微软专利拟用智能体实时改写直播语音并同步唇形

微软近日提交一项专利申请，编号为US 2026/0341309 A1，描述用AI智能体在直播等实时视频中近乎实时改写说话内容，并重新绘制说话者的嘴部动作，使修改后的语音与唇形保持同步。该申请于2025年4月29日提交。

专利申请文件称，系统可实时监听音频，按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；生成式AI随后替换这些词语、平滑处理修改前后的衔接，并生成新的视频画面。经过处理的视频会延迟约1至10秒播放，以便完成音视频修改。

该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个人资料中，系统可将原话替换为翻译后的内容，并同步重绘嘴部动作。文件列举的潜在场景包括讲座、颁奖典礼、游戏节目和体育赛事直播，系统可运行于AR眼镜、手机、平板电脑或摄像头上，还可保留原始录像作为“真实依据”。

需要注意的是，目前公开的只是专利申请，并不意味相关技术已获得专利授权。专利审查员已于2026年7月29日驳回申请中提交的相关权利要求，这属于审查过程中的常见环节，微软仍可回应并修改申请。微软尚未透露是否计划将这项技术投入实际开发，即便申请最终获批，也不意味着相关功能一定会出现在产品中。