AI będzie poprawiać wypowiedzi na żywo? Microsoft ma nietypowy i... kontrowersyjny pomysł
Microsoft zgłosił patent na technologię, która może mocno zmienić sposób oglądania transmisji internetowych. Opisany w dokumentacji system wykorzystuje bowiem sztuczną inteligencję do modyfikowania wypowiedzi w czasie rzeczywistym. Co więcej, potrafi również zmienić obraz twarzy rozmówcy, tak aby ruch jego ust pasował do nowych słów. Pomysł ma kilka praktycznych zastosowań, ale rodzi też pytania o wiarygodność materiałów wideo.
Microsoft chce poprawiać wypowiedzi podczas transmisji na żywo?
Z dokumentacji patentowej Microsoftu wynika, że firma rozważa wykorzystanie AI do ingerowania w dźwięk i obraz transmitowany na żywo. Taki system miałby analizować wypowiedzi uczestników transmisji, rozpoznawać wybrane słowa, a następnie zastępować je innymi. Co ciekawe, nie chodzi przy tym wyłącznie o automatyczne napisy czy tłumaczenie. Technologia może ingerować bezpośrednio w to, co słyszy odbiorca, a także w to, co widzi na ekranie. A to już budzi spory niepokój.
Omawiany mechanizm mógłby usuwać między innymi powtórzenia, zająknięcia, niepotrzebne wtrącenia i błędnie wypowiedziane słowa. Microsoft wymienia również możliwość filtrowania przekleństw oraz wyrażeń uznanych za nieodpowiednie. Myślicie, że to już dużo? Na tym możliwości rozwiązania się nie kończą. System mógłby dobierać zamienniki na podstawie informacji o odbiorcy, takich jak jego wiek, miejsce zamieszkania czy język, którym się posługuje. Mówiąc w uproszczeniu, dwie osoby oglądające tę samą transmisję mogłyby usłyszeć nieco inne wypowiedzi.
Samo podmienienie ścieżki dźwiękowej nie wystarczyłoby jednak, aby taka ingerencja wyglądała naturalnie. Jeśli ktoś wypowie jedno zdanie, a następnie usłyszymy zupełnie inne słowa, ruch jego ust szybko zdradziłby, że nagranie zostało zmodyfikowane. Microsoft przewiduje takie sytuacje i zakłada również generowanie nowych klatek obrazu. Sztuczna inteligencja miałaby odpowiednio zmieniać mimikę i ruch warg, aby pasowały do zmienionej wypowiedzi. Cały proces odbywałby się z niewielkim opóźnieniem, które według opisu patentowego może wynosić od jednej do dziesięciu sekund.
Tłumaczenie transmisji na żywo to jedno z możliwych zastosowań
Co ciekawe, pomysł nie ogranicza się do usuwania przekleństw czy poprawiania sposobu mówienia. Microsoft opisuje również możliwość zastępowania wypowiadanych słów informacjami znalezionymi w internecie lub bazach danych dotyczących omawianego tematu. W teorii mogłoby to pomóc w aktualizowaniu nieprawidłowych albo nieaktualnych informacji pojawiających się podczas transmisji. Trzeba jednak pamiętać, że automatyczna zmiana wypowiedzi niesie za sobą sporą odpowiedzialność. Nawet pozornie niewielka korekta może zmienić sens całego zdania, a błędnie dobrany zamiennik może doprowadzić do przekazania odbiorcom nieprawdziwych wiadomości.
W dokumentacji znalazło się również zastosowanie, które wydaje się znacznie bardziej praktyczne. Chodzi o tłumaczenie wypowiedzi na język zrozumiały dla konkretnego widza. Jeżeli uczestnik transmisji będzie mówił po angielsku, odbiorca posługujący się polskim mógłby usłyszeć już przetłumaczoną wersję jego słów – miało by to działać nieco na zasadzie automatycznego tłumacza. Co istotne, system nie ograniczałby się do odtworzenia lektora czy wygenerowania napisów. Zmieniałby także obraz, dopasowując ruch ust rozmówcy do przetłumaczonej wypowiedzi. Takie rozwiązanie mogłoby znaleźć zastosowanie podczas międzynarodowych konferencji, spotkań biznesowych, wykładów, podcastów czy internetowych transmisji.
Warto przy tym zwrócić uwagę, że Microsoft zakłada, że technologia mogłaby działać na różnych urządzeniach. Wśród wymienionych przykładów znalazły się komputery stacjonarne, smartfony, tablety, a nawet okulary rozszerzonej rzeczywistości. Do obsługi sztucznej inteligencji można byłoby wykorzystać między innymi procesor i układ graficzny urządzenia, a także specjalny układ NPU, przeznaczony do zadań związanych z AI. Oznacza to, że nie wszystkie operacje musiałyby być wykonywane na zewnętrznych serwerach. Na razie są to jednak jedynie możliwości opisane w patencie, a nie potwierdzone plany wprowadzenia takiej technologii na rynek.
Pomysł Microsoftu budzi poważne wątpliwości
Możliwość poprawiania wypowiedzi i tłumaczenia ich bez przerywania transmisji brzmi interesująco, ale pojawia się pewien problem, a w zasadzie kilka problemów. Widzowie mogą przecież nie mieć świadomości, że oglądany materiał został zmodyfikowany. W opisie technologii nie określono jasno, czy odbiorca otrzyma informację o dokonanych zmianach. To istotne zwłaszcza dlatego, że patent zakłada, że dwie osoby oglądające to samo wydarzenie mogą zobaczyć i usłyszeć różne wersje wypowiedzi. W przypadku rozrywkowego programu nie musi to mieć większego znaczenia. Inaczej wygląda sytuacja podczas konferencji prasowej, debaty publicznej czy transmisji z ważnego wydarzenia.
Microsoft przewidział wprawdzie możliwość zachowania oryginalnego nagrania audio i wideo, które mogłoby posłużyć jako materiał referencyjny w razie wątpliwości. Nie rozwiązuje to jednak wszystkich problemów. Jeśli zmodyfikowana wypowiedź zostanie rozpowszechniona w internecie bez odpowiedniego oznaczenia, odbiorcy mogą potraktować ją jako autentyczną. Technologia otwiera więc pole do nadużyć, zwłaszcza że podobne rozwiązania można byłoby wykorzystać do tworzenia materiałów przypominających prawdziwe transmisje, ale przedstawiających słowa, których dana osoba nigdy nie wypowiedziała.
Na razie nie ma jednak powodów, aby zakładać, że opisywana technologia wkrótce trafi do powszechnego użytku. Dokument dotyczy wniosku patentowego Microsoftu, złożonego 29 kwietnia 2025 roku i opublikowanego 29 października 2026 roku pod numerem US 2026/0341309 A1. Samo zgłoszenie nie oznacza jeszcze, że firma przygotowuje gotowy produkt ani że rozwiązanie zostanie kiedykolwiek wdrożone. Na ten moment Microsoft nie przedstawił planów komercyjnego wykorzystania opisanego systemu.
Paweł Matyjewicz
Autor Media Expert
Dumny tata, pasjonat życia, kultury Azji i technologii. Od lat związany z dziennikarską branżą gier wideo. Miłośnik fantastyki wszelkiego rodzaju. Przez wielu nazywany geekiem, chociaż sam uważa, że do tego określenia mu daleko. Wielbiciel przemyślanych światów, również tych papierowych (stołowe RPG zawsze w sercu). Gdy nie pisze, prawdopodobnie przechodzi japońskiego RPGa, ogląda nowy serial lub robi długie wycieczki ze swoją piesełą o imieniu Buffy.