Opublikowany 29 października, a złożony jeszcze w ub.r. wniosek firmy opisuje system, w którym agent AI analizuje dźwięk z nagrania i wybiera słowa do zmiany wedle określonych parametrów i profilu widza. Następnie generowane są dźwięk i obraz, które wprowadzają te zmiany, wygładzając przejścia przed i po zmienionym fragmencie. Zmiana następuje niemal w czasie rzeczywistym: opóźnienie to 1-10 sekund, co odpowiada opóźnieniu stosowanemu w transmisjach telewizyjnych na żywo.

Publikacja wniosku nie oznacza przyznania patentu ani zapowiedzi produktu. Jak podał portal Patentlyze, ekspert USPTO odrzucił wniosek w pierwszej ocenie, lecz jest to częsta praktyka, po której zgłaszający nanoszą poprawki.

Według wynalazców z Microsoftu system miałby mieć wiele zastosowań, usuwając np. słowa-wypełniacze, przejęzyczenia, a także słowa uznane za obraźliwe. To, które słowa zostaną uznane za niestosowne, zależałoby od profilu widza - jego wieku, języków, pochodzenia czy religii.

Microsoft przewiduje, że system mógłby również mieć zastosowanie w tłumaczeniu na żywo. Wśród przykładowych zastosowań wymieniono m.in. spotkania dyplomatyczne, międzynarodowe narady, podcasty, filmy czy wykłady.

Opis wynalazku wspomina też o „korekcie na żywo nieprawdziwych lub wprowadzających w błąd informacji”. System mógłby sprawdzać prawdziwość twierdzeń mówców w internecie i aktualizować je „zgodnie z obecną wiedzą”.

Wniosek nie wspomina o zgodzie mówcy na zmiany; nie przewidziano też informowania widza, że materiał zmodyfikowano. Jedno z zastrzeżeń przewiduje jedynie, że oryginalne nagranie jest przechowywane jako punkt odniesienia.

Microsoft uzasadnia wynalazek tym, że obecnie poprawianie niedoskonałości mówców na wideo wymaga specjalistycznych narzędzi i wykwalifikowanych techników.

Z Waszyngtonu Oskar Górzyński (PAP)

osk/ bar/