微软公布了一项新专利, 这项专利指向了一个非常具有争议性的问题, 那就是人工智能可以在直播的过程中, 直接把人物说话的内容给替换掉, 而且还能同步生成对应的新口型动作, 导致观众很难发现其中的内容已经被悄悄改了样子, 那么这样做到底算不算是技术上的重大进步, 又或者是对所谓的“真实感”进行的无声无息的破坏。
01.专利申请基本信息
2025年4月29日, 微软公司向美国专利商标局提交了一份专利申请, 该申请的编号是US 2026/0341309 A1。这份专利的全称叫做《利用人工智能近乎实时增强直播活动的视频或增强现实演示》。
系统的核心存在一个AI智能体。这个AI智能体会对音频流进行实时的监听。并且, 它会依据预设的规则来自动识别那些需要被修改或者是需要被删除的词语。
修改的规则, 它不单单是来自那些固定的词语列表, 还需要结合个人的资料来做个性的判断。这个判断的过程会去管很多方面的问题, 比如这个人几岁大, 他平时说哪种话, 家住在哪里等等。
凡是能辨认出来的内容片段, 里面只要有你嘴里发出的用来填补停顿的声音, 或者说话结巴的段落, 把音发错的地方, 使用让人不舒服的词儿, 还有像是 y'all 和 bite the bullet 这种比较随意的说法, 都会包含在内。
02.嘴型重绘与音视频同步
在对音频内容进行替换的这个过程期间, 生成式人工智能技术会把视频画面里面嘴巴所在的区域再进行一次的重新制作和渲染, 这样做就能让嘴唇的形状和新语音的内容达到完全一致的对应状态, 比如说如果把原来话里面的那个词语从那个换成了这个, 那么屏幕上显示的嘴型画面就会根据新加入的词所要求的发声音响效果去进行重新生成工作, 最终在人的视觉感知上面, 是几乎看不出有什么明显不同的地方的。
整个音视频修改链路会产生播放延迟, 这个播放延迟的时间大概是在1秒到10秒之间。专利权利要求还提到, 系统可以把没有经过修改的原始录像保存下来, 而且给这个原始录像打上“真实依据”的标注标签。
这么做是为了方便后续进行校验工作。通过这种方式, 系统既能够满足灵活修改内容的需求, 同时又兼顾到了对内容进行溯源的要求。
03.实时翻译扩展能力
专利文件同时涵盖了那个在实时进行翻译的场景, 当说话者所使用的语言并不在当前观众的个人信息资料列表之中的时候, 系统会做出反应, 它自动地把原来的话替换成对应语言的译文, 同时还会同步把嘴型重新绘制一遍, 这样做是为了和翻译后的发音相匹配, 在整个过程里面是不需要人工的译员在场的。
这个功能在国际体育赛事的直播场景里面, 还有那些跨国的颁奖典礼场景里面, 它的应用前景是明确的, 它可以做到显著降低人们对专业翻译团队的依赖, 同时它能够保证观众所看到的嘴型和他们所听到的语言一致的, 它能够减少那个因为口型不匹配而产生的违和感。
04.落地场景与硬件载体
专利里列出来的那些能用到这技术的场景, 有学术讲座, 颁奖典礼, 游戏节目, 体育比赛的直播等等。硬件部分可以放在AR眼镜上头, 也可以放在手机上头, 或者平板上头, 还有专门的摄像头上头。这个硬件不跟特定的终端设备绑在一起, 所以它有可能跨平台来部署。
把时间定格在今天2026年11月9日这个节点上, 微软方面还没有往公开场合说过话, 大家都不知道他们是不是打算把这个技术搞到实际的产品开发里头去。
就算说那个专利, 它最后终于拿到了批准, 那也绝对不代表说相关的功能就会马立刻马上跳出来, 出现在目前市面上已经有的那些产品系列里头。现在的状况, 说白了, 就还只是处在申请专利, 再加上等着人家审查的这一段时间当中而已。
05.审查动态与法律状态
2026年7月, 也就是具体的日期为7月29日的时候, 负责的专利审查人员把在这个申请里头提出来的那些关于权利要求的事情给驳回了, 这种做法是属于在进行那个专利审查的流程之中的特别普通的一个步骤, 所以微软这家公司还是可以在国家法律规定的那个期限范围内去做相应的回应动作, 也还能够对里面的内容进行修补或者增加新的申请材料, 所以说这个专利申请最终并没有被完全给否定掉。
行业里的分析专家给大家提个醒, 说专利被公开了这仅仅只是意味着这个申请已经进入了公开的审查程序, 但是离最终的获得授权还有一段比较远的距离, 目前对于微软这边到底有没有持续地把研发资源投进去用来推进这个项目这件事, 没有任何公开的可靠信息可以用来确认。
如果将来的时候, 在直播节目里面说的每一句言语都有可能被人工智慧悄悄地进行修改和优化, 那么你还会肯定相信屏幕上所展示的这些都是原本说出来的话吗? 邀请你到下面这个位置来讨论一下你自己的意见, 如果你认为自己有比较好的想法或者观点, 那么就请给个赞成票, 并且把这个信息分享到你自己身边的朋友那里去。
