez les codes détaillés, le signataire, les actions déclarées et la version du vérificateur. Un second vérificateur compatible peut aider à expliquer un désaccord, mais un badge différent ne suffit pas à l’expliquer. Version du fichier À noter avant comparaison Limite d’interprétation Export du créateur Mode d’obtention, identité du fichier, détails de l’identifiant Il peut ne contenir qu’une partie de l’historique de production Téléchargement d’un réseau social ou d’une messagerie Plateforme, mode de téléchargement, date, taille et dimensions Tester le fichier reçu ; ne pas supposer que toutes les plateformes ou procédures agissent pareil Capture d’écran Logiciel de capture, recadrage et page source Une icône visible dans l’image n’est pas en elle-même un manifeste vérifié Ce sont des conseils de dépannage, pas des résultats de tests de plateformes. Les vérifications disponibles d’AIFakeScan sont décrites dans chaque rapport ; une vérification C2PA indisponible n’est pas un résultat négatif. Si votre question concerne le filigrane invisible de Google, utilisez le guide séparé de vérification SynthID. Vérifier un fichier avec le validateur C2PA dédié Utilisez le C2PA Checker d’AIFakeScan si vous souhaitez un résultat issu d’une vérification plutôt qu’une fiche vierge. Le mode limité à la provenance valide le conteneur du fichier, contrôle les Content Credentials intégrés avec c2patool, indique le niveau de confiance local et les actions déclarées, et affiche quelques métadonnées de base. Il n’exécute ni le classificateur visuel d’IA ni un détecteur payant. Le résultat distingue ces états : validation fiable, signature valide sans confiance locale, échec de validation, aucun identifiant, vérification indisponible et rapport non pris en charge. « Non exécuté » n’est jamais affiché comme « non trouvé ». Les codes de validation figurent dans le résultat et un rapport JSON expurgé peut être téléchargé sans l’URL privée de l’analyse, le jeton d’accès ou le nom du fichier envoyé. Dans l’étude de cas sur 60 fichiers, captures d’écran et compression, quatre originaux générés portaient des déclarations d’IA valides mais non reconnues comme fiables localement. Leurs 16 versions transformées ne conservaient aucun identifiant intégré. Ce résultat mesuré concerne ces fichiers et ces voies d’export ; ce n’est pas une affirmation universelle sur les éditeurs compatibles C2PA. Questions fréquentes C2PA est-il la même chose qu’un filigrane ? Non. C2PA définit un système de provenance plus large. Un manifeste peut être intégré et lié cryptographiquement à un fichier, tandis qu’un filigrane ou une empreinte peut servir de liaison souple pour retrouver un enregistrement associé après transformation. Un Content Credential valide signifie-t-il qu’une image est réelle ? Il signifie que certaines vérifications de validation ont réussi pour l’identifiant et sa relation au contenu. Il ne prouve pas indépendamment la vérité de la scène, de la légende, de la date ou de chaque déclaration. Les Content Credentials peuvent-ils montrer une utilisation d’IA ? Ils peuvent montrer qu’un signataire a déclaré des actions pertinentes de création ou de modification par IA. C’est une preuve positive de provenance. L’absence de déclaration ne prouve pas universellement qu’aucune IA n’a été utilisée. Peut-on retirer les Content Credentials ? Les métadonnées intégrées peuvent être perdues lorsqu’un fichier est nettoyé, transformé ou capturé de nouveau. Certaines implémentations utilisent un stockage externe, des empreintes ou des filigranes invisibles pour améliorer la récupération, mais la durabilité dépend du système et de la transformation. Qui contrôle C2PA ? La Coalition for Content Provenance and Authenticity élabore les spécifications ouvertes. Des entreprises et organisations les implémentent dans leurs propres produits et services. À retenir en pratique Lisez les Content Credentials comme une provenance signée, pas comme un badge universel de vérité. Vérifiez l’état de validation, le signataire, les actions déclarées et la relation au contenu, puis contrôlez l’affirmation réelle par la recherche de source et le contexte. Cette combinaison est bien plus solide qu’un identifiant ou un détecteur d’IA utilisé seul."},{"id":"https://aifakescan.com/fr/resources/what-is-a-deepfake-deepfake-vs-ai-generated-content","url":"https://aifakescan.com/fr/resources/what-is-a-deepfake-deepfake-vs-ai-generated-content","title":"Qu’est-ce qu’un deepfake ? Deepfakes et contenus générés par IA","summary":"Découvrez ce qu’est un deepfake, sa différence avec les contenus générés par IA au sens large, les principaux types de manipulation et comment vérifier une usurpation présumée.","date_published":"2026-09-22T06:43:03.997Z","date_modified":"2026-09-22T06:43:03.997Z","tags":["Deepfakes","Médias synthétiques","Vérification des vidéos"],"content_text":"Un deepfake est un média synthétique ou manipulé qui utilise l’IA pour imiter ou modifier l’identité, l’apparence, la voix ou les actions d’une personne. Les contenus générés par IA forment une catégorie plus large : ils peuvent représenter des personnes, lieux, objets ou événements fictifs sans usurper l’identité d’une personne réelle. Tout deepfake est un contenu généré ou modifié par IA, mais tout contenu généré par IA n’est pas un deepfake. Cette distinction influe sur les risques et la vérification. Un paysage entièrement généré et une vidéo avec échange de visage peuvent tous deux être synthétiques, mais un seul repose sur une affirmation d’identité concernant une personne réelle. Qu’est-ce qu’un deepfake ? Le mot « deepfake » associe apprentissage profond et falsification. Dans l’usage courant, il désigne un média créé ou modifié par apprentissage automatique pour faire croire qu’une personne réelle a dit ou fait quelque chose qu’elle n’a pas dit ou fait, ou pour imiter son visage ou sa voix. Les définitions varient dans les cas limites. Le NIST décrit les médias synthétiques au sens large comme des informations fortement modifiées ou générées par des algorithmes, dont l’IA. Ses documents d’analyse forensique distinguent notamment l’échange d’identité, l’échange d’expression, la modification d’attributs et la synthèse d’un visage entier. WITNESS utilise « médias synthétiques » comme catégorie générale et décrit les deepfakes comme des simulations réalistes du visage, de la voix ou des actions d’une personne. Cette définition centrée sur la personne est utile car l’usurpation rend souvent le deepfake particulièrement nuisible. Quelle différence entre deepfake et contenu généré par IA ? Les contenus générés par IA comprennent les textes, images, sons et vidéos produits ou fortement transformés par des modèles génératifs. Ils peuvent être clairement signalés, fictifs, artistiques ou destinés à un usage commercial ordinaire. Aucune personne réelle n’a besoin d’être imitée. Un deepfake vise généralement l’identité. Il peut placer le visage d’une personne sur un autre corps, reproduire des expressions, générer une voix reconnaissable ou créer une scène réaliste impliquant une personne nommée. Type de média Utilise l’IA ? Imite une personne réelle ? Exemple courant Illustration générée Oui Pas nécessairement Une ville fictive créée à partir d’une instruction Présentateur entièrement généré Oui Non, si l’identité est fictive Un présentateur virtuel signalé comme tel Échange de visage Oui Oui Le visage d’une personne placé sur la prestation d’une autre Reconstitution faciale Oui Oui Expressions ou mouvements de bouche modifiés chez une personne réelle Voix clonée Oui Oui Voix synthétique imitant un locuteur connu Montage classique trompeur Pas nécessairement Possiblement Une vidéo réelle coupée pour supprimer son contexte La dernière ligne est importante : un média nuisible ou trompeur n’est pas automatiquement un deepfake. Une vidéo réutilisée, une fausse légende, une coupe sélective ou un montage manuel peuvent tromper sans IA générative. Quels sont les principaux types de deepfakes ? Échanges de visage Un échange de visage remplace ou mélange une identité source dans une image ou une vidéo cible. Le corps, le mouvement, le décor et le son peuvent rester authentiques alors que l’identité apparente change. Reconstitution faciale et manipulation de la synchronisation labiale La reconstitution modifie les expressions, le regard, les mouvements de tête ou de bouche tout en conservant l’identité de la personne cible. Les systèmes de synchronisation labiale peuvent donner l’impression qu’elle prononce les mots d’une bande-son de remplacement. Clonage vocal Un clone vocal génère une voix qui imite un locuteur précis. Il peut apparaître dans un appel, un message vocal, un extrait de podcast ou la bande-son d’une vidéo modifiée. La US Federal Trade Commission avertit que des escrocs peuvent utiliser le clonage vocal dans de fausses demandes d’urgence et conseille de joindre l’appelant présumé par un moyen connu. Identité synthétique et manipulation du corps Certains médias combinent un visage généré, un corps modifié et un contexte inventé. D’autres changent l’âge, les cheveux, les vêtements ou des attributs sans remplacer toute l’identité. Ces cas montrent qu’un « deepfake » ne correspond pas à une seule opération technique. Les personnes entièrement générées par IA sont-elles des deepfakes ? Une personne générée qui n’imite aucun individu identifiable est généralement mieux décrite comme une personne synthétique ou un personnage généré par IA. Qualifier chaque portrait photoréaliste d’IA de deepfake peut masquer les préjudices liés à l’identité que le terme vise à décrire. Le terme peut néanmoins convenir lorsqu’une scène générée représente faussement une personne réelle nommée, même si le système a créé toute l’image au lieu d’échanger un visage. Décrivez la technique et l’affirmation : « image générée par IA représentant faussement une personnalité publique » est plus précis qu’une simple étiquette. Tous les deepfakes sont-ils malveillants ? Non. La technique peut être utilisée avec consentement pour le doublage, l’accessibilité, la satire, le cinéma, l’éducation ou une création signalée. Les questions éthiques et juridiques dépendent du consentement, de la divulgation, du contexte et des préjudices, pas seulement de l’utilisation de l’IA. Les usages à haut risque comprennent les images intimes sans consentement, la fraude, le harcèlement, la manipulation de preuves et l’usurpation destinée à influencer des décisions. N’accusez toutefois pas un créateur ou une personne représentée sur la seule base d’un détecteur automatisé. Conservez la source originale et demandez un examen qualifié pour les cas importants. Comment vérifier un deepfake présumé ? Commencez par l’affirmation et l’identité, pas par les anomalies visuelles. Demandez qui serait montré ou entendu, ce que cette personne aurait dit ou fait et où le média est apparu pour la première fois. Conservez l’URL, le compte, la légende, les horodatages et le meilleur fichier disponible. Trouvez une version plus longue ou plus ancienne en remontant à la source et en recherchant des images représentatives. Comparez l’affirmation à des enregistrements officiels, des reportages fiables ou un autre canal connu. Examinez les images voisines pour repérer des incohérences persistantes d’identité, de mouvement et de composition. Examinez l’audio séparément ; cherchez les coupes et vérifiez le locuteur par un moyen de contact indépendant. Examinez les Content Credentials ou autres informations de provenance disponibles. Utilisez un détecteur adapté comme preuve complémentaire et notez sa couverture annoncée. Pour une procédure détaillée, lisez Comment savoir si une vidéo a été générée par IA. Elle s’applique aux scènes synthétiques comme aux manipulations d’identité présumées. Pourquoi les « signes visuels » de deepfake ne suffisent pas Les listes fixes vieillissent vite. Clignements inhabituels, dents déformées, mains étranges ou artefacts sur les contours peuvent fournir des pistes, mais les systèmes modernes peuvent les éviter. Des images authentiques peuvent aussi contenir flou, compression, images perdues, doublage, filtres ou effets de lumière qui ressemblent à une manipulation. Examinez une séquence plutôt qu’une seule capture. Vérifiez si l’anomalie persiste dans les images voisines et une copie de meilleure qualité. Cherchez surtout des preuves externes : enregistrement original, autre angle de caméra, apparition publique correspondante ou contradiction de temps et de lieu. Un visage convaincant ne valide pas l’événement. À l’inverse, une seule mauvaise image ne prouve pas un échange de visage. Que peut indiquer un détecteur vidéo IA ? Un détecteur peut repérer des motifs associés aux médias de ses catégories prises en charge. Sa réponse doit être interprétée selon son entraînement, la qualité du fichier, le type de manipulation et la portion de vidéo examinée. La méthodologie d’AIFakeScan indique que Basic Scan ne comprend pas de classification spécialisée des échanges de visages et que l’inspection audio de base ne classe pas les voix clonées ou synthétiques. L’analyse vidéo peut examiner un échantillon plutôt que chaque image. Les résultats bêta fondés uniquement sur des signaux passifs restent non concluants ; ce ne sont pas des probabilités d’IA validées. Ces limites évitent une erreur fréquente : traiter un résultat vidéo général comme si le visage et la voix avaient été testés séparément. Utilisez le détecteur vidéo IA uniquement pour les vérifications décrites, puis combinez son résultat à la vérification de l’identité et de la source. Comment les Content Credentials aident-ils pour les deepfakes ? Les Content Credentials peuvent enregistrer qui ou quoi a signé un contenu, les actions déclarées et si la provenance signée correspond toujours au fichier. Une modification ou génération par IA déclarée peut être une preuve positive forte du processus enregistré. Ils ne prouvent pas la vérité d’une scène et ne garantissent pas le consentement. Leur absence ne prouve pas une manipulation : leur utilisation est facultative et les métadonnées peuvent être perdues. Lisez C2PA Content Credentials : ce qu’ils sont et comment ils fonctionnent pour distinguer une provenance valide d’une affirmation vraie sur le monde réel. Que faire en cas de soupçon d’arnaque par usurpation ? Ralentissez l’échange. Ne vous fiez pas uniquement au visage apparent, à la voix, au numéro affiché ou au compte. Contactez la personne ou l’organisation à un numéro, sur un site ou par un compte que vous savez déjà authentique. N’envoyez ni argent ni information sensible sous pression. Conservez les messages et les détails des transactions, prévenez la plateforme ou l’établissement financier concerné et signalez la fraude par la voie officielle adaptée. Le but est de vérifier la demande indépendamment, pas de gagner un débat sur le média. Questions fréquentes Un deepfake est-il toujours une vidéo ? Non. Le terme peut couvrir des images, vidéos et sons manipulés ou synthétiques, surtout lorsqu’ils imitent l’identité, la voix, l’apparence ou les actions d’une personne réelle. Tout filtre de visage est-il un deepfake ? Pas généralement. Un filtre de divertissement clairement signalé se décrit mieux par sa fonction. Le terme deepfake devient plus pertinent lorsqu’une manipulation par IA crée une affirmation réaliste d’identité ou d’action impliquant une personne réelle. Un détecteur de deepfake peut-il prouver qu’une vidéo est fausse ? Aucun résultat de détecteur ne doit être considéré comme une preuve universelle. La couverture varie selon la manipulation et la qualité du fichier. Les conclusions importantes nécessitent des preuves sur la source, si possible le média original et un examen expert adapté. Des images authentiques peuvent-elles servir à désinformer ? Oui. Elles peuvent être anciennes, mal légendées, coupées de manière sélective ou associées à un faux lieu. L’authenticité du fichier et la vérité de l’affirmation qui l’entoure sont deux questions distinctes. Comment décrire clairement un média suspect ? Énoncez la technique observée et l’affirmation : par exemple « clone vocal présumé imitant un membre de la famille » ou « scène entièrement générée présentée comme un enregistrement réel ». Un langage précis est plus utile que d’appeler deepfake tout contenu suspect. À retenir en pratique Utilisez « deepfake » pour les médias utilisant l’IA qui imitent ou manipulent une identité, et « contenu généré par IA » pour la catégorie plus large. Vérifiez ensuite la personne, l’action, la source et le contexte précis. Une classification exacte aide à choisir les bonnes preuves au lieu de se fier à un seul indice visuel ou score de détecteur."},{"id":"https://aifakescan.com/fr/resources/can-ai-detectors-be-wrong-why-false-positives-happen","url":"https://aifakescan.com/fr/resources/can-ai-detectors-be-wrong-why-false-positives-happen","title":"Les détecteurs d’IA peuvent-ils se tromper ? Pourquoi les faux positifs se produisent","summary":"Découvrez pourquoi les détecteurs d’IA produisent des faux positifs et des faux négatifs, comment la compression et l’inadéquation du modèle affectent les résultats et comment examiner un signalement contesté.","date_published":"2026-09-22T03:26:18.348Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["Détection de l’IA","Faux positifs","Analyse forensique des médias"],"content_text":"Oui. Les détecteurs d’IA peuvent produire des faux positifs — qualifier des médias authentiques de générés par IA — et des faux négatifs — manquer du contenu synthétique ou manipulé. Le résultat dépend de ce que le détecteur a appris à reconnaître, du média reçu, du seuil utilisé et de la correspondance entre les conditions réelles et ses données d’évaluation. Le résultat d’un détecteur est une preuve issue d’un modèle, pas une décision finale sur l’auteur, l’authenticité ou la vérité. Qu’est-ce qu’un faux positif en détection d’IA ? Un faux positif se produit lorsqu’un détecteur signale comme généré par IA ou manipulé un contenu authentique ou hors de son champ. Un faux négatif se produit lorsqu’un contenu synthétique est classé comme authentique, sans marque ou incertain. Ces erreurs diffèrent d’un envoi non pris en charge ou d’une panne du système. Elles diffèrent aussi d’une légende trompeuse : une photographie peut être authentique alors que l’histoire qui l’accompagne est fausse. Résultat Le média est généré par IA Le média n’est pas généré par IA Le détecteur signale l’IA Vrai positif Faux positif Le détecteur ne signale pas l’IA Faux négatif Vrai négatif Les services réels peuvent avoir un état incertain au lieu de forcer chaque fichier dans une étiquette binaire. C’est souvent le résultat le plus honnête lorsque les preuves sont faibles ou la couverture inconnue. Pourquoi les détecteurs d’IA se trompent-ils ? La plupart des détecteurs passifs apprennent des motifs associés aux exemples d’entraînement. Ils ne possèdent pas de test physique universel de l’« IA ». Si un nouveau générateur, un processus de caméra, une méthode de modification ou un motif de compression diffère de la distribution d’entraînement du détecteur, ses performances peuvent changer. Le rapport de NIST sur le contenu synthétique considère la détection comme une partie d’un ensemble plus large d’outils de transparence comprenant aussi la provenance, l’authentification, l’étiquetage et les filigranes. Cette approche par couches reflète les limites d’une dépendance à la seule classification. Les sources d’erreur courantes comprennent l’inadéquation du modèle, le post-traitement, les entrées de faible qualité, les modifications partielles, une vérité de référence ambiguë et des seuils choisis pour un risque opérationnel différent. Comment l’inadéquation du modèle produit-elle des résultats faux ? Un détecteur peut bien fonctionner sur des générateurs et jeux de données semblables à ses données d’entraînement, mais mal se généraliser à des systèmes inconnus. De nouveaux modèles peuvent produire d’autres textures, motifs de fréquence, mouvements et caractéristiques de bruit. Le benchmark GenImage évalue explicitement la détection entre générateurs : entraîner sur les images d’un générateur et tester sur d’autres. C’est un problème central de déploiement car les utilisateurs connaissent rarement le modèle générateur à l’avance. L’inadéquation inverse compte aussi. Un détecteur peut apprendre des raccourcis associés aux images réelles de son jeu de données — comme le bruit d’appareil, la résolution ou le prétraitement — puis confondre une image authentique inhabituelle avec une sortie d’IA. Comment la compression et la modification affectent-elles la précision du détecteur ? La compression JPEG, le réencodage des plateformes sociales, les captures d’écran, le redimensionnement, l’accentuation, la réduction du bruit, les filtres de couleur et les exportations répétées modifient les signaux au niveau des pixels. La vidéo ajoute l’interpolation d’images, les changements de débit, le recadrage et la synchronisation audio. Un détecteur qui dépend d’artefacts fragiles de haute fréquence peut perdre des signaux utiles après compression. Il peut aussi interpréter des blocs de compression ordinaires, des halos, un lissage excessif ou une forte réduction de bruit comme des motifs synthétiques. Identifiez toujours la version du fichier. Un résultat d’exportation originale et un résultat de capture d’écran d’une republication n’ont pas la même valeur probante. Si possible, comparez l’original à la copie diffusée au lieu de les traiter comme interchangeables. Pourquoi des images ordinaires peuvent-elles déclencher des faux positifs ? Les images authentiques peuvent être statistiquement inhabituelles pour de nombreuses raisons. La photographie computationnelle, la segmentation du mode portrait, la fusion HDR, l’empilement du mode nuit, une forte réduction du bruit, l’agrandissement, la restauration, les filtres de beauté et les scènes à l’aspect d’illustration peuvent tous s’écarter d’une distribution simple de photos d’appareil. Les numérisations, captures d’écran, rendus de jeux, graphiques, maquettes de produits, CGI et art numérique peuvent aussi sortir de la tâche prévue d’un détecteur « photographie réelle contre image d’IA ». Un modèle contraint de classer des médias hors de son champ peut renvoyer un score même si ce score n’a pas de sens. Avant d’interpréter un résultat, demandez si le service prend en charge ce type de média et ce processus. « Accepté par le formulaire d’envoi » n’est pas synonyme de « validé pour cette classe de contenu ». Comment les seuils changent-ils les faux positifs et les faux négatifs ? Un classificateur produit souvent un score interne comparé à un seuil de décision. Abaisser le seuil peut détecter plus de médias synthétiques tout en signalant plus de médias authentiques. Le relever peut réduire les fausses accusations tout en laissant passer plus de contenu synthétique. Il n’existe pas de seuil universellement correct. Une file de modération peut tolérer plus de faux positifs parce qu’une personne examine chaque signalement. Une décision d’intégrité académique ou de fraude nécessite un processus bien plus solide, car une fausse accusation peut causer un préjudice important. Un score ne doit pas être lu comme une probabilité calibrée à moins que le fournisseur démontre cette interprétation pour la population concernée. « Score du modèle de 0.8 » et « 80% de chance que cet élément ait été généré par IA » ne sont pas automatiquement équivalents. Plusieurs détecteurs peuvent-ils trancher la question ? Un accord peut ajouter du contexte, mais un vote majoritaire n’est pas une preuve. Les détecteurs peuvent partager des données d’entraînement, des familles de modèles ou des hypothèses de prétraitement ; leurs erreurs peuvent donc être corrélées. Ne faites pas la moyenne de scores de systèmes sans rapport. Notez plutôt ce que chaque outil a examiné, sa portée prise en charge, la version du fichier et les termes de son résultat. Si les sorties divergent, examinez cette divergence au lieu de choisir le nombre qui semble le plus sûr. Des preuves indépendantes valent plus qu’un autre score opaque : les registres de provenance, les déclarations du créateur, les fichiers originaux, les versions antérieures ou des images corroborantes peuvent répondre à des questions qu’un classificateur ne peut pas trancher. Quelle différence entre un détecteur et un vérificateur de filigrane ? Un détecteur passif déduit si le contenu ressemble à des exemples associés à la génération par IA. Un vérificateur de filigrane recherche un signal intégré connu. Un validateur de provenance vérifie les registres signés et leur relation avec un fichier. Ces méthodes répondent à des questions différentes. Un filigrane positif du fournisseur peut fournir une preuve directe d’origine dans le système pris en charge par ce fournisseur. Un détecteur passif peut couvrir du contenu sans marque, généralement avec plus d’incertitude. Les Content Credentials peuvent expliquer des actions déclarées mais peuvent être absentes ou supprimées. Le processus le plus solide utilise ensemble les canaux disponibles sans prétendre que l’un remplace l’autre. Comment interpréter un résultat AIFakeScan ? La méthodologie d’AIFakeScan indique que l’évaluation et la calibration de la bêta sont incomplètes. Les résultats fondés uniquement sur des indices passifs restent incertains et le service ne présente ni probabilité mesurée d’IA ni pourcentage de précision validé. Examinez les preuves trouvées : Content Credentials, métadonnées, signaux de filigrane disponibles pour le service ou observations du modèle passif. Un résultat sur toute une image peut ne pas localiser une petite zone modifiée. L’échantillonnage vidéo peut manquer une manipulation brève et Basic Scan ne comprend pas de classification spécialisée des échanges de visage ou de la parole clonée. Utilisez le détecteur d’images d’IA ou le détecteur de vidéos d’IA pour recueillir les preuves prises en charge, puis conservez l’incertitude dans votre conclusion. Que faire après un possible faux positif ? Ne publiez pas d’accusation fondée uniquement sur le résultat. Conservez le fichier exact et notez l’outil, la date, les paramètres et la sortie. Cherchez ensuite des preuves pouvant soutenir ou contester la classification de manière indépendante. Confirmez que le type de média relève du champ déclaré du détecteur. Obtenez le fichier original plutôt qu’une capture d’écran ou une republication compressée. Examinez les Content Credentials et les métadonnées disponibles. Retracez les versions antérieures et les déclarations du créateur. Comparez les résultats entre versions du fichier sans faire la moyenne des scores. Demandez au fournisseur ce que signifie le résultat et quelle validation le soutient. Transmettez les cas aux conséquences importantes à une révision humaine qualifiée. Pour une enquête sur une image, suivez Comment détecter les images générées par IA. Pour une vidéo, utilisez Comment savoir si une vidéo est générée par IA. Une révision pratique lorsqu’une vraie photo est signalée Utilisez les éléments suivants comme questions d’enquête, pas comme diagnostic d’un détecteur particulier. Une affirmation de source doit elle-même être vérifiée : un fichier décrit comme une photo d’appareil peut aussi contenir des modifications génératives ultérieures. Historique du fichier à examiner Preuves à demander Comparaison utile Traitement de smartphone ou mode portrait Exportation originale de l’appareil et détails de capture Original contre copie partagée, en documentant le processus Retouche ou filtres de beauté Historique de modification et image avant modification, si disponibles Séparer la retouche conventionnelle de toute opération générative déclarée Restauration ou agrandissement Application, fonction, paramètres et fichier source Demander si le processus a reconstruit des détails avec l’IA Capture d’écran ou partages répétés Téléchargement original et voie de partage Comparer les preuves du fichier ainsi que les résultats du modèle visuel Illustration ou CGI soumis comme photo Projet du créateur ou historique d’exportation Établir la catégorie du média avant d’appliquer les hypothèses d’un détecteur de photos Ne continuez pas à modifier un fichier jusqu’à ce que son score corresponde à la réponse souhaitée. Définissez d’abord la comparaison et conservez chaque résultat. Une sortie modifiée montre que le système a répondu différemment à une entrée différente ; sans provenance connue, elle ne montre pas quelle réponse est correcte. Rédigez une note de révision vérifiable par une autre personne Notez l’affirmation contestée, l’identité du fichier, l’historique de modification connu, l’outil et la date, la sortie exacte et les vérifications non exécutées. Joignez toute preuve fournie par le créateur et expliquez les conflits. Une conclusion utile pourrait être : « Le signalement du détecteur contredit l’historique de source fourni ; la méthode de création reste non résolue en attendant l’exportation originale. » C’est un modèle de formulation illustratif, pas un constat sur une image testée. Pour une source soupçonnée d’IA de Google, gardez la vérification officielle SynthID séparée de la classification visuelle. Pour une provenance manquante ou endommagée, consultez le guide des résultats C2PA. Les indices visuels de la bêta AIFakeScan restent incertains à eux seuls. Ajoutez un contrôle de transformation avant de contester le résultat Notre étude de cas sur 60 fichiers avec captures d’écran et compression a montré pourquoi l’entrée exacte compte. Pour quatre images générées, la moyenne de sortie brute du modèle local était de 0.9968 sur les originaux, 0.8569 sur les captures de navigateur, 0.7151 après redimensionnement et 0.5226 après exportation JPEG qualité 60. Les fichiers individuels ont changé dans des proportions très différentes. Ces valeurs ne sont pas des pourcentages de précision. Elles rappellent par une mesure qu’il faut conserver l’original, changer un paramètre à la fois et garder chaque résultat. Si le résultat d’une photo réelle est contesté, comparez le fichier intact et chaque dérivé contrôlé au lieu de modifier sans cesse jusqu’à ce que le score change. Questions fréquentes Un détecteur d’IA peut-il accuser quelqu’un à tort ? Oui. Un faux positif peut se produire, notamment avec des médias hors champ, transformés ou inconnus. N’utilisez pas le résultat d’un détecteur seul pour des conclusions disciplinaires, de réputation ou juridiques. Un score élevé prouve-t-il une génération par IA ? Pas à lui seul. Il faut savoir comment le score a été défini, calibré et validé pour des médias comparables. De nombreux scores de modèles ne sont pas des probabilités. La compression peut-elle faire paraître un contenu d’IA authentique à un détecteur ? La compression peut affaiblir les signaux utilisés par un détecteur et introduire des artefacts qui perturbent la classification. Son effet dépend du détecteur, du fichier et du processus de compression. Un résultat incertain est-il un échec ? Non. Un résultat incertain est approprié lorsque les preuves ne soutiennent pas une conclusion binaire fiable. Il communique l’incertitude au lieu de la masquer. Quelles preuves sont plus fortes qu’un score de détecteur ? Une provenance vérifiée, un filigrane propre au fournisseur, les fichiers originaux, un historique de création documenté et un contexte de source confirmé indépendamment peuvent fournir des preuves plus directes sur l’origine et l’utilisation. La conclusion pratique Les détecteurs d’IA peuvent être utiles pour un premier tri, mais leurs erreurs dépendent des données, du champ, des transformations et des seuils. Traitez les résultats comme un canal de preuves, vérifiez séparément l’affirmation sous-jacente et ne transformez jamais un score non calibré en une certitude pour laquelle il n’a pas été conçu."},{"id":"https://aifakescan.com/fr/resources/what-is-an-ai-watermark-what-it-can-and-cannot-prove","url":"https://aifakescan.com/fr/resources/what-is-an-ai-watermark-what-it-can-and-cannot-prove","title":"Qu’est-ce qu’un filigrane d’IA ? Ce qu’il peut prouver ou non","summary":"Découvrez le fonctionnement des filigranes d’IA visibles et invisibles, ce qu’un signal positif peut établir et pourquoi leur absence ne prouve pas l’authenticité.","date_published":"2026-09-22T03:26:18.348Z","date_modified":"2026-09-24T18:28:42.409Z","tags":["Filigranes d’IA","Content Credentials","Provenance des médias"],"content_text":"Un filigrane d’IA est un signal ajouté à un contenu généré ou modifié par IA afin qu’un détecteur compatible puisse ensuite identifier son origine ou son mode de production. Il peut être visible, comme un logo, ou imperceptible, comme un motif intégré aux pixels d’une image, aux images d’une vidéo, au son ou au texte généré. Un filigrane détecté peut fournir une preuve positive utile. Son absence ne prouve pas qu’un contenu est créé par un humain, et même un filigrane valide ne prouve pas que la scène ou la légende est vraie. Comment fonctionnent les filigranes d’IA ? Un système d’IA ajoute un signal connu pendant la production ou l’export du contenu. Un vérificateur correspondant cherche ce signal et indique s’il a été détecté avec un niveau de confiance suffisant. Les méthodes d’intégration et de détection dépendent du type de média et du fournisseur du filigrane. Pour les images et vidéos, un système peut modifier légèrement les motifs de pixels afin qu’ils résistent à des transformations ordinaires. Les systèmes audio peuvent modifier les caractéristiques du signal sans créer de marque clairement audible. Le filigrane de texte peut influencer le choix des jetons pour que les passages générés présentent un motif statistique. Le rapport du NIST sur les contenus synthétiques explique les objectifs concurrents du filigrane : robustesse, sécurité, faible altération perceptible, capacité d’information suffisante, efficacité et perturbation minimale des pratiques habituelles. Améliorer une propriété peut compliquer une autre. Quelle différence entre filigranes visibles et invisibles ? Les filigranes visibles sont des marques perceptibles, comme un logo, une mention, un nom d’utilisateur ou une superposition translucide. Ils communiquent directement, mais peuvent souvent être recadrés, masqués, copiés ou présentés de façon trompeuse. Les filigranes invisibles sont intégrés au contenu pour être imperceptibles. Ils nécessitent un détecteur compatible et peuvent être conçus pour résister au redimensionnement, aux filtres, à la compression, au recadrage ou à d’autres transformations attendues. Type de filigrane Principal avantage Principale limite Logo ou mention visible Immédiatement compréhensible pour le public Peut être recadré, masqué ou copié Signal invisible dans une image Peut résister à certaines modifications ordinaires sans changer l’apparence Nécessite le bon détecteur et peut échouer après des changements plus importants Filigrane dans les images vidéo Peut identifier des segments ou images marqués Le réencodage et le montage influencent la couverture de détection Filigrane audio Peut rester inaudible tout en permettant une vérification automatique Le bruit, les remix et les formats non pris en charge peuvent affecter la détection Filigrane de texte Peut marquer la sortie par des motifs de choix de jetons Un texte court, factuel, traduit ou fortement réécrit est plus difficile à évaluer Aucune catégorie n’est universelle par nature. Un détecteur conçu pour une famille de filigranes n’en reconnaît pas automatiquement une autre. Que peut prouver un filigrane d’IA détecté ? Une correspondance positive peut étayer une attribution limitée : le média examiné contient un signal reconnu par un vérificateur particulier comme appartenant à son système de filigrane. La solidité de cette affirmation dépend de la sécurité, de la validation, de la couverture et des contrôles des faux positifs du système. Par exemple, Google DeepMind décrit SynthID comme un filigrane invisible intégré aux images, sons, textes et vidéos générés par Google pris en charge. Un résultat SynthID vérifié peut indiquer qu’une IA de Google prise en charge a créé ou modifié le média. Ce n’est pas une déclaration générale sur tous les systèmes d’IA. Certains filigranes ne codent que leur présence. D’autres peuvent aider à retrouver des informations de provenance externes ou à identifier un modèle, un service ou un contenu. Lisez le résultat exact du vérificateur avant de le reformuler. Que ne peut pas prouver un filigrane d’IA ? Un filigrane n’établit pas indépendamment la véracité du contenu représenté. Une image générée d’un événement réel et une illustration fictive peuvent toutes deux porter un filigrane d’IA valide. Le filigrane concerne l’origine ou le processus, pas la vérité d’une légende. Il ne prouve pas non plus qui a demandé la génération, publié le contenu, si l’utilisation était autorisée ou si chaque élément a été généré. Une composition peut contenir des éléments marqués et non marqués. Un signal détecté ne doit pas être élargi aux affirmations que le vérificateur n’a pas faites. « Ce fichier contient un filigrane associé au système X » est plus précis que « Cela prouve que la publication désinforme ». L’absence de filigrane signifie-t-elle que le contenu est authentique ? Non. Une vérification négative ne concerne que les signaux et médias pris en charge par le vérificateur. Le contenu peut provenir d’un modèle sans filigrane, avoir été exporté avant son introduction, transformé au-delà de la détection ou généré par un autre fournisseur. Il peut aussi s’agir d’un média authentique capté par une caméra. L’absence ne permet pas de distinguer ces possibilités. La couverture varie selon le produit, le modèle, la date, le type de fichier et le mode d’export. Les conseils de provenance d’OpenAI précisent ce périmètre pour les contenus pris en charge. Une interprétation responsable doit nommer le filigrane testé plutôt que parler d’une « analyse universelle des filigranes d’IA ». Peut-on retirer les filigranes d’IA ? Certaines transformations peuvent affaiblir ou détruire un filigrane. Le résultat dépend de sa conception, du média et de l’intensité du changement. Recadrage, recompression, redimensionnement, bruit, filtres, transcription, traduction, paraphrase, remix ou enregistrement par un autre appareil peuvent tous modifier le signal. Les systèmes robustes sont testés face aux modifications ordinaires attendues, mais la robustesse n’est pas l’invulnérabilité. Google indique que SynthID pour images et vidéos est conçu pour résister au recadrage, aux filtres, aux changements de fréquence d’images et à la compression avec perte, tout en décrivant le filigrane comme un élément d’une solution plus large. Un attaquant peut aussi essayer de falsifier un filigrane ou prétendre à tort qu’un fichier non marqué est authentique. La sécurité comprend donc la résistance au retrait comme à l’insertion. Quel effet les captures d’écran ont-elles sur les filigranes d’IA ? Une capture d’écran crée une nouvelle image à partir des pixels affichés. Elle perd souvent les métadonnées et le manifeste intégré du fichier original, tout en redimensionnant, convertissant les couleurs ou recompressant le contenu visible. Un filigrane invisible dans les pixels peut survivre si son signal reste assez fort dans la capture, mais cela dépend du système. Une marque visible peut rester si la capture ne l’exclut pas ou ne la masque pas. Un service d’empreinte ou de liaison souple peut retrouver une provenance liée même si le nouveau fichier ne contient plus l’enregistrement original. Ne généralisez pas à partir d’un seul test. « Aucun signal trouvé dans cette capture » ne signifie pas « L’original n’avait pas de filigrane ». Quelle différence entre filigranes d’IA et C2PA Content Credentials ? Un filigrane d’IA est généralement un signal intégré au contenu. Les C2PA Content Credentials sont des informations de provenance signées qui peuvent contenir plus de détails sur l’origine, les modifications, les composants et l’utilisation d’IA. C2PA peut utiliser des filigranes invisibles ou des empreintes comme liaisons souples pour retrouver un manifeste après transformation. Les technologies peuvent donc se compléter : le filigrane améliore la durabilité, tandis que le manifeste fournit du contexte et des déclarations cryptographiques. Lisez C2PA Content Credentials : ce qu’ils sont et comment ils fonctionnent pour une explication détaillée des signatures, des liaisons aux contenus et des identifiants manquants. Comment vérifier le résultat d’un filigrane d’IA ? Commencez par le vérificateur exploité ou documenté par le fournisseur du filigrane. Confirmez qu’il prend en charge le type de média, le produit, le modèle et la période approximative de création concernés. Conservez le meilleur fichier original disponible et son URL source. Notez le vérificateur, la date, la version du fichier et la formulation exacte du résultat. Distinguez une correspondance positive, un résultat négatif, un fichier non pris en charge et un résultat non concluant. Vérifiez séparément les Content Credentials ou autres informations de provenance. Vérifiez indépendamment la source, la date, le lieu et l’affirmation factuelle de la publication. Ne transformez pas un résultat propre à un fournisseur en verdict universel sur l’IA. AIFakeScan ne prétend pas avoir accès à tous les vérificateurs de filigranes invisibles des fournisseurs. Notre méthodologie distingue « aucune marque trouvée » d’une preuve d’authenticité. Choisir le vérificateur selon le type de preuve Preuve recherchée Procédure de vérification Signification de l’absence SynthID de l’IA Google [Procédure SynthID officielle](https://aifakescan.com/fr/synthid-checker) via Gemini Filigrane Google IA non détecté ou résultat incertain ; cela n’exclut pas les autres générateurs C2PA Content Credentials [C2PA Checker](https://aifakescan.com/fr/c2pa-checker) Aucun identifiant utilisable trouvé dans ce fichier précis ; cela ne prouve pas l’authenticité Mention ou logo visible Examen visuel et recherche de source Aucune mention visible observée ; les systèmes invisibles n’ont pas été vérifiés Signal de motif de pixels [Détecteur d’images IA](https://aifakescan.com/fr/ai-image-detector) Le modèle n’a pas produit de preuve forte dans sa couverture annoncée ; cela ne prouve pas une photo authentique AIFakeScan ne propose pas de détecteur universel de filigranes invisibles. La validation C2PA, l’examen des métadonnées et du texte visible ne peuvent pas être présentés comme couvrant tous les filigranes propriétaires. Le comparatif des outils 2026 précise les preuves réellement vérifiées par chaque procédure disponible. Questions fréquentes Toutes les images générées par IA portent-elles un filigrane ? Non. L’adoption et la couverture varient selon le fournisseur, le modèle, le produit, le type de fichier, la date et l’export. Les systèmes open source et tiers peuvent utiliser d’autres signaux ou aucun. Peut-on faire confiance à une mention visible d’IA ? Traitez-la comme une piste. Une mention visible peut être copiée, retirée ou appliquée à tort. Cherchez une provenance complémentaire et vérifiez la source de la mention. Un détecteur peut-il trouver tous les filigranes invisibles ? Non. Les familles de filigranes utilisent différentes méthodes d’intégration et de détection. Un détecteur compatible doit généralement connaître le signal recherché. Un filigrane est-il la même chose que des métadonnées ? Non. Les métadonnées sont des informations associées à un fichier et peuvent contenir des données détaillées. Un filigrane invisible est intégré aux caractéristiques du contenu et peut survivre dans certains cas où les métadonnées sont supprimées. Dois-je faire confiance à un contenu sans filigrane détecté ? Une vérification négative ne prouve pas l’authenticité. Poursuivez la recherche de source, l’examen de provenance, la vérification du contexte et les autres recherches adaptées. À retenir en pratique Utilisez les filigranes d’IA comme des signaux de provenance propres aux fournisseurs. Un résultat positif peut être utile ; un résultat négatif laisse plusieurs explications ouvertes. Combinez ces vérifications avec les Content Credentials, l’examen de la source et une interprétation prudente de l’affirmation réelle."},{"id":"https://aifakescan.com/fr/resources/how-to-detect-ai-generated-images","url":"https://aifakescan.com/fr/resources/how-to-detect-ai-generated-images","title":"Comment détecter les images générées par IA","summary":"Apprenez à détecter les images générées par IA grâce à la vérification des sources, aux Content Credentials, à l’inspection visuelle et aux résultats des détecteurs, sans confondre indices et preuves.","date_published":"2026-09-21T08:13:53.515Z","date_modified":"2026-09-24T18:28:42.409Z","tags":[],"content_text":"Pour détecter les images générées par IA, combinez la vérification de la source, les vérifications de provenance, l’inspection visuelle et un détecteur qui explique ses limites. Aucun détail étrange ni score de détection ne peut résoudre chaque cas de façon fiable. La question utile n’est pas seulement « Cela ressemble-t-il à de l’IA ? », mais « Quelles preuves soutiennent la façon dont cette image a été créée ? » Ce guide vous donne une méthode reproductible pour examiner une image sans traiter les soupçons comme une preuve. Il sépare aussi deux questions : une image a-t-elle été générée ou modifiée par IA, et l’affirmation qui l’accompagne est-elle vraie ? 1. Définissez ce que vous devez vérifier Avant d’ouvrir un détecteur, notez l’affirmation. « Cette photographie montre l’inondation d’hier dans cette ville » contient une affirmation de lieu, une affirmation de date et une affirmation implicite selon laquelle un appareil photo a enregistré la scène. Chacune nécessite des preuves différentes. Une photographie authentique avec une fausse légende peut tromper sans IA. Une modification assistée par IA peut ne changer que l’arrière-plan. Une illustration entièrement synthétique peut être clairement indiquée et parfaitement appropriée dans son contexte. Pour une image d’actualité, privilégiez la source originale, le lieu, la date et les informations indépendantes. Pour une annonce de produit, demandez d’autres photographies originales ou un autre moyen de vérifier l’objet. Pour un litige d’auteur, demandez l’historique de création et les fichiers originaux plutôt que de vous fier à l’apparence seule. Gardez ces questions séparées dans vos notes. « Je n’ai pas pu vérifier la date » ne signifie pas « généré par IA ». 2. Conservez le meilleur fichier disponible Conservez l’URL de la publication originale, le nom du compte, la légende et l’heure d’accès. Si possible, obtenez auprès du créateur l’image originale téléchargeable plutôt qu’une capture d’écran d’une republication. Travaillez sur une copie. Évitez d’exporter ou de redimensionner le fichier à répétition avant l’inspection : cela change le matériel que vous cherchez à évaluer. Notez si votre copie est un original, un téléchargement de plateforme ou une capture d’écran. Si vous l’ignorez, dites-le. N’envoyez pas de documents privés, d’images intimes ou de documents clients confidentiels à un détecteur tiers sans autorisation et sans examen approprié de la confidentialité. Vous pouvez enquêter sur la source publique avant d’envoyer le fichier où que ce soit. 3. Retracez la source et les utilisations antérieures de l’image Recherchez l’image entière, puis essayez un recadrage distinctif comme un bâtiment, un panneau ou un objet reconnaissable. Lisez les pages derrière les correspondances au lieu de comparer uniquement les miniatures. Cherchez des légendes antérieures, des copies de meilleure résolution, des déclarations du créateur et une séquence cohérente de publications. La documentation de Google sur About this image décrit le contexte qui peut inclure le moment où Google a rencontré pour la première fois une image ou des images similaires. Traitez-le comme une aide à la découverte, pas comme une date de création certifiée. Une copie indexée plus ancienne n’identifie pas nécessairement le photographe ou l’éditeur original. L’absence de résultat de recherche inversée n’est pas une preuve de génération par IA. Une photographie nouvelle, une image privée ou un recadrage très modifié peuvent aussi ne pas avoir de correspondance accessible. Par exemple, supposons qu’une image spectaculaire d’une « nouvelle » tempête apparaisse sur une page plus ancienne concernant un autre pays. Cela remet en cause la légende actuelle. Vous pouvez expliquer la discordance sans affirmer sans preuve comment l’image a été produite. 4. Vérifiez les Content Credentials et les métadonnées Lorsque des Content Credentials sont disponibles, examinez le résultat de validation, le signataire et les actions enregistrées. Décrivent-ils une image générée, une modification assistée par IA ou un historique de capture et de modification ? Ces informations s’appliquent-elles réellement à ce fichier ? La présentation de C2PA décrit des registres de provenance liés par cryptographie. Un registre valide peut soutenir un historique attribué ; il ne certifie pas indépendamment que l’événement représenté ou la légende qui l’accompagne est vrai. L’absence de justificatifs est neutre, pas une preuve qu’un fichier est authentique ou synthétique. Les métadonnées ordinaires méritent une lecture séparée et plus prudente. Les champs d’appareil photo et les noms de logiciels peuvent fournir des pistes, mais ils peuvent être modifiés ou supprimés. Une étiquette d’exportation logicielle indique une étape de traitement, pas nécessairement la création de chaque élément visible. De même, un filigrane visible peut être copié ou supprimé. Les vérifications de filigranes invisibles sont propres à chaque système. La présentation SynthID de Google DeepMind décrit son système de filigrane ; ce n’est pas un test universel pour tous les générateurs et ce guide n’implique pas qu’AIFakeScan fournit un vérificateur SynthID. 5. Examinez la cohérence visuelle, pas une liste de « signes d’IA » Commencez par toute la scène, puis examinez les détails avec un grossissement raisonnable. Recherchez des relations incohérentes : un objet rejoignant un autre sans limite plausible, un reflet incompatible avec l’objet qu’il devrait refléter ou des structures répétées qui changent de manière inattendue. Les mains, dents, lettres, ombres et textures fines peuvent être des endroits utiles à examiner. Ce ne sont pas des empreintes permanentes de l’IA. Une image convaincante peut ne contenir aucune erreur évidente, tandis qu’une photographie ordinaire peut contenir du flou de mouvement, une perspective inhabituelle, des artefacts de traitement ou une illusion d’optique. Observation Suivi utile Ce qu’elle n’établit pas Lettres déformées Trouvez un original plus net et comparez le panneau Que l’IA a créé toute l’image Main ou bord étrange Examinez le contexte proche et un éventuel flou Un verdict d’IA fiable à lui seul Métadonnées manquantes Demandez l’exportation originale ou le fichier de capture Que l’image est synthétique Action d’IA déclarée dans des justificatifs valides Examinez l’action, le signataire et l’historique concerné Que chaque partie de la scène est fabriquée Copie antérieure avec une légende différente Vérifiez le contexte antérieur et la chronologie Si l’IA a été utilisée Décrivez l’observation avant de nommer une cause. « La rambarde se fond dans la manche » est une affirmation vérifiable. « Les pixels prouvent l’IA » masque généralement des hypothèses qui restent à tester. 6. Utilisez un détecteur d’images d’IA comme preuve de soutien Si vous utilisez le détecteur d’images AIFakeScan, lisez les preuves et les limites avec le résultat. Notre méthodologie explique que l’évaluation et la calibration bêta sont incomplètes : les résultats fondés uniquement sur des indices passifs restent incertains et le service ne présente ni probabilité mesurée d’IA ni pourcentage de précision validé. Vérifiez ce que l’outil a examiné. A-t-il indiqué une déclaration de provenance, un indice de métadonnées ou un signal de modèle passif ? Ce sont des types de preuves différents. Un résultat portant sur toute une image ne localise pas nécessairement une petite région modifiée par IA. Si les outils divergent, conservez cette divergence. Ne faites pas la moyenne de scores sans rapport et ne considérez pas un vote majoritaire comme une preuve. Demandez si les outils prennent en charge le type de média pertinent et si leurs conclusions dépendent d’indices similaires. 7. Rédigez une conclusion correspondant aux preuves Utilisez un court registre avec quatre champs : l’affirmation, le fichier examiné, les preuves trouvées et l’incertitude restante. Ajoutez le lien vers la source originale et distinguez vos observations de la sortie d’un outil. Des conclusions appropriées pourraient être « Le créateur indique que cette image est générée par IA », « Les registres de provenance disponibles déclarent une modification par IA » ou « La source n’a pas pu être vérifiée à partir de cette capture d’écran ». Évitez de transformer la dernière affirmation en accusation définitive. Pour des décisions aux conséquences importantes concernant la réputation, l’emploi ou une éventuelle faute d’une personne, une vérification rapide par détecteur ne suffit pas. Cherchez le matériel original et une révision qualifiée avant d’agir ou de partager une accusation. Conservez une feuille de vérification d’image Copiez cette feuille vierge dans vos notes de révision. Elle transforme les sept étapes ci-dessus en un registre qu’une autre personne peut suivre. C’est un processus suggéré, pas une expérience terminée ni une référence de précision. Champ de révision Votre entrée Affirmation vérifiée Séparez les questions de génération, modification, identité et légende Identité du fichier Nom, format, dimensions et hash SHA-256 si nécessaire Source URL la plus ancienne localisée, éditeur, date et manière d’obtenir le fichier Version Exportation originale, téléchargement de plateforme, capture d’écran ou inconnue Transformations connues Logiciel, paramètres et ordre ; indiquez explicitement les détails inconnus Content Credentials Présence, validation détaillée, confiance dans le signataire et actions déclarées ; ou non vérifié Filigrane du fournisseur Vérificateur officiel, date, réponse exacte et couverture Modèle visuel Outil et version si disponibles, sortie exacte, limites indiquées et vérifications indisponibles Corroboration de la source Explication du créateur, publications antérieures et contexte indépendant Conclusion Affirmation limitée étayée, preuves contradictoires et questions restantes Comparer un original à une capture d’écran ou une copie compressée Conservez d’abord l’original. Si une comparaison est utile, créez chaque dérivé à partir de la même source intacte, modifiez un paramètre à la fois et étiquetez la sortie. Notez l’éditeur, les dimensions, les paramètres d’exportation et chaque rapport séparé. Un téléchargement de plateforme sociale peut combiner plusieurs transformations : décrivez donc la voie réelle au lieu d’attribuer toutes les différences à la compression. Gardez les métadonnées, la validation des justificatifs, la vérification des filigranes et la sortie du modèle visuel dans des colonnes séparées. N’en faites pas une moyenne en pourcentage d’authenticité. Sans historique de source connu, un résultat modifié ne peut pas établir quelle version a reçu la bonne classification. Utilisez le guide SynthID pour la vérification officielle de Google, le guide C2PA pour les états de justificatifs et le guide des faux positifs lorsqu’un signalement contredit d’autres preuves. Commencez par la vérification adaptée à l’affirmation Utilisez le C2PA Checker pour la provenance intégrée et l’état du signataire. Utilisez la voie de vérification SynthID lorsque la question est précisément de savoir si l’IA de Google a créé ou modifié le fichier. Utilisez le AI Image Detector pour un signal de modèle visuel avec des limites indiquées. Le comparatif des outils 2026 relie ces types de preuves à AIFakeScan, Gemini, Adobe Inspect et une API visuelle hébergée. L’expérience de capture d’écran et de compression fournit un exemple complet de comparaison de versions avec des hashes téléchargeables et des résultats par ligne. Questions fréquentes Peut-on savoir si une image est générée par IA simplement en la regardant ? Parfois, des incohérences évidentes suggèrent où enquêter, mais l’apparence seule ne peut pas résoudre chaque cas de manière fiable. Utilisez l’historique de la source et la provenance lorsqu’ils sont disponibles et gardez les cas incertains comme tels. L’absence de données EXIF signifie-t-elle qu’une image est générée par IA ? Non. L’absence de métadonnées n’identifie pas une méthode de production. Demandez comment le fichier a été téléchargé, exporté ou capturé avant de conclure. Un détecteur d’IA peut-il prouver qu’une image est réelle ? Un résultat de détection négatif ou incertain n’établit pas l’authenticité. Il ne peut pas non plus prouver la date, le lieu ou l’histoire associés. Ces affirmations nécessitent leur propre vérification. Que vérifier en premier ? Commencez par la source et l’affirmation. Conservez la meilleure copie, recherchez les utilisations antérieures, puis examinez la provenance et les détails visuels. Utilisez un détecteur pour ajouter des preuves, pas pour remplacer l’enquête. Votre prochaine étape Rassemblez l’URL originale et la meilleure image disponible, puis suivez les vérifications ci-dessus. Pour examiner les indices de fichier pris en charge, ouvrez le détecteur d’images d’IA et consultez comment fonctionne AIFakeScan avant d’interpréter le résultat."},{"id":"https://aifakescan.com/fr/resources/how-to-tell-if-a-video-is-ai-generated","url":"https://aifakescan.com/fr/resources/how-to-tell-if-a-video-is-ai-generated","title":"Comment savoir si une vidéo a été générée par IA","summary":"Apprenez à vérifier une vidéo grâce à sa source, ses images, son audio et sa provenance, et comprenez ce que les détecteurs ne peuvent pas prouver.","date_published":"2026-09-21T08:13:53.515Z","date_modified":"2026-09-21T08:13:53.515Z","tags":[],"content_text":"Pour savoir si une vidéo a été générée par IA, remontez à sa source, examinez le fichier original si possible, observez le mouvement dans le temps et comparez tout résultat de détection à la provenance et à des preuves indépendantes. Une image étrange ou des lèvres mal synchronisées justifient une enquête, mais ne prouvent pas une génération par IA. La vidéo ajoute une difficulté absente des photographies : il faut examiner l’évolution de la scène dans le temps. Elle peut aussi combiner des images authentiques, des insertions générées, un visage modifié, des sous-titres et une bande-son remplacée. Une seule étiquette risque de masquer ces différences. 1. Séparer la vidéo de l’affirmation Notez précisément ce que vous vérifiez. Cherchez-vous à savoir si une personne a prononcé certains mots, si un événement s’est produit à l’endroit indiqué ou si toute la scène a été générée ? Ces questions demandent des vérifications différentes. Une vidéo authentique peut être trompeuse parce qu’elle est ancienne, raccourcie, doublée ou accompagnée d’une légende fausse. Une vidéo peut aussi utiliser l’IA pour un seul élément sans être entièrement synthétique. Pour une déclaration publique supposée, cherchez un enregistrement complet provenant d’une source identifiable. Pour les images d’un événement, cherchez d’autres enregistrements, des articles et des détails de contexte. Une étiquette « IA » ne remplace pas la vérification de l’histoire. 2. Conserver la source et obtenir une meilleure copie Enregistrez l’URL de la publication, le compte, la légende, l’heure de consultation et toute indication du créateur. Demandez si possible l’original ou une version de meilleure qualité. L’enregistrement d’écran d’une republication est un point de départ moins solide pour un examen technique que le fichier d’origine. Gardez l’original intact et examinez une copie de travail. Notez la durée de la vidéo et si elle semble montée. Signalez tout début, toute fin ou tout son manquant. Ne supposez pas qu’un court extrait partagé contient le contexte nécessaire à son interprétation. Soyez prudent avec les images sensibles. Avant tout envoi, tenez compte du consentement, de la confidentialité et des conditions de traitement des données du service. Une enquête sur les sources publiques peut répondre à la question sans exposer les médias privés d’autrui. 3. Rechercher des images représentatives et le contexte Choisissez plusieurs images nettes à différents moments : une vue d’ensemble, un lieu distinctif et une image contenant des panneaux ou objets reconnaissables. Effectuez une recherche inversée pour chacune. Une image floue de transition est généralement un mauvais point de départ. Essayez l’image entière et un recadrage pertinent. Recherchez séparément les expressions et noms visibles. Comparez les dates et légendes des pages correspondantes, puis suivez ces pistes vers une publication originale ou une version plus longue. Les ressources de WITNESS sur la vérification vidéo offrent une base plus large pour vérifier les vidéos de témoins. L’essentiel est d’établir ce que l’enregistrement permet d’affirmer, pas seulement de décider s’il semble convaincant. Les conseils de Google sur le contexte des images peuvent aider pour les images extraites, mais un résultat indexé reste une piste. L’absence de résultat ne signifie pas que la vidéo a été générée. Un enregistrement privé, récent ou fortement modifié peut ne pas avoir de copie antérieure accessible. 4. Regarder normalement, puis examiner les changements dans le temps Regardez d’abord toute la vidéo à vitesse normale, avec le son si nécessaire. Notez les moments à revoir. Ralentissez ensuite ces passages et parcourez les images voisines. Une seule image arrêtée peut exagérer une transition ordinaire ou un flou ; la séquence qui l’entoure compte. Cherchez une cohérence dans l’identité, la forme des objets, les contacts et les mouvements. Les vêtements changent-ils sans coupe ? Un objet disparaît-il sans être caché ? Une main traverse-t-elle un objet qu’elle semble tenir ? Ce sont des pistes d’enquête, pas des tests suffisants à eux seuls. Vérifiez si une anomalie apparente a une explication ordinaire : masquage, mouvement de caméra, coupe, reflet ou copie de mauvaise qualité. Un mouvement cohérent ne prouve pas non plus l’authenticité : une séquence synthétique convaincante peut ne présenter aucun défaut visuel évident. Zone à examiner Question à poser Limite importante Visages et vêtements Les traits restent-ils cohérents entre images voisines ? Flou, coupes et masquage compliquent la comparaison Mains et objets Le contact reste-t-il physiquement cohérent ? Une seule image peu claire est une preuve faible Arrière-plan Les panneaux et structures restent-ils présents pendant le mouvement de caméra ? La perspective et le montage peuvent changer les apparences Reflets et ombres Les changements correspondent-ils à la scène et au mouvement ? Un éclairage complexe peut être difficile à interpréter Passage suspect Le problème persiste-t-il dans une meilleure copie ? Une republication peut introduire ses propres artefacts Prenez des notes avec les horodatages. « La tasse change de forme entre ces deux moments » est plus utile que « Toute la vidéo semble fausse ». 5. Traiter l’audio comme une piste distincte Écoutez les changements brusques du bruit de fond et les coupes autour de mots importants, et vérifiez si le son correspond au lieu apparent. Comparez une déclaration attribuée à une personne avec un enregistrement officiel complet ou une transcription, si disponible. Un décalage des lèvres ne prouve ni un clonage de voix ni une modification du visage par IA. Le doublage, les erreurs de synchronisation et le montage classique sont d’autres explications. De même, une voix naturelle ne prouve pas que la personne nommée l’a enregistrée. Ne déduisez pas un verdict de clonage vocal d’un détecteur visuel. L’inspection audio de base d’AIFakeScan ne classe pas les voix clonées ou synthétiques, et Basic Scan ne comprend pas de classification spécialisée des échanges de visages. Ces limites comptent particulièrement lorsque l’identité d’une personne est au cœur de la vidéo. 6. Examiner la provenance sans la confondre avec la vérité Si le fichier possède des Content Credentials, examinez l’état de validation, le signataire et les actions enregistrées. Une déclaration liée à l’IA peut être une preuve utile de l’historique de production enregistré. Déterminez si elle concerne une génération, une modification ou une autre action avant de la résumer. L’explication de C2PA décrit comment la provenance est liée aux médias. Un historique valide ne prouve pas indépendamment que la légende est exacte ou que l’événement s’est produit comme indiqué. Des identifiants de provenance absents ne prouvent pas une génération par IA. Les filigranes sont un mécanisme distinct. Google DeepMind décrit le filigrane SynthID pour le texte et la vidéo, mais une méthode de vérification propre à un fournisseur n’est pas un détecteur universel de tous les médias synthétiques. AIFakeScan ne promet pas l’accès à tous les vérificateurs de filigranes invisibles. 7. Comprendre ce que le détecteur vidéo a réellement vérifié Avant d’interpréter un résultat, demandez si le service a examiné toutes les images, un échantillon, les métadonnées ou la provenance disponible. Ces approches couvrent des éléments différents. Un échantillon peut manquer une insertion courte et un horodatage peut désigner un passage examiné plutôt que la limite exacte d’une modification. Le détecteur vidéo AIFakeScan doit être utilisé avec la méthodologie publiée. La calibration et l’évaluation de la version bêta restent incomplètes. Les résultats fondés uniquement sur des signaux passifs restent non concluants ; aucun pourcentage de précision validé ni aucune probabilité d’IA mesurée ne peut servir de verdict. Deep Scan n’est pas disponible publiquement. Si le fichier ne peut pas être évalué, notez cet échec au lieu de le traiter comme un résultat négatif. Si deux outils divergent, gardez leurs observations séparées et cherchez la raison au lieu de faire la moyenne des scores. 8. Formuler la conclusion la plus limitée que les preuves permettent Imaginez une vidéo présentée comme un événement récent. Une recherche inversée d’une image trouve une publication plus longue datant d’une année précédente. Vous disposez peut-être d’une preuve contre la date annoncée. Cela ne montre pas, à lui seul, que la vidéo a été générée par IA. À l’inverse, un créateur peut déclarer explicitement une production synthétique et fournir une provenance correspondante. Vous pouvez rapporter cette preuve attribuée tout en la distinguant d’une évaluation indépendante de chaque image. Utilisez une fiche courte : URL source, version du fichier, affirmation, horodatages examinés, constatations et questions non résolues. « Non vérifié » est un résultat valable. Pour une accusation lourde de conséquences, obtenez les éléments originaux et un examen qualifié avant d’agir. Questions fréquentes Une capture d’écran peut-elle prouver qu’une vidéo est générée par IA ? Généralement non. Une capture retire le contexte du mouvement et du son et peut montrer un moment peu représentatif. Elle peut aider à trouver une source antérieure, mais examinez aussi la séquence et le fichier original. Un clignement inhabituel est-il un test fiable de deepfake ? Aucun comportement isolé ne devrait décider du cas. Cherchez des preuves concordantes dans la source, la séquence et l’historique de production au lieu de suivre une liste figée de signes visuels. Une vidéo authentique peut-elle tout de même tromper ? Oui. La date, le lieu, la légende ou le contexte peuvent être faux même si l’enregistrement est authentique. Vérifiez ces affirmations séparément. Un détecteur vérifie-t-il chaque image et la voix ? Pas nécessairement. Lisez la couverture annoncée par le service. L’échantillonnage d’images, la classification d’échange de visages et la détection de voix synthétiques sont des capacités différentes ; ne supposez pas que l’une comprend les autres. Votre prochaine étape Enregistrez la source, sélectionnez des images représentatives et documentez l’affirmation avant une analyse. Utilisez le détecteur vidéo IA pour les vérifications prises en charge, puis combinez ses résultats avec votre enquête sur la source. Un résultat honnêtement non résolu est plus utile qu’une étiquette assurée sans preuve."}],"language":"fr"}