Суть технологии: от цензуры до перевода
Система работает как «умный фильтр» для видеопотока. ИИ-агент анализирует живое аудио, выявляет слова, подлежащие замене или удалению, на основе заданных правил и профиля зрителя (возраст, язык, геолокация). Затем генеративная модель не только подменяет аудиодорожку, но и перерисовывает видеокадры, чтобы движения губ спикера соответствовали новому тексту. Задержка трансляции составляет от 1 до 10 секунд, что позволяет системе успевать на обработку.
Где и как это будет работать
Технология спроектирована для работы на edge-устройствах: AR-очках, смартфонах, планшетах и камерах. Заявка охватывает несколько сценариев использования:
- Живой перевод: наиболее практичное применение, где ИИ переводит речь и синхронизирует артикуляцию.
- Фильтрация контента: удаление слов-паразитов, заиканий, опечаток, оскорблений или сложных идиом (например, «y'all» или «bite the bullet»).
- Персонализация: замена слов в зависимости от профиля зрителя. Например, лекция для детей и для взрослых может иметь разный словарный запас.
Детали патента и статус
Заявка US 2026/0341309 A1 была подана в апреле 2025 года и опубликована 29 октября 2026 года. Источники отмечают, что оригинальная запись может сохраняться как «истина в последней инстанции» (ground truth), но в основной формуле изобретения отсутствует требование информировать зрителей о внесенных изменениях. Это поднимает этические вопросы о достоверности контента.
Стоит отметить, что патентные заявки часто не реализуются в продуктах. Эксперты уже отклонили первоначальные формулировки, что является стандартной процедурой на этапе рассмотрения. Тем не менее, технология демонстрирует вектор развития Microsoft в области AR и генеративного видео.
Сравнение с конкурентами
Microsoft не единственная, кто исследует границы ИИ в видео. Sony также активно патентует решения в этой области, включая генерацию кадров и ИИ-ассистентов для геймеров.
| Параметр | Microsoft (US 2026/0341309 A1) | Контекст рынка |
|---|---|---|
| Основная функция | Замена слов и синхронизация губ в реальном времени | Уникальное сочетание аудио- и видеоманипуляций |
| Задержка | 1–10 секунд | Допустимо для трансляций, критично для VR |
| Платформы | AR-очки, смартфоны, камеры | Фокус на мобильных и носимых устройствах |
| Прозрачность | Не требуется маркировка изменений | Риск дезинформации и этические споры |
Хотя технология находится на стадии патентования, она указывает на возможное будущее, где «живое» видео становится полностью редактируемым на стороне клиента, что может кардинально изменить восприятие новостей, спортивных трансляций и онлайн-общения.
Источник: TechPowerUp ↗