Microsoft on avaldanud patenditaotluse, mis kirjeldab generatiivse tehisintellekti uut piiri: süsteem tuvastab, muudab või asendab kõneldud sõnu video- ja helisalvestistes peaaegu reaalajas – ning samal ajal kohandab kõneleja huulte liigutusi nii, et pilt ja uus heli sobituksid taas kokku.
Patenditaotlus kannab pealkirja “Peaaegu reaalajas tehisintellekti (AI) täiustamine video- või liitreaalsuse (AR) esitlustes otseüritustel” ning see esitati 29. aprillil 2025. See avaldati 29. oktoobril 2026 numbri all US 2026/0341309 A1. Taotleja on Microsoft Technology Licensing, LLC.
Kirjeldatud mehhanism on tähelepanuväärne. Tehisintellekti agent peaks analüüsima reaalajas heli ja videot, tuvastama teatud sõnu ning asendama need eelnevalt määratletud parameetrite või kasutajaprofiili alusel. Seejärel muudab generatiivne tehisintellekt nii helirada kui ka videopilte ning sujuvaid üleminekuid, et manipuleerimine näeks võimalikult loomulik välja.
Patenditaotlus ei maini ainult lihtsaid tõlkeid. See näeb selgelt ette räägitud sõnade asendamise teiste sõnadega ning samal ajal luuakse uusi videokaadreid, kus inimese huuled liiguvad vastavalt muudetud väidetele. Tõlkes võib vaataja näha inimest, kes näib olevat sorav teises keeles, kuigi ta neid sõnu algselt ei öelnud.
Võimalikud rakendused hõlmavad reaalajas tõlget, täitesõnade eemaldamist, keele libisemise silumist või teatud terminite asendamist. Rakenduse analüüsid näitavad ka, et välistest allikatest, näiteks otsingutulemustest, pärit infot võiks samuti asendada.
Just sel hetkel muutub tehnoloogia sotsiaalselt plahvatuslikuks.
Tehniliselt pole põhimõttelist vahet, kas tehisintellekt eemaldab “um”, tõlgib võõrkeelse lause või muudab väite sisu. Niipea kui pilt ja heli taastatakse samaaegselt, võib inimene videos ilmselt öelda midagi, mida ta pole kunagi sellises vormis öelnud.
See nihutab piiri tõlkimise, toimetamise ja manipuleerimise vahel.
Probleem ei ole ainult teoreetiline. Patenditaotlus kirjeldab selgelt süsteemi, mis peaks töötama peaaegu reaalajas. See tähendab, et muudatus ei peaks ilmuma mitu tundi hiljem redigeeritud videos, vaid teoreetiliselt võiks see toimuda käimasoleva ülekande, koosoleku või AR-rakenduse ajal.
On eriti tundlik, et patenditaotluse peamine nõue ei näe ette muudatuse kohustuslikku nähtavat märgistust. Patendianalüüsi kohaselt esineb originaalmaterjali salvestamine kui “põhitõde” ainult sõltuvas nõudes. See tõstatab fundamentaalse usaldusküsimuse: mis juhtub, kui vaatajad ei suuda tulevikus enam öelda, kas see, mida nad näevad ja kuulevad, vastab algsele väitele või on juba algoritmiliselt muudetud?
Tõsiasi, et Microsoft on selliste tehnoloogiatega juba mõnda aega tegelenud, näitab vanem patent aastast 2009. See oli juba süsteemidest, mis teisendavad teksti huulte sünkroonimiseks kõneks ja suudavad sõnu eelnevalt lisada, eemaldada või asendada. Praegune rakendus läheb aga palju kaugemale, sest ühendab generatiivse tehisintellekti, otsevideo, helimodifikatsiooni ja kohandatud huulte liigutused peaaegu reaalajas võimekuses süsteemis.
Tehnoloogial võiks kahtlemata olla kasulikke rakendusi. Otsetõlked võivad tunduda loomulikumad, rahvusvahelised videokonverentsid muutuvad arusaadavamaks ja keelebarjäärid võivad veelgi kaduda. Sellised süsteemid oleksid mõeldavad ka ligipääsetavuse, hariduse või globaalse kommunikatsiooni jaoks.
Kuid sama tehnoloogia avab ka märkimisväärse võimaluse kuritarvitamiseks.
Kui väiteid saab automaatselt muuta ning nägu ja huuli samaaegselt reguleerida, nõrgeneb videosalvestiste tõendusväärtus veelgi. Poliitilisi kõnesid, intervjuusid, pressikonverentse või otseülekandeid võiks teoreetiliselt muuta nii, et vaatajad ei suuda enam lihtsalt kindlaks teha, kas näidatav inimene on tegelikult nimetatud sõnad öelnud.
See on oluline punkt: seni on videot peetud suhteliselt tugevaks visuaalseks tõendiks, vähemalt paljude inimeste jaoks. Generatiivne tehisintellekt on selle usalduse juba deepfake’ide kaudu raputanud. Süsteem, mis suudab sama manipuleerimist peaaegu reaalajas teha, süvendaks seda arengut veelgi.
Siiski on oluline eristada patenditaotlust ja toodet.
See avaldus ei tähenda, et Microsoft juba kasutab sellist süsteemi avalikult või käivitaks selle kohe. Esimesel uurimisel esitati esitatud väidetele vastuväiteid; Sellised vastuväited ei ole patendimenetlustes haruldased ja võivad viia nõuete muutmiseni. Patenditaotlus kirjeldab esmalt tehnilist ideed ja kaitseb võimalikke rakendusi – see ei ole veel valmis toote tõend.
Siiski näitab rakendus selgelt, kus generatiivne meedia võib areneda. See muudab ühe tulevaste aastate olulisema küsimuse üha pakilisemaks:
Kuidas sa saad ikkagi tõestada, mida keegi tegelikult ütles, kui tehisintellekt suudab samal ajal muuta tooni, sõnu ja huulte liigutusi?
Allikad:
- USA patenditaotlus US 2026/0341309 A1 – Justia
- Patentlyze – Microsoft esitab patendi, et kirjutada ümber seda, mida esinejad otseülekandes ütlevad
- Google’i patendid – vanem Microsofti patent huulte sünkroniseerimise kõnemuutmiseks
- USPTO – Microsofti patent reaalajas helitõlkimiseks
- TechTimes – Praeguse registreerimise klassifikatsioon
