La validation de votre mini-programme est bloquée pour atteinte au droit à l’image d’une personnalité publique ? 5 solutions d’API de reconnaissance des personnalités publiques et mise en pratique d’un filtrage technique en 4 couches

Récemment, un développeur qui crée un mini-programme d’IA pour les images a demandé de l’aide dans un groupe : l’examen de son mini-programme était bloqué à cause d’un problème d’atteinte au droit à l’image de personnalités publiques. WeChat lui demandait d’« ajouter un blocage technique ». Il avait déjà intégré le contrôle de sécurité des images de WeChat, mais cette interface ne reconnaissait ni les célébrités ni les influenceurs. Alibaba Cloud propose bien une interface de reconnaissance des célébrités, mais elle exige une certification d’entreprise. Or, son entreprise est une entreprise individuelle.

Ce type de problème est très courant dans les mini-programmes de portraits générés par IA, d’échange de visages, de création d’avatars ou de conception d’affiches. Ce qui intéresse les personnes chargées de l’examen, ce n’est pas de savoir si vous avez intégré une interface de sécurité des contenus, mais si les utilisateurs peuvent se servir de votre produit pour générer ou diffuser le portrait d’une personnalité publique. Il suffit qu’un maillon de la chaîne de blocage fasse défaut pour que votre demande soit refusée à plusieurs reprises.

Cet article porte sur les API de reconnaissance des personnalités publiques. Nous commencerons par préciser les limites de l’interface de sécurité des contenus de WeChat, puis comparerons les conditions d’accès de cinq API courantes de reconnaissance des personnalités publiques. Enfin, nous présenterons une solution de blocage technique en quatre couches, accessible même aux entreprises individuelles.

Ce que vous allez apprendre : à la fin de cet article, vous saurez quelle API de reconnaissance des personnalités publiques choisir, comment combiner les différentes étapes de blocage et comment présenter clairement votre solution technique lors de la demande d’examen.

Pourquoi la reconnaissance des personnalités publiques est-elle devenue un critère incontournable lors de l’examen des mini-programmes ?

WeChat renforce progressivement ses exigences pour l’examen des mini-programmes de génération par IA et de retouche d’images. Cette évolution s’appuie sur un cadre réglementaire clair. Le Règlement sur l’administration des services d’information sur la synthèse profonde est entré en vigueur le 10 janvier 2023. Il impose aux fournisseurs de services proposant des fonctions de modification de données biométriques, comme les visages ou les voix, d’inviter les utilisateurs à informer les personnes concernées et à obtenir leur consentement explicite. Le Règlement sur l’étiquetage des contenus générés et synthétisés par l’intelligence artificielle, entré en vigueur le 1er septembre 2025, exige en outre que les contenus générés par IA comportent des marques visibles et invisibles.

Dans ce contexte, les plateformes redoutent surtout les détournements de visages de célébrités : un utilisateur importe une photo de tournage d’un acteur pour générer un portrait par IA, échange le visage d’une personnalité du Web avec celui d’une autre personne ou saisit le nom d’une célébrité pour générer une image « à son effigie ». Ces pratiques peuvent porter atteinte au droit à l’image, et le mini-programme, en tant que fournisseur de services, doit mettre en place un « blocage technique ». En substance, la demande d’« ajouter un blocage technique » dans les retours d’examen signifie que votre solution doit pouvoir reconnaître les personnalités publiques à la fois au moment de l’importation et lors de la génération.

Les limites de l’interface de sécurité des contenus de WeChat

Beaucoup de développeurs pensent d’abord à intégrer l’interface officielle de sécurité des contenus de WeChat. Mais celle-ci répond à un autre type de besoin. Le tableau ci-dessous compare les contrôles pris en charge par l’interface de WeChat avec les capacités réellement nécessaires pour prévenir les atteintes au droit à l’image.

WeChat msgSecCheck sert à détecter les problèmes dans les textes, tandis que mediaCheckAsync vérifie les images et les fichiers audio de manière asynchrone. Ces interfaces détectent surtout les contenus pornographiques, les sujets politiques, la violence terroriste, les insultes et d’autres contenus interdits. Elles ne vous diront pas « quelle célébrité apparaît sur cette image ». Ainsi, pour les personnes chargées de l’examen, l’intégration de la seule interface WeChat couvre la « sécurité générale des contenus », mais ne permet pas de bloquer les atteintes au droit à l’image des personnalités publiques.

🎯 Conseil technique : une API de reconnaissance des personnalités publiques n’est qu’un maillon de la chaîne de blocage. Le filtrage des invites est souvent plus important et moins coûteux. Nous recommandons d’utiliser les grands modèles de langage via la plateforme APIYI apiyi.com pour contrôler le sens des invites. Compatible avec le format d’interface OpenAI, la plateforme est accessible aux développeurs individuels, ce qui permet de mettre rapidement en place cette couche de protection.

Comparaison de 5 API de reconnaissance des personnalités publiques

Pour éviter toute déformation de l’information, les solutions ci-dessous ont été répertoriées à partir de la documentation officielle en anglais de chaque fournisseur. Il faut préciser que la reconnaissance des personnalités publiques relève de la reconnaissance faciale. Presque tous les grands fournisseurs imposent donc des conditions d’accès, ce qui explique pourquoi les entrepreneurs individuels ont souvent l’impression de se retrouver dans une impasse.

Comparatif des capacités et des conditions d’accès aux API de reconnaissance des personnalités publiques

Le tableau montre que l’option la plus facile d’accès est AWS Rekognition. Sa base de célébrités comprend principalement des personnalités internationales du cinéma, du sport, de la politique et des affaires, mais couvre moins bien les influenceurs et les présentateurs en ligne chinois. Par ailleurs, les données faciales sont considérées comme des informations personnelles sensibles par la loi chinoise sur la protection des informations personnelles. Envoyer les photos téléversées par les utilisateurs à un service situé à l’étranger peut donc soulever des questions de conformité liées aux transferts de données hors du pays, un point à prendre en compte lors de la soumission des documents d’examen.

Les options réalistes pour les entrepreneurs individuels

Clarifions d’abord un malentendu fréquent : dans les systèmes de vérification d’identité des principaux fournisseurs de cloud chinois, les entrepreneurs individuels titulaires d’une licence commerciale peuvent généralement passer par la procédure de « vérification d’entreprise ». Certaines API particulièrement sensibles font toutefois l’objet d’un contrôle supplémentaire des qualifications. L’idée selon laquelle « un entrepreneur individuel n’est pas une entreprise » n’est donc pas tout à fait juste. Le mieux est de contacter le service client d’Alibaba Cloud ou de Tencent Cloud pour vérifier les conditions d’accès à l’API concernée.

Si l’accès est impossible, il faut envisager une autre approche : ne pas faire reposer toute la modération sur l’étape « identifier la personne », mais multiplier les filtres pour empêcher les images de personnalités publiques d’entrer dans le pipeline de génération. Les équipes chargées de l’examen s’intéressent surtout à l’efficacité du filtrage et à la solidité du dispositif, pas au fournisseur de l’API de reconnaissance des personnalités publiques que vous utilisez.

Architecture de filtrage technique en 4 couches pour les personnalités publiques

Le principe de cette architecture est de « filtrer en amont, puis de resserrer les contrôles à chaque étape ». Plus une couche intervient tôt, plus elle est rapide et peu coûteuse ; les couches suivantes sont plus précises, mais aussi plus coûteuses. La plupart des requêtes à risque sont bloquées dès les deux premières couches.

Rôle des 4 couches de filtrage

La couche 1 offre le meilleur rapport coût-efficacité. Dans les mini-programmes de génération par IA, de nombreuses demandes susceptibles de porter atteinte aux droits proviennent des invites : l’utilisateur saisit directement le nom d’une célébrité ou demande un « visage semblable à celui de telle personne ». Une liste de mots-clés seule se contourne facilement avec des homophones, du pinyin ou des abréviations. L’analyse sémantique par un Grand modèle de langage permet d’augmenter sensiblement le taux de détection.

La couche 2 suit une autre logique : « ne pas chercher à savoir qui est la personne, mais déterminer de quel type d’image il s’agit ». Les modèles de vision refusent généralement d’identifier les personnes réelles sur une photo. OpenAI limite également explicitement la capacité de GPT-4o à reconnaître des personnes réelles. En revanche, déterminer si une image est une « scène extraite d’un film ou d’une série, une affiche de célébrité, une couverture de magazine ou une capture d’écran d’une diffusion en direct avec logo de chaîne » est tout à fait à leur portée. Ces images constituent en elles-mêmes un signal de risque élevé : elles peuvent être bloquées directement ou envoyées à la couche 3.

Couche 1 : exemple de code pour le filtrage sémantique des invites

Voici un exemple minimal qui utilise un Grand modèle de langage pour déterminer si une invite porte sur une personnalité publique réelle. Le modèle renvoie un JSON structuré, que le backend utilise pour autoriser ou bloquer la demande.

import json
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")  # APIYI 统一接口

def check_prompt(prompt: str) -> dict:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        response_format={"type": "json_object"},
        messages=[
            {"role": "system", "content": "判断用户提示词是否要求生成、模仿或替换真实公众人物（明星、网红、主播、政治人物、运动员）的肖像。"
             "只输出 JSON：{\"risk\": true/false, \"names\": [], \"reason\": \"\"}"},
            {"role": "user", "content": prompt},
        ],
    )
    return json.loads(resp.choices[0].message.content)

print(check_prompt("帮我生成一张和那个唱《青花瓷》的歌手同款的写真"))

Dans cet exemple, le nom de la personne n’apparaît pas explicitement dans l’invite. Une liste de mots-clés ne la repérerait donc pas. Le Grand modèle de langage peut toutefois déduire, à partir du contexte, qu’il s’agit d’un chanteur en particulier et classer la demande comme présentant un risque élevé.

import base64, json
import boto3
from openai import OpenAI

llm = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")  # APIYI 统一接口
rek = boto3.client("rekognition", region_name="ap-southeast-1")

BLOCK_NAMES = {"示例明星A", "示例网红B"}  # 本地名单，命中直接拦截

def llm_json(messages):
    resp = llm.chat.completions.create(
        model="gpt-4o-mini",
        response_format={"type": "json_object"},
        messages=messages,
    )
    return json.loads(resp.choices[0].message.content)

def layer1_prompt(prompt: str) -> bool:
    if any(n in prompt for n in BLOCK_NAMES):
        return True
    r = llm_json([
        {"role": "system", "content": "判断提示词是否涉及真实公众人物肖像，只输出 JSON：{\"risk\": bool}"},
        {"role": "user", "content": prompt},
    ])
    return r.get("risk", False)

def layer2_image(img_bytes: bytes) -> str:
    """不识别身份，只判断图片类型，返回 block / suspect / pass"""
    b64 = base64.b64encode(img_bytes).decode()
    r = llm_json([
        {"role": "system", "content": "不要识别人物身份。只判断图片类型，输出 JSON："
         "{\"type\": \"selfie|film_still|poster|magazine|live_screenshot|non_human|other\", \"real_person\": bool}"},
        {"role": "user", "content": [
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
        ]},
    ])
    if r.get("type") in {"film_still", "poster", "magazine", "live_screenshot"}:
        return "block"
    return "suspect" if r.get("real_person") else "pass"

def layer3_celebrity(img_bytes: bytes, threshold: float = 90.0) -> bool:
    res = rek.recognize_celebrities(Image={"Bytes": img_bytes})
    return any(c["MatchConfidence"] >= threshold for c in res["CelebrityFaces"])

def moderate(prompt: str, img_bytes: bytes | None) -> str:
    if layer1_prompt(prompt):
        return "blocked: prompt"
    if img_bytes:
        verdict = layer2_image(img_bytes)
        if verdict == "block":
            return "blocked: image_type"
        if verdict == "suspect" and layer3_celebrity(img_bytes):
            return "blocked: public_figure"
    return "pass"

Dans cette version complète, la couche 3 n’est appelée que pour les images que la couche 2 a identifiées comme des « photos de personnes réelles ». Cela permet de réduire à la fois le coût des API de reconnaissance des personnalités publiques et le volume de données faciales transmises à des services externes. Si vous avez déjà accès aux API d’Alibaba Cloud ou de Tencent Cloud, il vous suffit de remplacer layer3_celebrity par l’appel au SDK correspondant.

🚀 Pour démarrer rapidement : les couches 1 et 2 s’appuient toutes deux sur un Grand modèle de langage. Vous pouvez commencer par obtenir un quota de test auprès d’APIYI, sur apiyi.com, puis tester 100 invites et images réelles d’utilisateurs. Mesurez le taux de blocage et le taux de faux positifs avant le déploiement. Le même code peut être utilisé pour comparer les résultats de différents modèles, comme GPT, Gemini ou Claude.

Seuils et mesures à prendre pour la reconnaissance des personnalités publiques

Le résultat d’une reconnaissance ne se résume pas à un simple « oui » ou « non » : le seuil de confiance détermine directement les taux de faux positifs et de faux négatifs. La documentation officielle de Hive recommande un seuil de 0,85 pour les photos réelles et de 0,9 pour les contenus générés par l’IA. AWS Rekognition renvoie une valeur MatchConfidence comprise entre 0 et 100 ; vous pouvez appliquer la même logique pour définir vos seuils.

Pour les produits de portraits générés par l’IA, une approche plus sûre consiste à ajouter une « vérification de l’identité » : demandez d’abord à l’utilisateur d’envoyer un selfie de référence, puis autorisez la génération uniquement si les photos envoyées par la suite présentent une similarité suffisante avec le visage de référence. Ainsi, même si l’API de reconnaissance des personnalités publiques ne couvre pas une influenceuse ou un influenceur peu connu, le mécanisme permet d’empêcher l’utilisation du visage d’une autre personne.

💡 Conseil : si votre activité présente surtout des risques liés aux influenceurs et aux streamers chinois, aucune API étrangère de reconnaissance des personnalités publiques ne couvre suffisamment ce public. Misez plutôt sur le blocage des invites au niveau 1 et sur la « vérification de l’identité ». Vous pouvez connecter l’appel au Grand modèle de langage du niveau 1 via APIYI, sur apiyi.com ; son coût ne représente généralement qu’une fraction de celui de la reconnaissance d’images.

Comment décrire le dispositif de blocage des personnalités publiques lors d’une demande d’examen

La mise en place technique ne suffit pas : les personnes chargées de l’examen doivent aussi pouvoir comprendre le dispositif. Nous vous conseillons de structurer vos remarques ou documents complémentaires de la façon suivante :

1. Chaîne de blocage : précisez les capacités de détection utilisées à chacune des étapes : saisie de l’invite, téléversement de l’image et résultat généré.
2. Reconnaissance des personnalités publiques : indiquez clairement l’API de reconnaissance utilisée ou la solution de remplacement, ainsi que les mesures prises en cas de correspondance.
3. Mécanismes du produit : mentionnez la clause d’autorisation relative à l’image dans les conditions d’utilisation, la fenêtre de confirmation « photos de vous uniquement » avant le téléversement, le moyen de signalement et le délai de retrait du contenu.
4. Étiquetage des contenus générés par l’IA : ajoutez la mention visible « Généré par l’IA » aux images et inscrivez une mention invisible dans leurs métadonnées.
5. Preuves de test : joignez des captures d’écran ou des enregistrements montrant le blocage lors de tests avec des photos de célébrités et des invites contenant leurs noms.

Le point 5 est le plus convaincant. Les personnes chargées de l’examen testent souvent le système avec des photos de célébrités. Si votre enregistrement montre « téléversement d’une photo de célébrité → blocage » et « saisie du nom d’une célébrité → blocage », vos chances d’obtenir une validation augmenteront nettement.

Questions fréquentes sur les API de reconnaissance des personnalités publiques

Q1 : Un Grand modèle de langage peut-il remplacer complètement une API de reconnaissance des personnalités publiques ?

Non. Pour des raisons liées à leurs politiques de confidentialité, les principaux Grands modèles de langage visuels refusent généralement d’identifier les personnes réelles présentes sur une photo. Et même lorsqu’ils y parviennent, leurs résultats manquent de fiabilité : ils ne conviennent donc pas à une identification formelle. Les Grands modèles de langage sont surtout utiles pour bloquer les invites selon leur sens et déterminer le type d’image. Pour l’identification des personnes, il est préférable d’utiliser une API spécialisée dans la reconnaissance des personnalités publiques. Vous pouvez tester l’efficacité du blocage de différents modèles avec le même échantillon via APIYI, sur apiyi.com, puis décider comment répartir les rôles.

Q2 : AWS Rekognition peut-il reconnaître des célébrités chinoises ?

Il peut reconnaître certaines célébrités chinoises du cinéma et du sport très connues, mais sa couverture des influenceurs, des streamers et des créateurs de vidéos courtes en Chine est nettement plus limitée. De plus, il s’agit d’un service étranger. Le traitement de données personnelles sensibles telles que les visages nécessite donc d’évaluer la conformité des transferts de données hors du pays. Il est conseillé de ne l’utiliser que pour les images suspectes repérées au niveau 2 et d’en informer clairement les utilisateurs dans la politique de confidentialité.

Q3 : Les entreprises individuelles ne peuvent-elles vraiment pas activer le service de reconnaissance des célébrités d’Aliyun ?

Pas nécessairement. Une entreprise individuelle peut généralement obtenir la certification professionnelle d’un fournisseur de services cloud avec sa licence d’exploitation, mais certaines interfaces nécessitent une vérification supplémentaire des justificatifs. Contactez directement le service d’assistance pour connaître les conditions d’activation de l’interface concernée, et prévoyez Tencent Cloud comme solution de repli.

Q4 : Les appels à un Grand modèle de langage pour bloquer les invites coûtent-ils cher ?

Non, le coût est très faible. Une vérification d’invite consomme généralement quelques centaines de tokens. Avec un modèle léger, le coût par appel est bien inférieur à celui d’une reconnaissance d’image. Les appels via APIYI, sur apiyi.com, peuvent également être facturés à l’usage, ce qui convient aux mini-programmes dont le volume de modération varie beaucoup.

Q5 : Que faire si la demande est rejetée malgré la mise en place du blocage ?

Vérifiez d’abord si le motif du rejet concerne encore des « contenus existants ». Par exemple, les images de démonstration ou les modèles présents dans le mini-programme utilisent-ils des photos de célébrités ? Beaucoup de développeurs mettent en place le blocage technique, mais voient leur demande rejetée une nouvelle fois parce que les exemples affichés sur la page d’accueil représentent une célébrité. Il faut remplacer toutes ces images par des portraits dont vous détenez les droits ou par des visages fictifs générés par l’IA.

Résumé

À la suite d’une atteinte au droit à l’image d’une personnalité publique dans un mini-programme, on peut vous demander de « renforcer les contrôles techniques ». L’essentiel n’est pas de trouver une API universelle capable d’identifier toutes les personnalités publiques, mais de mettre en place une chaîne complète de filtrage. Les interfaces de modération de contenu de WeChat couvrent les infractions générales, mais ne reconnaissent pas les célébrités ni les influenceurs. Les services de reconnaissance des personnalités publiques d’Aliyun et de Tencent Cloud sont les mieux adaptés au marché chinois, mais nécessitent une vérification du statut de l’entreprise. AWS Rekognition est plus facile d’accès, mais reconnaît moins bien les influenceurs chinois et implique un transfert de données à l’étranger. Azure et Google, quant à eux, ne sont pratiquement pas accessibles aux développeurs ordinaires.

Pour une entreprise individuelle, la démarche la plus réaliste consiste à vérifier d’abord si une licence commerciale permet de passer la vérification des fournisseurs cloud. En parallèle, mettez immédiatement en place deux niveaux de contrôle : le filtrage sémantique des invites et un premier tri des images par type. Ajoutez ensuite la vérification de l’identité de la personne représentée, une déclaration d’autorisation et une vérification humaine. Enfin, fournissez aux équipes chargées de l’examen une vidéo de test montrant que le dispositif de filtrage fonctionne.

Pour mettre rapidement en place les capacités de modération par Grand modèle de langage des niveaux 1 et 2, nous vous recommandons de passer par APIYI, apiyi.com. Testez le taux de blocage sur des échantillons réels avant de soumettre votre dossier à l’examen.

Auteur : APIYI Team, spécialiste de la mise en œuvre d’applications d’API de Grand modèle de langage. Pour découvrir d’autres solutions techniques et obtenir des crédits de test, rendez-vous sur APIYI, apiyi.com.