Microsoft patentiert KI, die Sprache und Lippen live während Sendungen neu schreibt

Microsoft Technology Licensing, der Intellectual-Property-Arm des Konzerns, hat ein Patent angemeldet, das ein KI-System beschreibt, um Wörter zu ändern und die Lippen von Sprechern während Live-Sendungen zu synchronisieren. Das Dokument, das der Überwachungsdienst Patentlyze enthüllte und Futurism analysierte, beschreibt KI-Agenten, die eine Rede in Echtzeit mithören, bestimmte Begriffe identifizieren und sie ersetzen oder entfernen können, bevor sie den Bildschirm des Zuschauers erreichen.

Der Mechanismus arbeitet in einem Nahe-Echtzeit-Fenster: Die KI erkennt das Wort, wendet die Ersetzung an und retuschiert Audio und Video unmittelbar vor und nach dem geänderten Abschnitt, um wahrnehmbare Schnitte zu eliminieren. Laut der Analyse könnten die Ersatzbegriffe sogar aus einer Internetsuche stammen. Microsoft wollte die Anmeldung nicht kommentieren.

Was das Patent abdeckt

Der Umfang ist breit. Das Dokument nennt Konferenzen, Präsentationen, Preisverleihungen, Spielshows, Kochsendungen und Sportübertragungen. Zu den beschriebenen Anwendungen gehören Sofortübersetzung mit Lippen, die auf die Sprache des Zuschauers synchronisiert sind, sowie die Unterdrückung von Sprachticks wie „äh“, Stottern und regionalen Ausdrücken.

Die Liste der eliminierbaren Wörter geht über Rauschen hinaus: Sie umfasst falsch ausgesprochene Begriffe, Versprecher, beleidigende oder als unangemessen erachtete Wörter. Basierend auf vordefinierten Parametern und dem Profil jedes Zuschauers könnte das System personalisierte Versionen desselben Live-Events liefern — jede Person erhält eine Übertragung, die von dem bereinigt ist, was sie nicht hören möchte.

Die technische Grundlage existiert bereits

Die Technologie beginnt nicht bei null. Im April 2024 stellte Microsoft Research Asia VASA-1 vor, ein Modell, das ein realistisches Gesicht aus einem einzigen Foto und einer Audiodatei animiert, mit auf die Millisekunde synchronisierten Lippen und natürlicher Kopfbewegung. Laut der Veröffentlichung der Forscher läuft das System in Echtzeit mit bis zu 40 Bildern pro Sekunde. Damals entschied sich Microsoft, es nicht öffentlich zu machen.

Das Dokument sieht außerdem vor, dass das Original-Audio und -Video als „Referenzwahrheit“ aufgezeichnet und bewahrt werden, sodass rekonstruiert werden kann, was tatsächlich gesagt wurde. Das Patent legt jedoch nicht fest, wer Zugriff auf diese Aufzeichnung hätte und unter welchen Bedingungen.

Regulatorischer Druck in Europa

Ein Patent ist eine Absicht: Technologieriesen melden jährlich Tausende an, und viele werden nie zum Produkt. Dennoch ist der Zeitpunkt sensibel. In der Europäischen Union legt die Verordnung über Künstliche Intelligenz seit dem 2. August 2026 Transparenzpflichten für Systeme fest, die audiovisuelle Inhalte generieren oder manipulieren — einschließlich der Notwendigkeit, synthetisches oder verändertes Material zu kennzeichnen.

Die Kombination aus Echtzeit-Retusche und Personalisierung pro Zuschauer schafft eine zusätzliche Komplexitätsebene: Die Übertragung ist kein einzelnes Objekt mehr, sondern existiert in mehreren gleichzeitigen Versionen, jede mit unterschiedlichen Unterdrückungen. Das Dokument von Microsoft geht nicht darauf ein, wie das System mit der Anforderung zur Kennzeichnung manipulierter Inhalte umgehen würde.

Der Fall entfacht auch die Diskussion über Deepfakes im journalistischen und institutionellen Kontext neu. Wenn die Technologie zum Produkt wird, ist die zentrale Frage nicht mehr, ob die Veränderung technisch möglich ist — sie ist es bereits —, sondern wer den Knopf kontrolliert und wie die Öffentlichkeit erfährt, dass er gedrückt wurde.