Microsoft запатентовала технологию изменения речи и губ в эфире

Представьте, что вы смотрите интервью в прямом эфире. Гость произносит определенную фразу, но вы слышите совершенно другое. Зритель, наблюдающий за той же трансляцией в другом месте, воспринимает иную версию, причем на обоих экранах губы спикера двигаются в строгом соответствии с произносимыми словами. Подобное звучит как научная фантастика, однако патентная заявка корпорации Microsoft описывает технологию, призванную реализовать именно этот сценарий.

Заявка, опубликованная в конце октября, описывает систему искусственного интеллекта, способную распознавать слова по ходу прямой трансляции, заменять их практически в режиме реального времени и одновременно корректировать видеоряд для подгонки движений рта под новую реплику. Согласно патентной документации, система сможет удалять нецензурную лексику, исправлять ошибки произношения, устранять заикание и слова-паразиты, а также заменять оскорбительные выражения.

Кроме того, технология позволит адаптировать контент под индивидуальные параметры зрителя, включая возраст, язык и географическое положение. К примеру, ребенок сможет смотреть трансляцию без ругательств, в то время как взрослый зритель услышит оригинальный вариант. Еще одним сценарием применения является синхронный перевод: вместо традиционных субтитров или рассинхронизированного дубляжа зритель сможет слышать спикера на родном языке, видя, как его губы двигаются в соответствии с новым переводом.

Система анализирует аудио- и видеопоток, выявляет подлежащие изменению фрагменты и генерирует альтернативный звук с помощью алгоритмов искусственного интеллекта. После этого она воссоздает кадры с лицом говорящего, синхронизируя артикуляцию с обновленным текстом. Процесс завязан на задержку от одной до десяти секунд, в течение которых трансляция поступает к зрителю с небольшим опозданием, необходимым для цифровой правки речи и изображения.

Документы также описывают возможность обращения к результатам интернет-поиска для подбора альтернативных формулировок, включая вариант корректировки фактических данных прямо во время эфира. Это порождает серьезный этический вопрос: что произойдет, если искусственный интеллект совершит ошибку? Зритель рискует услышать фразу, которую человек никогда не произносил, даже не подозревая о вмешательстве алгоритма. При этом основные пункты патентной заявки не требуют обязательного уведомления аудитории о том, что контент подвергся редакции.

Корпорация Microsoft подала патентную заявку в апреле 2025 года, а ее публикация состоялась в октябре 2026 года. Первоначальные формулировки уже столкнулись с возражениями со стороны американского патентного ведомства, и процедура еще не завершена выдачей официального патента. На текущий момент компания не анонсировала коммерческих продуктов на базе этой системы, однако сама концепция наглядно демонстрирует вызов, который искусственный интеллект бросает нашему доверию к видеоконтенту: если технологии позволяют менять и слова, и движение губ, сам факт того, что мы видели говорящего человека, больше не служит гарантией достоверности сказанного.