Microsoft 申请专利以生成式人工智能实现即时影片语音同步及翻译

Microsoft 已申请一项专利，该专利针对生成式人工智能技术，能够在影片画面中重新调整讲者的嘴巴、嘴唇及面部动作，以便与修改或翻译后的语音同步，从而呈现更流畅且整洁的效果。该专利于 2025 年 4 月 29 日提交，并于 2026 年 10 月 29 日公开。这项专利的主要目的是适应、翻译及整理现场口语影片通信，从而实现更清晰、定制化且流畅的观赏体验，并消除手动编辑的需求。这项技术能够帮助解决在跨语言会议或研讨会中出现的沟通障碍，通过将讲者的语言翻译成观众的母语，同时同步讲者的嘴唇及面部动作，使其看起来像是自然发言。

Microsoft 这项技术的另一特色是根据用户及观众的偏好，实时调整源材料，通过替换不必要的填充词、纠正发音错误、将区域方言翻译为标准词汇，以及删除或静音不雅和冒犯性言论，实现实时影片通信。它还能够检测不准确的事实和错误用词，并在讲者说错或提供此类数据时即时用准确的词语替代。其最引人注目的功能是消除了当前常见的配音和不协调的效果，并利用生成式人工智能重新校准嘴巴及面部动作，使得最终的视听输出显得无缝。

技术的实时调整功能

Microsoft 新人工智能专利的安全漏洞及错误信息风险因这一系统在近乎实时的基础上改变直播影片内容，专家和研究人员对其滥用提出了担忧，主要包括分享不准确和误导性信息的风险。另一个可能的高风险是，受损方可以利用这一系统拦截直播并改变政治家言论、企业政策声明或改变直播报道，从而可能传播政治、社会及企业的协调性虚假信息。为了应对这些深度伪造和操纵的风险，该专利概述了一个内建于系统架构中的严格验证协议。

在此过程中，系统捕捉并储存原始未编辑的直播影片画面，作为不可更改的“事实基准”。修改版本则嵌入了数字水印和加密数据，能够在使用检测工具检查时显示影片为人工智能增强的情况。如果对影片的原始内容发生争议，法律当局可以访问安全的“事实基准”档案以解决争议。

法律与道德挑战

在实施这项技术时，除了技术创新和安全协议外，还带来了关于数字许可和在线内容真实性方面的严峻监管和道德困境。动态修改直播视觉和听觉内容的能力，创造了有关知识产权和个人身份保护的法律灰色地带。广播商、内容创作者及公众人物可能发现比以往更难控制其在线形象，因为即时的改变可能在未经明确授权的情况下模糊原本的意图。因此，科技政策专家强调，制定清晰的身份标准、要求在人工智能编辑的串流上附上视觉标签，以及强制实施严格的法律保护，对于维护公众对数字媒体的信任至关重要。

即时修改影片内容的潜在影响

Microsoft 的新专利技术能够即时调整影片内容，这在提升观赏体验的同时，也带来了法律和道德上的挑战。随着技术的进步，对于数字内容的控制变得更加困难，尤其是对于公众人物和内容创作者而言。这种即时修改的能力可能会导致知识产权和个人身份的保护问题，进一步引发关于数字媒体真实性和信任的讨论。因此，制定相关的法律和标准显得尤为重要，以确保科技的发展不会侵害个人权益或社会信任。