Un brevet Microsoft pentru inteligența artificială arată cât de simplu este să realizeze video deepfake: rescrie ceea ce spun oamenii în timpul transmisiunilor în direct, apoi redesenează mișcările buzelor acestora pentru a se potrivi.
Un AI Microsoft creează instant video deepfake
Cererea de brevet a Microsoft descrie o inteligență artificială care editează transmisiunile în direct aproape în timp real, adaptând modificările la profilurile spectatorilor și redesenând buzele vorbitorilor pentru a se potrivi. Aceasta acoperă curățarea și traducerea, redarea fiind întârziată cu una până la zece secunde. Microsoft nu a declarat că va dezvolta tehnologia.
Cererea de brevet depusă de Microsoft, US 2026/0341309 A1, este intitulată „Îmbunătățirea în timp aproape real, prin intermediul inteligenței artificiale (IA), a prezentărilor video sau de realitate augmentată (RA) ale evenimentelor transmise în direct” și a fost semnalată pentru prima dată de platforma de monitorizare a brevetelor Patentlyze.
Documentul descrie un agent bazat pe inteligență artificială care analizează fluxul audio în timp real și identifică anumite cuvinte ce trebuie modificate sau eliminate, pe baza unor reguli prestabilite sau a profilului privitorului, profil care poate include vârsta acestuia, limbile vorbite și locul în care locuiește. Ulterior, un sistem de inteligență artificială generativă înlocuiește cuvintele respective în fluxul audio, asigură tranziții fluide în punctele în care s-au efectuat modificările și generează noi cadre video, astfel încât mișcările buzelor vorbitorului să corespundă cu ceea ce se aude în acel moment.
Microsoft spune că rostul aplicației ar fi să „corecteze” discursul, nu să creeze versiuni false.
Conform unui raport privind documentația depusă, lista include cuvinte de umplutură, bâlbâieli, cuvinte pronunțate greșit sau jignitoare, precum și expresii colocviale, cum ar fi „y’all” (voi toți) sau „bite the bullet” (a accepta o situație neplăcută dar inevitabilă), rezultatul editat fiind redat după o întârziere de aproximativ una până la zece secunde.
Brevetul vizează, de asemenea, traducerea în timp real: cuvintele rostite într-o limbă care lipsește din profilul utilizatorului sunt înlocuite cu traduceri, iar mișcările buzelor sunt ajustate corespunzător. Printre exemplele de utilizare menționate se numără prelegerile, ceremoniile de decernare a premiilor, emisiunile concurs și transmisiunile sportive în direct. În plus, sistemul ar putea funcționa pe ochelari de realitate augmentată (AR), telefoane, tablete sau camere video, iar una dintre revendicări prevede păstrarea înregistrării originale drept „referință de bază” (sau „adevăr absolut”).
