Microsoft (MSFT) nộp đơn bằng sáng chế AI chỉnh lời nói và khẩu hình trong livestream theo hồ sơ người xem

Microsoft (MSFT) đã nộp đơn xin cấp bằng sáng chế cho công nghệ dùng AI để thay đổi lời nói của người phát biểu trực tiếp dựa trên hồ sơ người xem, đồng thời điều chỉnh khẩu hình cho khớp với lời đã sửa. Theo ý tưởng này, mỗi người xem có thể nhận được âm thanh và hình ảnh khác nhau dù cùng xem một chương trình phát sóng.

Đơn xin cấp bằng sáng chế Mỹ số US 2026/0341309 A1 được nộp ngày 29 tháng 4 năm 2025 và công bố ngày 29 tháng 10 năm 2026. Đơn vị đứng tên nộp hồ sơ là Microsoft Technology Licensing.

Hồ sơ mô tả quy trình áp dụng AI tạo sinh vào chương trình phát trực tiếp và bài thuyết trình thực tế tăng cường (AR). Yêu cầu bảo hộ đầu tiên giải thích cách một tác nhân AI chọn lời nói cần chỉnh sửa.

Tác nhân AI dựa trên các điều kiện được thiết lập trước và hồ sơ người xem để chọn từ cần thay đổi. Sau đó, AI tạo sinh thay từ được chọn bằng cách diễn đạt khác.

Hệ thống chỉnh âm thanh trước và sau phần lời được thay thế, đồng thời tạo khung hình mới. Khẩu hình của người nói cũng được điều chỉnh để phù hợp với cách phát âm mới.

Hồ sơ nêu các thông tin có thể có trong hồ sơ người xem, gồm tuổi, ngôn ngữ sử dụng, khu vực, nền tảng tôn giáo và sắc tộc, trình độ học vấn cùng mẫu giọng nói và hình ảnh. Dựa trên những thông tin này, cùng một buổi phát trực tiếp có thể được truyền tải khác nhau cho từng người xem.

Hồ sơ cũng nêu trường hợp dịch lời nói khi ngôn ngữ của người phát biểu khác với ngôn ngữ được cài đặt trong hồ sơ người xem, rồi tạo khẩu hình mới khớp với phần dịch. Các ứng dụng được đề cập gồm bài giảng, lễ trao giải, sự kiện thể thao và chương trình truyền hình trực tiếp.

Phạm vi chỉnh sửa không chỉ giới hạn ở dịch thuật. Hồ sơ đưa ra ví dụ loại bỏ từ đệm như “um”, sửa lỗi phát âm, nói lắp và tiếng lóng.

Những từ tục tĩu hoặc xúc phạm có thể bị xóa hoặc thay bằng cách diễn đạt khác. Các yêu cầu bảo hộ còn đề cập đến cách lấy từ thay thế từ kết quả tìm kiếm trên internet.

Hồ sơ mô tả xử lý “gần thời gian thực” là hoàn tất trong vài giây và lấy độ trễ từ 1 đến 10 giây làm ví dụ. Đây là ví dụ về cách vận hành trong tài liệu, không phải kết quả đo từ một dịch vụ thực tế.

Các thiết bị triển khai được liệt kê gồm kính AR, điện thoại thông minh, máy tính bảng và máy quay. Hồ sơ cũng mô tả cách chỉnh sửa âm thanh và hình ảnh của video đã ghi, bên cạnh nội dung phát trực tiếp.

Một yêu cầu bảo hộ khác mô tả cách tạo video tóm tắt ngắn từ bản ghi dài, có thêm cảnh được tạo mới. Đây là một ứng dụng được nêu riêng, không phải chức năng chỉnh lời nói trong livestream.

Âm thanh và hình ảnh trước khi chỉnh sửa có thể được lưu làm bản ghi tham chiếu để đối chiếu sau này. Việc lưu bản gốc nằm trong một yêu cầu bảo hộ phụ, không phải điều kiện áp dụng chung cho mọi cách triển khai.

Futurism nêu dịch thuật thời gian thực như một ứng dụng khả thi, đồng thời đặt câu hỏi liệu chức năng xóa phương ngữ hoặc một số cách diễn đạt có thể khiến người xem bị giới hạn trong môi trường thông tin cá nhân hóa hay không. Cách phân biệt video đã chỉnh sửa với lời nói ban đầu vẫn là vấn đề cần xem xét.

Microsoft chưa công bố kế hoạch thương mại hóa tính năng này hoặc áp dụng nó vào các chương trình phát trực tiếp. Tài liệu được công bố là đơn xin cấp bằng sáng chế.