Imagine assistir a uma entrevista na televisão e perceber que o entrevistado parece dizer palavras diferentes daquelas que realmente pronunciou. Ou acompanhar uma transmissão ao vivo em que a inteligência artificial elimina palavrões, corrige frases e até modifica os movimentos da boca de quem está falando.
Essa é a proposta de uma tecnologia descrita em um pedido de patente da Microsoft. O sistema utiliza inteligência artificial generativa para modificar falas e adaptar as imagens correspondentes, criando uma versão alterada de transmissões e vídeos praticamente em tempo real.
O pedido foi apresentado em 29 de abril de 2025 e publicado nos Estados Unidos em 29 de outubro de 2026.
IA poderia colocar palavras diferentes na boca de pessoas
A tecnologia, chamada Near Real-Time Artificial Intelligence Enhancement of Video or Augmented Reality Presentations of Live Events, descreve um sistema capaz de analisar áudio e vídeo enquanto uma pessoa está falando.
A inteligência artificial identifica palavras que podem ser removidas ou substituídas. Depois, utiliza modelos generativos para produzir um novo áudio com as alterações desejadas.
Mas existe um detalhe ainda mais impressionante: o sistema também modifica os quadros do vídeo para acompanhar a nova fala.
Isso significa que os movimentos dos lábios podem ser reconstruídos digitalmente para dar a impressão de que a pessoa realmente pronunciou aquelas palavras.
A proposta inclui a criação de transições entre os trechos originais e modificados, evitando cortes perceptíveis na imagem e no áudio.
Tecnologia poderia remover palavrões, gagueiras e expressões regionais
Um dos usos apresentados pela Microsoft envolve a remoção de palavras de preenchimento, como os famosos sons de “hum” e “ah”, comuns durante conversas e apresentações.
O sistema também poderia corrigir palavras pronunciadas incorretamente, eliminar repetições, substituir expressões consideradas inadequadas e modificar termos ofensivos ou insensíveis.
Outro detalhe curioso é a possibilidade de alterar gírias e expressões regionais.
Na prática, uma ferramenta desse tipo poderia adaptar a maneira como determinada pessoa fala de acordo com as preferências de quem está assistindo.
O documento também descreve a possibilidade de utilizar informações de perfis individuais para determinar quais alterações seriam realizadas.
Microsoft prevê personalização baseada no perfil do espectador
O pedido de patente apresenta uma lista bastante ampla de informações que poderiam fazer parte do perfil utilizado pelo sistema.
Entre os exemplos estão idade, idiomas falados, região de nascimento, local de residência, etnia, formação cultural, religião e nível de escolaridade.
O documento também menciona a possibilidade de utilizar amostras de voz e vídeo para orientar o funcionamento da tecnologia.
Isso levanta questões importantes sobre privacidade e personalização de conteúdo.
Afinal, uma inteligência artificial capaz de modificar o discurso de outras pessoas com base nas características e preferências de cada espectador poderia criar experiências muito diferentes para quem acompanha a mesma transmissão.
Também existe o risco de determinadas expressões culturais e regionais serem consideradas inadequadas simplesmente por não combinarem com o perfil de quem está assistindo.
Sistema também poderia traduzir transmissões ao vivo
A proposta não envolve apenas censura ou correção de palavras.
Outro recurso descrito no documento é a tradução de conversas em tempo próximo do real. Nesse cenário, a inteligência artificial identificaria um idioma diferente daquele utilizado pelo espectador e substituiria as falas por versões traduzidas.
Os movimentos da boca também seriam modificados para acompanhar o novo áudio.
Isso poderia ser aplicado a entrevistas, podcasts, transmissões esportivas, apresentações, filmes, programas de televisão e outros conteúdos audiovisuais.
Segundo a documentação, o processamento poderia acontecer com um atraso de poucos segundos, entre aproximadamente um e dez segundos.
Tecnologia levanta preocupações sobre deepfakes e desinformação
Embora algumas aplicações pareçam interessantes, a possibilidade de alterar o discurso de alguém sem modificar visivelmente sua aparência levanta preocupações.
Uma entrevista poderia apresentar palavras que nunca foram pronunciadas pelo entrevistado. Um discurso político poderia ser adaptado para remover determinadas declarações. Até mesmo uma transmissão jornalística poderia apresentar versões diferentes dependendo de quem está assistindo.
A própria documentação descreve uma possibilidade importante para preservar a autenticidade: armazenar o áudio e o vídeo originais, sem alterações, como referência para consultas futuras.
Esse recurso seria especialmente relevante para verificar o que realmente foi dito durante uma transmissão.
É importante destacar que estamos falando de um pedido de patente, não de um produto anunciado ou de uma tecnologia comprovadamente disponível ao público.
A Microsoft descreveu possibilidades técnicas e aplicações para o sistema, mas isso não significa que a empresa necessariamente lançará uma ferramenta comercial com essas características.
Ainda assim, a proposta mostra como a inteligência artificial poderá transformar não apenas a maneira como consumimos vídeos, mas também nossa capacidade de confiar naquilo que vemos e ouvimos.
Fontes
Publicação original sobre a tecnologia e suas possíveis aplicações
