Patent společnosti Microsoft: Očekává se, že umělá inteligence změní to, co lidé zdánlivě říkali

Společnost Microsoft zveřejnila patentovou přihlášku, která popisuje novou hranici v generativní umělé inteligenci: Systém je navržen tak, aby rozpoznával, měnil nebo nahrazoval mluvená slova ve video a audio nahrávkách téměř v reálném čase – a současně upravoval pohyby rtů mluvící osoby tak, aby obraz a nový zvuk opět odpovídaly.

Patentová přihláška s názvem „Vylepšení videa nebo rozšířené reality (AR) prezentací živých událostí v téměř reálném čase pomocí umělé inteligence (AI)“ byla podána 29. dubna 2025 a zveřejněna 29. října 2026 pod číslem US 2026/0341309 A1 . Žadatelem je společnost Microsoft Technology Licensing, LLC.

Popsaný mechanismus je pozoruhodný. Agent umělé inteligence má analyzovat živý zvuk a živé video, identifikovat konkrétní slova a nahradit je na základě předdefinovaných parametrů nebo uživatelského profilu. Následně má generativní systém umělé inteligence upravit zvukovou stopu i video obrazy a vyhladit přechody tak, aby manipulace působila co nejpřirozeněji.

Patentová přihláška se nezmiňuje pouze o jednoduchých překladech. Výslovně předpokládá nahrazení mluvených slov jinými slovy a současné generování nových videozáznamů, ve kterých se rty osoby pohybují v souladu se změněnými výroky. V překladovém scénáři by tak divák mohl vidět osobu, která zdánlivě plynně mluví jiným jazykem, přestože tato slova původně nikdy nevyslovila.

Mezi potenciální aplikace patří živý překlad, odstraňování výplňových slov, vyhlazování překlepů a nahrazování specifických termínů. Analýza aplikace také naznačuje, že informace z externích zdrojů, jako jsou výsledky vyhledávání, by mohly být začleněny jako náhradní obsah.

Právě v tomto bodě se technologie stává společensky explozivní.

Technicky vzato nehraje zásadní roli, zda umělá inteligence odstraní „ehm“, přeloží větu v cizím jazyce nebo změní obsah výroku. Jakmile se obraz a zvuk regenerují současně, osoba ve videu může zdánlivě říct něco, co ve skutečnosti nikdy v této formě neřekla.

Tím se posouvá hranice mezi překladem, editací a manipulací.

Problém není jen teoretický. Patentová přihláška výslovně popisuje systém navržený pro provoz téměř v reálném čase. To znamená, že změna by se nemusela objevit o několik hodin později v upraveném videu, ale teoreticky by mohla nastat během probíhajícího vysílání, schůzky nebo aplikace AR.

Obzvláště problematické je, že hlavní požadavek patentové přihlášky nestanoví povinné viditelné označení změny. Podle patentové analýzy se uložení původního materiálu jako „podstatné informace“ objevuje pouze v závislém požadavku. To vyvolává zásadní otázku důvěry: Co se stane, když diváci již nedokážou rozlišit, zda to, co vidí a slyší, odpovídá původnímu tvrzení, nebo zda již bylo algoritmicky upraveno?

Dlouhodobé zapojení Microsoftu do takových technologií dokládá starší patent z roku 2009. Tento patent se již zabýval systémy schopnými převádět text na synchronizovanou řeč a předem přidávat, odebírat nebo nahrazovat slova. Současná aplikace však jde ještě mnohem dál a kombinuje generativní umělou inteligenci, živé video, manipulaci se zvukem a adaptivní pohyby rtů do systému téměř v reálném čase.

Tato technologie by nepochybně mohla mít užitečné využití. Živé překlady by mohly působit přirozeněji, mezinárodní videokonference by mohly být srozumitelnější a jazykové bariéry by se mohly dále zmenšit. Takové systémy by byly představitelné i pro přístupnost, vzdělávání a globální komunikaci.

Tato technologie však také otevírá značný potenciál pro zneužití.

Pokud lze automaticky měnit výpovědi a současně upravovat rysy obličeje a pohyby rtů, důkazní hodnota videozáznamů se dále snižuje. Politické projevy, rozhovory, tiskové konference nebo živé přenosy by teoreticky mohly být pozměněny takovým způsobem, že diváci již nebudou moci snadno určit, zda zobrazená osoba skutečně pronesla daná slova.

Toto je klíčový bod: Doposud mnoho lidí považovalo video za relativně silnou formu vizuálního důkazu. Generativní umělá inteligence tuto důvěru již otřásla prostřednictvím deepfaků. Systém schopný provádět stejnou manipulaci téměř v reálném čase by tento trend ještě zhoršil.

Je však důležité rozlišovat mezi patentovou přihláškou a výrobkem.

Podání patentové přihlášky neznamená, že Microsoft již takový systém veřejně používá nebo jej okamžitě uvede na trh. Během úvodního šetření byly proti předloženým nárokům vzneseny námitky; takové námitky nejsou v patentových řízeních neobvyklé a mohou vést ke změnám nároků. Patentová přihláška nejprve popisuje technickou myšlenku a chrání potenciální aplikace – ještě není důkazem o hotovém produktu.

Registrace nicméně jasně ukazuje, kam se generativní média mohou vyvíjet. To činí jednu z nejdůležitějších otázek nadcházejících let stále naléhavější:

Jak můžete stále dokázat, co někdo skutečně řekl, když umělá inteligence dokáže současně měnit tón tónu, slova a pohyby rtů?

Zdroje:

• Americká patentová přihláška US 2026/0341309 A1 – Justia
• Patentlyze – Microsoft podává patent na přepsání toho, co říkají řečníci v živém videu
• Patenty Google – starší patent společnosti Microsoft na úpravu řeči synchronizovanou s rty
• USPTO – patent společnosti Microsoft na překlad zvuku v reálném čase
• TechTimes – Klasifikace aktuální registrace