A aprovação do miniprograma está travada por violação dos direitos de imagem de figuras públicas? 5 soluções de API para reconhecimento de figuras públicas e um guia prático de bloqueio técnico em 4 camadas

Recentemente, um desenvolvedor de um miniaplicativo de geração de imagens com IA pediu ajuda em um grupo: a análise do miniaplicativo estava travada por causa de uma questão de violação de direitos de imagem de figuras públicas. O WeChat exigiu a inclusão de um “bloqueio técnico”. Ele já havia integrado a análise de segurança de imagens do WeChat, mas essa API não consegue identificar celebridades e influenciadores. A Alibaba Cloud oferece uma API pronta para reconhecimento de celebridades, mas exige autenticação empresarial — e eles são uma empresa individual.

Esse tipo de problema é muito comum em miniaplicativos de fotos com IA, troca de rostos, geração de avatares e criação de pôsteres. O que interessa à equipe de análise não é “você integrou uma API de segurança de conteúdo?”, mas sim “os usuários conseguem gerar ou divulgar imagens de alguma figura pública usando seu produto?”. Se faltar uma etapa na cadeia de bloqueio, o miniaplicativo pode ser reprovado várias vezes.

Este artigo aborda as APIs de reconhecimento de figuras públicas. Primeiro, esclarece os limites dos recursos da API de segurança de conteúdo do WeChat; depois, compara os requisitos de integração de cinco APIs populares de reconhecimento de figuras públicas; por fim, apresenta uma solução de bloqueio técnico em quatro camadas, que também pode ser implementada por empresas individuais.

O que você vai aprender: ao terminar o artigo, você saberá qual API de reconhecimento de figuras públicas escolher, como combinar as etapas de bloqueio e como explicar a solução técnica com clareza ao enviar o miniaplicativo para análise.

Por que a API de reconhecimento de figuras públicas virou um requisito essencial na análise de miniaplicativos

A análise de miniaplicativos de geração de conteúdo com IA e edição de imagens pelo WeChat está cada vez mais rigorosa, com respaldo em normas específicas. As Disposições sobre a Administração de Serviços de Informação na Internet que Utilizam Síntese Profunda, em vigor desde 10 de janeiro de 2023, exigem que os prestadores de serviços com recursos de edição de dados biométricos, como rostos e vozes, orientem os usuários a informar a pessoa editada e obter seu consentimento específico. Já as Medidas de Identificação de Conteúdo Gerado e Sintetizado por Inteligência Artificial, em vigor desde 1º de setembro de 2025, passaram a exigir também a identificação explícita e implícita de conteúdo gerado por IA.

Nesse cenário, o que mais preocupa as plataformas é o uso indevido de “rostos de celebridades”: usuários enviam fotos de atores para criar fotos com IA, usam imagens de influenciadores para trocar rostos ou digitam o nome de uma celebridade para gerar imagens “no mesmo estilo”. Essas práticas podem violar o direito de imagem, e o miniaplicativo, como prestador do serviço, precisa cumprir a obrigação de implementar um “bloqueio técnico”. Portanto, quando a equipe de análise pede a inclusão desse bloqueio, na prática está exigindo que você consiga reconhecer figuras públicas tanto no envio feito pelo usuário quanto na etapa de geração.

Os limites da API de segurança de conteúdo do WeChat

Muitos desenvolvedores pensam primeiro em integrar as APIs oficiais de segurança de conteúdo do WeChat, mas elas resolvem outro tipo de problema. A tabela abaixo compara o que as APIs do WeChat conseguem detectar com os recursos necessários para bloquear violações do direito de imagem.

O msgSecCheck do WeChat é usado para detectar conteúdo textual; o mediaCheckAsync, para análise assíncrona de imagens e áudio. Essas APIs identificam principalmente pornografia, temas políticos, violência, insultos e outros conteúdos proibidos, mas não informam “qual celebridade aparece nesta imagem”. Portanto, integrar somente as APIs do WeChat, na visão da equipe de análise, atende apenas à “segurança geral de conteúdo”, sem implementar o “bloqueio de imagens de figuras públicas”.

🎯 Recomendação técnica: a API de reconhecimento de figuras públicas é apenas uma etapa da cadeia de bloqueio. Muitas vezes, bloquear comandos de texto é ainda mais importante e barato. Recomendamos usar o serviço da APIYI, apiyi.com, para fazer a análise semântica dos comandos com um Modelo de Linguagem Grande. Ele é compatível com o formato de API da OpenAI e pode ser usado diretamente por desenvolvedores individuais, facilitando a implementação rápida dessa etapa.

Comparação de 5 APIs para reconhecimento de figuras públicas

Para evitar distorções, as opções abaixo foram compiladas com base na documentação oficial em inglês de cada fornecedor. Vale destacar que o reconhecimento de figuras públicas faz parte do reconhecimento facial, uma área para a qual quase todos os grandes provedores impõem barreiras de acesso. É por isso que pequenos empreendedores muitas vezes sentem que “não têm por onde começar”.

Visão geral das barreiras de acesso e recursos das APIs de reconhecimento de figuras públicas

Como mostra a tabela, a opção com a menor barreira de acesso é o AWS Rekognition. No entanto, seu banco de dados de celebridades é voltado principalmente para figuras internacionais do cinema, do esporte, da política e do mundo dos negócios, com cobertura limitada de influenciadores e streamers chineses. Além disso, rostos são considerados dados pessoais sensíveis pela Lei de Proteção de Informações Pessoais da China. Enviar fotos de usuários para um serviço no exterior também pode envolver questões de conformidade relacionadas à transferência internacional de dados, algo que deve ser levado em conta ao preparar a documentação para análise.

Opções realistas para empresas individuais

Vamos esclarecer um ponto que costuma gerar confusão: nos sistemas de verificação de identidade dos principais provedores de nuvem da China, empresas individuais que têm licença comercial geralmente podem seguir o processo de “verificação empresarial”. Algumas APIs de alta sensibilidade, porém, exigem uma análise adicional de credenciais. Portanto, não é totalmente correto dizer que “uma empresa individual não é uma empresa”. Vale falar primeiro com o suporte da Alibaba Cloud ou da Tencent Cloud para confirmar as condições de acesso à API específica.

Se você confirmar que não consegue habilitar a API, será preciso mudar de estratégia: não concentrar toda a responsabilidade em “identificar quem é a pessoa”. Em vez disso, use várias camadas de proteção para impedir que imagens de figuras públicas cheguem ao fluxo de geração. Na análise, o que importa é a eficácia dos bloqueios e a integridade do mecanismo, não qual API de reconhecimento de figuras públicas você usou.

Arquitetura técnica de 4 camadas para bloquear figuras públicas

O princípio desta arquitetura é “bloquear desde o início e tornar os critérios mais rigorosos a cada etapa”. As primeiras camadas são mais baratas e rápidas; as últimas são mais precisas e caras. A maioria das solicitações de risco pode ser bloqueada logo nas duas primeiras camadas.

Responsabilidades das 4 camadas de bloqueio

A camada 1 oferece a melhor relação entre custo e benefício. Em miniprogramas de geração por IA, muitas solicitações que violam direitos autorais partem diretamente dos comandos, como quando o usuário digita o nome de uma celebridade ou pede “um rosto igual ao de fulano”. Uma lista de palavras-chave, sozinha, pode ser facilmente contornada com homófonos, pinyin ou abreviações. A análise semântica feita por um Modelo de Linguagem Grande melhora bastante a taxa de detecção.

A camada 2 segue a ideia de “identificar o que é, não quem é”. Modelos de Linguagem Grande visuais normalmente se recusam a identificar pessoas reais em fotos. A OpenAI também limita explicitamente a capacidade do GPT-4o de reconhecer pessoas reais. No entanto, identificar se uma imagem é “uma cena de filme ou série, um pôster de celebridade, uma capa de revista ou uma captura de transmissão ao vivo com logotipo do canal” está totalmente ao alcance desses modelos. Como esse tipo de imagem já é um sinal de alto risco, ela pode ser bloqueada diretamente ou encaminhada para a camada 3.

Camada 1: exemplo de código para bloqueio semântico de comandos

A seguir, um exemplo bem simples que usa um Modelo de Linguagem Grande para avaliar se um comando envolve uma figura pública real. O modelo retorna um JSON estruturado, que o backend usa para decidir se libera ou bloqueia a solicitação.

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"))

Neste exemplo, o comando não cita diretamente o nome da pessoa. Uma lista de palavras-chave não encontraria uma correspondência, mas o Modelo de Linguagem Grande consegue inferir pelo contexto a qual cantor a solicitação se refere e classificá-la como de alto risco.

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"

Na versão completa, a camada 3 só é acionada para imagens que a camada 2 classificou como “foto de uma pessoa real”. Assim, você economiza nas chamadas à API de reconhecimento de figuras públicas e reduz a quantidade de dados faciais enviados para serviços externos. Se você já tiver acesso à API da Alibaba Cloud ou da Tencent Cloud, basta substituir layer3_celebrity pela chamada ao SDK correspondente.

🚀 Para começar rápido: as camadas 1 e 2 dependem de Modelos de Linguagem Grande. Recomendamos começar obtendo uma cota de teste com a APIYI apiyi.com e testar 100 comandos e imagens de usuários reais. Antes de colocar a solução no ar, meça as taxas de bloqueio e de falsos positivos. O mesmo código pode alternar entre GPT, Gemini, Claude e outros modelos para comparar os resultados.

Limites de confiança e estratégias de tratamento para a identificação de figuras públicas

O resultado da identificação não é simplesmente “sim” ou “não”: o limite de confiança determina diretamente as taxas de falsos positivos e falsos negativos. A documentação oficial da Hive recomenda um limite de 0,85 para fotos reais e de 0,9 para conteúdo gerado por IA. O MatchConfidence retornado pelo AWS Rekognition varia de 0 a 100, então você pode definir os limites seguindo a mesma lógica.

Para produtos de fotos geradas por IA, uma abordagem mais segura é adicionar uma etapa de “verificação de identidade”: peça que o usuário envie uma selfie como referência e só permita gerar imagens se os rostos das fotos enviadas depois atingirem o nível mínimo de similaridade com o rosto de referência. Assim, mesmo que a API de identificação de figuras públicas não reconheça algum influenciador menos conhecido, o mecanismo impede o uso do rosto de outra pessoa.

💡 Recomendação: se o principal risco do seu negócio envolve influenciadores e streamers da China, a cobertura de qualquer API internacional de identificação de figuras públicas será insuficiente. Nesse caso, priorize o bloqueio de comandos na camada 1 e o mecanismo de “verificação de identidade”. A invocação do Modelo de Linguagem Grande na camada 1 pode ser feita por meio da APIYI, em apiyi.com, e normalmente custa apenas uma fração do preço do reconhecimento de imagens.

Como descrever a estratégia de bloqueio de figuras públicas ao enviar o produto para análise

Além de implementar as medidas técnicas, é importante explicar tudo com clareza para a equipe de análise. Recomendamos incluir as seguintes informações nas observações ou nos materiais complementares:

1. Fluxo de bloqueio: explique quais recursos de detecção são usados em cada etapa: nos comandos, no envio de imagens e nos resultados gerados.
2. Recursos de identificação de figuras públicas: informe qual API de identificação de figuras públicas é usada, ou qual solução alternativa foi adotada, e o que acontece quando há uma correspondência.
3. Mecanismos do produto: descreva as cláusulas de autorização de uso de imagem nos termos de serviço, a caixa de confirmação “somente fotos suas” antes do envio, o canal para denúncias e o prazo para remover conteúdo.
4. Identificação de conteúdo de IA: adicione às imagens geradas um aviso explícito de “Gerado por IA” e inclua uma identificação não visível nos metadados do arquivo.
5. Evidências de teste: anexe capturas de tela ou gravações de testes em que fotos de celebridades e comandos com nomes de celebridades tenham sido bloqueados.

O quinto ponto é o mais convincente. A equipe de análise costuma testar o sistema diretamente com fotos de celebridades. Se a gravação mostrar “envio de uma cena de filme com uma celebridade → bloqueio” e “inserção do nome de uma celebridade → bloqueio”, as chances de aprovação aumentam bastante.

Perguntas frequentes sobre APIs de identificação de figuras públicas

P1: Um Modelo de Linguagem Grande pode substituir completamente uma API de identificação de figuras públicas?

Não completamente. Por causa de políticas de privacidade, os principais modelos de visão costumam se recusar a identificar pessoas reais em fotos. Além disso, mesmo quando conseguem reconhecê-las, os resultados não são consistentes o suficiente para determinar uma identidade com segurança. Os Modelos de Linguagem Grande são mais indicados para bloquear comandos com base no significado e classificar imagens. Para identificar pessoas, recomendamos usar uma API especializada em figuras públicas. Você pode testar o desempenho de bloqueio de diferentes modelos com o mesmo conjunto de amostras por meio da APIYI, em apiyi.com, e então decidir como dividir as tarefas.

P2: O AWS Rekognition consegue identificar celebridades chinesas?

Ele consegue identificar algumas celebridades conhecidas do cinema, da televisão e do esporte de língua chinesa, mas sua cobertura de influenciadores, streamers e criadores de vídeos curtos da China é claramente limitada. Além disso, como é um serviço estrangeiro, é necessário avaliar a conformidade com as regras de transferência internacional de dados ao processar informações pessoais sensíveis, como rostos. Recomendamos chamar o serviço apenas para imagens suspeitas identificadas na camada 2 e informar isso com transparência na política de privacidade.

P3: Um negócio individual não consegue mesmo habilitar o serviço da Alibaba Cloud para identificar celebridades?

Não necessariamente. Com uma licença comercial, negócios individuais geralmente conseguem concluir a verificação empresarial do provedor de nuvem, mas algumas interfaces exigem uma análise adicional de documentos. Recomendamos abrir um chamado para confirmar os requisitos de habilitação da interface específica e deixar a Tencent Cloud como alternativa.

P4: A invocação de um Modelo de Linguagem Grande para bloquear comandos é cara?

Não. Uma revisão de comando costuma consumir apenas algumas centenas de tokens e, com um modelo leve, o custo por chamada é muito menor do que o de uma identificação de imagem. As chamadas feitas pela APIYI, em apiyi.com, também podem ser cobradas por uso, o que é adequado para miniaplicativos cujo volume de análise varia bastante.

P5: O que fazer se o produto ainda for reprovado mesmo depois de implementar o bloqueio?

Primeiro, confira se o motivo da reprovação também envolve conteúdo já existente. Por exemplo, veja se as imagens de demonstração ou os modelos disponíveis no miniaplicativo usam fotos de celebridades. Muitos desenvolvedores implementam o bloqueio técnico, mas acabam reprovados novamente porque a imagem de exemplo na página inicial mostra uma celebridade. Nesse caso, é preciso substituir todas essas imagens por retratos com direitos autorais próprios ou por rostos fictícios gerados por IA.

Resumo

Quando um miniprograma é obrigado a “adicionar bloqueios técnicos” por violação de direitos de imagem de figuras públicas, a solução não é encontrar uma API universal que reconheça essas pessoas, mas criar um fluxo completo de bloqueio. A API de segurança de conteúdo do WeChat cobre apenas violações gerais e não identifica celebridades nem influenciadores. Os recursos de reconhecimento de figuras públicas da Alibaba Cloud e da Tencent Cloud são os mais adequados ao contexto chinês, mas exigem verificação empresarial. O AWS Rekognition tem a menor barreira de entrada, porém reconhece poucos influenciadores chineses e envolve a transferência de dados para fora do país. Já o Azure e o Google praticamente não disponibilizam esse tipo de recurso para desenvolvedores comuns.

Para quem é microempreendedor individual, o caminho mais prático é: primeiro, verificar se é possível concluir a autenticação empresarial nos provedores de nuvem usando a licença comercial; em paralelo, implementar imediatamente duas camadas — filtragem semântica dos comandos e triagem inicial por tipo de imagem — e, depois, adicionar a verificação da identidade da própria pessoa, a declaração de autorização e a revisão manual. Por fim, apresentar aos responsáveis pela análise uma gravação de tela dos testes para demonstrar que os bloqueios funcionam.

Recomendamos usar a APIYI apiyi.com para implementar rapidamente os recursos de revisão com Modelo de Linguagem Grande das camadas 1 e 2. Valide a taxa de bloqueio com amostras reais antes de enviar o material para análise.

Autor: APIYI Team, com foco na implementação de aplicações de API para Modelos de Linguagem Grande. Para conferir mais soluções técnicas e obter créditos de teste, acesse APIYI apiyi.com.