Microsoft: Neues KI-Patent ermöglicht Echtzeit-Sprachmodifikation und Lippen-Synchronisation

09:05

Microsoft hat eine Technologie für künstliche Intelligenz patentiert, die darauf ausgelegt ist, das, was Menschen in Videoaufnahmen sagen, zu modifizieren und deren Lippenbewegungen entsprechend anzupassen, was potenziell neue Möglichkeiten für Echtzeitübersetzungen und audiovisuelle Bearbeitungen eröffnet.

Die Technologie, die in einem Patentantrag mit dem Titel "Verbesserung von Video-Streams mit künstlicher Intelligenz" beschrieben wird, könnte die Art und Weise revolutionieren, wie Zuschauer digitale Inhalte konsumieren. Ihre potenziellen Anwendungen werfen jedoch auch wichtige Fragen zur Zuverlässigkeit audiovisueller Informationen in einer Ära auf, die zunehmend von KI-generierten Medien geprägt ist.

Ein KI-System, das Sprache auf dem Bildschirm umschreiben kann

Das patentierte System ist darauf ausgelegt, gleichzeitig in die Audio- und visuellen Komponenten eines Videos einzugreifen. Durch die Verarbeitung beider Elemente könnte die Technologie die ursprünglichen Worte eines Sprechers ersetzen und deren Lippenbewegungen an die neu generierte Sprache anpassen.

Der Prozess wird Berichten zufolge mit einer Verzögerung von ein bis zehn Sekunden erwartet, was Änderungen während eines laufenden Video-Streams ermöglicht.

Über die Änderung gesprochener Worte hinaus könnte die Technologie auch die Gesamtqualität aufgezeichneter Gespräche verbessern. Zu den potenziellen Funktionen gehören das Entfernen verbaler Zögerlichkeiten, das Korrigieren von Aussprachefehlern, das Filtern anstößiger Ausdrücke und das Reduzieren unerwünschter Hintergrundgeräusche.

Solche Fähigkeiten könnten digitale Präsentationen, Interviews und Online-Kommunikationen verfeinern, ohne umfangreiche Nachbearbeitung zu erfordern.

Personalisierte Inhalte und Echtzeitübersetzung

Ein weiterer bemerkenswerter Aspekt der patentierten Technologie von Microsoft ist ihr Potenzial, gesprochene Inhalte auf individuelle Zuschauer zuzuschneiden.

Das System könnte unterschiedliche Benutzerpräferenzen berücksichtigen, einschließlich Sprache, Alter und geografischer Lage. Es könnte auch informelle Ausdrücke oder unbekanntes Vokabular anpassen, um Gespräche für bestimmte Zielgruppen zugänglicher zu machen.

Echtzeitübersetzung stellt eine weitere besonders vielversprechende Anwendung dar. Anstatt einfach Untertitel hinzuzufügen oder den ursprünglichen Soundtrack zu ersetzen, könnte die Technologie übersetzte Sprache generieren und die Lippenbewegungen des Sprechers mit der neuen Sprache synchronisieren.

Dieser Ansatz könnte das Erlebnis beim Anschauen internationaler Konferenzen, Online-Meetings, Interviews und audiovisueller Produktionen erheblich verändern.

Er könnte auch traditionelle Ansätze zum Synchronisieren und Übersetzen stören, indem er die technischen Barrieren reduziert, die mit der Anpassung von Inhalten für Zuschauer, die verschiedene Sprachen sprechen, verbunden sind.

Bedenken hinsichtlich Deepfakes und die Herausforderung der Authentizität

Trotz ihrer potenziellen Vorteile wirft die Technologie Bedenken hinsichtlich der zunehmenden Schwierigkeit auf, authentische Aufnahmen von KI-modifiziertem Inhalt zu unterscheiden.

Die Fähigkeit, die Aussagen einer Person zu ändern und dabei den Anschein eines natürlichen Gesprächs zu bewahren, könnte Möglichkeiten schaffen, Zuschauer irrezuführen. Zuschauer könnten Worte hören, die von der Person auf dem Bildschirm nie tatsächlich gesprochen wurden, ohne sofort zu erkennen, dass die ursprüngliche Aufnahme modifiziert wurde.

Diese Möglichkeit fügt der laufenden Debatte über Deepfakes, digitale Manipulation und Fehlinformationen eine weitere Dimension hinzu.

Eine im Patent skizzierte Funktion ist die Erhaltung einer ursprünglichen, nicht modifizierten Version des Video-Streams. Dies könnte einen Referenzrahmen bieten, mit dem modifizierte Inhalte verglichen werden können.

Die Technologie wird auch als potenziell kompatibel mit mehreren Geräten beschrieben, einschließlich Smartphones, Tablets, Kameras und Smart Glasses.

Ein Patent bedeutet nicht, dass ein Produkt bald auf den Markt kommt

Obwohl das Patent Einblicke in Microsofts Erkundung fortschrittlicher KI-Anwendungen bietet, bedeutet die Registrierung nicht unbedingt, dass das Unternehmen beabsichtigt, ein kommerzielles Produkt auf den Markt zu bringen.

Microsoft hat keinen Zeitplan für den Einsatz der Technologie bekannt gegeben. Darüber hinaus legt die Patentbeschreibung nicht fest, wie Zuschauer darüber informiert werden, dass ein Video verändert wurde, oder wie die Authentizität modifizierter Inhalte überprüft werden würde.

Für den Moment veranschaulicht das Projekt sowohl die Chancen als auch die Risiken, die mit zunehmend ausgeklügelten KI-Systemen verbunden sind, die in der Lage sind, die audiovisuelle Kommunikation zu transformieren.

Mit dem Fortschritt dieser Technologien werden Transparenz und zuverlässige Authentifizierungsmechanismen wahrscheinlich entscheidend für die Aufrechterhaltung des öffentlichen Vertrauens in digitale Medien.