AI生成画像の確認方法【2026年版ガイド】

OpenAIは、「より安全で透明性の高いAIエコシステムのためのコンテンツプロベナンスの推進」を公開しました。内容は、OpenAIがC2PA運営委員会に参加し、生成画像にGoogleのSynthIDウォーターマークを追加し始め、OpenAI製画像かどうかを判別する公開ツールをプレビューし、研究者アクセスプログラム経由でDALL-E 3画像検出分類器へのアクセスを公開した、というものです。つまり「この画像は本物か？」は、ファクトチェッカーだけでなく、ジャーナリスト、採用担当者、出会い系アプリ利用者、保険査定人、一般ユーザーが日常的に確認する項目になっています。

今すぐApidogを試す

💡 開発者にとって「画像をチェックする」実用的な方法は、多くの場合、検出APIをアプリに組み込み、期待どおりに動くことを検証することです。これは、出荷前にApidogでテストするような統合です。開発者でない場合でも、この記事の手順は無料のブラウザツールで実行できます。

要約

画像がAI生成かどうかを確認するには、信頼性の高い順にチェックします。

1. 元ファイルを入手する
2. C2PAコンテンツ認証情報を確認する
3. SynthIDなどの不可視ウォーターマークを検出する
4. ML検出分類器またはAPIを実行する
5. 画像を目視で確認する
6. 画像検索で履歴を調べる
7. 単独の結果ではなく、証拠全体で判断する

どの方法も単独では決定的ではありません。C2PAの来歴メタデータは、存在すれば最も強いシグナルですが、スクリーンショットや再保存で消えることがあります。透かしは強力ですが、モデルやプロバイダーに依存します。分類器は広く使えますが、確率的で誤検知があります。

実務では、以下の順番で進めるのが最も効率的です。

元ファイル
  ↓
C2PA確認
  ↓
SynthID確認
  ↓
検出API / 分類器
  ↓
目視確認
  ↓
画像検索
  ↓
確信度として結論を書く

なぜAI画像の判定は難しいのか

数年前なら、AI画像は手や文字を見るだけで判別できることが多くありました。指が6本ある、背景の文字が崩れている、眼鏡が顔に溶け込む、といった特徴が目立っていたためです。

しかし現在の主要な画像生成モデルでは、その前提は通用しません。高品質な生成画像は、通常の目視確認を簡単に通過します。人間の目だけを検出器として使うのは危険です。

そこで重要になるのが、次の2つです。

• 来歴（プロベナンス）：画像の作成元や編集履歴を、署名付きメタデータとして保存する
• 透かし（ウォーターマーク）：ピクセル内に、人間には見えない検出用シグナルを埋め込む

どちらも強力ですが、生成側の協力が必要です。また、意図的に削除・劣化される可能性もあります。

そのため、実装や調査では単一のツールに頼らず、複数のシグナルを順番に確認します。

• C2PAは強いが、メタデータが消えることがある
• SynthIDは強いが、対応モデルに限られる
• ML分類器は広く使えるが、誤検知がある
• 目視確認は簡単だが、最新モデルには弱い
• 画像検索は文脈確認に有効だが、新規生成画像には弱い

方法1：C2PAコンテンツ認証情報を確認する

C2PAは「Coalition for Content Provenance and Authenticity」の略です。Adobe、Microsoft、Google、OpenAI、BBC、主要カメラメーカーなどが支援するオープン標準で、メディアファイルに暗号署名付きの来歴メタデータを付与します。

ユーザー向けには、これがコンテンツ認証情報として表示されます。

C2PA対応ツールで画像が作成・編集されると、次のような情報を含むマニフェストが画像に書き込まれます。

• どのソフトウェアで作成されたか
• いつ作成されたか
• AIが関与したか
• どのような編集が行われたか
• 署名が有効か

OpenAIは2024年以来、DALL-E 3画像にC2PAコンテンツ認証情報を付与しており、2026年5月の発表でC2PA準拠のジェネレーターになったことを確認しました。

確認手順

1. 元の画像ファイルを入手する

   • スクリーンショットやSNSから保存した画像ではなく、可能な限り元ファイルを使います。

2. コンテンツ認証情報インスペクターを開く

   • 公式ツールは contentcredentials.org にあります。

3. 画像をアップロードまたはドラッグする

   • ブラウザ内で検証できます。

4. 結果を確認する

   • 有効なマニフェストがある
   • コンテンツ認証情報がない
   • マニフェストが無効または改ざんされている

有効なマニフェストがあれば、その画像が特定のAIツールで生成されたこと、または特定のカメラで撮影され、特定のソフトウェアで編集されたことを確認できます。

注意点

C2PAは強力ですが、万能ではありません。

次の操作で情報が失われる可能性があります。

• スクリーンショット

  • 新しい画像ファイルになるため、元のマニフェストは引き継がれません。

• 再エンコード

  • 「名前を付けて保存」や形式変換でメタデータが削除される場合があります。

• SNSやプラットフォームへのアップロード

  • 一部のプラットフォームは、アップロード時にC2PAメタデータを削除または保持しません。

• 意図的な削除

  • 来歴を隠したい人は、メタデータを短時間で削除できます。

また、C2PAが検証するのはマニフェストの完全性であり、画像内容の真実性ではありません。署名後に改ざんされていないことは分かりますが、その写真が現実を正しく表しているとは限りません。

方法2：SynthIDなどの不可視ウォーターマークを検出する

C2PAが「ファイル外側に貼られた領収書」だとすれば、不可視ウォーターマークは「ピクセル内に織り込まれたパターン」です。

Google DeepMindのSynthIDは、GeminiやImagenなどで生成された画像のピクセルに、人間には見えない信号を埋め込みます。この信号は、対応する検出器で後から読み取れます。

C2PAとの違いは、ウォーターマークがピクセル内にある点です。そのため、次のような操作に比較的強い特徴があります。

• スクリーンショット
• トリミング
• 圧縮
• 色調整
• 再保存

Googleによると、SynthIDは画像、音声、動画、テキストを含む数十億件のAIコンテンツに適用されてきました。2026年5月の発表以降、OpenAIも生成画像にSynthIDウォーターマークを追加しているため、GoogleとOpenAIの主要生成画像を同一系統の検出で扱えるようになります。

確認手順

1. SynthID検出ポータルを開く
2. 画像をアップロードする
3. ウォーターマークの有無を確認する
4. 必要に応じて、検出された領域を確認する

技術背景は、Google DeepMindのSynthIDページで確認できます。

注意点

SynthIDの陽性結果は強い証拠になりますが、陰性結果は「人間が作った」という意味ではありません。

理由は次のとおりです。

• モデル固有である

  • SynthIDは、SynthID対応モデルで生成されたコンテンツを検出します。
  • Midjourney、Stable Diffusion、透かしなしモデルは対象外です。

• カバレッジが限定的

  • 透かしはプロバイダーごとの対応に依存します。

• 大幅な編集で劣化する可能性がある

  • 極端な圧縮、再生成、強い編集でシグナルが弱まることがあります。

実務では、SynthIDの結果は次のように扱います。

SynthID陽性 → AI生成の強い証拠
SynthID陰性 → 判断不能。次の方法へ進む

方法3：ML検出分類器またはAPIを使う

C2PAも透かしも見つからない場合、次に使うのがML検出分類器です。

これは、大量の実画像と合成画像で学習されたモデルで、AI画像に残る統計的特徴を検出します。

例：

• センサーノイズの欠如
• 周波数領域のアーティファクト
• 不自然なテクスチャパターン
• 生成モデル特有のピクセル分布

分類器は、次のようなスコアを返します。

{
  "ai_probability": 0.87,
  "label": "likely_ai_generated"
}

2026年の独立ベンチマークでは、主要な検出器が標準テストセットで90%台の精度を達成している例があります。ただし、実際の性能は、生成元モデル、圧縮、編集、画像の種類によって変わります。

OpenAIが2026年5月に研究者向けに公開したDALL-E 3検出分類器も、このカテゴリに含まれます。

開発者向け：検出APIをアプリに組み込む

アプリケーションに画像検出を組み込む場合は、検出APIを呼び出して、レスポンスを業務ロジックに接続します。

典型的な流れは次のとおりです。

ユーザーが画像をアップロード
  ↓
バックエンドが検出APIへ画像を送信
  ↓
AI生成確率を取得
  ↓
しきい値に応じてフラグ付け
  ↓
必要なら人間のレビューへ回す

疑似コード例：

const formData = new FormData();
formData.append("image", file);

const response = await fetch("https://example-detector-api.com/v1/detect", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.DETECTOR_API_KEY}`
  },
  body: formData
});

const result = await response.json();

if (result.ai_probability >= 0.9) {
  status = "high_confidence_ai";
} else if (result.ai_probability >= 0.6) {
  status = "needs_review";
} else {
  status = "low_confidence_ai";
}

検出APIを比較する場合は、開発者向けの最高のAI画像検出APIで、精度、価格、対応モデルを確認できます。

独自の検出パイプラインを構築したい場合は、独自のAI画像検出APIを構築する方法で、分類器のトレーニングと提供の流れを確認できます。

API統合では、実際のテスト画像をエンドポイントに送り、レスポンス形式、しきい値、エラー処理を確認する必要があります。Apidogを使うと、保存した環境でリクエストを再生し、開発環境と本番環境で検出チェックが同じように動作するか検証できます。

検出ロジックをAIエージェントに組み込んでいる場合は、Apidog AIエージェントデバッガーで、モデルが送受信した内容を追跡できます。

注意点

分類器は広く使えますが、最も不確実な方法でもあります。

• 誤検知がある

  • 編集済み写真、スクリーンショット、低照度写真、滑らかな表面の多い画像がAIと誤判定されることがあります。

• 新しいモデルに弱い

  • 分類器の学習後に登場した生成モデルには、精度が落ちることがあります。

• 敵対的編集で回避される可能性がある

  • ノイズ追加、再圧縮、フィルターで判定が変わる場合があります。

• スコアは判決ではない

  • 「AI生成の可能性73%」は、不確実性を含む確率です。

分類器の失敗パターンについては、AI画像検出が失敗する理由で詳しく説明しています。

重要なのは、単一の分類器スコアだけで、不正や詐欺を断定しないことです。

方法4：手動で視覚検査する

目視確認は誰でも使えますが、最後の補助的な確認として扱うべきです。

古いモデルや低品質な出力では、次の特徴がまだ役立ちます。

• 手と指

  • 指の本数、関節、癒合した指、不自然な曲がり方を見る

• テキスト

  • 看板、本の背表紙、ポスター、衣類ロゴが崩れていないか確認する

• 歯とジュエリー

  • 歯の本数や大きさ、イヤリングの左右差、ネックレスの不自然な接続を見る

• 関節とアクセサリー

  • 時計、眼鏡、ベルトなどが身体と自然につながっているか確認する

• 反射と影

  • 鏡、サングラス、水面、影の方向が整合しているかを見る

• 照明と物理

  • 光源の方向、背景のぼけ方、被写体との整合性を見る

• 背景

  • 繰り返しテクスチャ、溶け合う物体、不可能な建築構造を探す

• 解像度

  • 既知の生成モデルのデフォルト解像度と一致するか確認する。ただし、これは証拠ではなくヒントです。

• 肌とテクスチャ

  • エアブラシのような均一さ、毛穴や微細な非対称性の欠如を見る

目視確認の限界

現在のトップティアモデルでは、手動検査は簡単に失敗します。

最新の生成モデルは、多くの場合、自然な手、読みやすい文字、一貫した照明を生成します。また、意図的にフェイク画像を使う人は、失敗した出力を捨てて、よくできた画像だけを選びます。

したがって、目視確認の正しい使い方は次の2つです。

明らかな破綻を見つけた → AI生成の強いヒント
破綻が見つからない → 本物とは言えない

「おかしいところがない」ことは、「本物である」ことの証明ではありません。

方法5：画像検索で履歴を確認する

画像検索は、AIのピクセル指紋を検出する方法ではありません。画像の履歴と文脈を確認する方法です。

Google画像検索、TinEye、類似サービスを使って、画像が過去にどこで使われていたかを調べます。

確認ポイントは次のとおりです。

• 明確な出所があるか

  • ストックフォト、写真家のポートフォリオ、過去のニュース記事に遡れる場合、現在のAIブーム以前の写真である可能性があります。

• AI由来の出所があるか

  • AIアートコミュニティ、Midjourneyギャラリー、プロンプト共有サイトに出ていれば、強い証拠になります。

• 不審なプロフィールに使われていないか

  • 同じ人物画像が複数の無関係なプロフィールに出ている場合、合成アイデンティティの可能性があります。

• 文脈が一致しているか

  • 速報画像として出回っているものが、実は数年前や別の国の画像だった場合、AIかどうかに関係なく誤表示です。

画像検索は、新しく生成されて一度も投稿されていない画像には弱いです。ただし、流通済み画像の確認には非常に有効です。

5つの方法の比較

方法	信頼性	検出できるもの	見逃すもの	労力 / コスト
C2PAコンテンツ認証情報	存在する場合は最高	出所、編集履歴、AI関与、署名済み来歴	スクリーンショット、再エンコード、メタデータ削除済み画像	低。無料ブラウザツール
不可視ウォーターマーク（SynthID）	存在する場合は高い	GoogleやOpenAIなど、対応モデル由来のAI画像	透かしなしモデル、オープンソース生成、強く劣化した画像	低。無料ポータル
ML検出分類器 / API	中程度。確率的	メタデータなし画像の統計的AI特徴	新モデル、敵対的編集、誤検知	低〜中。無料ツールまたは有料API
手動視覚検査	最新モデルでは低い	明らかな破綻、低品質な生成画像	高品質モデル、厳選済みフェイク	低。無料だが経験が必要
画像検索	中程度。間接的	出所、再利用、誤表示	未投稿の新規生成画像	低。無料

実務上のパターンは次のとおりです。

方法1・2 → 成功すれば強い証拠。ただし空振りが多い
方法3〜5 → 何らかの情報は得られる。ただし確実ではない

複数の方法を組み合わせて結論を出す

判断フローはシンプルです。

1. 元ファイルがあるか確認する

   • ある場合はC2PAを確認します。
   • 有効なAIマニフェストがあれば、AI生成の強い証拠です。
   • 有効なカメラマニフェストがあれば、実写である強い証拠になります。

2. SynthIDをスキャンする

   • 陽性ならAI生成の強い証拠です。
   • 陰性でも、AIではないとは言えません。

3. 分類器を実行する

   • 90%以上など非常に高いスコアで、他の証拠とも一致するなら強い判断材料になります。
   • 中間スコアは未確定として扱います。

4. 目視で確認する

   • 明確な破綻があればAI生成のヒントになります。
   • 破綻がないことは本物の証拠ではありません。

5. 画像検索する

   • 元の出所、過去の使用例、文脈の不一致を確認します。

6. 結論は確信度で書く

   • 「AI生成である確信度が高い」
   • 「未確定」
   • 「実写である可能性が高い」

避けるべき表現：

これはフェイクだ

推奨する表現：

SynthID陽性と分類器スコア94%に基づき、AI生成である確信度が高い。

あなたが行っているのは、スイッチをオン・オフする判定ではなく、証拠の評価です。

結論

2026年時点で、画像がAI生成かどうかを確認する作業は、単一のテストではなく、複数の証拠を積み上げるプロセスです。

実務では、次の順番で確認してください。

1. C2PAコンテンツ認証情報
2. SynthIDなどの不可視ウォーターマーク
3. ML分類器または検出API
4. 手動の視覚検査
5. 画像検索

重要なポイントは次のとおりです。

• C2PAと透かしは、機能すれば非常に強い証拠になる
• ただし、メタデータ削除やモデル非対応で空振りすることがある
• 分類器は便利だが、誤検知がある
• 目視確認だけで本物とは判断できない
• OpenAIの2026年5月の発表は、C2PAとSynthIDの採用が業界標準化に向かっている点で重要
• 結論は常に「確信度」として報告する
• 証拠が空、または矛盾する場合は「未確定」と明記する

製品に画像検出機能を組み込む開発者は、次のステップとして検出APIを接続し、実際の入力でレスポンスを検証してください。Apidogをダウンロードすれば、保存済みリクエスト、環境、デバッグ機能を使って、画像チェックエンドポイントを1つのワークスペースで設計・テストできます。