Liveübertragungen hatten früher einen Vorzug: Was der Sprecher sagte, war genau das, was man hörte. Microsoft hat ein Patent für ein System angemeldet, das die Worte noch während des Sprechens ändern und anschließend den Mund der Person so anpassen würde, dass die Bearbeitung nicht auffällt.
Was die Patentanmeldung beschreibt
Das Patent umfasst KI-Agenten, die Ton und Bild eines Liveauftritts praktisch in Echtzeit verändern. Der Ton ist dabei nur die eine Hälfte. Das System soll auch das Bild des Sprechers verändern, einschließlich Lippenbewegungen und Gesichtsausdruck, damit das Bild zur neuen Fassung der Rede passt.
Die Bearbeitung selbst setzt bei Wörtern und Formulierungen an. Das System kann sie filtern, löschen oder durch andere ersetzen. Welche Änderungen vorgenommen würden, hinge von vordefinierten Parametern oder Nutzerprofilen ab. Damit keine Brüche erkennbar sind, korrigiert der Algorithmus außerdem Bild und Ton unmittelbar vor und nach dem veränderten Abschnitt, sodass der Übergang natürlich aussieht und klingt.
Braucht das System ein Ersatzwort, kann es laut Beschreibung auf mehreren Wegen eines finden, unter anderem über eine Internetsuche.
Die harmlosen Einsatzmöglichkeiten
Die Anmeldung beginnt mit Anwendungen, die sich leicht rechtfertigen lassen. Eine davon ist die Übersetzung einer Liveübertragung in die vom Zuschauer bevorzugte Sprache. Eine andere besteht darin, den Redefluss zu glätten, indem Füllwörter entfernt und Stottern sowie andere Eigenheiten der Sprechweise korrigiert werden.
Die aufgeführten Formate decken ein breites Spektrum ab: Vorträge, Präsentationen, Fernsehsendungen, Zeremonien, Shows und Sportübertragungen. Mit anderen Worten: alles, bei dem eine Person und ein Mikrofon im Spiel sind.
Die weniger harmlosen Einsatzmöglichkeiten
Die Liste endet nicht beim Stottern. Das Patent erwähnt auch die Entfernung regionaler Ausdrücke und umgangssprachlicher Wendungen, falsch ausgesprochener oder falsch verwendeter Wörter sowie beleidigender oder unangemessener Aussagen.
Das ist eine beachtliche Spannweite für eine einzige Funktionsliste. Sie beginnt bei "äh" und endet bei allem, was das Profil eines Zuschauers als unangemessen einstuft, ohne dass dazwischen ein Bruch zu erkennen wäre.
Das Ergebnis ist, dass ein Zuschauer eine individuell bearbeitete Fassung einer Rede erhalten könnte, deren Wortlaut das System für passend zu den Einstellungen dieses Zuschauers hält. Zwei Menschen, die dieselbe Liveveranstaltung verfolgen, könnten zwei leicht unterschiedliche Sprecher sehen, die zwei leicht unterschiedliche Dinge sagen. Beide Versionen wären technisch gesehen live.
Das Sicherheitsnetz
Das Patent sieht vor, das ursprüngliche Bild- und Tonmaterial als Referenzaufnahme aufzubewahren. Das könnte helfen, die unveränderte Übertragung von der bearbeiteten zu unterscheiden.
Damit ist die Sache allerdings nicht geklärt. Eine Referenzkopie hilft nur, wenn jemand danach sucht, und der Bericht weist darauf hin, dass die Funktion Verwirrung nicht ausschließt, sobald bearbeitete Aufnahmen in Umlauf geraten. Ein Clip mit einem überzeugend wirkenden Gesicht und einem abgeänderten Satz verbreitet sich schneller als das Archiv, das ihn widerlegen könnte.
Was noch offen ist
Es handelt sich um eine Patentanmeldung, die zeigt, was ein Unternehmen für sich beanspruchen möchte, aber wenig darüber aussagt, was es tatsächlich auf den Markt bringen will. Die vorliegenden Berichte sagen nichts über ein Produkt, einen Veröffentlichungstermin oder darüber, wo Microsoft die Technologie einsetzen könnte. Auch dazu, wie das System mit der Verzögerung umgehen würde, die eine Echtzeitbearbeitung von Live-Sprache mit sich bringt, enthalten sie keine Angaben.
Vorerst lässt sich daraus also nur eine eng begrenzte Aussage ableiten. Microsoft hat ein Verfahren zu Papier gebracht, mit dem sich noch während des Sprechens verändern lässt, was eine Person zu sagen scheint, wobei ihr Gesicht entsprechend angepasst wird. Die erklärten Gründe sind Übersetzung und ein geglätteter Redefluss. Die aufgeführten Gründe gehen darüber hinaus.
Live hieß früher, dass das, was man sah, auch das war, was geschah. Das Patent schlägt eine Neufassung vor: Was man sieht, ist das, was die eigenen Einstellungen genehmigt haben.