Microsoft patentuje modyfikowanie mowy na żywo. AI dopasuje słowa i ruch ust do profilu widza

Koncepcja manipulacji nagraniami wideo kojarzy się zazwyczaj z żmudną postprodukcją lub generowaniem deepfake’ów offline. Zgłoszenie patentowe złożone przez Microsoft Technology Licensing (o numerze US 20260341309 A1), które opisał serwis AntyWeb, idzie jednak o krok dalej. Dokument przedstawia architekturę zdolną do ingerowania w obraz i dźwięk podczas transmisji na żywo, z opóźnieniem wynoszącym zaledwie od 1 do 10 sekund.

W praktyce oznacza to, że widz oglądający relację wideo może usłyszeć słowa, które w rzeczywistości nigdy nie padły ze studia, i zobaczyć mówcę, którego usta poruszają się w idealnej synchronizacji ze zmienioną ścieżką dźwiękową. Jak zauważa Computerworld, zgłoszony system opiera się na analizie wypowiedzi przez wyspecjalizowanego agenta sztucznej inteligencji, który wskazuje fragmenty wymagające modyfikacji, a model generatywny tworzy ich zamienniki.

Cenzura, ułatwienia i weryfikacja faktów w locie

W dokumentacji Microsoft wymienia szereg praktycznych zastosowań tego mechanizmu. Najprostsze z nich obejmują wycinanie przerywników dźwiękowych („yyy”, „eee”), usuwanie zacięć oraz automatyczną cenzurę wulgaryzmów na wizji. Technologia mogłaby również radykalnie usprawnić tłumaczenia symultaniczne – generując głos w innym języku i jednocześnie modyfikując klatki wideo tak, by ruch warg mówcy odpowiadał nowemu przekładowi.

Bardziej kontrowersyjne scenariusze dotyczą jednak automatycznego sprawdzania faktów oraz personalizacji. System mógłby w locie zastępować pomyłki prowadzącego informacjami pobieranymi bezpośrednio z baz danych lub internetu. Co więcej, przekaz mógłby być modyfikowany w zależności od profilu konkretnego odbiorcy – jego wieku, lokalizacji czy poziomu wykształcenia. Ta sama wypowiedź polityka lub eksperta mogłaby zatem brzmieć prościej dla jednego widza, a bardziej formalnie dla innego.

Granica między poprawianiem a dezinformacją

Choć dokument zakłada zachowanie oryginalnego nagrania jako punktu odniesienia, w opisie patentowym zabrakło mechanizmów określających, w jaki sposób odbiorca miałby być informowany o ingerencji w strumień wideo. W dobie narastających obaw o autentyczność materiałów cyfrowych – w maju informowaliśmy m.in., że YouTube zaostrza rygor wobec treści generowanych przez AI – technologia ingerująca w relacje na żywo rodzi oczywiste ryzyko nadużyć politycznych i dezinformacji.

Na razie opisywane rozwiązanie pozostaje wyłącznie koncepcją inżynieryjną. Wniosek złożono w kwietniu 2025 roku.