Powiedział jedno, usłyszałeś drugie. Microsoft opisuje AI, która zmienia wypowiedzi podczas transmisji

Microsoft zgłosił w urzędzie patentowym pomysł, który brzmi jak scenariusz odcinka Black Mirror. Dokument US 2026/0341309 A1 opisuje system AI potrafiący zmieniać słowa wypowiadane podczas transmisji na żywo, zanim obraz i dźwięk dotrą do odbiorcy. Na podmianie audio się nie kończy. Generatywna AI ma również modyfikować obraz, w tym ruch ust mówcy, aby zmieniona wypowiedź wyglądała naturalnie. Rodzą się pytania o manipulowanie przekazem.

Microsoft opisuje system, który podmienia słowa w transmisji na żywo i modyfikuje obraz mówcy, żeby widz nie zauważył edycji. Tłumacz z dopasowanym ruchem warg brzmi kusząco. Problem w tym, że nie przewiduje obowiązku informowania odbiorcy o wprowadzonych zmianach.

John Ternus przyspiesza prace nad AI w Apple. Agentowa Siri może pojawić się już w 2027 roku

Wniosek złożono w USPTO, amerykańskim urzędzie patentowym, 29 kwietnia 2025 roku. Opublikowano go 29 października 2026 roku, a jako autorów wskazano Davida Callaghana i Dinesha Kumara. Na dokument zwrócił uwagę serwis Patentlyze. Opisany mechanizm składa się z dwóch elementów. Agent AI analizuje wypowiedź i wybiera słowa do zmiany na podstawie określonych reguł oraz profilu odbiorcy, który może uwzględniać między innymi jego wiek, język i miejsce zamieszkania. Następnie model generatywny przygotowuje nowe fragmenty dźwięku i obrazu. Modyfikuje materiał przed podmianą i po niej, aby przejścia nie były zauważalne.

Claude pisze ponad 90 proc. kodu Anthropic. Firma ostrzega SEC przed przyspieszeniem rozwoju sztucznej inteligencji

Microsoft definiuje działanie zbliżone do czasu rzeczywistego jako przetwarzanie z opóźnieniem od jednej do dziesięciu sekund. System może usuwać wypełniacze wypowiedzi, kolokwializmy, niepoprawnie wymawiane słowa oraz treści uznane za obraźliwe lub nieodpowiednie. Zgłoszenie wspomina też o filtrowaniu szumu tła. Co ciekawsze, nowe słowa mogą pochodzić z wyszukiwarki internetowej lub bazy danych. W dokumentacji pojawia się nawet możliwość korygowania nieprawdziwych informacji podczas transmisji. Technologia może działać z wykorzystaniem urządzeń takich jak okulary AR, smartfony, tablety i kamery, a opisany wariant przewiduje użycie procesorów CPU, GPU lub NPU.

AI kopiowało gry, więc Anthropic założył Claude kaganiec. Problem w tym, że dostało się również uczciwym deweloperom

Osobne, szesnaste zastrzeżenie opisuje tłumaczenie wypowiedzi na język wskazany w profilu odbiorcy. System ma zastępować oryginalne słowa przetłumaczonymi odpowiednikami, generować pasujące fragmenty audio i przygotowywać nowe klatki obrazu. Obejmują one również ruch ust mówiącej osoby. Nie jest to całkowicie obcy kierunek dla Microsoftu. Interpreter w Teams już tłumaczy wypowiedzi w czasie rzeczywistym i potrafi generować przekład z wykorzystaniem symulowanego głosu rozmówcy. Z kolei zaprezentowany w 2024 roku model VASA-1 potrafił animować twarz na podstawie zdjęcia i nagrania audio. Osiągał do 40 kl./s przy rozdzielczości 512 × 512 pikseli i opóźnieniu 170 ms na komputerze z GeForce RTX 4090. Była to jednak tylko demonstracja badawcza, której Microsoft nie planował udostępniać nikomu jako produktu lub API.

OpenAI prezentuje GPT-6.1 Terra. Oto model, który obsługuje aplikacje za Ciebie i nie kosztuje zbyt wiele

Największe wątpliwości budzi pierwsze zastrzeżenie. Nie określa ono dokładnie powodów zmiany wypowiedzi ani nie przewiduje obowiązku informowania widza o edycji. Przechowywanie oryginalnego nagrania jako materiału referencyjnego pojawia się w dodatkowym zastrzeżeniu numer 14. Sam pomysł tłumaczenia z dopasowanym ruchem warg ma oczywiste zastosowania. Inaczej wygląda możliwość przygotowywania różnych wersji tej samej wypowiedzi dla poszczególnych odbiorców. W połączeniu z technologiami generowania obrazu i głosu na żywo otwiera to drogę do manipulowania przekazem, a nawet oszustw. Na razie mowa jednak o zgłoszeniu patentowym, a nie zapowiedzianym produkcie. Patentlyze informuje również o zastrzeżeniach egzaminatora zgłoszonych w toku postępowania. Nie wiadomo więc, czy i w jakim zakresie Microsoft uzyska ochronę opisanego rozwiązania.