Microsoft a depus o cerere de brevet pentru un sistem cu inteligență artificială care ar putea schimba, aproape în timp real, ce spun oamenii într-o transmisiune video. Sistemul ar identifica anumite cuvinte și le-ar putea scoate sau înlocui. În același timp, ar ajusta mișcările feței și ale gurii, ca schimbarea să pară naturală.
Soluția apare în documentația depusă de companie, unde este descrisă drept o metodă de „îmbunătățire video cu ajutorul inteligenței artificiale, aproape în timp real”. Ea ar putea fi folosită la evenimente transmise live, de la cursuri și gale de premiere până la competiții sportive.
Tehnologia ar folosi agenți AI care analizează discursul. Cuvintele sau expresiile identificate ar putea fi eliminate ori înlocuite, fără ca modificarea să se limiteze la pista audio.
Imaginea vorbitorului ar fi ajustată și ea. Expresiile faciale și mișcările gurii ar fi modificate ca să corespundă noii variante a discursului. Dacă un cuvânt rostit este înlocuit ulterior, sincronizarea dintre sunet și imagine ar putea fi păstrată.
Un mecanism de felul acesta ar putea elimina ezitările, repetițiile și greșelile de pronunție dintr-o transmisie live. De exemplu, expresii precum „ăăă” sau alte sunete folosite involuntar în timpul vorbirii ar putea fi îndepărtate automat, iar frazele ar putea deveni mai cursive.
Spre deosebire de editarea obișnuită, făcută după înregistrarea unui eveniment, sistemul este conceput să funcționeze în timpul transmisiunii, cu o întârziere cât mai mică.
Traduceri live și discursuri adaptate
Printre utilizările posibile se numără traducerea în timp real a discursurilor. Cuvintele unei persoane ar putea fi înlocuite cu echivalentele dintr-o altă limbă, iar mișcările buzelor ar fi ajustate, ca imaginea să corespundă sunetului tradus.
Brevetul descrie și posibilitatea de a adapta limbajul la preferințele publicului. Expresiile colocviale, argoul sau anumite formulări ar putea fi înlocuite cu variante considerate mai potrivite pentru audiența vizată.
O asemenea funcție ar putea fi folosită la transmisiuni sportive, unde comentariile pot conține expresii specifice unui anumit grup de spectatori. Ar putea fi utilă și la conferințe, cursuri sau ceremonii televizate. La un discurs oficial, de exemplu, tehnologia ar putea elimina ezitările și ar putea corecta anumite formulări înainte ca acestea să ajungă la public.
Documentația menționează și că înregistrarea originală ar putea fi păstrată separat, astfel încât materialul video să poată fi consultat mai târziu în forma în care a fost captat. Opțiunea ar permite deosebirea dintre discursul rostit efectiv și versiunea modificată de sistemul AI.
Sistemul ridică însă întrebări privind autenticitatea transmisiunilor. Dacă vorbele cuiva pot fi schimbate, iar imaginea ajustată ca să ascundă intervenția, spectatorii ar putea avea dificultăți în a deosebi discursul rostit de varianta editată automat.