La multinacional Microsoft ha presentado una solicitud de patente para un sistema basado en inteligencia artificial capaz de modificar en tiempo real lo que dice una persona durante transmisiones en vivo. El documento fue descubierto por la firma especializada Patentlyze y plantea una herramienta que podría reemplazar expresiones específicas según el idioma, la edad o la ubicación del espectador, ajustando simultáneamente el movimiento de los labios para que el cambio pase inadvertido.
Esta iniciativa abre un intenso debate sobre los límites de la edición audiovisual asistida por inteligencia artificial, especialmente por el peligro de que ajustes de este tipo se utilicen para desinformar sin que la audiencia lo note.
¿Cómo funcionaría la IA para alterar el audio en directo?
El mecanismo descrito en la patente analiza el sonido de una emisión en vivo e identifica palabras concretas para sustituirlas automáticamente por otras.
Según el texto de la solicitud, esos reemplazos no serían iguales para todos los espectadores. Podrían variar según la información vinculada al perfil de cada usuario, como su lengua materna, su edad o su lugar de residencia.
Microsoft plantea que la herramienta estaría destinada a mejorar la experiencia de visualización al eliminar pausas innecesarias, muletillas o groserías durante la transmisión.
La propuesta también contempla la posibilidad de cambiar términos a partir de búsquedas realizadas en internet por el propio usuario. La patente no especifica si el sistema avisaría al espectador sobre las modificaciones efectuadas ni de qué forma se justificarían esos cambios.
Sincronización labial: el detalle que ocultaría las alteraciones
Uno de los aspectos que diferencia a esta patente es la inclusión de mecanismos para adecuar la sincronización labial del video a las nuevas palabras generadas por la inteligencia artificial.
Esto implica que el movimiento de la boca del orador se ajustaría digitalmente para coincidir con el audio modificado, de modo que el espectador observaría a una persona pronunciar frases distintas a las originales sin percibir ninguna diferencia visual.
Esta combinación de edición de voz y ajuste labial es lo que genera mayor preocupación, ya que elimina cualquier señal visible de manipulación del contenido para quien ve la transmisión.
El alcance real de la patente y su posible uso comercial
Como ocurre con cualquier solicitud de este tipo, el registro de una patente no asegura que la tecnología descrita se convierta en un producto comercial disponible para el público.
Sin embargo, la existencia del documento refleja el interés creciente de las grandes tecnológicas por desarrollar herramientas de inteligencia artificial capaces de modificar y adaptar contenidos audiovisuales de forma instantánea, durante la propia emisión en directo.
Nueva generación de voz: modelos en tiempo real que escuchan, razonan y actúan
La interacción por voz se consolida como uno de los métodos más intuitivos y prácticos para operar con software en la vida cotidiana. Ya sea para solicitar asistencia al conducir, reorganizar un itinerario mientras se transita por un aeropuerto o resolver gestiones cotidianas sin recurrir al teclado, la voz elimina fricciones y facilita el acceso inmediato en el idioma que el usuario prefiera.
Sin embargo, el desarrollo de herramientas de voz verdaderamente eficaces exige trascender la simple fluidez acústica o la baja latencia. Un agente de voz de alto rendimiento debe captar con precisión la intención del interlocutor, retener el contexto, adaptarse a giros repentinos en la conversación, accionar herramientas en segundo plano y formular respuestas contextualizadas al instante.
Para responder a estas exigencias, la API incorpora tres nuevos modelos especializados en audio en tiempo real:
- GPT-Realtime-2: Primer modelo de voz dotado de capacidades de razonamiento de clase GPT-5, diseñado para procesar instrucciones complejas, retener contexto y mantener un diálogo fluido y natural.
- GPT-Realtime-Translate: Solución de interpretación en tiempo real que admite más de 70 idiomas de entrada y traduce a 13 idiomas de salida, preservando con precisión la cadencia y el ritmo del emisor.
- GPT-Realtime-Whisper: Motor de transcripción de voz a texto ultrarrápido que convierte las palabras en texto de forma sincronizada con la pronunciación del hablante.
En conjunto, este ecosistema marca un cambio de paradigma respecto a las arquitecturas tradicionales de pregunta y respuesta. Al integrar de manera simultánea la capacidad de escuchar, razonar, traducir, transcribir y ejecutar acciones en tiempo real, estos modelos permiten a los desarrolladores construir agentes conversacionales autónomos, versátiles y plenamente operativos.
Fuente: Infobae