Microsoft patenta una IA que reescribe el habla y los labios en vivo durante transmisiones
Documento de Microsoft Technology Licensing describe un sistema que detecta, reemplaza y sincroniza palabras en transmisiones en vivo, ajustando los labios del orador en tiempo real
Microsoft Technology Licensing, el brazo de propiedad intelectual del grupo, presentó una patente que describe un sistema de inteligencia artificial para alterar palabras y sincronizar los labios de oradores durante transmisiones en vivo. El documento, revelado por el servicio de monitoreo Patentlyze y analizado por Futurism, detalla agentes de IA capaces de escuchar un discurso en tiempo real, identificar términos específicos y reemplazarlos o eliminarlos antes de que lleguen a la pantalla del espectador.
El mecanismo opera en una ventana de casi tiempo real: la IA detecta la palabra, aplica la sustitución y retoca el audio y el video inmediatamente antes y después del fragmento alterado, de modo que se eliminen cortes perceptibles. Según el análisis, los términos de reposición podrían incluso provenir de una búsqueda en internet. Microsoft no comentó la presentación.
Qué cubre la patente
El alcance es amplio. El documento menciona conferencias, presentaciones, ceremonias de premiación, programas de concursos, programas culinarios y retransmisiones deportivas. Entre los usos descritos están la traducción instantánea con labios sincronizados en el idioma del espectador y la supresión de muletillas como "eh", tartamudeos y expresiones regionales.
La lista de palabras eliminables va más allá del ruido: incluye términos mal pronunciados, lapsus, palabras ofensivas o consideradas inadecuadas. Basado en parámetros predefinidos y en el perfil de cada espectador, el sistema podría entregar versiones personalizadas de un mismo evento en vivo — cada persona recibiendo una transmisión depurada de lo que no desea oír.
La base técnica ya existe
La tecnología no parte de cero. En abril de 2024, Microsoft Research Asia presentó VASA-1, un modelo que anima un rostro realista a partir de una sola foto y un archivo de voz, con labios sincronizados al milisegundo y movimiento natural de cabeza. Según la publicación de los investigadores, el sistema se ejecuta en tiempo real, a hasta 40 imágenes por segundo. En ese momento, Microsoft optó por no hacerlo público.
El documento también prevé que el audio y el video originales se graben y preserven como "verdad de referencia", permitiendo recuperar lo que realmente se dijo. La patente, sin embargo, no especifica quién tendría acceso a ese registro ni bajo qué condiciones.
Presión regulatoria en Europa
Una patente es una intención: los gigantes tecnológicos presentan miles por año, y muchas nunca se convierten en producto. Aun así, el momento es sensible. En la Unión Europea, el Reglamento de Inteligencia Artificial establece, desde el 2 de agosto de 2026, obligaciones de transparencia para sistemas que generan o manipulan contenido audiovisual — lo que incluye la necesidad de señalar material sintético o alterado.
La combinación de retoque en tiempo real con personalización por espectador crea una capa adicional de complejidad: la transmisión deja de ser un objeto único y pasa a existir en múltiples versiones simultáneas, cada una con supresiones distintas. El documento de Microsoft no aborda cómo el sistema manejaría la exigencia de identificación de contenido manipulado.
El caso también reaviva la discusión sobre deepfakes en contexto periodístico e institucional. Si la tecnología se lleva a producto, la pregunta central deja de ser si la alteración es técnicamente posible — ya lo es — y pasa a ser quién controla el botón y cómo el público sabe que se ha accionado.