هوش مصنوعی جدید مایکروسافت با ویرایش هم‌زمان صدا و تصویر، کلمات گویندگان را حذف یا جایگزین می‌کند و حرکات دهان آنها را تغییر می‌دهد.
فهرست مطالب
شرکت مایکروسافت پتنت هوش مصنوعی جدیدی را ثبت کرده است که می‌تواند با ویرایش هم‌زمان صدا و تصویر در پخش زنده، محتوای آنها را تغییر دهد.
به گزارش سرویس هوش مصنوعی تک‌ناک، این قابلیت به این سامانه اجازه می‌دهد هم کلمات بیان‌شده توسط گویندگان و هم چهره و حرکات دهان آنها را دست‌کاری کند.
قابلیت‌های هوش مصنوعی جدید مایکروسافت
این پتنت که وب‌سایت ردیابی اختراعات Patentlyze نخستین‌بار به آن اشاره کرده است، از سوی مخترعان آن «ارتقای ارائه‌های ویدیویی یا واقعیت افزوده از رویدادهای زنده با استفاده از هوش مصنوعی و با تاخیری نزدیک به زمان واقعی» توصیف شده است. این فناوری با استفاده از عامل‌های هوش مصنوعی، کلمات مشخصی را در گفتار گوینده تشخیص می‌دهد و آنها را حذف یا با عبارت‌های دیگری جایگزین می‌کند. هم‌زمان، چهره و حرکات دهان فرد نیز به‌گونه‌ای تغییر می‌کنند که با گفتار اصلاح‌شده مطابقت داشته باشند.
عامل‌های هوش مصنوعی برای انجام این تغییرات از پارامترهای تعریف‌شده یا پروفایل‌های اختصاصی کاربران کمک می‌گیرند. همچنین سامانه بخش‌های صوتی و تصویری پیش و پس از کلمات حذف‌شده یا جایگزین‌شده را دست‌کاری می‌کند تا تغییرات بدون پرش محسوس و با انتقالی روان نمایش داده شوند.
در شرایطی که فضای رسانه‌ای و اینترنت بیش از هر زمان دیگری با دیپ‌فیک‌های تولیدشده به کمک هوش مصنوعی، اطلاعات نادرست و محتوای گمراه‌کننده روبه‌رو است، فناوری پیشنهادی مایکروسافت می‌تواند نسل تازه‌ای از ابزارهای فیلترینگ محتوا را شکل دهد؛ ابزارهایی که واقعیت را هم‌زمان با وقوع، به شکلی نامحسوس و متناسب با سلیقه هر کاربر تغییر می‌دهند. این پتنت چشم‌اندازی را ترسیم می‌کند که در آن مخاطبان می‌توانند رویدادهای زنده را بدون شنیدن بخش‌هایی از محتوا که برای آنها ناخوشایند است، دنبال کنند.
حتما بخوانید: اولین جراحی مغز با هوش مصنوعی در جهان انجام شد
کاربردهای احتمالی این فناوری طیف گسترده‌ای را در بر می‌گیرد. یکی از مهم‌ترین موارد، ترجمه هم‌زمان محتوای زنده است؛ قابلیتی که به کاربران امکان می‌دهد پخش تلویزیونی و سایر ویدیوهای زنده را به زبان دلخواه خود تماشا کنند و بشنوند. حذف کلمات پرکننده مانند «اِم» و «آه» از گفتار زنده نیز یکی دیگر از کاربردهای مطرح‌شده در پتنت است. همچنین این سامانه می‌تواند لکنت زبان و برخی اختلالات گفتاری را اصلاح کند.
با وجود این، دامنه قابلیت‌های پیشنهادی به همین موارد محدود نمی‌شود. طبق توضیحات پتنت، هوش مصنوعی جدید مایکروسافت می‌تواند اصطلاحات ابداعی و عبارت‌های شخصی گویندگان را حذف کند یا حتی سراغ اصطلاحات رایج محاوره‌ای برود؛ از جمله واژه «y’all» که در برخی مناطق آمریکا کاربرد دارد یا عبارت “bite the bullet” که یک اصطلاح محاوره‌ای انگلیسی است. همچنین این سامانه می‌تواند کلمات نامفهوم، دارای تلفظ اشتباه، نادرست یا سهوا اشتباه بیان‌شده، توهین‌آمیز، حساسیت‌برانگیز و نامناسب را شناسایی و حذف کند. حتی ممکن است کلمات جایگزین را از طریق جست‌وجوی اینترنتی پیدا کند.
سوءاستفاده از این فناوری
چنین قابلیتی پرسش مهمی را مطرح می‌کند: آیا با ورود این فناوری، دیگر می‌توان به پخش زنده به معنای واقعی کلمه اعتماد کرد؟ دوبله و ویرایش ویدیو سال‌ها است به بخشی عادی از صنعت رسانه تبدیل شده‌اند و محتوای تصویری به دلایل مختلف، از اهداف معمول تولید گرفته تا مقاصد مخرب، دست‌کاری می‌شود. با وجود این، استفاده از عامل‌های هوش مصنوعی برای ویرایش خودکار ویدیوهای زنده می‌تواند رابطه مخاطبان با محتوای زنده را به‌طور اساسی دگرگون کند.
در حال حاضر، مخاطبانی که از محتوای یک برنامه یا سخنان یک فرد خوششان نمی‌آید، می‌توانند تماشای آن را متوقف کنند؛ اما هوش مصنوعی جدید مایکروسافت رویکرد متفاوتی را دنبال می‌کند؛ به‌جای کنار گذاشتن محتوا، کاربران می‌توانند گفتار دیگران را مطابق سلیقه شخصی خود تغییر دهند.
البته ترجمه زبان‌ها کاربردی قابل دفاع برای چنین فناوری است، اما حذف اشتباهات گفتاری یا اصطلاحات مرتبط با گویش و فرهنگ محلی افراد، مسئله متفاوتی را مطرح می‌کند. آیا چنین ابزاری ما را بیش از پیش در حباب‌های اطلاعاتی شخصی‌سازی‌شده محصور نمی‌کند؟ چرا باید استفاده یک فرد از جنوب آمریکا از اصطلاح محاوره‌ای «y’all» به عنوان چیزی نیازمند اصلاح تلقی شود؟
مایکروسافت در پتنت هوش مصنوعی جدید خود به این نگرانی‌ها نیز توجه کرده و توضیح داده است که نسخه اصلی صوت و تصویر رویداد زنده ممکن است برای حفظ «واقعیت مرجع» ضبط و ذخیره شود. این موضوع نشان می‌دهد که احتمال سوءاستفاده از فناوری و ایجاد سردرگمی درباره محتوای واقعی رویدادها، از جمله چالش‌هایی است که در طراحی آن مورد توجه قرار گرفته است. بر اساس این پتنت، دامنه استفاده از سامانه پیشنهادی می‌تواند انواع محتوای زنده را شامل شود، که از جمله آنها می‌توان به سخنرانی‌ها، ارائه‌های رسمی، تولیدات تلویزیونی مانند مراسم اهدای جوایز، مسابقات تلویزیونی، برنامه‌های آشپزی و رویدادهای ورزشی زنده اشاره کرد.