wiltodelta/remove-ai-watermarksEntfernt sichtbare und unsichtbare KI-Wasserzeichen sowie Provenienz-Metadaten aus Bildern und Videos. Python-Bibliothek und CLI für SynthID, C2PA, EXIF, IPTC, XMP und gängige Markierungen generativer KI.
Entfernen Sie KI-Herkunftskennzeichnungen von Bildern und Videos, die Sie selbst erstellt haben:
Die Videounterstützung umfasst Herkunftsidentifikation, vollständige Reinigung von sichtbaren Markierungen plus Metadaten, Verzeichnisstapelverarbeitung, Entfernung sichtbarer Sora-, Veo-, Seedance-, Doubao-, Dola-, Hailuo-AI- und Kling-AI-Markierungen sowie oracle-zertifizierte VAE-Regeneration zur Video-SynthID- Entfernung.
raiw.cc betreibt diese Bibliothek als gehosteten Dienst, mit GPU inklusive und ohne Installation. Die Entfernung sichtbarer Markierungen und Metadaten bei Standard- Ausgabe bis zu 12 MP ist dort kostenlos; Originalauflösung über 12 MP und Entfernung unsichtbarer Wasserzeichen sind kostenpflichtig.
Dieses Projekt ist für die rechtmäßige Nutzung an Inhalten bestimmt, die Ihnen gehören. Es zielt nicht auf Stock- Agentur-Vorschauen oder andere Wasserzeichen ab, die kostenpflichtige Inhalte Dritter schützen. Siehe Umfang, Sicherheits- und Rechtshinweise.
| Ziel | Befehl | GPU |
|---|---|---|
| Herkunftssignale und Wasserzeichen finden | identify | Nein |
| Ein Foto anhand von Pixeln klassifizieren (optional, keine Herkunft) | classify | Nein |
| Unterstütztes OpenAI-SynthID anhand von Pixeln mit der offiziellen Remote-API verifizieren | verify-openai-synthid | Nein |
| Bekannte sichtbare KI-Markierungen entfernen | visible | Nein |
| Einen ausgewählten Bereich löschen | erase | Nein |
| KI-Metadaten entfernen | metadata | Nein |
| Unterstützte Video-Herkunft identifizieren | video identify | Nein |
| Sichtbare Markierungen und KI-Metadaten aus Video entfernen | video all | Nein |
| KI-Metadaten aus Video entfernen | video metadata | Nein |
| Eine registrierte sichtbare KI-Markierung aus Video entfernen | video visible | Nein |
| Ein Verzeichnis von Videos verarbeiten | video batch | Hängt vom Modus ab |
| Video-SynthID mit dem zertifizierten VAE-Profil entfernen | video invisible | Empfohlen |
| Ein Bild regenerieren, um unsichtbare Wasserzeichen zu stören | invisible | Erforderlich (CUDA) |
| Sichtbare, unsichtbare und Metadatenentfernung ausführen | all | Empfohlen |
| Ein Verzeichnis verarbeiten | batch | Hängt vom Modus ab |
Microsoft-Paint- und Photos-InvisMark-Deklarationen werden automatisch an die
Pixelregeneration weitergeleitet. Der Befehl all entfernt sowohl das versteckte Pixel-Wasserzeichen als auch
dessen verknüpftes C2PA-Manifest; das bloße Entfernen von Metadaten entfernt nur das Manifest.
| Bedarf | Installation |
|---|---|
| Metadatenprüfung und -entfernung | remove-ai-watermarks |
| KI-gegen-Kamera-Klassifizierung von Fotos | remove-ai-watermarks[classify] |
| Offizielle Remote-OpenAI-SynthID-Verifizierung | remove-ai-watermarks[verify] |
| Sichtbare Erkennung und Entfernung | remove-ai-watermarks[visible] |
| Sichtbare Videoverarbeitung | remove-ai-watermarks[video] |
| Video-SynthID-Entfernung | remove-ai-watermarks[video,diffusion] |
| Torch-freie DWT-DCT-Erkennung | remove-ai-watermarks[detect] |
| Unsichtbare Bildentfernung (benötigt CUDA) | remove-ai-watermarks[qwen-zimage] |
| Jede Produktionsfunktion, die auf dem aktiven Python verfügbar ist | remove-ai-watermarks[all] |
Niedrigstufigere und spezialisierte Zusätze umfassen pixels, heif, trustmark,
migan, lama und diffusion. Die
Installationsanleitung dokumentiert deren genaue
Abhängigkeitszusammensetzung, Python-Kompatibilität und Modellanforderungen.
Installieren Sie die auf Metadaten fokussierte Standard-CLI:```bash uv tool install remove-ai-watermarks
Untersuche ein Bild:```bash
remove-ai-watermarks identify image.png
Um ein Foto anhand der Pixel zu klassifizieren (KI versus Kamera, optionaler Anbieter),
installieren Sie das Extra und rufen Sie classify auf. identify startet es nie:```bash
uv tool install --force "remove-ai-watermarks[classify]"
remove-ai-watermarks classify image.png
Leitfaden: [Foto-Pixelklassifizierung](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/photo-classify.md).
Signierte Provenienz ist der unterstützte Weg für SynthID und `identify` liest sie.
Es gibt keinen lokalen SynthID-Pixeldetektor im Paket. Forschung zu einem
periodischen Gitter-Experten befindet sich in `scripts/synthid_runtime/` und
[synthid-detector-research.md](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/synthid-detector-research.md).
Für unterstützte OpenAI-Bilder liefert der optionale offizielle Verifizierer ein
Pixel-Wasserzeichen-Urteil:```bash
uv tool install --force "remove-ai-watermarks[verify]"
remove-ai-watermarks verify-openai-synthid image.png --acknowledge-upload
Der Befehl entfernt KI-Herkunftsmetadaten aus einer temporären Kopie, verifiziert, dass
die dekodierten Pixel unverändert sind, lädt nur diese Kopie zu OpenAI hoch und verwendet
ausschließlich die unabhängige SynthID-Antwort. Er wird niemals implizit über identify ausgeführt.
Ein API-Schlüssel, Endpunktzugriff und eine explizite Upload-Bestätigung sind erforderlich.
Für die Entfernung sichtbarer Wasserzeichen installieren Sie die Pixel-Abhängigkeiten:```bash uv tool install --force "remove-ai-watermarks[visible]"
Dann entfernen Sie ein bekanntes sichtbares Zeichen und die KI-Metadaten:```bash
remove-ai-watermarks visible image.png -o clean.png
Streifen Sie Metadaten, ohne sichtbares Inpainting oder Diffusion auszuführen:```bash remove-ai-watermarks metadata image.png --remove -o clean.png
Ohne `-o` überschreibt dieser Befehl die Quelldatei direkt.
AI-Metadaten aus einer MP4-, MOV-, M4V-, WebM-, MKV-, AVI- oder FLV-Datei
prüfen oder entfernen:```bash
remove-ai-watermarks video metadata input.mp4 --check
remove-ai-watermarks video metadata input.mp4 --remove -o clean.mp4
Der Befehl video metadata transkodiert keine Video- oder Audiostreams. Anders
als beim obigen Bildbefehl schreibt er, wenn -o weggelassen wird, <source>_clean und
bewahrt das Original. Die MP4- und MOV-
Inspektion umfasst das native TC260-AIGC-Tag in
moov.udta.meta.keys/ilst, einschließlich eines moov, das nach der Medien-Payload platziert ist,
sowie die QuickTime-Form-meta-Varianten, die Doubaos iOS-Export schreibt (eine nackte
meta-Box als direktes moov-Kind und eine schlüssellose hdlr=mdir-Metadatenliste).
Die MKV- und WebM-Inspektion liest die normative
Segment.Tags.Tag.SimpleTag-Platzierung. AVI verwendet LIST/INFO/AIGC, während FLV
script.onMetaData.AIGC verwendet. Die Nicht-ISOBMFF-Formate werden mit Stream-
Copy zum Entfernen neu gemuxt.
Verwenden Sie den produktorientierten Videopfad, um eine Datei zu identifizieren oder zu bereinigen:```bash uv tool install --force "remove-ai-watermarks[video]" remove-ai-watermarks video identify input.mp4 remove-ai-watermarks video all input.mp4 -o clean.mp4
`video all` entfernt eine stabil registrierte sichtbare Markierung, sofern vorhanden, und
entfernt stets verifizierte KI-Metadaten. Wenn keines der beiden Signale gefunden wird, schreibt es dennoch eine
Durchreichung im selben Container, sodass aufrufende Anwendungen einen einheitlichen, vorhersehbaren Ausgabevertrag erhalten. Die Entfernung proprietärer unsichtbarer Video-Markierungen ist standardmäßig ausgeschlossen.
`--invisible` aktiviert das verlustbehaftete, oracle-zertifizierte Video-SynthID-Profil.
Verarbeite ein Verzeichnis mit demselben Vertrag:```bash
remove-ai-watermarks video batch ./videos --mode all
Entferne eine unterstützte sichtbare Videomarkierung:```bash remove-ai-watermarks video visible input.mp4 -o clean.mp4 remove-ai-watermarks video visible veo.mp4 --mark veo -o veo_clean.mp4 remove-ai-watermarks video visible seedance.mp4 --mark seedance -o seedance_clean.mp4 remove-ai-watermarks video visible dola.mp4 --mark dola -o dola_clean.mp4 remove-ai-watermarks video visible hailuo.mp4 --mark hailuo -o hailuo_clean.mp4 remove-ai-watermarks video visible kling.mp4 --mark kling -o kling_clean.mp4
Dieser Pfad scannt die vollständige Sequenz, bevor Pixel verändert werden. Er akzeptiert nur eine
Markierung, die sich an einer stabilen Position über benachbarte Frames wiederholt, und verwendet dann
dieselben OpenCV-, MI-GAN- oder LaMa-Fill-Backends wie bei der Bildentfernung. Audio wird ohne
Neucodierung kopiert und darf sein natürliches Ende erreichen; der Videostream wird transcodiert, da sich
seine Pixel ändern. Standardmäßig richtet ein abgesicherter optischer Fluss die zuvor akzeptierte Füllung
bewegungsmäßig aus und blendet sie nur ein, wenn der nahegelegene Quellkontext übereinstimmt; verwenden
Sie `--no-temporal-consistency`, um dies zu deaktivieren. Der Encoder bewahrt unterstützte
8-Bit-Quell-Chroma-Sampling, Farbkennzeichnungen und die MP4/MOV-Track-Zeitskala, anstatt sich auf
ffmpegs implizite Raw-BGR-Standardwerte zu verlassen. Variable Frame-Intervalle werden über eine mit
Zeitstempeln versehene In-Memory-NUT-Brücke bewahrt, anstatt auf die durchschnittliche Bildrate
reduziert zu werden. Nicht-Null-Quell-Startzeitstempel werden zusammen mit dem kopierten Audio-Offset
beibehalten. Der Standardwert `--mark auto`
scannt alle Anbieter in einem einzigen Decode-Durchlauf und wählt die erste stabile Übereinstimmung in
der unten gezeigten Spezifitätsreihenfolge aus. Übergeben Sie eine explizite Markierung, um die Erkennung
auf einen Anbieter zu beschränken.
Sora deckt das bewegte Sora-2-Maskottchen und das Wortzeichen ab. Veo deckt sowohl die aktuelle
Vier-Punkt-Raute als auch den älteren `Veo`-Text ab. Seedance deckt das feste, umrahmte
`AI`-Label ab, Dola deckt den festen `Dola AI`-Text ab, Hailuo AI deckt das zusammengesetzte
`MINIMAX | hailuo AI`-Label ab, und Kling AI deckt das `KLING AI`-Label unten rechts
mit seinem Versionssuffix ab. Eine abgeschlossene Codierung wird atomar veröffentlicht. Es wird keine
Ausgabe geschrieben, wenn keine stabile Markierung gefunden wird.
HDR-, PQ/HLG- und Eingaben mit mehr als 8 Bit werden vor der Codierung abgelehnt, anstatt stillschweigend
über die 8-Bit-BGR-Grenze von OpenCV reduziert zu werden.
Video-SynthID entfernen:```bash
uv tool install --force "remove-ai-watermarks[video,diffusion]"
remove-ai-watermarks video invisible input.mp4 -o clean.mp4
Dieser Pfad regeneriert die vollständige Sequenz mit einem über die Zeit hinweg gemeinsam genutzten Latent-Noise-Feld, kopiert das vollständige Audio, entfernt Quell-Metadaten und veröffentlicht den abgeschlossenen Encode atomar. Das Standardprofil noise_std=0.15 bestand sowohl die Kalibrierung mit zwei Trägern als auch einen vollständigen öffentlichen Acht-Sekunden-Veo-Oracle-Check. Google veröffentlicht keinen lokalen Decoder, daher bleibt eine frische Provider-Prüfung für ungewöhnlich wichtige Dateien oder nach Provider-Änderungen nützlich, ist jedoch kein Produktergebniszustand.
Für die Entfernung unsichtbarer Wasserzeichen installieren Sie das Extra qwen-zimage. Eine NVIDIA-GPU ist erforderlich: Alle Profile sind ausschließlich CUDA-basiert, und es gibt keinen CPU- oder MPS-Fallback.```bash
uv tool install --force "remove-ai-watermarks[qwen-zimage]"
remove-ai-watermarks invisible image.png -o clean.png
Wenn die lokalen Detektoren ein unsichtbares Wasserzeichen nicht bestätigen können, du aber weißt, dass das Bild von einem KI-Generator stammt, füge `--force` hinzu:```bash
remove-ai-watermarks invisible image.png -o clean.png --force
Bildlastige Seiten können optional den experimentellen Nachbearbeitungsschritt für verifizierten Text nutzen. Dieser akzeptiert manuell geprüfte Zeichenketten und Zeilenboxen oder ein vom Bediener verifiziertes, rein geometrisches Manifest; er behandelt rohe OCR-Ausgaben niemals als Grundwahrheit und läuft nicht automatisch ab:```bash
uv tool install --force "remove-ai-watermarks[text-restoration]"
remove-ai-watermarks invisible image.png -o clean.png
--text-manifest verified-lines.json --force
Siehe den [CLI-Leitfaden](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/cli.md#restore-operator-verified-text) für das Manifest-Schema, Kompatibilitätseinschränkungen und Oracle-Hinweise.
Siehe den [Installationsleitfaden](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/installation.md) für Homebrew, uv, optionale Funktionen und Entwicklungseinrichtung.
## Beispiele
### Sichtbares Gemini-Wasserzeichen
| Vorher | Nachher |
| --- | --- |
|  |  |
Das `after`-Raster wird aus dem verfolgten `before`-Raster über den öffentlichen Pfad generiert:```bash
uv run remove-ai-watermarks visible demo_banana_before.png \
--backend cv2 -o demo_banana_after.png
qwen-zimage ist das Standardprofil: ein Qwen-Image-2512-Lightning-Durchlauf unter Canny
ControlNet, gefolgt von einer SAM-maskierten Z-Image-Reparatur jedes erkannten Gesichts. Die
Alternative, sdxl-zimage, tauscht die globale Stufe gegen SDXL und behält dieselbe Gesichtsstufe
bei. Ein drittes Profil, chroma-zimage, verwendet den Apache-2.0-Chroma1-Globaldurchlauf
mit eigenen flachen Vendor-Böden; siehe docs/chroma1-engine-research.md für die
Kalibrierung. --pipeline auto wählt chroma-zimage für OpenAI- und Microsoft-
Herkunft und andernfalls qwen-zimage. Alle sind nur für CUDA.```bash
uv tool install --force "remove-ai-watermarks[qwen-zimage]"
remove-ai-watermarks invisible image.png -o clean.png --force
| OpenAI-Beispiel vorher | OpenAI-Beispiel nachher |
| --- | --- |
| [](data/synthid/originals/ChatGPT%20Image%20May%2030,%202026,%2010_31_08%20AM.png) | [](docs/images/qwen-zimage/ChatGPT/ChatGPT%20Image%20May%2030,%202026,%2010_31_08%20AM_full_clean.png) |
| Gemini-Beispiel vorher | Gemini-Beispiel nachher |
| --- | --- |
| [](data/synthid/originals/Gemini_Generated_Image_633uuy633uuy633u.png) | [](docs/images/qwen-zimage/Gemini/Gemini_Generated_Image_633uuy633uuy633u_full_clean.png) |
Diese exakten Ausgabedateien wurden mit den passenden Prüfprogrammen der jeweiligen Anbieter verifiziert. Dieses
Ergebnis gilt für diese Dateien, nicht für jeden Seed, jedes Bild oder jede zukünftige
Wasserzeichenversion.
## Häufige Rezepte
### Jede erkannte sichtbare Markierung entfernen```bash
remove-ai-watermarks visible image.png -o clean.png
Die Standardoption --mark auto prüft alle registrierten sichtbaren Markierungen und entfernt jede
Übereinstimmung. Wenn die Markierung für dich sichtbar ist, der Detektor sie aber übersieht, wähle ihre
Region explizit aus:```bash
remove-ai-watermarks erase image.png
--region 1640,1930,400,100
-o clean.png
`--region` verwendet `x,y,width,height` und kann wiederholt werden.
### Ein gelerntes Fill-Backend verwenden
Das `visible`-Extra verwendet OpenCV-Inpainting, wenn kein gelerntes Backend installiert ist.
Für schwierigere Hintergründe enthalten die Extras für gelernte Backends dieselben
Pixelabhängigkeiten automatisch:```bash
uv tool install --force "remove-ai-watermarks[migan]"
remove-ai-watermarks visible image.png -o clean.png --backend migan
I need the actual content of chunk 41 to translate it. Please provide the Markdown text you'd like translated from English to German.```bash uv tool install --force "remove-ai-watermarks[lama]" remove-ai-watermarks visible image.png -o clean.png --backend lama
### CUDA-Speichernutzung reduzieren```bash
remove-ai-watermarks invisible image.png -o clean.png \
--cpu-offload --force
CPU-Offload reduziert den CUDA-Speicherdruck, indem Modellkomponenten zwischen CPU und GPU verschoben werden, auf Kosten der Geschwindigkeit.
remove-ai-watermarks batch ./images --mode visible remove-ai-watermarks batch ./images --mode all
## Was das Tool erkennen kann
Die Erkennung sichtbarer Markierungen umfasst:
- Google Gemini und das sichtbare Glitzer-Wasserzeichen von Nano Banana;
- Doubao, das Jimeng-Wortzeichen und die `AI生成`-Pille oben links, Qwen, Kling AI,
Yuanbao, Baidu, LiblibAI- und RunningHub-Labels;
- eine kalibrierte Microsoft-Variante des weißen AI-Badges oben rechts;
- eine kalibrierte Samsung Galaxy AI-Label-Variante.
Die Prüfung von Metadaten und Provenienz umfasst C2PA, EXIF, XMP, IPTC, gängige
Generatorparameter, China-TC260-AIGC-Labels sowie mehrere herstellerspezifische
Signale. Optionale Decoder erweitern die Unterstützung um offene DWT-DCT-Wasserzeichen und Adobe
TrustMark.
Die genaue Unterstützungsmatrix, einschließlich wichtiger Locale- und Detektor-Einschränkungen, finden Sie
unter [supported signals](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/supported-signals.md). Die
[synthetische Beispielgalerie](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/data/fixtures/visible/README.md) enthält ein kanonisches
Beispiel für jedes registrierte Bild- und Videomarkenzeichen.
## So funktioniert es
Die Entfernung sichtbarer Markierungen erfolgt in drei Schritten:
1. Erkennen einer registrierten Markierung in ihrem erwarteten Bereich.
2. Erstellen einer Maske um die Markierung.
3. Auffüllen nur des maskierten Bereichs mit OpenCV, MI-GAN oder LaMa.
Die Metadatenentfernung verwendet formatbewusstes Stripping. Die JPEG-Metadatenentfernung bewahrt
den codierten Bildscan, anstatt das Bild neu zu komprimieren. Native MP4/MOV-TC260-Werte
werden geleert, ohne Boxgrößen oder Medien-Offsets zu verändern. Andere unterstützte
Container verwenden ihren entsprechenden Metadatenpfad.
Die Entfernung unsichtbarer Markierungen ist anders. Sie regeneriert das Bild über eine Diffusions-
Pipeline, um Pixel- und Frequenzbereichs-Wasserzeichen zu stören. Dies verändert das
Bild und kann nicht garantieren, dass ein proprietärer Verifizierer jede
Ausgabe ablehnt.
Siehe [supported signals](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/supported-signals.md) und
[known limitations](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/known-limitations.md) für die vollständige technische Abgrenzung.
## Python-API
Die API zur Entfernung sichtbarer Markierungen erfordert `remove-ai-watermarks[visible]`.```python
import remove_ai_watermarks as raiw
result, removed = raiw.remove_visible("watermarked.png", "clean.png")
print(removed)
openai_synthid = raiw.verify_openai_synthid("image.png", acknowledge_upload=True)
print(openai_synthid.status)
provenance = raiw.identify_video("input.mp4")
report = raiw.inspect_video_metadata("input.mp4")
complete = raiw.remove_video_all("input.mp4", "clean.mp4")
batch = raiw.remove_video_batch("videos", "videos_clean")
cleaned = raiw.remove_video_metadata("input.mp4")
synthid_cleaned = raiw.remove_video_invisible("input.mp4", "synthid_clean.mp4")
visible = raiw.remove_video_visible("input.mp4", "clean.mp4")
print(visible.mark)
veo = raiw.remove_video_visible("veo.mp4", "veo_clean.mp4", mark="veo")
seedance = raiw.remove_video_visible(
"seedance.mp4",
"seedance_clean.mp4",
mark="seedance",
)
dola = raiw.remove_video_visible("dola.mp4", "dola_clean.mp4", mark="dola")
Die High-Level-API akzeptiert einen Dateipfad oder ein BGR-NumPy-Array. Bei Pfad-Eingaben liest sie auch Provenienz-Metadaten, erhält Alpha und kann KI-Metadaten aus dem geschriebenen Ergebnis entfernen.
Siehe die Python-API-Anleitung für sichtbare Entfernung, die vollständige
remove_all- und remove_batch-Pipeline, Provenienz-Inspektion, Metadaten-
Entfernung und Diffusions-Nutzung.
Das separate ComfyUI Remove AI Watermarks-Paket bietet Nodes für sichtbare Entfernung, Erkennung, Regions-Löschung und unsichtbare Entfernung.
Veo-Textlogo, das Seedance-eingerahmte AI-Label sowie die festen
Doubao-, Dola-, Hailuo-AI- und Kling-AI-Labels. Sie erkennt nicht den älteren Sora-Turbo-
Eckwirbel oder nicht registrierte Layouts dieser Anbieter.
Das klassische OpenCV-Backend kann strukturierte Hintergründe verschmieren; verwenden Sie MI-GAN oder
LaMa, wenn die Wiederherstellungsqualität wichtig ist.identify laufen weiterhin überall.Der mitgelieferte Befehl video invisible verwendet das zertifizierte noise_std=0.15-Profil.
Das begleitende Forschungs-Harness scripts/video_synthid_sweep.py erstellt
eine abgestimmte Re-Encode-Kontrolle plus VAE-regenerierte Kandidaten und lässt das
Verifizierer-Urteil leer:```bash
uv run --extra video --extra diffusion python scripts/video_synthid_sweep.py input.mp4 -o sweep/
Um zu bewerten, was eine Ausgabe tatsächlich gekostet hat, verwenden Sie `scripts/video_fidelity_probe.py`:
das eigene PSNR der Engine wird vor der Größenänderung und der Kodierung gemessen, sodass nur die
Sonde das gelieferte Bild sieht.```bash
uv run --extra video python scripts/video_fidelity_probe.py input.mp4 input_clean.mp4
Die Kontrolle muss weiterhin SynthID-positiv sein, bevor ein negatives Kandidatenobjekt
als Entfernungsnachweis zählen kann. In der Zwei-Clip-Kalibrierung vom 29.07.2026 waren beide
zugehörigen Kontrollen im integrierten SynthID-Verifizierer von Gemini positiv; das stärkere
Kandidatenobjekt war auf beiden Trägern negativ, während ein schwächeres Kandidatenobjekt auf
einem negativ war. Eine spätere adversariale Folgeprüfung, die normales Gemini bat, das
Pixelergebnis neu zu interpretieren, gab UNAVAILABLE zurück; diese Folgeprüfung war kein
erneuter Verifiziererlauf und macht die integrierten Urteile nicht ungültig. Eine
Vollclip-Prüfung vom 31.07.2026 an einer öffentlichen Acht-Sekunden-Veo-Probe ergab, dass 0.10
weiterhin erkannt und 0.15 nicht erkannt wurde, daher ist 0.15 nun der zertifizierte
Standardwert. Die reproduzierbaren Hashes und Urteile für diese Vollclip-Prüfung – ein Träger,
zwei Zeilen – befinden sich in data/evaluations/video-synthid-oracle.csv. Die frühere
Zwei-Clip-Kalibrierung ist nur narrativ: Ihre Urteile wurden nicht in einem nachverfolgten
Manifest aufgezeichnet, daher ist der zertifizierte Standardwert als auf den Zeilen vom
31.07.2026 beruhend zu behandeln.
Beginnen Sie mit dem Dokumentationsindex.
Forschungshinweise und historische Experimente sind separat im Dokumentationsindex aufgeführt. Sie erläutern frühere Entscheidungen, definieren jedoch nicht die aktuelle öffentliche API.
Installieren Sie die Entwicklungsumgebung und führen Sie das Projekt-Gate aus:```bash uv sync --frozen --extra dev bash maintain.sh
Siehe [Modul-Interna](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/docs/module-internals.md), bevor Sie ein Subsystem
mit dokumentierten Invarianten ändern.
## Lizenz
[Apache 2.0](https://github.com/wiltodelta/remove-ai-watermarks/blob/main/LICENSE). Urheberrecht 2025-2026 wiltodelta.