סוף האמון בשידורים חיים? בינה מלאכותית שנועדה לשנות מילים ותנועות שפתיים בזמן אמת

דמיינו שאתם צופים בראיון בשידור חי. המרואיין אומר משפט מסוים, אבל אתם שומעים משהו אחר. אדם שצופה באותו שידור בדיוק שומע גרסה שונה, ובשני המסכים השפתיים של המרואיין נעות בהתאמה למילים. איש מהצופים לא בהכרח יודע שהדברים עברו עריכה. זה נשמע כמו מדע בדיוני, אבל בקשת פטנט של מיקרוסופט מתארת טכנולוגיה שנועדה לאפשר בדיוק את זה.

הבקשה, שפורסמה בסוף אוקטובר, מתארת מערכת בינה מלאכותית שתוכל לזהות מילים במהלך שידור חי, להחליף אותן כמעט בזמן אמת ולשנות גם את הווידאו כדי להתאים את תנועות הפה למילים החדשות.

לפי מסמכי הפטנט, המערכת תוכל להסיר קללות, לתקן שגיאות הגייה, להעלים גמגומים ומילות מילוי כמו "אה" ו"אממ", ולהחליף ביטויים פוגעניים. היא תוכל גם להתאים את הדברים למאפיינים של הצופה, בהם גיל, שפה ומיקום. כך, למשל, ילד עשוי לקבל שידור ללא קללות, בעוד שמבוגר שצופה באותו רגע ישמע את הדברים המקוריים.

שימוש נוסף הוא תרגום בזמן אמת: במקום כתוביות או דיבוב שאינו תואם לתמונה, הצופה יוכל לשמוע את הדובר בשפתו ולראות את שפתיו נעות בהתאם למילים המתורגמות.

המערכת מנתחת את השמע והווידאו, מזהה מילים שיש לשנות ומייצרת עבורן שמע חלופי באמצעות בינה מלאכותית. לאחר מכן היא יוצרת מחדש את הפריימים שבהם מופיעות פניו של הדובר, ומתאימה את תנועות השפתיים למילים החדשות.

לפי הבקשה, התהליך אמור להתבצע בעיכוב של שנייה עד עשר שניות. כלומר, השידור יגיע לצופה באיחור קל, שבמהלכו תוכל המערכת לערוך את הדברים שנאמרו ואת התמונה שמלווה אותם.

אלא שהאפשרויות אינן מסתכמות בתרגום או בסינון קללות. המסמכים מתארים גם שימוש בתוצאות חיפוש באינטרנט לבחירת מילים חלופיות, לרבות אפשרות לתיקון מידע במהלך השידור.

כאן עולה שאלה משמעותית: מה יקרה אם הבינה המלאכותית תטעה? צופה עלול לשמוע אדם אומר משפט שמעולם לא יצא מפיו, מבלי לדעת שהמערכת התערבה בדבריו. התביעה המרכזית בבקשת הפטנט גם אינה מחייבת להודיע לצופים שהתוכן שונה.

מיקרוסופט הגישה את בקשת הפטנט באפריל 2025, והיא פורסמה באוקטובר 2026. התביעות בנוסחן הראשוני כבר נתקלו בהתנגדות של בוחן הפטנטים האמריקאי, וההליך עדיין אינו שקול לפטנט מאושר.

נכון לעכשיו, מיקרוסופט לא הכריזה על מוצר המבוסס על המערכת, ואין עדות לכך שהיא פועלת בשידורים מסחריים. אבל הרעיון ממחיש את האתגר שהבינה המלאכותית מציבה בפני האמון שלנו בווידאו: אם אפשר לשנות גם את המילים וגם את תנועות השפתיים, עצם העובדה שראינו אדם מדבר כבר לא בהכרח תספיק כדי לדעת מה באמת אמר.