ไมโครซอฟท์ (Microsoft, MSFT) ยื่นสิทธิบัตร AI ปรับคำพูดไลฟ์ตามโปรไฟล์ผู้ชม

ไมโครซอฟท์ยื่นคำขอสิทธิบัตรเทคโนโลยี AI ที่ปรับคำพูดของผู้บรรยายระหว่างถ่ายทอดสดตามโปรไฟล์ผู้ชม พร้อมสร้างภาพใหม่ให้การขยับปากสอดคล้องกับคำพูดที่แก้ไข ผู้ชมแต่ละคนจึงอาจได้ยินเสียงและเห็นภาพจากการถ่ายทอดเดียวกันแตกต่างกัน

คำขอสิทธิบัตรสหรัฐฯ หมายเลข US 2026/0341309 A1 ยื่นเมื่อ 29 เมษายน 2025 และเผยแพร่เมื่อ 29 ตุลาคม 2026 ผู้ยื่นคำขอคือ Microsoft Technology Licensing

เอกสารอธิบายการใช้ AI สร้างเนื้อหากับการถ่ายทอดสดและการนำเสนอด้วยเทคโนโลยีความจริงเสริม (AR) โดยข้อถือสิทธิข้อแรกกล่าวถึงวิธีที่ AI agent เลือกคำพูดที่จะปรับแก้

AI agent จะเลือกคำตามเงื่อนไขที่ตั้งไว้ล่วงหน้าและโปรไฟล์ของผู้ชม จากนั้นใช้ AI สร้างเนื้อหาแทนคำที่เลือกด้วยถ้อยคำอื่น

ระบบจะปรับเสียงช่วงก่อนและหลังคำที่เปลี่ยน พร้อมสร้างเฟรมวิดีโอใหม่ให้การขยับปากของผู้พูดตรงกับเสียงและการออกเสียงที่แก้แล้ว

ตัวอย่างข้อมูลในโปรไฟล์ประกอบด้วยอายุ ภาษาที่ใช้ ภูมิภาค ศาสนาและชาติพันธุ์ ระดับการศึกษา ตลอดจนตัวอย่างเสียงและภาพ ระบบจึงอาจนำเสนอการถ่ายทอดสดเดียวกันให้ผู้ชมแต่ละคนต่างกันตามข้อมูลเหล่านี้

เอกสารยังยกตัวอย่างการแปลคำพูดเมื่อภาษาของผู้พูดไม่ตรงกับภาษาที่ตั้งไว้ในโปรไฟล์ผู้ชม พร้อมสร้างภาพขยับปากให้สอดคล้องกับคำแปล กรณีใช้งานที่ระบุไว้มีทั้งการบรรยายในชั้นเรียน พิธีมอบรางวัล การแข่งขันกีฬา และรายการโทรทัศน์สด

การแก้ไขไม่ได้จำกัดอยู่ที่การแปล เอกสารยกตัวอย่างการลดคำอุทานอย่าง “um” และแก้การออกเสียงผิด การพูดติดขัด หรือคำสแลง

ระบบอาจลบคำหยาบหรือคำดูหมิ่น หรือแทนที่ด้วยคำอื่น ข้อถือสิทธิยังครอบคลุมวิธีค้นหาคำที่จะใช้แทนจากอินเทอร์เน็ต

เอกสารอธิบายการประมวลผลแบบ “เกือบเรียลไทม์” ว่าทำได้ภายในไม่กี่วินาที และยกตัวอย่างความหน่วง 1–10 วินาที ตัวเลขดังกล่าวเป็นตัวอย่างวิธีทำงานในเอกสาร ไม่ใช่ผลการวัดจากบริการจริง

อุปกรณ์ที่ระบุสำหรับการใช้งาน ได้แก่ แว่นตา AR สมาร์ตโฟน แท็บเล็ต และกล้อง นอกจากนี้ยังกล่าวถึงการตัดต่อภายหลังเพื่อปรับเสียงและภาพของวิดีโอที่บันทึกไว้แล้วด้วย

ข้อถือสิทธิอีกข้อกล่าวถึงการย่อวิดีโอบันทึกที่มีความยาวให้เป็นคลิปสรุปสั้น พร้อมใส่ฉากที่สร้างขึ้นใหม่ ซึ่งเป็นกรณีใช้งานที่แยกจากการปรับคำพูดระหว่างถ่ายทอดสด

เอกสารระบุว่าสามารถเก็บเสียงและภาพก่อนแก้ไขไว้เป็นข้อมูลอ้างอิงสำหรับนำมาเปรียบเทียบภายหลังได้ อย่างไรก็ตาม การเก็บต้นฉบับปรากฏในข้อถือสิทธิย่อยหนึ่งข้อ และไม่ได้เป็นเงื่อนไขร่วมของการนำไปใช้ทุกแบบ

Futurism เสนอว่าการแปลแบบเรียลไทม์อาจเป็นกรณีใช้งานหนึ่ง พร้อมตั้งคำถามว่าการลบสำเนียงหรือถ้อยคำบางแบบอาจทำให้ผู้ชมติดอยู่ในสภาพแวดล้อมข้อมูลที่ปรับแต่งเฉพาะบุคคลหรือไม่ การแยกแยะวิดีโอที่ผ่านการแก้ไขออกจากคำพูดต้นฉบับจึงยังเป็นประเด็นที่ต้องพิจารณา

ไมโครซอฟท์ยังไม่ได้ประกาศแผนนำฟังก์ชันนี้ไปทำเป็นผลิตภัณฑ์หรือใช้กับการถ่ายทอดสด เอกสารที่เผยแพร่เป็นคำขอสิทธิบัตร