微软在美国专利商标局提交了一项 AI 实时语音唇动同步修改专利申请，这套技术主打近实时处理直播或者 AR 画面，AI 可以识别讲话人说的内容，按需删掉、替换里面的词句，同步生成匹配新语音的口型和面部动作，还会对修改位置前后的音视频做平滑过渡，降低改动痕迹；它的初衷是用来做直播翻译、消除口头禅、修正口误口吃，适配讲座、赛事直播、颁奖节目等场景，但因为可以给不同观众推送不一样的改写版本，也带来深度伪造、信息真假难辨的争议，要注意专利申请不等于马上会做成正式产品上线，微软目前也没有针对这项专利对外做官方表态。
专利基础信息清单
- 专利名称：面向直播、增强现实内容的近实时 AI 增强方案
- 公开编号：US-20260341309-A1
- 曝光渠道：Patentlyze 平台、外媒 Futurism
- 处理延迟：近实时，低延迟流式处理
- 处理对象：直播视频流、AR 人物画面
- 核心能力：修改语音文本→重生成语音→同步修改唇部动作
- 配套机制：系统方案里设计保留原始音视频存档，作为原始事实凭证
技术工作流程
- 采集直播画面和语音流，AI 识别语音里的每一句话、关键词
- 根据预设规则或者用户配置，判定是否删除、替换指定词句
- AI 生成修改后的语音音频
- 同步修改画面里人物嘴唇、面部动态，让唇动和新语音匹配
- 平滑拼接修改前后的音视频片段，减少画面卡顿、违和感
- 向外输出修改后的直播流，原始素材单独留存存档
规划可用场景
✅ 正向应用
- 直播实时多语言翻译，口型跟着翻译后的语音同步变化
- 自动去掉 “嗯、啊、然后” 这类多余口头禅
- 修正演讲者口吃、临场口误，优化直播观感
⚠️ 风险场景
- 按观众个人设定，给不同人推送改写之后的差异化直播内容
- 替换、删减发言内容，容易伪造看起来很真实的视频内容
和普通唇形合成技术区别
| 项目 | 微软这项实时语音唇动同步专利 | 传统后期唇形合成 |
|---|---|---|
| 处理时机 | 直播过程近实时流式处理 | 视频录制完成之后后期加工 |
| 改动范围 | 可以直接修改讲话文字内容 + 语音 + 唇形 | 大多只给固定文本对口型，不改原有台词 |
| 适用场景 | 直播、实时 AR 画面 | 短视频、虚拟人预录视频 |
| 延迟要求 | 低延迟，适配直播 | 无严格实时要求 |
【相关 FAQ】
问题 1：微软 AI 实时语音唇动同步修改专利是不是代表很快就能上线商用产品？
回答 1：微软 AI 实时语音唇动同步修改专利只是专利申请，专利通过不等于产品落地，微软暂未公布开发计划、上线时间，不代表短时间内就会推出商用版本。
问题 2：微软 AI 实时语音唇动同步修改专利只能用来修改直播里的语音和唇动吗？
回答 2：微软 AI 实时语音唇动同步修改专利除了直播视频，还支持 AR 演示画面，同样可以对 AR 里人物的语音和唇动同步修改。
问题 3：微软 AI 实时语音唇动同步修改专利有没有防篡改设计？
回答 3：按照专利文档描述，微软 AI 实时语音唇动同步修改专利方案会保存原始音视频存档，用来当作原始记录凭证，但向外分发的是修改后的视频流，依然存在伪造信息的风险。
问题 4：微软 AI 实时语音唇动同步修改专利可以自动把中文直播改成外文，口型一起匹配吗？
回答 4：微软 AI 实时语音唇动同步修改专利文档里，把直播实时多语言翻译列为目标场景，理论上支持翻译改写语音，同步调整唇动，但具体翻译语种、效果没有给出详细参数。
【参考资料】
[2026-11-05]（Microsoft's AI Patent Could Put Words in Your Mouth Mid-Sentence, Then Make Your Lips Match）IBTimes UK
[2026-11-02]（直播不再真实？微软 AI 专利可实时修改直播语音口型）环球网
[2026-11-02]（微软提交专利申请 AI 实时改写直播人声与口型）AI 产品库 AIProductHub
【免责声明】
本文所有内容仅为该微软 AI 实时语音唇动同步修改专利的资讯解读，专利能否授权、后续功能调整、是否商业化全部以美国专利商标局、微软官方公告为准；该技术存在深度伪造相关安全风险提示，本文不支持、不鼓励使用该类技术进行虚假信息伪造。
本文来自作者[荒序脉冲]投稿，不代表新投网立场，如若转载，请注明出处：https://www.eastpo.net/kuaixun/202611/1082.html
评论列表（4条）
我是新投网的签约作者“荒序脉冲”！
希望本篇文章《微软 AI 实时语音唇动同步修改专利曝光》能对你有所帮助！
本站[新投网]内容主要涵盖：互联网行业的追踪与探索
本文概览：微软在美国专利商标局提交了一项 AI 实时语音唇动同步修改专利申请，这套技术主打近实时处理直播或者 AR 画面，AI 可以识别讲话人说的内容，按需删掉、替换里面的词句，同步生成匹配新语音的口型和面部动作，还会对修改位置前后的音视频做平滑过渡，降低改动痕迹；它的初衷是用来做直播翻译、消除口头禅、修正口误口吃，适配讲座、赛事直播、颁奖节目等场景，但因为可以给不同观众推送不一样的改写版本，也带来深度伪造、信息真假难辨的争议，要注意专利申请不等于马上会做成正式产品上线，微软目前也没有针对这项专利对外做官方表态。