Microsoft opatentował system, który na żywo zmienia słowa i obraz mówiącego

Informacje o patencie US20260341309A1 pojawiły się w mediach w październiku, choć samo zgłoszenie nosi datę 29 kwietnia 2025 roku, czyli dokument zdążył się nieco "zestarzeć", zanim trafił do publicznej wiadomości. Rozwiązanie opisuje mechanizm, który mógłby ingerować w to, co widz słyszy i widzi na ekranie, dopasowując przekaz do jego upodobań, sposobu myślenia czy choćby szacowanego poziomu wykształcenia. Wypowiedź sformułowana trudnym językiem mogłaby więc zostać przełożona "w locie" na wersję łatwiejszą do zrozumienia dla konkretnego odbiorcy. To jednak wyłącznie jedno z bardziej niewinnych zastosowań technologii, która w praktyce jest narzędziem o dwóch ostrzach.

Od słów do obrazu

Zgodnie z opisem patentu, wypowiedź trafia najpierw pod analizę agenta AI, który zaznacza fragmenty wymagające korekty. Model generatywny przygotowuje wtedy w czasie rzeczywistym nowe sformułowania, biorąc pod uwagę profil odbiorcy, czyli jego język, wiek czy preferencje. Są też zastosowania niewymagające żadnego profilowania - system potrafi bez trudu usunąć jąkanie, wtrącenia w rodzaju "yyy" czy "eee", a także wulgaryzmy, które czasem przedarłyby się na antenę nawet w stosunkowo stonowanej telewizji. Cały proces ma przebiegać niemal na żywo, z opóźnieniem rzędu zaledwie 10 sekund - wartością śladową jak na tego typu nagrania.

System idzie jednak dalej, bo potrafi też modyfikować same klatki filmu tak, by ruch ust mówiącego odpowiadał nowo skonstruowanej wypowiedzi, a przejścia wokół zmienionego fragmentu wyglądały naturalnie. Odbiorca ma wówczas wrażenie oglądania spójnego, autentycznego wystąpienia, choć w studiu mogło paść zupełnie co innego. Takie narzędzie byłoby wymarzone dla polityków, stacji telewizyjnych czy twórców internetowych - ale równie chętnie sięgną po nie osoby, którym zależy na manipulowaniu odbiorcami i rozsiewaniu fake newsów. Dla samego pojęcia prawdy zapowiadają się więc niewesołe czasy.

Idea jest "słuszna"

Warto pamiętać, że również technologia atomowa w zamyśle pionierów miała służyć głównie celom pokojowym - a wiadomo, jak to się później potoczyło. Opisywane rozwiązanie mogłoby w teorii zastąpić napisy, perfekcyjnie tłumaczyć ścieżki dźwiękowe filmów i automatycznie dopasowywać klatki obrazu. Wszystko działałoby bez zarzutu, dopóki zachowana byłaby pełna zgodność z oryginałem.

Problem w tym, że ten sam moment nagrania widz może zobaczyć zupełnie inaczej, niż wyglądał on w rzeczywistości podczas realizacji w studiu - a wszystko w imię płynności i "jakości" materiału, również w warstwie faktograficznej.

Microsoft wskazuje też na możliwość zastosowania, w którym słowa mówiącego byłyby na bieżąco zastępowane informacjami pobranymi z internetu, a system miałby sprawdzać fakty i korygować nieścisłości w czasie rzeczywistym. Autor artykułu zwraca uwagę, że pomyłka jest rzeczą ludzką, a uczciwość nakazuje przyznać się do błędu, przeprosić i naprawić wyrządzoną szkodę.

Jeżeli mam być szczery, to nie chciałbym, żeby AI pilnowała, żebym nie mylił się wcale i zastępowała to, co mówię rzeczami z Sieci. Kto mi da gwarancję, że dane z Internetu nie są zmanipulowane, wygładzone politycznie lub że technologia zostanie użyta do implikowania nam pewnej "wersji" prawdy, a nie do tych zbożnych, wyżej wymienionych zastosowań?

autor materiału źródłowego, AntyWeb

Mechanizm ten przypomina sytuację ze sztuczną inteligencją w cyberbezpieczeństwie - ten sam potencjał, który pozwala wykrywać i łatać luki w oprogramowaniu, równie dobrze może posłużyć przestępcom po drugiej stronie barykady. Tutaj działa to na identycznej zasadzie: jedni wykorzystają technologię rozsądnie, inni do produkowania fejków na niespotykaną dotąd skalę, bo działających "na żywo".

Wierzcie mi, że od jakiegoś czasu spoglądam na to, co robią korporacje i jestem wręcz przerażony tym, jak bardzo frywolnie podchodzą one do kwestii odpowiedzialności za to, co stworzą. Przy naszych dzisiejszych możliwościach uważam, że będąc wielką firmą, lepiej pewnych rozwiązań w ogóle nie opracowywać: dla dobra wszystkich. Ale ta karawana się nie zatrzymuje, ona pędzi na ścianę i pytanie... gdzie ta ściana w ogóle się znajduje.

autor materiału źródłowego, AntyWeb

Zabezpieczenie, które zabezpieczeniem nie jest

Patent zakłada zachowanie oryginalnego nagrania jako punktu odniesienia na wypadek sporu. Autor artykułu zauważa jednak, że we współczesnym obiegu informacji nawet sprostowania mają już niewielką siłę rażenia. Można rzucić najbardziej absurdalnym oskarżeniem, pomówić dowolną osobę, a potem wrzucić przeprosiny czy korektę - głośne oskarżenie czy fejk i tak rozniosą się szerzej i szybciej. Sam oryginał niewiele więc zmienia, skoro dociera do odbiorców już po fakcie, gdy szkoda jest zrobiona. Taki mechanizm trudno więc nazwać realnym zabezpieczeniem technologii.

Jak podsumowuje autor, za kilka lat może się okazać, że różne osoby oglądają w telewizji nieco inne wersje tego samego programu - w zależności od indywidualnego profilu użytkownika. Prawda zaś pozostanie zapisana gdzieś na serwerach nadawcy, twórcy treści albo innego podmiotu kontrolującego system.