پتنت جدید مایکروسافت برای ویرایش زنده گفتار و هماهنگ‌سازی حرکت لب‌ها با هوش مصنوعی

تقاضای ثبت اختراع جدید مایکروسافت، جایگزینی صدای زنده را با هماهنگ‌سازی دوباره چهره ترکیب می‌کند؛ رویکردی که نگرانی‌های زیادی درباره دستکاری زنده برنامه‌های عمومی برانگیخته است.

آنچه واحد صدور مجوز فناوری مایکروسافت در تقاضانامه ثبت اختراع مورخ ۲۹ آوریل ۲۰۲۵ شرح داده است، فراتر از جایگزینی ساده یک کلمه نامناسب با صدای بوق معمولی عمل می‌کند: سامانه‌ای مبتنی بر هوش مصنوعی که کلمات را در پخش صوتی زنده تغییر می‌دهد و سپس حرکات لب و دهان گوینده را به‌گونه‌ای تنظیم می‌کند که کاملاً با نسخه دستکاری‌شده هماهنگ شود.

بخش بحث‌برانگیز ماجرا دقیقاً همین گام دوم است. دستکاری آنچه فرد در یک برنامه زنده به زبان می‌آورد، آن هم همراه با هماهنگ‌سازی دوباره حرکات چهره برای مخفی کردن ویرایش، قابلیتی بنیادین و کاملاً متفاوت از فیلتر کردن واژگان نامناسب به‌شمار می‌رود.

نحوه عملکرد سامانه پیشنهادی مایکروسافت

ایجنت‌های هوش مصنوعی پخش زنده را پایش می‌کنند، کلمات مورد نظر را نشانه‌گذاری کرده و تغییر می‌دهند و در نهایت حرکات دهان گوینده را با نسخه ویرایش‌شده تطبیق می‌دهند.

بر اساس اطلاعات منتشرشده در تقاضانامه US 2026/0341309 A1 (منتشرشده در ۲۹ اکتبر ۲۰۲۶)، ایجنت‌های هوش مصنوعی جریان صدای زنده را زیر نظر می‌گیرند و کلمات یا عبارت‌هایی را که بر اساس قوانین از پیش تعیین‌شده یا تنظیمات شخصی بیننده علامت‌گذاری شده‌اند، شناسایی می‌کنند. سپس بخشی از هوش مصنوعی مولد این واژه‌ها را حذف یا جایگزین می‌کند، فریم‌های صوتی مجاور را برای ایجاد گذاری روان و نامحسوس تغییر می‌دهد و در نهایت حرکات لب، دهان و صورت گوینده را طوری بازتنظیم می‌کند که خروجی نهایی از نظر بصری با صدای جدید کاملاً طبیعی و هماهنگ به نظر برسد.

در متن این سند، سازوکار مذکور به‌عنوان پردازشی «تقریباً زنده» توصیف شده است. طبق تحلیل وب‌سایت Patentlyze، بازه زمانی عملیاتی این فرآیند تقریباً بین ۱ تا ۱۰ ثانیه پس از ضبط صدا و تصویر تخمین زده می‌شود؛ البته این رقم صرفاً مثالی است که در سند پتنت آورده شده و نشان‌دهنده یک ارزیابی عملکردی دقیق نیست.

کاربردهای پیش‌بینی‌شده در تقاضانامه پتنت

این سند مواردی مانند ترجمه زنده، فیلتر واژگان نامناسب، حذف تکیه‌کلام‌ها و شخصی‌سازی محتوا را به‌عنوان کاربردهای احتمالی مطرح کرده است.

ترجمه زنده در صدر سناریوهای شرح‌داده‌شده قرار دارد: بیننده می‌تواند یک برنامه زنده را به زبان دلخواه خود بشنود، در حالی که حرکت لب‌های گوینده به‌جای زبان اصلی، با صدای ترجمه‌شده هماهنگ به نظر می‌رسد. از دیگر اهداف عنوان‌شده می‌توان به حذف تکیه‌کلام‌هایی مانند «اوم» و «آه»، لکنت زبان، تلفظ‌های اشتباه، اصطلاحات محلی، کلمات رکیک و هم‌چنین تطبیق محتوا برای گروه‌های سنی یا مخاطبان منطقه‌ای خاص اشاره کرد. طبق پیشنهاد ارائه‌شده در این سند، در برخی پیکربندی‌ها حتی می‌توان واژه‌های جایگزین را از طریق جستجوی اینترنتی استخراج کرد.

تدابیر امنیتی پیش‌بینی‌شده در سند

طبق متن پتنت، ویدیو و صدای اصلی و ویرایش‌نشده به‌عنوان سندی مرجع و بدون تغییر نگهداری می‌شود، هرچند نحوه اطلاع‌رسانی به بینندگان همچنان در هاله‌ای از ابهام است.

در این تقاضانامه، به حفظ صدای اصلی و دست‌نخورده و تصویر خام به‌عنوان یک رکورد «سندیت مرجع» اشاره شده است تا در اختلافات یا تحقیقات حقوقی قابل بررسی باشد. با این حال، گزارش‌های منتشرشده مشخص نکرده‌اند که آیا پخش‌های دستکاری‌شده ملزم به درج نشانه‌های بصری مشخص برای بینندگان خواهند بود یا اینکه آیا این علائم در برابر حذف مقاومت دارند یا خیر.

ذخیره‌سازی نسخه ضبط‌شده اصلی کمک می‌کند تا بتوان سخنان واقعی گوینده را اثبات کرد، اما تضمین نمی‌کند که مخاطبان پخش زنده متوجه تفاوت نسخه‌ای که مشاهده می‌کنند با نسخه واقعی بشوند.

چالش‌ها و نگرانی‌های بی‌پاسخ در این پتنت

همان معماری فنی که ترجمه زنده را امکان‌پذیر می‌سازد، به یک مجری یا گرداننده سیستم اجازه می‌دهد سخنانی کاملاً متفاوت را در برنامه زنده از زبان گوینده مطرح کند.

این احتمال خطرناک باعث شده تا کارشناسان این تقاضانامه را به دغدغه‌های مربوط به دیپ‌فیک‌های زنده و کاهش اعتبار ویدیوهای زنده به‌عنوان سند رویدادها پیوند بزنند. از سوی دیگر، فیلترهای شخصی‌سازی‌شده پرسش‌های مدیریتی و نظارتی تازه‌ای پیش می‌آورند: چه کسی قوانین این فیلترها را تعیین می‌کند، آیا تغییرات اعمال‌شده به اطلاع بیننده می‌رسد، و آیا ممکن است مخاطبان مختلف روایت‌هایی کاملاً متناقض از یک رویداد واحد دریافت کنند؟

حذف خودکار لهجه‌ها، اختلالات گفتاری یا وقفه‌های کلامی نیز پرسش تأمل‌برانگیز دیگری پدید می‌آورد: اینکه چه الگوهای گفتاری خطاهایی تلقی می‌شوند که نیازمند اصلاح هستند. سخنرانی‌های سیاسی، نشست‌های خبری، هشدارهای اضطراری و گزارش‌های مالی حساسیت بسیار بالاتری نسبت به یک برنامه آشپزی دارند؛ هرچند در متن پتنت هیچ برنامه‌ای برای به‌کارگیری این سامانه در چنین بسترهایی اعلام نشده است.

ماهیت واقعی این سند چیست؟

این سند تنها یک تقاضای ثبت اختراع منتشرشده برای یک سامانه پیشنهادی است و به معنای رونمایی از محصول یا تعهدی تجاری نیست.

این متن صرفاً یک تقاضای ثبت اختراع منتشرشده به حساب می‌آید، نه یک پتنت تاییدشده نهایی، محصولی کامل، نمایشی عمومی یا تعهدی به عرضه تجاری. در گزارش‌های موجود هیچ جدول زمانی برای انتشار یا معرفی محصول دیده نمی‌شود و مایکروسافت نیز تاکنون برنامه‌ای را برای عرضه عمومی فناوری شرح‌داده‌شده در این سند تأیید نکرده است.