29 এপ্রিল, 2025 তারিখে দায়ের করা একটি পেটেন্ট আবেদনে Microsoft প্রযুক্তি লাইসেন্সিং, LLC যা বর্ণনা করেছে, তা ব্লিপের জন্য একটি অভিশাপ শব্দ অদলবদল করার চেয়ে অনেক বেশি এগিয়ে যায়: একটি AI সিস্টেম যা একটি লাইভ অডিও স্ট্রিমে শব্দ প্রতিস্থাপন করে এবং তারপর পরিবর্তিত সংস্করণের সাথে মেলে স্পিকারের দৃশ্যমান মুখ এবং ঠোঁটের নড়াচড়া সামঞ্জস্য করে।
সেই দ্বিতীয় ধাপ হল গল্প। লাইভ ফিডে কেউ যা বলছে তা পরিবর্তন করা, মুখের নড়াচড়ার সাথে সম্পাদনাটিকে মাস্ক করার জন্য পুনঃসিঙ্ক্রোনাইজ করা, আপত্তিকর ভাষা ফিল্টার করার থেকে বস্তুগতভাবে ভিন্ন ক্ষমতা।
প্রস্তাবিত সিস্টেম কিভাবে কাজ করবে
এআই এজেন্টরা একটি লাইভ স্ট্রিম নিরীক্ষণ করবে, লক্ষ্যযুক্ত শব্দগুলিকে পতাকাঙ্কিত করবে, সেগুলি প্রতিস্থাপন করবে এবং তারপর সম্পাদনার সাথে মেলে স্পিকারের মুখের গতিবিধি পুনরায় ম্যাপ করবে।
ইউএস 2026/0341309 A1, 29 অক্টোবর, 2026 তারিখে প্রকাশিত অ্যাপ্লিকেশন অনুসারে, AI এজেন্টরা একটি লাইভ অডিও স্ট্রিম নিরীক্ষণ করবে এবং পূর্বনির্ধারিত নিয়ম বা দর্শকের ব্যক্তিগত প্রোফাইল দ্বারা পতাকাঙ্কিত শব্দ বা বাক্যাংশগুলি সনাক্ত করবে। একটি জেনারেটিভ এআই কম্পোনেন্ট সেই শব্দগুলিকে প্রতিস্থাপন করবে বা সরিয়ে দেবে, স্থানান্তরটি মসৃণ করতে পার্শ্ববর্তী অডিও ফ্রেমগুলিকে সামঞ্জস্য করবে এবং স্পিকারের মুখ এবং মুখের নড়াচড়াগুলিকে সংশোধন করবে যাতে আউটপুটটি সম্পাদিত অডিওর সাথে দৃশ্যত সামঞ্জস্যপূর্ণ হয়।
ফাইলিং এটিকে "রিয়েল-টাইম কাছাকাছি" প্রক্রিয়াকরণ হিসাবে বর্ণনা করে। প্যাটেন্টলাইজ থেকে রিপোর্টিং অপারেশনাল উইন্ডোটিকে ক্যাপচারের প্রায় এক থেকে দশ সেকেন্ড হিসাবে ব্যাখ্যা করে, একটি পরিমাপিত কর্মক্ষমতা ফলাফলের পরিবর্তে ফাইলিং থেকে আঁকা একটি উদাহরণ।
ফাইলিং কি বলে এটি ব্যবহার করা যেতে পারে
অ্যাপ্লিকেশনটি সম্ভাব্য ব্যবহার হিসাবে লাইভ অনুবাদ, অশ্লীলতা ফিল্টারিং, ফিলার-শব্দ অপসারণ এবং সামগ্রী কাস্টমাইজেশনের প্রস্তাব দেয়।
লাইভ অনুবাদ বর্ণনা করা পরিস্থিতিগুলির তালিকার শীর্ষে রয়েছে: একজন দর্শক তাদের পছন্দের ভাষায় একটি সম্প্রচার শুনতে পারে যখন স্পিকারের ঠোঁট আসলটির পরিবর্তে অনুবাদিত অডিওর সাথে সিঙ্ক হতে দেখা যায়। অন্যান্য বর্ণিত লক্ষ্যগুলির মধ্যে রয়েছে "উম" এবং "আহ," তোতলানো, ভুল উচ্চারণ, আঞ্চলিক অপবাদ, অশ্লীলতা, এবং নির্দিষ্ট বয়স গোষ্ঠী বা আঞ্চলিক দর্শকদের জন্য অভিযোজিত বিষয়বস্তু। কিছু কনফিগারেশনে, ফাইলিং প্রস্তাব করে, প্রতিস্থাপন শব্দগুলি ইন্টারনেট অনুসন্ধান থেকে আঁকা হতে পারে।
ফাইলিং কনটেমপ্লেটগুলিকে সুরক্ষিত করে
মূল, অসম্পাদিত অডিও এবং ভিডিও একটি গ্রাউন্ড-ট্রুথ রেকর্ড হিসাবে সংরক্ষণ করা হবে, ফাইলিং স্টেটস, যদিও দর্শকের প্রকাশের সুযোগ অস্পষ্ট রয়ে গেছে।
অ্যাপ্লিকেশনটি মূল, অসম্পাদিত অডিও এবং ভিডিওকে একটি "গ্রাউন্ড ট্রুথ" রেকর্ড হিসাবে বিবাদ বা তদন্তের পর্যালোচনার জন্য উপলব্ধ বর্ণনা করে। উপলব্ধ রিপোর্টিং পরিবর্তিত স্ট্রীমগুলি বাধ্যতামূলক দর্শক-দৃশ্যমান চিহ্ন বহন করবে কিনা বা এই জাতীয় কোনও সূচক অপসারণের প্রতিরোধী হবে কিনা তা প্রতিষ্ঠিত করে না।
একটি আসল রেকর্ডিং সংরক্ষণ করা আসলে যা বলা হয়েছিল তা স্থাপন করতে সহায়তা করে। এটি গ্যারান্টি দেয় না যে লাইভ দর্শকরা জানেন যে তারা কোন সংস্করণ দেখছেন।
পেটেন্ট খোলার উত্তেজনা
একই আর্কিটেকচার যা রিয়েল-টাইম অনুবাদকে সক্ষম করে তা একজন অপারেটরকে একটি স্পিকারকে লাইভ ফিডে ভিন্ন কিছু বলার জন্য দেখানোর অনুমতি দিতে পারে।
এই কঠিন সম্ভাবনাটি ফাইলিং এর রিপোর্টিংকে লাইভ ডিপফেক এবং ইভেন্টের রেকর্ড হিসাবে লাইভ ভিডিওর নির্ভরযোগ্যতা সম্পর্কে উদ্বেগের সাথে সংযুক্ত করতে পরিচালিত করেছে। ব্যক্তিগতকৃত ফিল্টার একটি পৃথক শাসন প্রশ্ন চালু করে। কে নিয়ম সেট করে, পরিবর্তনগুলি কি দর্শকদের কাছে প্রকাশ করা হয় এবং বিভিন্ন শ্রোতা কি একই ইভেন্টের বস্তুগতভাবে ভিন্ন অ্যাকাউন্ট পেতে পারে?
উপভাষা, বক্তৃতা প্রতিবন্ধকতা বা অসঙ্গতিগুলির স্বয়ংক্রিয় অপসারণ একটি শান্ত প্রশ্ন উত্থাপন করে: কোন বক্তৃতা প্যাটার্নগুলি সংশোধনের প্রয়োজন হয় এমন ত্রুটি হিসাবে বিবেচিত হয়। রাজনৈতিক বক্তৃতা, প্রেস কনফারেন্স, জরুরী ঘোষণা, এবং আর্থিক প্রকাশগুলি রান্নার অনুষ্ঠানের চেয়ে বেশি অংশীদারিত্ব বহন করে, যদিও অ্যাপ্লিকেশনটি সেই প্রেক্ষাপটগুলির কোনওটিতে মোতায়েন ঘোষণা করে না।
এই ফাইলিং আসলে কি প্রতিষ্ঠিত হয়
এটি একটি প্রস্তাবিত সিস্টেমের জন্য একটি প্রকাশিত পেটেন্ট অ্যাপ্লিকেশন, একটি পণ্য লঞ্চ বা বাণিজ্যিক প্রতিশ্রুতি নয়।
