پتنت جدید مایکروسافت از سامانه‌ای مبتنی بر هوش مصنوعی پرده برمی‌دارد که می‌تواند صحبت‌های افراد را در پخش زنده تغییر دهد. این فناوری قادر است کلمات را براساس سن، زبان و موقعیت مکانی بیننده جایگزین کند و با تغییر حرکات لب، ویرایش‌ها را پنهان نگه دارد.
به گزارش TechSpot و براساس درخواست ثبت اختراع مایکروسافت با شماره US 2026/0341309 A1، این سامانه از یک عامل هوش مصنوعی برای بررسی صدای زنده استفاده می‌کند. سیستم کلمات و عبارت‌هایی را که باید تغییر کنند، براساس مجموعه‌ای از پارامترها و اطلاعات پروفایل بیننده شناسایی می‌کند. سن، زبان مادری و موقعیت مکانی ازجمله اطلاعاتی هستند که می‌توانند در این فرایند نقش داشته باشند.
پس از شناسایی عبارت‌های موردنظر، یک مدل هوش مصنوعی مولد وظیفه جایگزینی آن‌ها را برعهده می‌گیرد. این تغییر فقط به صدای گوینده محدود نیست و فریم‌های ویدیویی اطراف بخش ویرایش‌شده نیز بازسازی میشوند تا حرکات لب با کلمات جدید هماهنگ باشد. به این ترتیب، بیننده نسخه‌ای از پخش زنده را مشاهده می‌کند که در آن تغییرات صوتی و تصویری با یکدیگر تطابق دارند.
حذف مکث‌های طولانی، کلمات پرکننده مانند «اِم»، اصلاح تلفظ‌های اشتباه، حذف اصطلاحات عامیانه و سانسور عبارت‌های توهین‌آمیز از کاربردهای احتمالی این فناوری هستند. حتی در برخی بخش‌های درخواست ثبت اختراع، امکان جایگزینی کلمات با استفاده از اطلاعات حاصل از جست‌وجوی اینترنتی نیز مطرح شده است.
ترجمه زنده با هماهنگی حرکات لب
بخش دیگری از درخواست ثبت اختراع مایکروسافت به ترجمه هم‌زمان پخش زنده اختصاص دارد. این قابلیت به بیننده اجازه می‌دهد صحبت‌های فردی را که به زبان دیگری حرف می‌زند، به زبان موردنظر خود بشنود و هم‌زمان تصویر گوینده را با حرکات لب هماهنگ با ترجمه مشاهده کند. این ایده از نظر عملکرد به قابلیت ترجمه صوتی مبتنی بر هوش مصنوعی یوتیوب شباهت دارد؛ بااین‌حال، تفاوت مهم آن در بازسازی تصویر و هماهنگ‌کردن حرکات دهان با صدای ترجمه‌شده است.
نگرانی درباره اطلاعات نادرست و دست‌کاری واقعیت
مهم‌ترین مسئله درباره این فناوری، امکان تغییر معنای صحبت‌های افراد بدون اطلاع بیننده است. درحالی‌که حذف مکث‌ها یا ترجمه گفتار می‌تواند کاربردهای مفیدی داشته باشد، جایگزینی کلمات و بازسازی حرکات لب ممکن است باعث شود مخاطب تصور کند گوینده عبارتی را بیان کرده که در واقع هرگز نگفته است.
در متن درخواست ثبت اختراع نیز الزام مشخصی برای نمایش هشدار یا اعلام تغییرات به بیننده مطرح نشده است. بنابراین، اگر چنین سامانه‌ای بدون سازوکار شفاف اطلاع‌رسانی توسعه پیدا کند، تشخیص محتوای اصلی از نسخه دست‌کاری‌شده دشوار خواهد شد.
این موضوع در کنار گسترش فناوری دیپ‌فیک می‌تواند زمینه سوءاستفاده در پخش زنده، انتشار اطلاعات نادرست و حتی کلاهبرداری را فراهم کند. شخصی‌سازی محتوا براساس پروفایل مخاطبان نیز پرسش دیگری ایجاد می‌کند؛ آیا ممکن است دو نفر از یک پخش زنده، نسخه‌هایی با محتوای متفاوت دریافت کنند؟
مایکروسافت تنها شرکتی نیست که به ویرایش زنده فکر می‌کند
این درخواست ثبت اختراع بخشی از روند گسترده‌تر استفاده از هوش مصنوعی برای تغییر محتوای دیجیتال در لحظه است. مایکروسافت پیش‌تر ایده‌هایی برای تغییر کد بازی‌ها براساس رفتار بازیکنان مطرح کرده بود. سونی نیز در چند درخواست ثبت اختراع، به استفاده از هوش مصنوعی برای پیش‌بینی فریم‌های بعدی بازی، کاهش تاخیر ورودی و مدیریت خودکار برخی جنبه‌های گیم‌پلی پرداخته است.
بااین‌حال، ثبت اختراع لزوما به معنای عرضه محصول نیست. درخواست مایکروسافت در ۲۹ آوریل ۲۰۲۵ (۹ اردیبهشت ۱۴۰۴) ثبت و در ۲۹ اکتبر ۲۰۲۶ (۷ آبان ۱۴۰۵) منتشر شده است. درحال‌حاضر، مدرکی مبنی بر برنامه قطعی این شرکت برای عرضه تجاری چنین قابلیتی وجود ندارد.
فناوری پیشنهادی مایکروسافت می‌تواند ترجمه و ویرایش محتوای زنده را ساده‌تر کند؛ اما توانایی تغییر هم‌زمان گفتار و تصویر، مسئله اعتماد به محتوای ویدیویی را جدی‌تر خواهد کرد. اگر این ایده به محصولی واقعی تبدیل شود، شفافیت درباره تغییرات اعمال‌شده و دسترسی به نسخه اصلی محتوا از مهم‌ترین الزامات آن خواهد بود.