Microsoft patenteia IA que reescreve fala e lábios ao vivo durante transmissões
Documento da Microsoft Technology Licensing descreve sistema que detecta, substitui e sincroniza palavras em transmissões ao vivo, ajustando os lábios do orador em tempo real
Entenda o Caso
- A patente foi depositada pela Microsoft Technology Licensing e cobre conferências, premiações, game shows, programas culinários e transmissões esportivas
- O sistema usa parâmetros pré-definidos e o perfil de cada espectador para retocar áudio e vídeo antes e depois de cada palavra alterada, evitando cortes visíveis
- A Microsoft Research Asia já apresentou em abril de 2024 o VASA-1, modelo capaz de animar rostos realistas a até 40 imagens por segundo a partir de uma única foto e áudio
A Microsoft Technology Licensing, braço de propriedade intelectual do grupo, depositou uma patente que descreve um sistema de inteligência artificial para alterar palavras e sincronizar os lábios de oradores durante transmissões ao vivo. O documento, revelado pelo serviço de monitoramento Patentlyze e analisado pelo Futurism, detalha agentes de IA capazes de escutar um discurso em tempo real, identificar termos específicos e substituí-los ou removê-los antes que cheguem à tela do espectador.
O mecanismo opera em uma janela de quase tempo real: a IA detecta a palavra, aplica a substituição e retoca o áudio e o vídeo imediatamente antes e depois do trecho alterado, de modo a eliminar cortes perceptíveis. Os termos de reposição podem, segundo a análise, vir até de uma busca na internet. A Microsoft não comentou o depósito.
O que a patente cobre
O escopo é amplo. O documento menciona conferências, apresentações, cerimônias de premiação, game shows, programas culinários e retransmissões esportivas. Entre os usos descritos estão a tradução instantânea com lábios sincronizados na língua do espectador e a supressão de vícios de linguagem como "euh", gaguejos e expressões regionais.
A lista de palavras elimináveis vai além do ruído: inclui termos mal pronunciados, lapsos, palavras ofensivas ou consideradas inadequadas. Com base em parâmetros predefinidos e no perfil de cada espectador, o sistema poderia entregar versões personalizadas de um mesmo evento ao vivo — cada pessoa recebendo uma transmissão expurgada do que não deseja ouvir.
A base técnica já existe
A tecnologia não parte do zero. Em abril de 2024, a Microsoft Research Asia apresentou o VASA-1, modelo que anima um rosto realista a partir de uma única foto e de um arquivo de voz, com lábios sincronizados ao milissegundo e movimento natural de cabeça. Segundo a publicação dos pesquisadores, o sistema roda em tempo real, a até 40 imagens por segundo. Na época, a Microsoft optou por não torná-lo público.
O documento também prevê que o áudio e o vídeo originais sejam gravados e preservados como "verdade de referência", permitindo recuperar o que foi realmente dito. A patente, porém, não especifica quem teria acesso a esse registro nem sob quais condições.
Pressão regulatória na Europa
Uma patente é uma intenção: gigantes de tecnologia depositam milhares por ano, e muitas nunca se tornam produto. Ainda assim, o timing é sensível. Na União Europeia, o Regulamento de Inteligência Artificial estabelece, desde 2 de agosto de 2026, obrigações de transparência para sistemas que geram ou manipulam conteúdo audiovisual — o que inclui a necessidade de sinalizar material sintético ou alterado.
A combinação de retoque em tempo real com personalização por espectador cria uma camada adicional de complexidade: a transmissão deixa de ser um objeto único e passa a existir em múltiplas versões simultâneas, cada uma com supressões distintas. O documento da Microsoft não aborda como o sistema lidaria com a exigência de identificação de conteúdo manipulado.
O caso também reacende a discussão sobre deepfakes em contexto jornalístico e institucional. Se a tecnologia for levada a produto, a pergunta central deixa de ser se a alteração é tecnicamente possível — ela já é — e passa a ser quem controla o botão e como o público sabe que ele foi acionado.