माइक्रोसॉफ्ट ने "रियल-टाइम स्पीच रीराइटिंग" के लिए एआई पेटेंट के लिए आवेदन किया है जो लाइव प्रसारण सामग्री को संशोधित कर सकता है और मुंह के आकार को एक साथ समायोजित कर सकता है

सार:

माइक्रोसॉफ्ट द्वारा हाल ही में प्रकट किए गए एक पेटेंट आवेदन ने व्यापक ध्यान आकर्षित किया है। पेटेंट दस्तावेज़ के अनुसार, कंपनी एक कृत्रिम बुद्धिमत्ता प्रणाली पर शोध कर रही है जो लाइव प्रसारण के दौरान वास्तविक समय में भाषण सामग्री को संशोधित कर सकती है और साथ ही वक्ता के मुंह और चेहरे की गतिविधियों को समायोजित कर सकती है, ताकि दर्शक संशोधित प्राकृतिक वीडियो चित्र देख सकें।

इस पेटेंट को "रियल-टाइम आर्टिफिशियल इंटेलिजेंस एन्हांस्ड वीडियो या ऑगमेंटेड रियलिटी लाइव प्रेजेंटेशन टेक्नोलॉजी" कहा जाता है और मूल रूप से अप्रैल 2025 में प्रस्तुत किया गया था और आधिकारिक तौर पर अक्टूबर 2026 में सार्वजनिक किया गया था। दस्तावेज़ से पता चलता है कि सिस्टम न केवल लाइव प्रसारण में आवाज सामग्री को संशोधित कर सकता है, बल्कि चरित्र के मुंह के आकार को संशोधित आवाज के अनुरूप बनाने के लिए वीडियो स्क्रीन को संसाधित करने के लिए जेनरेटिव आर्टिफिशियल इंटेलिजेंस का भी उपयोग कर सकता है।

पेटेंट विवरण के अनुसार, सिस्टम लगातार लाइव ऑडियो स्ट्रीम की निगरानी करेगा और स्वचालित रूप से उन शब्दों या वाक्यांशों की पहचान करेगा जिन्हें एआई एजेंट के माध्यम से समायोजित करने की आवश्यकता है। लक्ष्य सामग्री की खोज करने के बाद, जनरेटिव आर्टिफिशियल इंटेलिजेंस प्रासंगिक वीडियो फ़्रेमों में चेहरे की गतिविधियों, होंठों के आकार और मुंह की गति के प्रक्षेप पथ को संशोधित करते हुए ऑडियो को प्रतिस्थापित, हटा या फिर से लिखेगा, ताकि अंतिम तस्वीर ऐसी दिखे जैसे वक्ता ने मूल रूप से संशोधित सामग्री कही हो।

Microsoft दस्तावेज़ में पूरी प्रक्रिया को "लगभग वास्तविक समय" प्रसंस्करण के रूप में परिभाषित करता है, जिसका अर्थ है कि सामग्री संग्रह से संशोधन पूरा होने तक केवल कुछ सेकंड की देरी होती है। संबंधित समाधानों को पोस्ट-प्रोसेसिंग और लाइव प्रसारण दोनों परिदृश्यों पर लागू किया जा सकता है।

पेटेंट विभिन्न संभावित अनुप्रयोग परिदृश्यों को सूचीबद्ध करता है। मुख्य उपयोगों में से एक वास्तविक समय अनुवाद है। सिस्टम वक्ता के भाषण को दर्शकों की मूल भाषा में तुरंत अनुवाद कर सकता है, और अनुवादित सामग्री के साथ वीडियो में लिप सिंक्रोनाइज़ेशन को सिंक्रनाइज़ कर सकता है, जिससे पारंपरिक डबिंग या उपशीर्षक के कारण होने वाली असंगति की भावना से बचा जा सकता है।

इसके अलावा, सिस्टम स्वचालित रूप से कैचफ्रेज़ और "उम" और "आह" जैसे पूरक शब्दों को भी हटा सकता है, और जीभ की फिसलन, गलत उच्चारण और गलत अभिव्यक्तियों को सही कर सकता है, जिससे भाषण अधिक सहज और स्वाभाविक हो जाता है। पेटेंट में यह भी उल्लेख किया गया है कि सिस्टम दर्शकों की पसंद के आधार पर कुछ क्षेत्रीय बोलियों में अश्लील भाषा, संवेदनशील शब्दावली, आपत्तिजनक अभिव्यक्ति और शब्दों को फ़िल्टर कर सकता है, और विभिन्न समूहों के लिए अनुकूलित सामग्री प्रस्तुति प्रदान कर सकता है।

कुछ कॉन्फ़िगरेशन में, वास्तविक समय में अधिक सटीक या प्रासंगिक अभिव्यक्ति खोजने के लिए प्रतिस्थापन वेब खोजों से स्वचालित रूप से भी उत्पन्न किया जा सकता है।

Microsoft व्याख्यान, पुरस्कार समारोह, खेल प्रसारण, कुकिंग शो और विभिन्न प्रकार के लाइव टेलीविज़न कार्यक्रमों में प्रौद्योगिकी का उपयोग करने की भी कल्पना करता है। भाषण सामग्री और अभिव्यक्तियों को स्वचालित रूप से सही करके, मैन्युअल पोस्ट-संपादन कार्यभार को कम किया जा सकता है और सामग्री उत्पादन दक्षता में सुधार किया जा सकता है।

हालाँकि, इस तकनीक ने सूचना की प्रामाणिकता के बारे में भी चर्चा शुरू कर दी है। क्योंकि सिस्टम लाइव प्रसारण के दौरान दर्शकों के सामने पेश किए गए वक्ता के अंतिम शब्दों की सामग्री को सीधे बदल सकता है, कुछ विश्लेषकों को चिंता है कि प्रौद्योगिकी का उपयोग भविष्य में राजनेताओं के भाषणों, कॉर्पोरेट बयानों और यहां तक ​​कि समाचार रिपोर्टों की सामग्री को बदलने के लिए किया जा सकता है, जिससे गलत जानकारी फैलने का खतरा बढ़ जाएगा।

इस समस्या के लिए, Microsoft ने पेटेंट में एक संबंधित समाधान भी प्रस्तावित किया है। दस्तावेज़ के अनुसार, सिस्टम विवादों, जांच या कानूनी ज़रूरतों की स्थिति में सत्यापन के लिए मूल, असंशोधित ऑडियो और वीडियो को "आधार तथ्यात्मक रिकॉर्ड" के रूप में बनाए रखेगा। कुछ योजनाओं में डिजिटल पहचान और अन्य तरीकों के माध्यम से संशोधनों के निशान बनाए रखने का भी उल्लेख है।

यह ध्यान देने योग्य है कि वर्तमान प्रकटीकरण केवल एक पेटेंट आवेदन है, जिसका मतलब यह नहीं है कि माइक्रोसॉफ्ट ने संबंधित उत्पाद लॉन्च किए हैं, न ही इसका मतलब यह है कि संबंधित तकनीक का अंततः व्यावसायीकरण किया जाएगा। टेक उद्योग लंबे समय से पेटेंट किए गए विचारों से भरा पड़ा है जिन्हें कभी लागू नहीं किया गया है, इसलिए यह देखना बाकी है कि क्या यह प्रणाली भविष्य के उत्पादों में दिखाई देगी।

हालाँकि, जेनेरिक आर्टिफिशियल इंटेलिजेंस और वास्तविक समय वीडियो प्रसंस्करण क्षमताओं में सुधार जारी है, यह पेटेंट भविष्य की लाइव प्रसारण तकनीक की संभावित विकास दिशा को दर्शाता है। अनुवाद और सामग्री अनुकूलन की दक्षता में सुधार करते समय, सुविधा और सामग्री प्रामाणिकता को कैसे संतुलित किया जाए यह भी भविष्य के कृत्रिम बुद्धिमत्ता अनुप्रयोगों के सामने एक महत्वपूर्ण मुद्दा बन जाएगा।