2 godzin temu
Microsoft złożył wniosek patentowy opisujący system sztucznej inteligencji zdolny do modyfikowania słów wypowiadanych przez człowieka podczas nagrań oraz transmisji na żywo. Rozwiązanie nie tylko podmienia ścieżkę dźwiękową z niewielkim opóźnieniem, ale także automatycznie dopasowuje ruch ust mówcy do nowej treści. Dokument ujawnia koncepcję automatycznej edycji materiałów audiowizualnych w oparciu o profil odbiorcy oraz bieżącą weryfikację faktów.
Architektura systemu i mechanizm działania w czasie rzeczywistym
Rozwiązanie analizuje dźwięk rejestrowany podczas wystąpienia i typuje konkretne sformułowania podlegające zmianie według zadanych parametrów oraz profilu widza. W kolejnym kroku algorytmy generują spójny dźwięk oraz obraz wprowadzające te modyfikacje, wygładzając przejścia przed i po zmienionym fragmencie. Cała operacja odbywa się z opóźnieniem rzędu 1–10 sekund, co odpowiada buforowi stosowanemu powszechnie w telewizyjnych transmisjach na żywo. Publikacja dokumentacji nie jest jednak tożsama z przyznaniem patentu ani zapowiedzią gotowego produktu komercyjnego. Ekspert urzędu odrzucił wniosek w pierwszej ocenie, co stanowi powszechną procedurę, po której zgłaszający nanosi niezbędne poprawki.
Szeroki wachlarz zastosowań
Twórcy opisywanego narzędzia przewidują dla niego różnorodne scenariusze wdrożeniowe, w tym eliminowanie z nagrań słów-wypełniaczy, przejęzyczeń czy wyrażeń uznanych za obraźliwe. Dobór słów kwalifikowanych jako niestosowne ma zależeć bezpośrednio od cech odbiorcy, takich jak wiek, język, pochodzenie czy wyznawana religia. Microsoft wskazuje również na możliwość prowadzenia tłumaczeń symultanicznych podczas narad międzynarodowych, spotkań dyplomatycznych, wykładów, podcastów oraz w produkcjach filmowych. Szczególne zainteresowanie budzi funkcja określona w dokumentacji jako „korekta na żywo nieprawdziwych lub wprowadzających w błąd informacji”. Mechanizm ten miałby weryfikować twierdzenia z zasobami sieciowymi i aktualizować przekaz „zgodnie z obecną wiedzą” bezpośrednio podczas trwania wystąpienia.
Aspekty etyczne oraz redukcja nakładów na obróbkę wideo
Przedstawiciele koncernu motywują rozwój tej technologii potrzebą optymalizacji procesu montażu, gdyż w tej chwili usuwanie niedoskonałości mówców z materiałów wideo wymaga specjalistycznych narzędzi oraz pracy wykwalifikowanych techników. Wokół projektu pojawiają się jednak istotne znaki zapytania dotyczące transparentności i praw. Treść zgłoszenia patentowego nie wspomina o konieczności uzyskania zgody samego mówcy na wprowadzenie zmian w jego wypowiedzi, nie przewidziano również powiadamiania widzów o tym, iż materiał został zmodyfikowany. Jedno z nielicznych zastrzeżeń formalnych zakłada jedynie, iż oryginalne nagranie ma być przechowywane w systemie jako punkt odniesienia.
