微软申请新专利：AI 实时修改直播说话内容并同步嘴型

IT之家 11 月 9 日消息，微软近日提交了一项专利申请，计划利用人工智能技术，在直播及其他实时视频节目中近乎实时地修改人物说出的内容。更特别的是，这项技术还能重新绘制说话者的嘴唇动作，让观众难以察觉原本说出的话已经被替换。

这项专利的编号为 US 2026/0341309 A1，名称为《利用人工智能近乎实时增强直播活动的视频或增强现实（AR）演示》（Near Real-Time Artificial Intelligence (AI) Enhancement of Video or Augmented Reality (AR) Presentations of Live Events）。

根据专利申请文件，该系统包含一个 AI 智能体，能够实时监听音频，并根据预设规则或观众个人资料（包括年龄、所讲语言和居住地），识别需要修改或删除的词语。

随后，生成式 AI 会在音频中替换这些词语，平滑处理每处修改前后的衔接，同时生成新的视频画面，让说话者的嘴部动作与修改后的语音保持一致。

那么，微软这套系统究竟会修改哪些内容？根据相关报道，可能被替换的内容包括口头填充词、口吃、发音错误的词语、冒犯性词汇，以及“y'all”（你们）和“bite the bullet”（咬紧牙关、硬着头皮面对困难）等口语表达。经过处理的视频会延迟约 1 至 10 秒播放，以便系统完成音视频修改。

这项专利还涵盖实时翻译功能。如果说话者使用的语言不在观众的个人资料中，系统就可以将原话替换成翻译后的内容，并同步重新绘制说话者的嘴部动作，使其与翻译语音相匹配。

专利文件列举的潜在应用场景包括讲座、颁奖典礼、游戏节目和体育赛事直播等。此外，这套系统还可以运行在 AR 眼镜、手机、平板电脑或摄像头上。其中一项专利权利要求还提到，系统可以保留原始录像，将其作为“真实依据”（ground truth）。

需要注意的是，目前微软提交的只是已经公开的专利申请，并不意味着相关技术已经获得专利授权。专利审查员已于 2026 年 7 月 29 日驳回了申请中提交的相关权利要求，这属于专利审查过程中的常见环节，微软仍可以对此作出回应并修改申请内容。

IT之家注意到，这项专利申请于 2025 年 4 月 29 日提交。微软尚未透露是否计划将这项技术投入实际开发。因此，即便专利申请最终获得批准，也不意味着相关功能一定会出现在微软的产品中。