Если раньше видеотрансляция в реальном времени была главным доказательством того, что событие происходит здесь и сейчас, а спикер говорит именно то, что хочет сказать, то теперь мы входим в новую эпоху дипфейков, когда изображение и звук можно менять с незаметной для зрителей задержкой. Человек говорит одно, зрители видят и слышат другое — с тем же голосом, с той же мимикой.
В патентной заявке Microsoft US 20260341309, опубликованной в конце октября 2026 года, описывается программно-аппаратный комплекс для динамического «улучшения» видео- и аудиопотоков. Технология может применяться как в режиме постпродакшна, так и в режиме околореального времени (с задержкой всего в 1–10 секунд, стандартной для прямых эфиров).
Что может система
ИИ-агент сканирует звуковую дорожку и выявляет «нежелательные элементы» на основе заданных параметров, а также профиля целевой аудитории или конкретного пользователя:
- Слова-паразиты и речевые паузы. Устраняются затянувшиеся звуковые «зависания» (длиннее 5–15 секунд), а также такие выражения, как «э-э-э», «ну», «как бы», «типа», «вы понимаете» и другие (на любых языках).
- Дефекты дикции. Распознаются и корректируются невнятно произнесенные слова, оговорки и проявления дефектов речи (например, заикание или шепелявость).
- Стилистические несоответствия. Система умеет заменять локальный сленг, просторечия, неуместные и оскорбительные выражения на термины, более подходящие под профиль слушателя, учитывая возраст, образование, региональные и культурные особенности.
- Технические шумы. Автоматически вырезаются фоновые шумы, щелчки оборудования и акустическая обратная связь (гул микрофона).
Система имеет две модели работы:
1. Околореальное время: применяется на живых лекциях, стримах, спортивных трансляциях или в облачном гейминге. ИИ на лету генерирует правильные слова, бесшовно сглаживает звуковые переходы до и после замены, а также перерисовывает губы спикера, чтобы у зрителя не возникало ощущения рассинхронизации («эффекта зловещей долины»).
2. Постпродакшн: применяется для готовых записей подкастов, курсов или кино. Если к видео есть готовый сценарий, ИИ сначала сверяет запись со скриптом, находит отклонения от текста, правит сам текстовый документ, а затем генерирует чистовую аудио- и видеодорожку.
Возможен также перевод и фактчекинг «на лету».
Патент включает в себя сценарии автоматического синхронного перевода. Если спикер говорит на иностранном языке, система генерирует аудио на языке пользователя и полностью перерисовывает мимику рта говорящего под новую речь. Кроме того, ИИ может осуществлять мгновенную проверку фактов через интернет-поиск: если спикер ошибается в цифрах или фактах, система может заменить сказанное на ходу или вывести верную информацию в субтитры.
В документе отмечается, что для локальной обработки такого ресурсоемкого процесса «на лету» устройства (очки дополненной реальности, смартфоны, планшеты) должны активно задействовать встроенные нейропроцессоры (NPU), графические чипы (GPU) и центральные процессоры (CPU) для снижения задержек.
Угрозы и этические проблемы
Внедрение ИИ-системы, способной «на лету» менять слова, дикцию и мимику живого человека, неизбежно порождает серьезные этические дилеммы и угрозы безопасности. Microsoft в тексте патента признает эти риски, однако фокусируется на технической реализации, оставляя регулирование на долю общества.
Основные угрозы и этические проблемы технологии можно разделить на три ключевые группы.
1. Манипуляция информацией и потеря доверия.
- Искажение первоначального смысла. Автоматическая замена слов алгоритмом (особенно при «исправлении» смысловых ошибок или сленга) может исказить контекст, отношение спикера к теме или его эмоции. ИИ может сделать речь более нейтральной там, где спикер намеренно использовал экспрессию.
- Потеря «цифровой подлинности». Если зритель знает, что видеопоток постоянно корректируется ИИ, стирается грань между реальным живым выступлением и сгенерированным контентом. Это ведет к тотальному кризису доверия к любым прямым трансляциям.
- Идеологическая цензура. Поскольку система подстраивает речь под «профиль пользователя» или «культурный контекст», возникает риск создания информационных пузырей. Одно и то же выступление политика или активиста для разных групп зрителей может звучать совершенно по-разному, сглаживая острые углы или, наоборот, усиливая их.
2. Безопасность и дипфейки в реальном времени.
- Угроза захвата трансляции. Если злоумышленники взломают поток данных или подменят профили конфигурации ИИ, они смогут заставить спикера в прямом эфире говорить опасные или фальшивые вещи, при этом мимика и голос будут выглядеть абсолютно естественно.
- Легитимизация дипфейков. Технология легализует саму возможность изменения внешности и голоса человека без его секундного участия в процессе трансляции. Это размывает юридические механизмы защиты от подделки личности.
3. Этические проблемы и идентичность.
- Дискриминация и потеря индивидуальности. Стремление системы «исправлять» дефекты речи, сильные региональные акценты или диалекты ради «улучшения восприятия» может привести к стиранию культурной идентичности. Уникальные особенности речи спикера начинают восприниматься алгоритмом как «мусор», требующий зачистки.
- Отсутствие согласия. Должен ли спикер давать явное согласие на то, чтобы ИИ на стороне зрителя правил его лицо и голос? Патент описывает сценарии, где модификация может происходить на конечном устройстве пользователя (например, в «умных» очках зрителя), то есть сам оратор может даже не знать, что его речь прямо сейчас подвергается цензуре или изменению.
- Проблема ответственности за ошибки ИИ. Если ИИ-модуль фактчекинга во время перевода или исправления фактов сам совершит ошибку (галлюцинацию) и вставит в речь спикера ложные данные, кто будет нести юридическую ответственность за дезинформацию — спикер или разработчик алгоритма?
Таким образом, с появлением этой технологии (и подобным ей, которых наверняка будет все больше с развитием ИИ) прямой эфир больше не является гарантией подлинности. Если раньше трансляция в реальном времени была главным доказательством того, что событие происходит здесь и сейчас, а спикер говорит именно то, что хочет сказать, то теперь видеопоток превращается в пластичный материал, который формируется на лету под конкретного зрителя. Картинку и звук в реальном времени редактировать так же просто, как текст в текстовом редакторе.
Технологии изменения реальности «на лету» развиваются значительно быстрее, чем законодательство и инструменты кибербезопасности. Получается, что любого человека скоро можно будет заставить сказать что угодно в ходе трансляции. И что с этим делать — похоже, что мировое сообщество пока не очень понимает.
