లైవ్ వీడియోలో మాటలనే మార్చే మైక్రోసాఫ్ట్ ఏఐ.. పెదవుల కదలికలూ ఎడిట్!

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) టెక్నాలజీ రోజురోజుకూ కొత్త రూపాలు సంతరించుకుంటోంది. ఇప్పటివరకు వీడియో ఎడిటింగ్‌లో బ్యాక్‌గ్రౌండ్ తొలగించడం, ముఖాలను మార్చడం, ఆడియోను శుభ్రం చేయడం వంటి పనులకు ఏఐను ఉపయోగిస్తున్నారు. అయితే ఇప్పుడు వీడియోలో ఒక వ్యక్తి మాట్లాడిన మాటలను మార్చడంతో పాటు, ఆ కొత్త మాటలకు అనుగుణంగా అతని పెదవుల కదలికలను కూడా సృష్టించే సాంకేతికతపై మైక్రోసాఫ్ట్ దృష్టి పెట్టింది.

‘Near Real-Time Artificial Intelligence (AI) Enhancement of Video or Augmented Reality (AR) Presentations of Live Events’ పేరుతో మైక్రోసాఫ్ట్ టెక్నాలజీ లైసెన్సింగ్ సంస్థ దాఖలు చేసిన పేటెంట్ దరఖాస్తు 2026 అక్టోబర్ 29న ప్రచురితమైంది. ఈ విధానంలో ఏఐ సాయంతో లైవ్ ఆడియో, వీడియోలను విశ్లేషించి, ఎంపిక చేసిన పదాలను తొలగించడం లేదా వాటి స్థానంలో కొత్త పదాలను చేర్చడం సాధ్యమవుతుంది. అంతేకాదు, మారిన మాటలకు అనుగుణంగా వీడియోలోని వ్యక్తి పెదవుల కదలికలను కూడా సరిచేయవచ్చని పేటెంట్ వివరిస్తోంది.

ఏఐ టెక్నాలజీ ఎలా పనిచేస్తుంది?

ఈ సాంకేతికతలో మొదట ఏఐ ఏజెంట్లు లైవ్ వీడియో, ఆడియోను పరిశీలిస్తాయి. అందులో ఉన్న మాటలను గుర్తించి, ముందుగా నిర్ణయించిన నియమాలు లేదా యూజర్ ప్రొఫైల్ ఆధారంగా ఏ పదాలను మార్చాలో గుర్తిస్తాయి.

ఆ తర్వాత జనరేటివ్ ఏఐ వ్యవస్థ ఆ పదాలను తొలగించడం లేదా వాటి స్థానంలో కొత్త పదాలను చేర్చడం చేస్తుంది. ఆడియోలో మార్పులు చేసిన తర్వాత వీడియోలోనూ సంబంధిత ఫ్రేమ్‌లను సవరించి, వ్యక్తి పెదవుల కదలికలు కొత్త మాటలకు సరిపోయేలా రూపొందిస్తుంది.

మార్పులకు ముందు, తర్వాత వచ్చే ఆడియో, వీడియో భాగాల మధ్య సహజమైన అనుసంధానం ఉండేలా కూడా వ్యవస్థ పనిచేయాలని పేటెంట్‌లో వివరించారు. దీనివల్ల వీడియోను చూస్తున్న వారికి ఎడిట్ చేసిన భాగాలు సహజంగా కనిపించే అవకాశం ఉంటుంది.

లైవ్ ప్రసారాల్లోనూ మార్పులు చేయవచ్చా?

సాధారణంగా వీడియోలో మాట్లాడిన మాటలను మార్చాలంటే ముందుగా రికార్డింగ్ చేయాలి. ఆ తర్వాత ప్రత్యేక ఎడిటింగ్ సాఫ్ట్‌వేర్‌తో ఆడియోను సవరించి, అవసరమైన చోట వీడియోను మళ్లీ రూపొందించాలి. కానీ మైక్రోసాఫ్ట్ ప్రతిపాదించిన విధానం లైవ్ ప్రసారాల్లోనే ఈ మార్పులను సమీప నిజ సమయంలో చేయగలదని వివరిస్తోంది.

పేటెంట్‌లో పేర్కొన్న కొన్ని ఉదాహరణల్లో సుమారు ఒకటి నుంచి పది సెకన్ల ప్రాసెసింగ్ వ్యవధి ప్రస్తావన ఉంది. అయితే ఇది ప్రతిపాదిత విధానానికి సంబంధించిన వివరణ మాత్రమే. వాస్తవ వినియోగంలో ఈ వేగం సాధ్యమైందని నిరూపించే ఉత్పత్తి లేదా పరీక్షా ఫలితాలు వెల్లడికాలేదు.

ఏయే పనులకు ఉపయోగపడుతుంది?

ఈ టెక్నాలజీకి పేటెంట్‌లో పలు వినియోగాలను ప్రతిపాదించారు.

• లైవ్ భాషా అనువాదం: ఒక వ్యక్తి ఇంగ్లిష్‌లో మాట్లాడితే, ప్రేక్షకులు తమకు నచ్చిన భాషలో ఆ మాటలను వినేలా మార్చవచ్చు. అదే సమయంలో పెదవుల కదలికలు కూడా అనువదించిన మాటలకు సరిపోయేలా రూపొందించవచ్చు.
• అనవసర పదాల తొలగింపు: ప్రసంగాల మధ్యలో వచ్చే ‘ఉమ్’, ‘ఆహ్’ వంటి ఫిల్లర్ పదాలను తొలగించవచ్చు.
• తప్పుల సవరణ: తప్పుగా పలికిన పదాలు, ఉచ్చారణ లోపాలు, పొరపాట్లను సవరించవచ్చు.
• అసభ్య పదాల నియంత్రణ: ప్రేక్షకుల ప్రొఫైల్ లేదా ముందుగా నిర్ణయించిన నియమాల ఆధారంగా అభ్యంతరకరమైన పదాలను తొలగించవచ్చు.
• ప్రేక్షకులకు అనుగుణంగా కంటెంట్: వయస్సు, భాష లేదా ప్రాంతాన్ని బట్టి వీడియోలోని కొన్ని పదాలను మార్చే అవకాశం ఉంటుంది.
• ఆగ్మెంటెడ్ రియాలిటీ: AR పరికరాల ద్వారా లైవ్ ఈవెంట్లు చూసే వారికి అనువదించిన లేదా సవరించిన కంటెంట్‌ను అందించవచ్చు.

డీప్‌ఫేక్‌లకు కొత్త సవాలా?

ఈ టెక్నాలజీ ఉపయోగకరంగా కనిపిస్తున్నప్పటికీ, దానితో కొన్ని తీవ్రమైన ప్రశ్నలు కూడా వస్తున్నాయి. ఒక వ్యక్తి నిజంగా మాట్లాడని మాటలను కూడా అతను మాట్లాడినట్లుగా వీడియోలో చూపించే అవకాశం ఈ విధానంలో ఉంది.

ఉదాహరణకు, ఒక రాజకీయ నాయకుడు లైవ్ ఇంటర్వ్యూలో ఒక ప్రకటన చేశారని అనుకుందాం. ఏఐ వ్యవస్థ ఆ మాటలను మార్చి, కొత్త పదాలకు అనుగుణంగా పెదవుల కదలికలను కూడా సవరించగలిగితే, ప్రేక్షకులు అసలు ప్రకటన ఏది, మార్చిన ప్రకటన ఏది అనే విషయాన్ని గుర్తించడం కష్టమవుతుంది.

రాజకీయ ప్రసంగాలు, ప్రభుత్వ ప్రకటనలు, వార్తా ప్రసారాలు, ఆర్థిక నివేదికలు వంటి సందర్భాల్లో ఇలాంటి మార్పులు పెద్ద ప్రభావాన్ని చూపవచ్చు. అందుకే ఏఐ ద్వారా సవరించిన వీడియోలను ప్రేక్షకులకు స్పష్టంగా తెలియజేయాలా? అసలు రికార్డింగ్‌ను ఎలా భద్రపరచాలి? మార్పులు చేసే అధికారం ఎవరికి ఉండాలి? వంటి ప్రశ్నలు ప్రాధాన్యం సంతరించుకుంటున్నాయి.

అసలు వీడియోను భద్రపరిచే అంశం

ఈ ఆందోళనలను దృష్టిలో ఉంచుకుని పేటెంట్‌లో అసలు ఆడియో, వీడియో రికార్డింగ్‌ను భవిష్యత్తు పరిశీలన కోసం భద్రపరిచే విధానాన్ని కూడా వివరించారు. మార్పులు చేసిన కంటెంట్‌తో పాటు అసలు రికార్డింగ్‌ను ఉంచడం వల్ల అవసరమైనప్పుడు ఏం మాట్లాడారో తిరిగి పరిశీలించవచ్చు.

అయితే అసలు రికార్డింగ్ భద్రపరచడం మాత్రమే సరిపోదు. ప్రేక్షకులకు తాము చూస్తున్నది అసలు ప్రసారమా, ఏఐ సవరించిన ప్రసారమా అనే విషయం కూడా స్పష్టంగా తెలియాలి. ఈ మార్పులను గుర్తించే విధానం, వాటి పారదర్శకత, దుర్వినియోగాన్ని అడ్డుకునే నియంత్రణలు కీలకంగా మారనున్నాయి.

ఇది ఎప్పుడు అందుబాటులోకి వస్తుంది?

ముఖ్యంగా గుర్తుంచుకోవాల్సిన విషయం ఏమిటంటే, ఇది ప్రస్తుతం ప్రచురితమైన పేటెంట్ దరఖాస్తు మాత్రమే. మైక్రోసాఫ్ట్ ఈ టెక్నాలజీని వాణిజ్య ఉత్పత్తిగా విడుదల చేసినట్లు లేదా లైవ్ టీవీ ప్రసారాల్లో ఉపయోగిస్తున్నట్లు ఆధారాలు లేవు. పేటెంట్ దరఖాస్తు ప్రచురితమైందంటే ఆ టెక్నాలజీ వెంటనే అందుబాటులోకి వస్తుందని అర్థం కాదు.

భవిష్యత్తులో ఈ ఆలోచనను మైక్రోసాఫ్ట్ అభివృద్ధి చేసి వినియోగంలోకి తీసుకొస్తే వీడియో ఎడిటింగ్, లైవ్ అనువాదం, డిజిటల్ కమ్యూనికేషన్ రంగాల్లో కొత్త అవకాశాలు ఏర్పడవచ్చు. అదే సమయంలో అసలు మాటలను మార్చి చూపించే సామర్థ్యం కారణంగా డీప్‌ఫేక్‌లు, తప్పుడు సమాచారం వంటి సమస్యలపై మరింత జాగ్రత్త అవసరం.

DNEWS – టెక్నాలజీ ప్రపంచంలో వస్తున్న కొత్త మార్పులపై తాజా సమాచారం.