Microsoft brevette une IA qui réécrit la parole et les lèvres en direct pendant les diffusions

Microsoft Technology Licensing, la branche de propriété intellectuelle du groupe, a déposé un brevet décrivant un système d'intelligence artificielle pour modifier des mots et synchroniser les lèvres des orateurs pendant les diffusions en direct. Le document, révélé par le service de surveillance Patentlyze et analysé par Futurism, détaille des agents d'IA capables d'écouter un discours en temps réel, d'identifier des termes spécifiques et de les remplacer ou de les supprimer avant qu'ils n'atteignent l'écran du spectateur.

Le mécanisme fonctionne dans une fenêtre de quasi-temps réel : l'IA détecte le mot, applique le remplacement et retouche l'audio et la vidéo immédiatement avant et après le segment modifié, de manière à éliminer les coupures perceptibles. Selon l'analyse, les termes de remplacement pourraient même provenir d'une recherche sur internet. Microsoft n'a pas commenté le dépôt.

Ce que couvre le brevet

La portée est large. Le document mentionne les conférences, les présentations, les cérémonies de remise de prix, les jeux télévisés, les émissions culinaires et les rediffusions sportives. Parmi les usages décrits figurent la traduction instantanée avec lèvres synchronisées dans la langue du spectateur et la suppression de tics de langage comme « euh », les bégaiements et les expressions régionales.

La liste des mots éliminables va au-delà du bruit : elle inclut les termes mal prononcés, les lapsus, les mots offensants ou jugés inappropriés. Basé sur des paramètres prédéfinis et le profil de chaque spectateur, le système pourrait fournir des versions personnalisées d'un même événement en direct — chaque personne recevant une diffusion expurgée de ce qu'elle ne veut pas entendre.

La base technique existe déjà

La technologie ne part pas de zéro. En avril 2024, Microsoft Research Asia a présenté VASA-1, un modèle qui anime un visage réaliste à partir d'une seule photo et d'un fichier vocal, avec des lèvres synchronisées à la milliseconde et un mouvement naturel de la tête. Selon la publication des chercheurs, le système fonctionne en temps réel, à jusqu'à 40 images par seconde. À l'époque, Microsoft a choisi de ne pas le rendre public.

Le document prévoit également que l'audio et la vidéo originaux soient enregistrés et préservés comme « vérité de référence », permettant de récupérer ce qui a été réellement dit. Le brevet, cependant, ne précise pas qui aurait accès à cet enregistrement ni dans quelles conditions.

Pression réglementaire en Europe

Un brevet est une intention : les géants de la technologie en déposent des milliers par an, et beaucoup ne deviennent jamais des produits. Le timing est néanmoins sensible. Dans l'Union européenne, le règlement sur l'intelligence artificielle établit, depuis le 2 août 2026, des obligations de transparence pour les systèmes qui génèrent ou manipulent du contenu audiovisuel — ce qui inclut la nécessité de signaler tout matériel synthétique ou modifié.

La combinaison de retouche en temps réel et de personnalisation par spectateur crée une couche supplémentaire de complexité : la diffusion cesse d'être un objet unique et existe désormais en plusieurs versions simultanées, chacune avec des suppressions distinctes. Le document de Microsoft n'aborde pas la manière dont le système gérerait l'exigence d'identification de contenu manipulé.

L'affaire relance également la discussion sur les deepfakes dans un contexte journalistique et institutionnel. Si la technologie est commercialisée, la question centrale cesse d'être de savoir si la modification est techniquement possible — elle l'est déjà — et devient de savoir qui contrôle le bouton et comment le public sait qu'il a été actionné.