Microsoft(MSFT), izleyici profiline göre canlı yayın konuşmasını değiştiren yapay zekâ patentine başvurdu

Microsoft(MSFT), izleyici profiline göre canlı yayındaki konuşmacının sözlerini yapay zekâyla değiştiren ve yeni sözlere uyacak şekilde ağız hareketlerini düzenleyen bir teknoloji için patent başvurusu yaptı. Bu tasarımla aynı yayının izleyicilere farklı ses ve görüntülerle sunulması mümkün olabilir.

ABD patent başvurusu US 2026/0341309 A1, 29 Nisan 2025’te yapıldı ve belge 29 Ekim 2026’da yayımlandı. Başvuruda hak sahibi Microsoft Technology Licensing olarak belirtildi.

Başvuru, canlı yayınlara ve artırılmış gerçeklik (AR) sunumlarına üretken yapay zekânın uygulanma yöntemlerini ele alıyor. İlk istem, yapay zekâ ajanının değiştirilecek sözleri nasıl seçtiğini açıklıyor.

Yapay zekâ ajanı, önceden belirlenen koşullara ve izleyici profiline dayanarak değiştirilecek kelimeleri seçiyor. Seçilen kelimeler daha sonra üretken yapay zekâ aracılığıyla başka ifadelerle değiştiriliyor.

Sistem, değiştirilen sözlere uyum sağlaması için konuşmanın öncesindeki ve sonrasındaki sesi düzenliyor ve yeni video kareleri oluşturuyor. Konuşmacının ağız hareketleri de yeni telaffuza göre ayarlanıyor.

Profil örnekleri arasında yaş, kullanılan dil, bölge, dinî ve etnik geçmiş, eğitim düzeyi ile ses ve görüntü örnekleri yer alıyor. Bu bilgiler kullanılarak aynı canlı yayın izleyicilere farklı biçimlerde sunulabiliyor.

Konuşmacının dili izleyici profilinde belirtilen dilden farklıysa sözlerin çevrilmesi ve ağız hareketlerinin çeviriye göre yeniden oluşturulması da örnekler arasında. Dersler, ödül törenleri, spor karşılaşmaları ve canlı TV yayınları olası kullanım alanları olarak sıralanıyor.

Değişiklikler yalnızca çeviriyle sınırlı değil. Başvuruda “um” gibi dolgu seslerini azaltma, telaffuz hatalarını düzeltme, kekemeliği giderme ve argo ifadeleri değiştirme örnekleri bulunuyor.

Küfür veya hakaret içeren ifadeler silinebiliyor ya da başka sözlerle değiştirilebiliyor. İstemlerde, alternatif kelimelerin internet aramasından alınması da yer alıyor.

Başvuru, “yarı gerçek zamanlı” işlemeyi birkaç saniye içinde gerçekleşen bir süreç olarak açıklıyor ve 1 ila 10 saniyelik gecikmeyi örnek veriyor. Bu süre, belgede anlatılan işleyişe ilişkin bir örnek; gerçek bir hizmette yapılmış ölçüm sonucu değil.

Olası cihazlar arasında AR gözlükleri, akıllı telefonlar, tabletler ve kameralar sayılıyor. Başvuru, canlı yayınların yanı sıra önceden kaydedilmiş görüntü ve sesin sonradan düzenlenmesini de kapsıyor.

Diğer bir istemde, uzun bir kayıttan yeni oluşturulmuş sahneler içeren kısa bir özet video hazırlanması anlatılıyor. Bu, canlı yayın konuşmasını değiştirme yönteminden ayrı bir kullanım örneği olarak sunuluyor.

Değişiklik öncesindeki ses ve görüntü, daha sonra karşılaştırma yapılabilmesi için referans kaydı olarak saklanabiliyor. Orijinali saklama seçeneği tek bir bağımlı istemde yer alıyor; tüm uygulamalar için ortak bir koşul olarak belirtilmiyor.

Futurism, gerçek zamanlı çeviriyi olası kullanım örneklerinden biri olarak aktarırken lehçelerin veya belirli ifadelerin silinmesinin izleyicileri kişiselleştirilmiş bir bilgi ortamına hapsedip hapsetmeyeceğini sorguladı. Düzenlenmiş görüntüyle konuşmacının orijinal sözlerinin nasıl ayırt edileceği de tartışma konusu olarak kalıyor.

Microsoft, bu özelliği ürüne dönüştürme veya canlı yayınlarda kullanma planını açıklamadı. Yayımlanan belge bir patent başvurusundan ibaret.