Como remover a marca d'água do Claude?

A partir de agosto de 2026, cada bloco de texto gerado pelo Claude carrega uma marca d'água invisível. Você não pode vê-la, o corretor ortográfico não a sinalizará, e ela sobrevive a um copiar-colar do Claude diretamente para o seu documento. A Anthropic a construiu para que o texto escrito por IA possa ser rastreado até o modelo, e a marca viaja silenciosamente dentro das próprias palavras.

Se você é o proprietário do conteúdo que gerou e deseja remover essa "impressão digital", um projeto de código aberto chamado watermarks-remover é a ferramenta que a maioria das pessoas está procurando. Este guia explica o que é a marca d'água do Claude, o que a ferramenta pode e não pode remover, e exatamente como executá-la.

Uma palavra antes de começarmos: trata-se de higiene e privacidade em textos e arquivos que você possui. Remover uma marca de proveniência para cometer fraude acadêmica, contornar uma política de divulgação ou apresentar trabalho de IA como humano sob um contrato que o proíbe é uma má ideia e, muitas vezes, vai contra as regras que o vinculam. Conheça os termos sob os quais você está operando.

TL;DR

• O que é a marca: O Claude ajusta suas escolhas de palavras de acordo com uma chave secreta, deixando uma assinatura estatística espalhada por uma passagem. Não é um caractere oculto que você pode encontrar e excluir. Há também uma tag de metadados C2PA separada, em nível de arquivo, em imagens e alguns documentos.
• O que sobrevive: A marca estatística de texto sobrevive ao copiar-colar. Ela se degrada sob paráfrases, edições pesadas e traduções. É fraca ou ausente em passagens curtas e em código (formatadores eliminam o pouco sinal que existe).
• A ferramenta: watermarks-remover é um kit de ferramentas com licença MIT, Python 3.10+, baseado na biblioteca padrão. Ele lida com duas tarefas diferentes em duas camadas distintas.
• Camada A (determinística): Remove caracteres Unicode invisíveis, espaços exóticos, caracteres bidirecionais e caracteres de tag de texto. Rápido, testável, sem perdas. Esta é a parte confiável.
• Camada B (estatística): Ataca a marca d'água de amostragem de tokens reescrevendo o texto. Apenas melhor esforço, e a reformulação degrada sua prosa.
• Arquivos: Remove C2PA, EXIF, XMP e propriedades de documentos de PNG, JPEG, SVG, PDF, DOCX, ODT, HTML e Markdown.
• A pegadinha honesta: Uma remoção determinística limpa é fácil. Remover completamente a marca d'água estatística significa reescrever o conteúdo, o que é exatamente o compromisso de qualidade que você estava tentando evitar.

O que realmente é a marca d'água do Claude

Comece com o que a maioria das pessoas entende errado. A marca d'água de texto do Claude não é uma sequência de caracteres ocultos entre suas palavras. Não há espaço de largura zero para procurar, nenhum glifo suspeito para isolar, nenhuma espaçamento estranho para medir.

Em vez disso, a marca reside nas próprias palavras. Quando o Claude gera texto, a cada passo ele escolhe o próximo token de um conjunto de candidatos estatisticamente quase equivalentes. A marca d'água influencia essa escolha de acordo com uma chave secreta. Em uma passagem suficientemente longa, essas escolhas sutis se somam a uma assinatura estatística detectável. Leia uma frase e você nunca saberia. Alimente algumas centenas de palavras para um detector que possui a chave e o padrão aparece.

Esse design tem duas consequências que importam para a remoção:

• Ela sobrevive ao copiar-colar. Como o sinal está incorporado na escolha das palavras, e não nos metadados, mover o texto de um aplicativo para outro leva a marca d'água junto.
• É frágil sob edição. Mude palavras suficientes e você quebra o padrão estatístico. Parafraseie, traduza ou misture a saída do Claude com sua própria escrita e o sinal se degrada.

A Anthropic lançou isso em nível de modelo a partir de 2 de agosto de 2026, o que significa que nenhuma superfície de produto fica de fora. Aplicativos Claude, a API, Claude Code e acesso de terceiros via AWS, Google Cloud e Microsoft Foundry, todos emitem a marca. A Anthropic afirmou que uma API de detecção está a caminho para que usuários e terceiros possam verificá-la. Se você quiser saber mais sobre como a linha de modelos e as políticas de acesso da Anthropic têm mudado, abordamos um episódio relacionado em Fable 5 Is Down for Everyone.

Uma ressalva que vale a pena repetir, porque funciona nos dois sentidos: uma detecção positiva significa que o texto pode ter passado pelo Claude, não que alguém trapaceou. Revisão, tradução e resumo deixam o mesmo rastro que a escrita fantasma.

Duas marcas d'água diferentes, duas soluções diferentes

O watermarks-remover divide o trabalho em camadas porque o Claude (e outros fornecedores) usam, na verdade, dois sistemas de marcação não relacionados, e eles precisam de tratamento completamente diferente.

Camada A, remoção determinística de caracteres. Isso visa o Unicode invisível: espaços de largura zero, espaços em branco exóticos, controles de texto bidirecionais e caracteres de tag Unicode. Algumas ferramentas e pipelines incorporam dados de proveniência ou rastreamento dessa forma. A Camada A é puro Python sem modelo envolvido, então é determinística, testável e sem perdas; ela remove lixo sem tocar em sua prosa real. Esta é a parte que "simplesmente funciona".

Camada B, reescrita estatística. Esta é a camada direcionada à marca d'água de amostragem de tokens do Claude, descrita acima. Como o sinal é a escolha das palavras, a única maneira de removê-lo é mudar as palavras: reescrever o texto frase por frase. O projeto é direto ao afirmar que isso é um "melhor esforço", não uma garantia, e que a reformulação aplaina o estilo e pode diminuir a precisão.

Arquivos, remoção de metadados. Separadamente do texto, a ferramenta limpa manifestos C2PA, EXIF, XMP e propriedades de documentos de PNG, JPEG, SVG, PDF, DOCX, ODT, HTML e Markdown. C2PA é o padrão da Coalition for Content Provenance and Authenticity, um manifesto assinado que acompanha um arquivo. Ao contrário da marca de texto estatística, a C2PA é trivialmente removível: salve novamente o arquivo, converta o formato ou capture a imagem e o manifesto desaparece.

A ferramenta abrange marcas de Claude, Gemini/SynthID-Text, OpenAI e de código aberto (estilo Kirchenbauer) com a mesma arquitetura. Marcas d'água de imagem no domínio do pixel, como SynthID, estão fora do escopo de remoção, embora o projeto possa opcionalmente avaliá-las por meio de um checkout externo de reverse-SynthID.

O que a marca d'água ignora por si só

Antes de executar qualquer coisa, vale a pena saber onde a marca do Claude já é fraca. Nesses casos, a remoção é fácil ou desnecessária:

• Passagens curtas. Algumas frases não contêm escolhas de tokens suficientes para acumular confiança estatística. O detector precisa de comprimento.
• Código. O código-fonte tem escolhas de tokens muito mais restritas do que a prosa, então o sinal é fraco para começar. Em seguida, formatadores, linters e ferramentas de refatoração reescrevem o que quer que tenha restado de entropia. No momento em que seu código é commitado, muitas vezes não há nada mais a detectar. É por isso que a marca d'água na saída do Claude Code é mais teórica do que prática.
• Texto fortemente editado. Se você já reescreveu metade dele, pode ter quebrado o padrão sem tentar.
• C2PA em arquivos. Qualquer conversão de formato ou salvamento geralmente a remove.

O que significa que o escopo honesto de um trabalho de "remoção" é geralmente: prosa de formato longo que você manteve em grande parte como o Claude a escreveu, além de quaisquer metadados de arquivo.

Instalando watermarks-remover

O projeto é fornecido como uma skill de agente mais um conjunto de scripts Python autônomos. Você precisa de Python 3.10+; os scripts principais usam apenas a biblioteca padrão, então não há nada para pip install para o trabalho básico de texto e metadados.

git clone https://github.com/guillaumemeyer/watermarks-remover.git
cd watermarks-remover

Se você quiser invocá-lo como uma skill de agente (os exemplos do repositório usam um diretório de skills no estilo Grok), vincule a pasta da skill em:

mkdir -p ~/.grok/skills
ln -sfn "$(pwd)/skills/remove-ai-marks" ~/.grok/skills/remove-ai-marks

Para todos os outros, você chamará os scripts diretamente. Defina um atalho para o diretório de scripts para que os comandos abaixo sejam lidos de forma clara:

export SCRIPTS="$(pwd)/skills/remove-ai-marks/scripts"

Duas ferramentas de linha de comando opcionais estendem o lado da limpeza de arquivos se você as tiver instaladas:

• c2patool para inspecionar manifestos C2PA em detalhes.
• exiftool para limpar metadados residuais de imagem que a Camada A não alcança.

Nenhum dos dois é necessário para o fluxo de trabalho principal.

Inspecionando um arquivo antes de tocá-lo

Nunca remova às cegas. Execute o inspetor primeiro para saber o que realmente está presente, caracteres invisíveis, blocos de metadados, manifestos de proveniência, antes de decidir o que remover.

python3 "$SCRIPTS/inspect_file.py" draft.md

Isso informa o que a ferramenta detecta sem modificar nada. É o equivalente a ler o alvo antes de sobrescrevê-lo: se o inspetor mostrar que o arquivo já está limpo, você terminou, e se ele revelar algo surpreendente, você decide antes que qualquer byte mude.

Removendo marcas de texto

Para a limpeza determinística da Camada A, a passagem confiável e sem perdas, use clean_text.py. A flag --stats imprime um resumo do que foi encontrado e removido:

python3 "$SCRIPTS/clean_text.py" draft.md -o draft.cleaned.md --stats

Isso remove Unicode invisível, espaços exóticos, controles bidi e caracteres de tag. Deixa sua prosa visível intocada, então não há custo de qualidade. Para a maioria das pessoas preocupadas com caracteres de rastreamento ocultos, em vez da marca estatística, este único comando é todo o trabalho.

A flag -o escreve em um novo arquivo em vez de sobrescrever o original; mantenha a fonte até verificar o resultado.

Removendo metadados de arquivos

Para imagens e documentos, clean_file.py remove C2PA, EXIF, XMP e propriedades de documentos incorporadas:

python3 "$SCRIPTS/clean_file.py" photo.png -o photo.cleaned.png

Ele lida com PNG, JPEG, SVG, PDF, DOCX, ODT, HTML e Markdown. Se você tiver exiftool instalado e quiser ser minucioso com imagens, execute-o depois para capturar quaisquer tags residuais:

exiftool -all= photo.cleaned.png

Lembre-se que C2PA é o caso fácil. Se sua única preocupação é o manifesto de proveniência em uma imagem gerada pelo Claude, uma ida e volta de formato muitas vezes o remove por conta própria; esta ferramenta apenas o faz de forma limpa e previsível.

O problema da Camada B: reescrever para vencer as estatísticas

Aqui é onde a honestidade importa mais do que a sintaxe do comando.

A marca d'água estatística de texto só pode ser removida mudando as palavras. A ferramenta expõe isso através de rewrite_text.py, que prepara uma passagem de paráfrase:

python3 "$SCRIPTS/rewrite_text.py" draft.md --backend print-prompt --strength paraphrase

A opção --backend print-prompt emite o prompt de reescrita em vez de chamar um modelo diretamente, para que você mantenha o controle do que faz a reescrita. --strength controla quão agressiva é a reformulação.

Mas leia o que você realmente está concordando. Para quebrar um sinal distribuído pela escolha de palavras, você precisa reescrever frase por frase. Isso:

• Aplaina o estilo. A fraseologia específica que carregava a marca d'água também carregava a voz.
• Arrisca a precisão. A reformulação de conteúdo técnico pode mudar sutilmente o significado.
• Precisa de um modelo capaz para fazer isso bem, momento em que você está gastando tokens premium para reescrever a saída de um modelo premium.

O próprio projeto levanta a questão óbvia: se você precisa de um modelo forte para parafrasear o texto do Claude em algo sem marca d'água sem estragá-lo, isso é uma solução barata ou apenas... mais gasto de modelo para uma cópia degradada? Para a maioria dos casos legítimos, a resposta é que a Camada B não vale a pena. Se o texto é curto, ou é código, a marca provavelmente já é fraca demais para importar. Se é prosa de formato longo com a qual você se importa, a reescrita danifica o que você estava tentando manter.

A conclusão pragmática: execute a Camada A e o limpador de arquivos rotineiramente; recorra à Camada B apenas quando tiver uma razão específica e legítima e aceitar a perda de qualidade.

Verificando seu trabalho

A remoção é tão boa quanto sua capacidade de confirmá-la. Execute novamente o inspetor na saída:

python3 "$SCRIPTS/inspect_file.py" draft.cleaned.md

Para C2PA especificamente, c2patool oferece uma leitura definitiva sobre se um manifesto permanece:

c2patool photo.cleaned.png

Para a marca de texto estatística, a verificação honesta é mais difícil, pois você não possui a chave da Anthropic. Quando a API de detecção prometida pela Anthropic for lançada, essa será a verdadeira prova. Até então, trate os resultados da Camada B como não confirmados por definição. Se você integrar qualquer uma dessas etapas em um pipeline repetível, essa etapa de verificação é exatamente o tipo de comportamento que vale a pena testar como qualquer outro fluxo de trabalho de API; equipes que automatizam verificações de conteúdo ou modelo geralmente as conectam a uma ferramenta de teste de API como Apidog para que uma verificação "a marca voltou?" seja executada da mesma forma todas as vezes. Para o padrão mais amplo de teste de endpoints com suporte a modelos, consulte How to Test AI Agents Over an API.

Salvaguardas legais e éticas

O próprio enquadramento da ferramenta é o correto: trata-se de privacidade e higiene em conteúdo que você possui. Isso inclui remover caracteres de rastreamento de seus próprios rascunhos, limpar metadados de imagens antes de publicá-las ou remover uma tag de proveniência de escritos que você considera seus.

Não abrange:

• Desonestidade acadêmica. Se sua instituição exige divulgação ou proíbe submissões geradas por IA, remover a marca para ocultar isso é má conduta, independentemente da aparência limpa da saída.
• Violações contratuais. Muitos acordos de clientes e termos de plataforma exigem a divulgação de IA. O fato de a marca d'água ser invisível não torna a obrigação invisível.
• Falsa atribuição. Apresentar um trabalho de IA como humano, onde isso engana materialmente alguém, é exatamente o dano que as marcas de proveniência existem para evitar.

Há também uma razão prática para não depender excessivamente de nada disso: a detecção funciona nos dois sentidos. Uma marca d'água não prova autoria, e sua ausência não prova origem humana. Construir um fluxo de trabalho para derrotar um sinal que já é ambíguo é muitas vezes mais esforço do que a situação justifica. Em caso de dúvida, divulgue. É mais barato do que ser pego não divulgando.

Se o seu interesse aqui é menos sobre esconder o uso de IA e mais sobre executar modelos nos seus próprios termos, com sua própria política de proveniência e sem marca d'água do fornecedor, o auto-hospedagem é a resposta mais limpa. Abordamos as opções atuais em The Best Local LLMs to Run in 2026.

FAQ

• Posso simplesmente encontrar e excluir os caracteres da marca d'água no texto do Claude? Não. A marca d'água de texto do Claude não é feita de caracteres ocultos; é um viés estatístico na escolha das palavras. Não há nada para procurar e excluir. (Algumas outras ferramentas injetam caracteres invisíveis, e a Camada A do watermarks-remover os remove. Mas esse é um mecanismo diferente da marca estatística do Claude.)
• Copiar e colar a saída do Claude remove a marca d'água? Não. A marca estatística está embutida nas palavras, então ela sobrevive ao copiar-colar entre aplicativos. Apenas a edição do texto real a degrada.
• O watermarks-remover é gratuito? Sim. É de código aberto sob a licença MIT. Os scripts principais de texto e metadados precisam apenas de Python 3.10+ e da biblioteca padrão.
• Funcionará na saída do Claude Code? Ele será executado, mas a marca d'água geralmente já é fraca demais para importar em código. O código-fonte tem escolhas de tokens restritas, e formatadores e linters apagam a maior parte do sinal restante. Normalmente, há pouco a remover.
• Ele remove marcas d'água de imagem como SynthID? Não as do tipo de domínio de pixel. Ele remove metadados de nível de arquivo (C2PA, EXIF, XMP) de forma limpa, e pode opcionalmente pontuar marcas SynthID por meio de uma configuração externa de reverse-SynthID, mas remover uma marca d'água dentro do pixel está fora do escopo.
• É legal remover a marca d'água? Remover uma marca de proveniência de conteúdo que você possui não é inerentemente ilegal, mas pode violar políticas acadêmicas, contratos ou termos de plataforma que exigem a divulgação de IA. A ferramenta destina-se à privacidade em seu próprio conteúdo, não para evadir essas obrigações.
• Como sei se a marca estatística realmente desapareceu? Atualmente, você não pode verificá-la sozinho, porque não possui a chave da Anthropic. A Anthropic afirmou que uma API de detecção está a caminho, o que será o verdadeiro teste. A remoção de caracteres da Camada A e a remoção de C2PA, por outro lado, são fáceis de verificar com o inspetor e o c2patool.