ফ্রি Claude ওয়াটারমার্ক অপসারণকারী Text Rebuilt, Mark Cleared
Anthropic 11 August 2026-এ Claude-এর text output-এ একটি অদৃশ্য watermark embed করা শুরু করে, 2 August থেকে প্রকাশিত প্রতিটি model-কে আচ্ছাদিত করে। এটি পৃষ্ঠার ভেতরে লুকোনো character নয়, বরং model-এর word choice-এ স্থাপিত একটি statistical mark, তাই copy-paste-এর মধ্য দিয়ে এটি বহন হয় এবং invisible character খোঁজা cleaners-এর এর বিরুদ্ধে কোনো ফল হয় না। Text rebuild করাই এটিকে clear করে। 500 words পর্যন্ত paste করুন, এবং প্রতিটি sentence ভিন্ন wording থেকে assembled হয়ে ফিরে আসে, আপনার figure, hedge এবং reference ঠিক যেমন রেখেছিলেন তেমনই থাকে।
আপনার পাঠ্য পেস্ট করুন বা টাইপ করুন, তারপর সরঞ্জামটি চালান। ফলাফল কয়েক সেকেন্ডের মধ্যে নিচে দেখা যাবে।
0 / 500 শব্দ
84,000+
আন্তর্জাতিক গবেষকরা
গড় রেটিং
যেসব জার্নালে প্রকাশ করেন, সেইসব গবেষকদের আস্থা অর্জন করেছে
Marked passage থেকে rebuilt text-এ 3 ধাপ
Passage paste করুন
40 থেকে 500 words পর্যন্ত। এই lower bound বাস্তব কাজ করে: token-এর distribution থেকে পড়া একটি mark অর্থবহ হতে যথেষ্ট দীর্ঘ text চায়, এবং এমন একটি rebuild-ও চায় যা আপনার meaning অক্ষুণ্ণ রেখে বহন করবে।
প্রতিটি sentence আবার তৈরি করা হয়
একটি ভিন্ন model word by word passage পুনরায় generate করে, sentence কীভাবে শুরু হয় এবং তাদের clause কীভাবে বসে তা বদলে দেয়। প্রতিটি token নতুন হওয়ায়, Claude-এর sampling-এর সঙ্গে যুক্ত একটি signal-এর চলার মতো কিছু থাকে না।
পরীক্ষা করুন, তারপর ব্যবহার করুন
Rebuild-টি আপনার original-এর পাশে রাখুন। Figure, hedge, field vocabulary এবং reference সব fixed থাকে, কিন্তু meaning অক্ষুণ্ণভাবে এসেছে কি না তা নিশ্চিত করার দায় আপনার।
Rebuild কী বদলায়, আর কী স্থির রাখে
এটি handling নথিভুক্ত করে, authorship নয়
আপনার নিজের paragraph copy-edit-এর জন্য পাঠান, আর তা marked হয়ে ফিরে আসে। Signal edit আর শূন্য থেকে লেখা draft-এর মধ্যে পার্থক্য করতে পারে না।
একটি rebuild, filter নয়
Hidden character মুছে ফেলা word choice-এ বসবাসকারী একটি mark-এ পৌঁছাতে পারে না। Token আবার তৈরি করাই একমাত্র mechanism, যার কোনো প্রভাব আছে।
Claim-গুলো তাদের আকার বজায় রাখে
May, may-ই থাকে, আর suggests, suggests-ই থাকে। Figure, date, name এবং qualifier ঠিক যেমন গিয়েছিল তেমনই ফিরে আসে।
Reference হুবহু কপি করা হয়
Quotation, in-text citation এবং reference entry character for character পুনরুৎপাদিত হয়, কখনো reword করা হয় না এবং কখনো renumber করা হয় না।
Anthropic আসলে কী তৈরি করেছে, এবং filtering কেন এটিকে স্পর্শ করতে পারে না
11 August 2026-এ Anthropic ঘোষণা করে যে তার মডেলগুলির উৎপাদিত পাঠ্যে একটি অদৃশ্য ওয়াটারমার্ক এমবেড করা হবে, এবং এটি তার সহায়তা কেন্দ্রে How Claude marks AI-generated content শিরোনামের অধীনে নথিভুক্ত করা হয়েছে। 2 August 2026-এ বা তার পরে প্রকাশিত মডেলগুলি চালুর সময় থেকেই এই চিহ্নায়ন সমর্থন করে, এবং Anthropic বলেছে যে একটি রূপান্তরকালীন সময়ের মাধ্যমে এটি আগের মডেলগুলিতেও সম্প্রসারিত করতে তারা কাজ করছে। এই পরিসর Claude API, claude.ai, Claude Code, Claude Cowork এবং AWS, Google Cloud ও Microsoft Foundry-এর মাধ্যমে পরিবেশিত Claude-কে অন্তর্ভুক্ত করে, বিশ্বব্যাপী প্রযোজ্য, এবং কোনো পরিকল্পনাতেই অপ্ট-আউটের সুযোগ দেয় না। এর পেছনে রয়েছে EU AI Act এবং AI-generated content-এর স্বচ্ছতা বিষয়ে তার Article 50(2) Code of Practice, যা একটি প্রদানকারীকে যন্ত্র-উৎপাদিত আউটপুট চিহ্নিত করতে বলে; Anthropic এটি ইউরোপে সীমাবদ্ধ না রেখে বিশ্বব্যাপী প্রয়োগ করার সিদ্ধান্ত নিয়েছে।
এই প্রক্রিয়াটি কোনো লুকানো অক্ষর নয়, এবং কোনো মেটাডেটা ক্ষেত্রও নয়। এটি লেখার সময়, একটি মডেল ধারাবাহিকভাবে এমন শব্দগুলির মধ্যে নির্বাচন করে, যেগুলিকে পরিসংখ্যান সেই বাক্যাংশে ওই মুহূর্তে প্রায় বিনিময়যোগ্য বলে গণ্য করে। ওয়াটারমার্ক এই নির্বাচনগুলির ওপর নির্ভর করে, এমন একটি কী ব্যবহার করে যা কেবল Anthropic-এর কাছে থাকে, ফলে পর্যাপ্ত পরিমাণ গদ্যের মধ্যে উৎপন্ন বণ্টন একটি স্বাক্ষর বহন করে, যা পরিমাপ করা যায়। পাতায় কিছুই যোগ করা হয় না, এ কারণেই লেখাটি স্বাভাবিকভাবে পড়া যায়, এ কারণেই Anthropic ন্যায্যভাবে বলতে পারে যে অর্থ ও গুণমান অপরিবর্তিত থাকে, এবং এ কারণেই এই চিহ্ন কপি ও পেস্ট, ফাইল ফরম্যাট পরিবর্তন এবং প্লেইন টেক্সটে রূপান্তরের মধ্য দিয়েও দুর্বল না হয়ে বহন হয়ে যায়।
এতে বিভাজনরেখাটি পরিশ্রমের বিষয় না হয়ে যান্ত্রিক হয়ে ওঠে। আপনার শব্দগুলোকে যেটি অক্ষুণ্ণ রাখে, সেটি তাদের সঙ্গে স্বাক্ষরকেও অক্ষুণ্ণ রাখে: কপি করা, পুনরায় ফরম্যাট করা, ফাইলের ধরন বদলানো, অদৃশ্য অক্ষর মুছে ফেলা। যেটি টোকেনের ক্রমকে পুনর্গঠন করে, সেটি তা ধ্বংস করে: একটি উল্লেখযোগ্য পুনর্লিখন, ব্যাপক প্যারাফ্রেজিং, অন্য ভাষায় অনুবাদ। Anthropic এ কথা স্পষ্টভাবেই বলেছে, এবং ব্যবস্থাটিকে এমন একটি প্রাথমিক ধাপ হিসেবে বর্ণনা করেছে, যাকে সম্পাদনা পরাস্ত করতে সক্ষম। সংক্ষিপ্ত উদ্ধৃতাংশ ভিন্ন কারণে ব্যর্থ হয়, কারণ কোনো পরিসংখ্যানগত পরিমাপের পক্ষে সিদ্ধান্ত সমর্থন করার আগে নির্দিষ্ট পরিমাণ পাঠ্য প্রয়োজন।
এটাই ঠিক সেই জায়গা, যেখানে বর্তমানে AI watermark removers হিসেবে বাজারজাত করা বিনামূল্যের সরঞ্জামগুলি ভুল করে। তারা zero-width Unicode এবং অদৃশ্য spacing খোঁজে এবং যা কিছু পায় তা মুছে ফেলে, যা ছিল ভিন্ন একটি সমস্যার যুক্তিসংগত উত্তর, কিন্তু এখানে কিছুই করে না। Claude output-এর ওপর এমন কোনো cleaner চালালে, যা ফিরে আসে তা আগের মতোই পরিমাপিত হয়।
উল্লেখযোগ্য বিষয় হলো অভিযোগটি কোথা থেকে এসেছে। ঘোষণার পর যে প্রতিক্রিয়া সবচেয়ে বেশি প্রাধান্য পেয়েছিল, তা AI খসড়া আড়াল করা মানুষের কাছ থেকে আসেনি; এসেছে সেই লেখকদের কাছ থেকে, যারা মডেলটিকে সম্পাদক হিসেবে ব্যবহার করেন। আপনার নিজের একটি সম্পূর্ণ অনুচ্ছেদ Claude-এ copy-edit-এর জন্য পাঠালে তা watermarked অবস্থায় ফিরে আসে, কারণ চিহ্নটি নির্দেশ করে যে মডেলটি সেই টোকেনগুলো উৎপন্ন করেছে, সেই চিন্তাটি নয়। আইনজীবী, শিক্ষাবিদ এবং গবেষকেরা কয়েক ঘণ্টার মধ্যেই একই কথা তুলেছিলেন: তাদের মানব-রচিত লেখা, সামান্য সম্পাদিত হলে, এখন এমন একটি সংকেত বহন করবে, যাকে কোনো নিয়োগকর্তা, জার্নাল বা প্রতিষ্ঠান যন্ত্র-লেখকত্বের প্রমাণ হিসেবে পড়তে পারে। সেই অনুচ্ছেদকে নতুন শব্দচয়নে পুনর্গঠন করাই এর সরাসরি উত্তর।
এদিকে, সনাক্তকরণ কেবল Anthropic-এর মধ্য দিয়েই চলে। এটি কোম্পানির নিজস্ব ইন্টারফেসের মাধ্যমে পরিকল্পিত, এবং সাধারণ-উদ্দেশ্য AI detector-রা এই সংকেত একেবারেই পড়তে পারে না। এমনকি সেই চ্যানেল দিয়েও উত্তরটি সম্ভাব্যতাভিত্তিক, একটি positive কেবল বলে যে পাঠ্যটি Claude-এর মধ্য দিয়ে যেতে পারে, কিন্তু লেখকত্ব প্রতিষ্ঠা করে না, কতটা অংশ machine-written ছিল তা পরিমাপ করে না, এবং একটি draft ও একটি edit-এর মধ্যে পার্থক্যও করে না। একটি negative প্রায় কিছুই বলে না, কারণ চিহ্নহীন পাঠ্যও এখনও machine-generated হতে পারে। যে কোনো ফলাফলকে প্রমাণ হিসেবে পড়া মানে measurement কী সমর্থন করতে সক্ষম, তা ভুল বোঝা।
আমাদের AI humanizer কীভাবে Claude watermark সরায়
এই পৃষ্ঠাটি যা দেয়, তা হলো একটি passage-এর পুনর্গঠন। TextPulse AI humanizer আরও দূর পর্যন্ত পৌঁছে যায়, এবং যখন একটি সম্পূর্ণ document-এ এই চিহ্ন থাকে, তখন সেটিই অধিক পূর্ণাঙ্গ উত্তর। Humanizing কোনো বিদ্যমান লেখার ওপর উপরিস্তরে প্রয়োগ করা edit নয়, এবং এটি machine-written বলে পড়া passage খুঁজে বের করে সেগুলো প্যাচ করে বাকি অংশ রেখে দেওয়ার কাজও করে না। এটি document-টি ভেঙে আবার লেখে, AI-style prose-কে human style writing-এ রূপান্তর করে: sentence length একই মাপে আসা বন্ধ করে, clause pattern পুনরাবৃত্ত হওয়া বন্ধ করে, একজন মানুষ যেমন লিখলে register শিথিল হয়, তেমনই তা শিথিল হয়, এবং draft-কে machine-produced বলে চিহ্নিত করা vocabulary-এর জায়গায় একজন human writer যে wording বেছে নেন, তা এসে যায়।
Watermark মুছে ফেলা এই প্রক্রিয়া থেকেই ঘটে, এবং তা সম্পূর্ণভাবেই ঘটে। Anthropic-এর চিহ্ন বহন করে Claude যে নির্দিষ্ট token-এর ধারাবাহিকতা বেছে নিয়েছিল, তা। Humanizer একবার document-টি পুনর্লিখন করলে, সেই token-গুলোর একটিও আর থাকে না: প্রতিটি sentence নতুন করে ভিন্ন engine দ্বারা তৈরি হয়, ভিন্ন স্থানে ভাঙা হয়, ভিন্ন word choice-এর বিস্তৃত পরিসর থেকে নেওয়া হয়। এখানে আংশিক ফলাফল সম্ভব নয়, এবং যেসব paragraph-কে হালকাভাবে扱া হয়েছে বলে মনে হতে পারে, সেখানেও কোনো residue থাকে না, কারণ কিছুই হালকাভাবে扱া করা হয় না। Statistical signature-এর তুলনা করার মতো কিছুই অবশিষ্ট থাকে না।
দুইটির পার্থক্য নির্ধারণ করে scale। উপরের tool একবারে 500 words নিয়ে কাজ করে এবং সেগুলো বিশ্বস্তভাবে পুনরায় প্রকাশ করে, যা একটি একক paragraph-এর প্রয়োজন। একটি পূর্ণ report, article, thesis chapter বা manuscript জুড়ে AI text humanize করতে, এবং যা ফিরে আসে তা যেন কেবল ভিন্নভাবে পড়া নয়, বরং একজন মানুষ লিখেছেন বলে পড়া যায়, তার জন্য AI humanizer পুরো document-টি একবারে গ্রহণ করে, আপনার citation, figure এবং technical vocabulary-কে এই tool-এর মতোই যত্নসহকারে ধরে রাখে। সম্পূর্ণ draft জুড়ে watermark-এর মুখোমুখি যে কেউ, তার সেখান থেকেই শুরু করা উচিত।
এর চারপাশে, AI word cleaner সেই giveaway vocabulary ধরে ফেলে, যেটিকে একটি rebuild লক্ষ্য করে না, এবং বাকি free tools তার আশেপাশের checks সামলে নেয়।
Example: one paragraph, assembled from a different set of tokens
A Claude-edited passage beside its rebuild. Read the two together: every claim, figure and hedge is the same, and no sentence keeps the wording it arrived with.
Our analysis indicates that hybrid scheduling appears to influence team coordination, although the size of that influence differs markedly between departments. Staff in project-based teams described smoother handovers once fixed office days were introduced, whereas staff in support and front-desk roles described the opposite pattern.
Hybrid scheduling appears, on our analysis, to shape how teams coordinate, though how much it shapes them varies markedly from department to department. Among staff on project-based teams, handovers were described as running more smoothly after fixed office days came in; in support and front-desk roles the description ran the other way.
- UnchangedEach claim, and how far it commits"Indicates" and "appears to" both survive as hedges rather than firming up. A rebuild that promoted the finding to "demonstrates" would have broken the paragraph even while removing the mark.
- UnchangedThe vocabulary of the field and the contrast it drawsHybrid scheduling, project-based, support and front-desk carry defined meanings here, so they are reproduced rather than paraphrased into looser wording.
- RebuiltSentence openings and the order of clausesThe opening no longer leads with "Our analysis"; the second sentence turns on a semicolon and reverses which group is named first.
- RebuiltEvery token in the sequenceThis is the part that matters. The watermark is a property of the words the first model settled on, so a passage regenerated word by word has nothing to carry it forward.
Nothing was cut and nothing was added. The paragraph still makes the same two claims, at the same strength, about the same two groups, in 51 words rather than 50. That is the whole mechanism: meaning travels between wordings, a token sequence does not.
Claude watermark সরাতে কারা প্রয়োজন বোধ করেন
যেসব writer Claude-কে copy-editor হিসেবে ব্যবহার করেন
Paragraphটি আপনার ছিল, argumentটিও আপনার ছিল, তবু mark এখনও বলে যে model এটি সামলেছে। Rebuilding edit-এর কারণে হারানো attribution ফিরিয়ে আনে।
যেসব researcher mark-sensitive venue-তে জমা দেন
Journal এবং institution-গুলো দ্রুত AI-authorship policy লিখছে, এবং একটি positive signal-কে তার চেয়ে বেশি conclusive বলে পড়া সহজ।
Client এবং employer-এর বাধ্যবাধকতা থাকা professional-রা
Lawyer এবং consultant-রা প্রথম দিকের আপত্তিকারীদের মধ্যে ছিলেন, কারণ machine-authored বলে পড়া একটি document তাদের engagement terms কখনও অনুমান করেনি এমন প্রশ্ন তোলে।
ESL এবং multilingual writer-রা
একটি সম্পাদনা মডেলই প্রায়ই দৃঢ় চিন্তাকে সাবলীল ইংরেজিতে রূপ দেয়। চিহ্নটি সহায়তাকে পূর্ণাঙ্গ সৃষ্টির থেকে আলাদা করতে পারে না, এবং পুনর্গঠন শব্দচয়নকে আবার আপনার হাতে ফিরিয়ে দেয়।
পাঠ্যাংশ পুনর্গঠিত হয়েছে।
এখন পুরো নথিটি প্রক্রিয়ার মধ্য দিয়ে নিন।
TextPulse humanizer একটি সম্পূর্ণ খসড়াজুড়ে শব্দচয়ন এবং ছন্দ পুনর্গঠন করে, যা আপনার অর্থ, সংখ্যা এবং সূত্র অক্ষুণ্ণ রেখে টোকেন-স্তরের চিহ্নকে শুরু থেকে শেষ পর্যন্ত দূর করে।