Microsoft patentuje AI do zmiany słów na żywo

Wyobraź sobie transmisję na żywo, w której mówca nigdy się nie zająknie, nie użyje wypełniacza „yyy”, a jego wypowiedź zostanie automatycznie przetłumaczona na twój język — z idealnie dopasowaną mimiką. Brzmi jak futurystyczna wizja? Microsoft właśnie opatentował technologię, która ma to umożliwić. Firma z Redmond złożyła wniosek patentowy na system sztucznej inteligencji zdolny do modyfikowania obrazu i dźwięku w transmisjach na żywo w niemal rzeczywistym czasie.

Jak donosi serwis Futurism, który jako pierwszy opisał zgłoszenie (wykryte przez narzędzie Patentlyze), wynalazcy określają swoje rozwiązanie mianem „niemal rzeczywistego w czasie udoskonalania prezentacji wideo lub rzeczywistości rozszerzonej z wydarzeń na żywo”. To opis, który brzmi technicznie niewinnie — ale kryje za sobą znacznie więcej niż prostą korektę obrazu.

Jak działa system opisywany w patencie

Architektura rozwiązania opiera się na agentach AI, które analizują strumień wideo w poszukiwaniu określonych słów i fraz. Gdy taki fragment zostanie zidentyfikowany, system może go usunąć lub zastąpić innym — a następnie zmodyfikować twarz i usta mówiącego tak, by odpowiadały nowej treści. Co istotne, agenci mają działać na podstawie zdefiniowanych parametrów lub profili użytkownika, co sugeruje wysoki poziom personalizacji.

Twórcy patentu zadbali też o płynność całego zabiegu. System ma modyfikować materiał wideo i audio również bezpośrednio przed usuniętym lub podmienionym słowem oraz tuż po nim, aby przejście było niezauważalne dla odbiorcy. To szczegół, który pokazuje, jak daleko zaawansowana ma być ta technologia — nie chodzi o widoczną ingerencję, lecz o edycję, której widz nie powinien w ogóle zauważyć.

Zastosowania: od tłumaczenia po cenzurę

W dokumencie wymieniono szereg potencjalnych zastosowań, które można podzielić na kilka kategorii. Część z nich brzmi całkiem praktycznie, inne rodzą poważne pytania natury etycznej.

Tłumaczenie i dostępność

Jednym z flagowych przykładów jest tłumaczenie w czasie rzeczywistym. System miałby umożliwiać odbiór transmisji i innych materiałów na żywo w języku preferowanym przez widza — zarówno w warstwie dźwiękowej, jak i wizualnej. Patent wspomina również o usuwaniu wypełniaczy typu „um” czy „ah”, a także eliminowaniu jąkania i wad wymowy, co mogłoby być cennym wsparciem dla osób zmagających się z takimi trudnościami.

Filtrowanie „niechcianych” słów

W tym miejscu patent wkracza na znacznie bardziej kontrowersyjny grunt. Dokument przewiduje bowiem usuwanie „osobistych słów lub fraz”, w tym terminów ukutych przez mówcę, a także wyrażeń potocznych — jako przykład podano zwrot „y’all” czy idiom „bite the bullet”. System miałby również eliminować słowa niewyraźne, błędnie wymówione, niewłaściwie użyte, obraźliwe, nieczułe lub niestosowne. Co więcej, zamienniki mogłyby pochodzić z wyszukiwania internetowego.

To właśnie ta funkcja budzi największe wątpliwości. Usuwanie regionalnych zwrotów czy dialektów oznacza bowiem ingerencję w coś więcej niż tylko w błędy językowe — to wymazywanie elementów tożsamości mówcy. Jak zauważa Futurism, pojawia się pytanie: co właściwie złego jest w tym, że ktoś z południa USA powie „y’all”?

Transmisje na żywo przestają być na żywo

Patent wymienia konkretne rodzaje materiałów, które mogłyby podlegać takiej obróbce: wykłady, prezentacje, produkcje telewizyjne (gale nagród, teleturnieje, programy kulinarne) oraz transmisje sportowe. Łatwo zauważyć, że mowa tu o treściach, które dziś uznajemy za spontaniczne i autentyczne.

Dubbing i montaż wideo istnieją od dziesięcioleci — zarówno w szczytnych, jak i mrocznych celach. Nowością jest jednak automatyzacja tego procesu w czasie rzeczywistym z udziałem agentów AI. To zmiana, która może fundamentalnie przekształcić sposób, w jaki odbiorcy obcują z transmisjami live. Dziś, jeśli nie podoba nam się to, co słyszymy, po prostu wyłączamy program. System opisany przez Microsoft idzie dalej: pozwala dostosować cudzą wypowiedź do własnych preferencji, zamiast rezygnować z odbioru.

Bańki informacyjne w wersji 2.0

W dobie deepfake’ów, dezinformacji i zanieczyszczonych treści generowanych przez AI, narzędzie do subtelnego przekształcania rzeczywistości na bieżąco może oznaczać jakościowo nowy etap filtrowania informacji. Tym razem jednak filtrem nie jest algorytm rekomendacji, lecz bezpośrednia ingerencja w wypowiedź drugiego człowieka.

Warto odnotować, że twórcy patentu przewidzieli pewne zabezpieczenie. Dokument wspomina, że oryginalny materiał wideo i audio z wydarzenia mógłby być nagrywany i przechowywany jako „ground truth” — punkt odniesienia wobec potencjalnych nadużyć i nieporozumień. To sygnał, że sami wynalazcy dostrzegają ryzyko związane ze swoim rozwiązaniem.

Microsoft nie odniósł się do prośby o komentarz. Nie wiadomo zatem, czy firma planuje wdrożenie opatentowanej technologii, ani w jakim horyzoncie czasowym. Sam patent nie gwarantuje przecież, że produkt kiedykolwiek powstanie.

Co to oznacza dla przyszłości transmisji

Opisany patent wpisuje się w szerszy trend: Big Tech coraz śmielej patentuje technologie ingerujące w percepcję rzeczywistości. Meta pracuje nad systemem wykrywania nastroju na podstawie analizy tonu głosu — to kolejny przykład narzędzia, które może zmienić relację między nadawcą a odbiorcą.

Pytanie brzmi, gdzie postawimy granicę. Tłumaczenie na żywo i usuwanie wypełniaczy to udogodnienia, które większość z nas przyjęłaby z ulgą. Ale automatyczne wymazywanie dialektów, „osobistych” zwrotów czy słów uznanych za niestosowne — na podstawie czyichś parametrów — to już nie korekta, lecz redagowanie cudzej wypowiedzi. A gdy widz może dostosować mowę mówiącego do własnego gustu, transmisja na żywo przestaje być wspólnym doświadczeniem. Staje się prywatną, spersonalizowaną wersją rzeczywistości — wygodną, ale czy jeszcze prawdziwą?