Resumen:
Una solicitud de patente divulgada recientemente por Microsoft ha atraído una amplia atención. Según el documento de patente, la compañía está investigando un sistema de inteligencia artificial que pueda modificar el contenido del discurso en tiempo real durante la transmisión en vivo y ajustar simultáneamente los movimientos faciales y de la boca del hablante, de modo que la audiencia pueda ver la imagen de video natural modificada.
Esta patente se llama "Video mejorado con inteligencia artificial en tiempo real o tecnología de presentación en vivo de realidad aumentada" y se presentó originalmente en abril de 2025 y se hizo pública oficialmente en octubre de 2026. El documento muestra que el sistema no solo puede modificar el contenido de voz en la transmisión en vivo, sino también utilizar inteligencia artificial generativa para procesar la pantalla de video para hacer que la forma de la boca del personaje sea consistente con la voz modificada.
Según la descripción de la patente, el sistema monitoreará continuamente la transmisión de audio en vivo e identificará automáticamente las palabras o frases que deben ajustarse a través del agente de IA. Después de descubrir el contenido objetivo, la inteligencia artificial generativa reemplazará, eliminará o reescribirá el audio, mientras modifica los movimientos faciales, las formas de los labios y las trayectorias de los movimientos de la boca en los cuadros de video relevantes, de modo que la imagen final se vea como el hablante dijo originalmente el contenido modificado.
Microsoft define todo el proceso en el documento como procesamiento "casi en tiempo real", lo que significa que solo hay un retraso de unos segundos desde la recopilación del contenido hasta la finalización de la modificación. Las soluciones relacionadas se pueden aplicar tanto a escenarios de posprocesamiento como de transmisión en vivo.
La patente enumera una variedad de posibles escenarios de aplicación. Uno de los usos principales es la traducción en tiempo real. El sistema puede traducir instantáneamente el discurso del orador al idioma nativo de la audiencia y sincronizar la sincronización de labios en el video con el contenido traducido, evitando así la sensación de disonancia causada por el doblaje o los subtítulos tradicionales.
Además, el sistema también puede eliminar automáticamente eslóganes y palabras de relleno como "um" y "ah", y corregir errores de lengua, mala pronunciación y expresiones inexactas, haciendo que el habla sea más fluida y natural. La patente también menciona que el sistema puede filtrar lenguaje vulgar, vocabulario sensible, expresiones ofensivas y palabras en algunos dialectos regionales según las preferencias de la audiencia, y proporcionar una presentación de contenido personalizada para diferentes grupos.
En algunas configuraciones, incluso se pueden generar reemplazos automáticamente a partir de búsquedas web para encontrar expresiones contextuales o más precisas en tiempo real.
Microsoft también prevé utilizar la tecnología en conferencias, ceremonias de premios, transmisiones deportivas, programas de cocina y una variedad de programas de televisión en vivo. Al corregir automáticamente el contenido y las expresiones del habla, se puede reducir la carga de trabajo de posedición manual y se puede mejorar la eficiencia de la producción de contenido.
Sin embargo, esta tecnología también ha desencadenado debates sobre la autenticidad de la información. Debido a que el sistema puede cambiar directamente el contenido de las últimas palabras del orador presentadas a la audiencia durante la transmisión en vivo, algunos analistas temen que la tecnología pueda usarse para cambiar el contenido de discursos de políticos, declaraciones corporativas e incluso informes de noticias en el futuro, aumentando así el riesgo de difusión de información falsa.
Para este problema, Microsoft también propuso una solución correspondiente en la patente. El sistema conservará el audio y el video originales, sin modificar, como un "expediente de hechos base" para su verificación en caso de disputas, investigaciones o necesidades legales, según el documento. Algunos planes también mencionan la conservación de rastros de modificaciones mediante identificación digital y otros métodos.
Vale la pena señalar que la divulgación actual es solo una solicitud de patente, lo que no significa que Microsoft haya lanzado productos relacionados, ni significa que la tecnología relacionada eventualmente se comercializará. La industria tecnológica ha estado plagada durante mucho tiempo de ideas patentadas que nunca se han implementado, por lo que queda por ver si el sistema aparecerá en productos futuros.
Sin embargo, a medida que la inteligencia artificial generativa y las capacidades de procesamiento de vídeo en tiempo real continúan mejorando, esta patente muestra la posible dirección de desarrollo de la futura tecnología de transmisión en vivo. Si bien se mejora la eficiencia de la traducción y la optimización del contenido, cómo equilibrar la conveniencia y la autenticidad del contenido también se convertirá en una cuestión importante que enfrentarán las futuras aplicaciones de inteligencia artificial.
Comentarios