Microsoft patentinde canlı yayında kelime değiştirme sistemi

Microsoft’un patent başvurusu, canlı yayınlarda duyulan konuşmaların yapay zekâ yardımıyla anlık olarak değiştirilmesini tarif ediyor. Sistem, yalnızca konuşmayı başka bir dile çevirmekle kalmıyor; argo ya da hakaret içeren kelimeleri farklı ifadelerle değiştirebiliyor ve düzenlenen sese uyum sağlaması için konuşmacının dudak hareketlerini de yeniden oluşturabiliyor.

US 2026/0341309 A1 numaralı başvuru Nisan 2025’te yapıldı ve 29 Ekim 2026’da yayımlandı. Başvuruda anlatılan teknoloji şu an için bir patent fikri niteliğinde. Patent alınması, Microsoft’un sistemi bir ürüne dönüştüreceği veya kullanıma sunacağı anlamına gelmiyor.

Yayın akışına göre değişen konuşmalar

Önerilen sistemin merkezinde, canlı ses akışını analiz eden bir yapay zekâ ajanı bulunuyor. Ajan, konuşmayı belirlenen kurallar doğrultusunda değerlendiriyor ve hangi kelimelerin korunacağına, değiştirileceğine ya da çıkarılacağına karar verebiliyor. Bu kurallar herkese aynı biçimde uygulanmak zorunda değil. Başvuruda izleyicinin yaşı, konuştuğu diller ve bulunduğu konum gibi bilgilerin kişiselleştirme amacıyla kullanılabileceği belirtiliyor.

Bir kelime değiştirildiğinde üretken yapay zekâ modeli ses kaydını ve videonun ilgili bölümlerini yeniden düzenliyor. Böylece yeni ses ile ekranda görülen ağız hareketleri arasında uyum kurulması hedefleniyor. Patentte işlem için yaklaşık 1 ila 10 saniyelik gecikme öngörülüyor. Canlı yayınlarda bu süre, izleyicinin görüntüyü ve sesi ne kadar gecikmeli alacağı açısından önem taşıyor.

Başvuru, işlemlerin artırılmış gerçeklik gözlükleri, akıllı telefonlar, tabletler ve kameralar gibi cihazlarda yerel olarak yürütülebilmesi seçeneğini de ele alıyor. Bu, sistemin yalnızca uzaktaki sunucular üzerinden çalışmasının tarif edilmediğini gösteriyor; ancak hangi cihazlarda ve hangi koşullarda uygulanacağına dair kesin bir ürün planı sunmuyor.

Çeviri, sansür ve yayın düzenlemesi

Canlı çeviri, tarif edilen sistemin olası kullanım alanlarından biri. Konuşma başka bir dile aktarılırken görüntüdeki dudak hareketlerinin çevrilmiş ifadeyle eşleştirilmesi amaçlanıyor. Böylece izleyici yalnızca farklı bir dilde ses duymak yerine, yeni sesle daha uyumlu bir görüntü de görebilir.

Teknoloji bunun yanında dolgu kelimelerini, kekelemeleri ve yanlış telaffuzları düzenleyebilir. Argo veya hakaret içeren ifadelerin çıkarılması ya da başka sözcüklerle değiştirilmesi de başvuruda yer alan kullanım biçimleri arasında. Yeni bir ifadenin belirlenmesinde internet aramasından yararlanılması da seçenekler arasında sayılıyor.

Patentte dersler, ödül törenleri, yarışma programları ve canlı spor yayınları gibi farklı içerik türleri örnekleniyor. Örneğin bir yayın için belirlenmiş kurallar, uygunsuz bulunan bir ifadenin izleyici profiline göre değiştirilmesini sağlayabilir. Bu yaklaşım, içerik düzenlemesini yayın başladıktan sonra ve izleyiciye göre uygulama fikrini gündeme getiriyor.

Değiştirilen sözlerin izleyiciye bildirilmesi belirsiz

Konuşmanın sesi ve görüntüsü birlikte değiştirildiğinde, izleyiciye özgün yayında tam olarak ne söylendiğini anlamak zorlaşabilir. Başvuruda orijinal yayın kaydının referans olarak saklanabileceği belirtiliyor. Buna karşın temel istemlerde izleyiciye hangi kelimenin değiştirildiğinin açıkça bildirileceği net biçimde tarif edilmiyor.

Bu ayrım özellikle haber ve spor yayınlarında önem kazanabilir. Bir ifadenin çevrilmesi, sansürlenmesi veya başka bir sözcükle değiştirilmesi, konuşmacının mesajının izleyiciye aktarılma biçimini etkiler. Orijinal kayıt saklansa bile izleyicinin düzenlemeyi fark edip edemeyeceği ve değişikliğin nasıl açıklanacağı ayrı bir şeffaflık meselesi olarak kalıyor.

Microsoft’un başvurusu, yapay zekânın canlı görüntü ve sesi birlikte düzenleyebileceği bir sistemi ortaya koyuyor; ancak bunun gerçek yayın hizmetlerinde kullanılacağına dair bir duyuru içermiyor. Patentteki fikir hayata geçirilirse, canlı çeviri ve içerik filtreleme tek bir üretim akışında birleşebilir. Bunun nasıl uygulanacağı kadar, izleyicilerin düzenlenmiş içerik ile özgün konuşmayı ayırt edebilmesi de belirleyici olacak.