Mi történik, ha egy élő közvetítésben nem egyszerűen feliratot kapsz, hanem a rendszer menet közben átírja azt is, amit a beszélő mond? A Microsoft friss szabadalma pont egy ilyen világot vázol fel: olyat, ahol a valós idejű videó már nem feltétlenül ugyanaz minden néző számára.

Mi történt

A Microsoft egy olyan AI-alapú megoldásra nyújtott be szabadalmat, amely élő videót vagy kiterjesztett valóságos közvetítést tudna „közel valós időben” módosítani. A rendszer nemcsak egyes szavakat cserélne le vagy törölne, hanem a hangot és a beszélő arcát, szájmozgását is hozzáigazítaná az új változathoz, hogy a végeredmény természetesebbnek hasson.

A leírás szerint ezt úgynevezett AI-ügynökök végeznék, vagyis olyan automatizált szoftveres elemek, amelyek előre megadott szabályok, beállítások vagy felhasználói profilok alapján döntenek a módosításokról. Gondolj rá úgy, mint egy nagyon fejlett, automatikus élő vágóra: nem utólag szerkeszti a felvételt, hanem szinte azonnal belenyúl a beszédbe, és még a kivágott vagy lecserélt szó előtti-utáni hang- és képrészleteket is finomítja, hogy ne legyen feltűnő az átmenet.

A lehetséges felhasználások között szerepel a valós idejű fordítás, ami kézenfekvő és sok helyzetben hasznos irány. Emellett a rendszer kiszűrhetné a töltelékszavakat, mint az „öö” vagy „izé”, enyhíthetné a dadogást vagy más beszédhibákat, és módosíthatna félrehallott, rosszul kiejtett vagy sértőnek minősített szavakat is. A szabadalom ennél tovább megy: személyes szófordulatok, tájnyelvi kifejezések vagy köznyelvi formulák eltávolítását is elképzelhetőnek tartja, a csere pedig akár internetes keresésből származó szóval is történhet.

Miért fontos

Ez már nem egyszerű szinkron vagy hagyományos videószerkesztés. A különbség az időzítésben és a személyre szabásban van: itt ugyanaz az élő esemény többféle változatban is megjelenhetne, attól függően, ki mit akar hallani. Ez kényelmes lehet fordításnál vagy akadálymentesítésnél, de közben elmoshatja a határt az eredeti és a testre szabott közvetítés között. Különösen érzékeny pont, hogy a rendszer nemcsak hibákat javíthatna, hanem a beszélő stílusát, szóhasználatát, sőt nyelvi identitását is kisimíthatná. A Futurism értelmezése szerint ez egy olyan szűrőréteg felé mutat, amely nem utólag retusálja a valóságot, hanem már annak közvetítése közben alakítja át.

Mire figyelj

  1. Egy szabadalom még nem jelent kész terméket. A technológiai cégek sok ötletet levédetnek, amelyekből végül semmi nem kerül piacra.
  2. Döntő kérdés lesz, hogy egy ilyen rendszer egyértelműen jelzi-e majd a nézőnek, ha a látott-hallott közvetítés módosított változat.
  3. Érdemes figyelni arra is, mire használják elsőként: valós idejű fordításra és hozzáférhetőségre, vagy inkább tartalomszűrésre és személyre szabott „simításra”.
  4. Fontos részlet, hogy a szabadalom számol az eredeti hang- és videóanyag eltárolásával is „ground truth” célra, vagyis egyfajta referencia-verzióként. Ez arra utal, hogy a félreértések és visszaélések kockázata a tervezés szintjén is látható.