Μια τεχνολογία τεχνητής νοημοσύνης που θα μπορεί να αλλάζει τα λόγια ενός ανθρώπου την ώρα που μιλά σε ζωντανό βίντεο, προσαρμόζοντας ταυτόχρονα τις κινήσεις των χειλιών του ώστε να μη φαίνεται η παρέμβαση, περιγράφει νέα αίτηση ευρεσιτεχνίας της Microsoft.
Το σύστημα θα μπορούσε να μεταφράζει αυτόματα την ομιλία σε διαφορετικές γλώσσες, να διορθώνει λάθη και να αφαιρεί ανεπιθύμητες εκφράσεις, μέσα σε λίγα δευτερόλεπτα από τη στιγμή που εκφέρονται. Η εικόνα και ο ήχος θα τροποποιούνται μαζί, ώστε ο θεατής να βλέπει τον ομιλητή να προφέρει φυσικά τις νέες λέξεις.
Η αίτηση κατατέθηκε στις 29 Απριλίου 2025 και δημοσιεύθηκε στις 29 Οκτωβρίου 2026. Πρόκειται προς το παρόν για σχέδιο τεχνολογίας και όχι για διαθέσιμο προϊόν. Δεν είναι γνωστό εάν ή πότε η Microsoft σκοπεύει να το κυκλοφορήσει.
Πώς θα λειτουργεί η τεχνολογία
Σύμφωνα με την περιγραφή της Microsoft, ένα σύστημα τεχνητής νοημοσύνης θα παρακολουθεί τον ήχο και την εικόνα μιας ζωντανής μετάδοσης, εντοπίζοντας λέξεις ή φράσεις που μπορούν να τροποποιηθούν.
Στη συνέχεια, θα αντικαθιστά τις συγκεκριμένες λέξεις, θα προσαρμόζει τον ήχο και θα δημιουργεί νέα καρέ του βίντεο, αλλάζοντας τις κινήσεις του στόματος και των χειλιών του ομιλητή.
Για παράδειγμα, ένας άνθρωπος θα μπορούσε να παρακολουθεί μια διάλεξη στα αγγλικά και να την ακούει στα ελληνικά, ενώ ο ομιλητής στην οθόνη θα φαίνεται να μιλά ελληνικά.
Το σύστημα θα μπορεί επίσης να αφαιρεί δισταγμούς και επαναλαμβανόμενες λέξεις, να διορθώνει λανθασμένες προφορές και να αντικαθιστά τοπικές εκφράσεις με πιο κοινές.
Προβλέπεται ακόμη η δυνατότητα αφαίρεσης βωμολοχιών ή προσβλητικών σχολίων, ανάλογα με τις προτιμήσεις του θεατή.
Έτσι, δύο άνθρωποι που παρακολουθούν την ίδια ζωντανή μετάδοση θα μπορούσαν να ακούν διαφορετικές εκδοχές των όσων λέει ο ίδιος ομιλητής.
Μία από τις πιο φιλόδοξες δυνατότητες που περιγράφονται στην αίτηση είναι η διόρθωση ανακριβών πληροφοριών. Το σύστημα θα μπορεί να αναζητά στοιχεία στο διαδίκτυο και να αντικαθιστά μια λανθασμένη διατύπωση με εκείνη που θεωρεί σωστή.
Αυτό, ωστόσο, δεν σημαίνει ότι η τεχνητή νοημοσύνη θα είναι πάντοτε σε θέση να ξεχωρίζει την αλήθεια από το λάθος. Μια εσφαλμένη «διόρθωση» θα μπορούσε να αλλοιώσει το νόημα μιας δήλωσης, χωρίς ο θεατής να αντιληφθεί ότι τα λόγια έχουν αλλάξει.
Ο κίνδυνος να βλέπουμε κάτι που δεν ειπώθηκε ποτέ
Η δυνατότητα αλλαγής της εικόνας και του ήχου σχεδόν ταυτόχρονα δημιουργεί σοβαρά ερωτήματα για την αξιοπιστία των ζωντανών μεταδόσεων.
Μια τέτοια τεχνολογία θα μπορούσε να χρησιμοποιηθεί για να αποδοθούν σε πολιτικούς, δημοσιογράφους ή στελέχη επιχειρήσεων δηλώσεις που δεν έκαναν ποτέ, δημιουργώντας ιδιαίτερα πειστικά παραποιημένα βίντεο, γνωστά ως deepfakes.
Το πρόβλημα δεν αφορά μόνο την κακόβουλη χρήση. Ακόμη και όταν οι αλλαγές γίνονται με σκοπό τη βελτίωση της επικοινωνίας, τίθεται το ζήτημα του ποιος αποφασίζει ποιες λέξεις πρέπει να αφαιρεθούν ή να αντικατασταθούν.
Εάν, για παράδειγμα, μια εφαρμογή αφαιρεί αυτόματα χαρακτηρισμούς που θεωρεί προσβλητικούς ή διορθώνει τις δηλώσεις ενός πολιτικού, ο θεατής ενδέχεται να μη γνωρίζει τι ειπώθηκε πραγματικά.
Η αίτηση της Microsoft προβλέπει τη δυνατότητα αποθήκευσης του αρχικού, μη επεξεργασμένου βίντεο, ώστε να υπάρχει αντίγραφο αναφοράς για όσα ειπώθηκαν.
Η διατήρηση του πρωτότυπου υλικού, πάντως, δεν εξασφαλίζει από μόνη της ότι ο θεατής θα ενημερώνεται για τις αλλαγές που βλέπει ή ότι ο ομιλητής θα έχει συναινέσει σε αυτές.
Η τεχνολογία θα μπορούσε να αξιοποιηθεί σε διεθνείς συσκέψεις, τηλεδιασκέψεις, εκπαιδευτικά μαθήματα και άλλες ζωντανές μεταδόσεις, διευκολύνοντας την επικοινωνία ανθρώπων που μιλούν διαφορετικές γλώσσες.
Θα μπορούσε επίσης να κάνει πιο κατανοητές ομιλίες με συχνά λάθη ή δυσκολίες στην προφορά, χωρίς να απαιτείται επεξεργασία του βίντεο μετά την ολοκλήρωση της εγγραφής.
Παράλληλα, όμως, αναδεικνύει την ανάγκη για σαφή ενημέρωση του κοινού όταν χρησιμοποιείται AI για την τροποποίηση ομιλίας και εικόνας.
Με πληροφορίες από Gadget Review
