Microsoft on taotlenud patenti tehisintellekti süsteemile, mis kirjutaks otsevideos kõneleja jutu ümber ja joonistaks tema huuled vastavalt iga vaataja profiilile. 29. oktoobril avaldatud taotlus on rakendus, mitte toode ja ettevõte pole teatanud plaanist seda luua.
IBTimesi andmetel kannab taotlus US 2026/0341309 A1 pealkirja „Otseülekannete video- või liitreaalsuse (AR) esitluste peaaegu reaalajas tehisintellekti (AI) abil täiustamine”. Microsoft Technology Licensing esitas selle 29. aprillil 2025 ning leiutajatena on märgitud David Callaghan ja Dinesh Kumar.
Patendijälgija Patentlyze’i sõnul kirjeldab esimene nõue tehisintellekti agenti, mis valib “ühe või mitu kõneldavat sõna, mida vastavalt esimesele parameetrite komplektile muuta”, kusjuures valik tehakse “kasutaja profiili põhjal”. Seejärel vahetab generatiivne tehisintellekti süsteem helis olevaid sõnu, silub redigeerimist ja genereerib uued videokaadrid, nii et kõneleja suu sobiks uute sõnadega.
Millised sõnad muutuvad, sõltub sellest, kes vaatab. Tbreak teatab, et profiil võib sisaldada vaataja vanust, keeli, piirkonda, usku, etnilist kuuluvust, haridust ning hääle- või videonäiteid. Nagu Dexerto välja toob, võivad kaks sama saadet vaatavat inimest kuulda öeldust kahte erinevat versiooni.
Loetletud kasutusviisid on enamasti igapäevased: täitesõnade (nt “um”) eemaldamine, hääldusvigade ja kogelemise parandamine, slängi asendamine, vaatajale arusaamatu kõne tõlkimine ning roppuste ja “solvavate sõnade” piiksutamine. Süsteemi kirjeldatakse ka kui asendussõnade otsimist internetiotsingust, mis Dexerto ja Tbreaki sõnul võrdub “kohese faktikontrolliga”. See on kõige vähem igapäevane. Tarkvara, mis otsustab, et kõneleja väide oli vale ja asendab selle vaikselt sellega, mida ta arvab, et kõneleja oleks pidanud ütlema, on midagi muud kui roppuste filter.
Esitatud dokumendis nimetatakse protsessi “peaaegu reaalajas”, mis on seotud mõnesekundilise viivitusega, mida ringhäälingud juba kasutavad roppuste käsitsi filtreerimiseks, näitena tuuakse üks kuni kümme sekundit. Patendis mainitakse loenguid, auhinnatseremooniaid, spordiüritusi ja otseülekandeid ning öeldakse, et tarkvara võiks töötada telefonides, tahvelarvutites, kaamerates ja AR-prillides. Teise väite kohaselt muudataks pikad salvestised lühemateks kokkuvõtvateks videoteks, mis oleksid osaliselt ehitatud äsja genereeritud materjalist.
Ilmsele probleemile vastab ainult üks sõltuv väide. See hoiab muutmata heli ja videot „põhilise tõena“, ütleb Patentlyze ja see on ainus väide, mis säilitab originaali. Kajastuses ei öelda miski, et vaatajatele öeldakse, et voogu on toimetatud või et nad saavad originaali näha.
Staatus on segane. Patendiekspert esitas vastuväited 29. juulil 2026 ja esimese läbivaatamise käigus lükati esitatud nõuded tagasi, väidavad Tbreak ja Patentlyze. See on rutiinne samm, mis tavaliselt viib muudetud nõueteni ja mõned väljaanded kirjeldavad taotlust kaugemale edenenud olevat. Microsoft ei vastanud Futurismi kommentaaritaotlusele ning nende turul olev Teams Interpreter tõlgib ainult heli ega puuduta kõneleja nägu.
Microsoft pole selle ideega üksi. Tbreak märgib, et Sonyl on sarnane tehisintellekti patent, mis asendab mängudes tundlikke hetki vanemate seatud reeglite abil. Artikkelis tsiteeritud kriitikud muretsevad, et monteeritud videomaterjali võidakse ekslikult pidada öeldu täpseks ülestähenduseks; IBTimes väidab, et see on oluline ajakirjanikele, ringhäälinguorganisatsioonidele ja kõigile, kes kasutavad videot tõendina. Reaalajas näo ja hääle vahetamine on juba petturite tööriist ning patent, mis käsitleb otsekõneleja sõnu vaataja poolt muudetavatena, näitab, kuhu suured tehisintellekti ettevõtted vaatavad.
