Microsoft 直播改寫專利申請公開：換字、重繪嘴型的主張範圍

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

2026 年 10 月 29 日，美國專利商標局公開了一份 Microsoft 提出的專利申請，編號 US 2026/0341309 A1。這幾天社群把它轉述成「Microsoft 專利讓 AI 即時改寫你說的話，連嘴型都跟著改」。文件確實描述了這樣的系統，但先把狀態講清楚：這是一份專利申請的公開文件，不是核准的專利，更不是產品。報導這件事的科技媒體 Futurism 在 11 月 1 日的文章裡寫明，Microsoft 沒有回應置評請求。

「只是申請」卻值得認真讀，因為這份 27 頁的文件把一套直播改寫系統的主張範圍寫得相當具體：從濾掉贅詞，到即時事實查核，到把說話者的嘴型重繪成翻譯後的字。把它從頭讀完，真正值得留下的判斷有兩個。一個是它主張的修改範圍遠比「濾贅詞」大；另一個是 20 項請求項裡，沒有任何一條要求向觀眾標示畫面已經過修改。

對一般觀眾，這份文件的意義是看懂「畫面與聲音可以被無縫替換」正在變成可申請專利的工程題目；對內容製作者與平台，意義是標示與同意機制完全不在這份技術主張的範圍裡。以下用 USPTO 公開文件與 Microsoft 官方說明頁的原文，拆它實際主張了什麼、沒主張什麼，以及它和 Microsoft 自己產品線的距離。

文件的身份：申請公開、18 個月週期、審查還沒走完

文件首頁的文件類型欄印的是 Patent Application Publication，專利申請公開。公開的意思是內容可供任何人查閱，與審查結果無關：請求項最後會留下多少、駁回多少，要看後續審查。書目欄的其他資訊：申請日 2025 年 4 月 29 日，公開日 2026 年 10 月 29 日，正好相隔 18 個月，這是美國專利申請案的標準公開時點；申請號 19/193,093；發明人列 David Callaghan 與 Dinesh Kumar；申請人是登記在 Redmond 的 Microsoft Technology Licensing, LLC。

案件目前的進度也有紀錄可查。第三方專利追蹤站 Patentlyze 的案件頁顯示，審查官已在 2026 年 7 月 29 日對請求項提出異議，該站同時註明這是頁面發布當下的狀態；正式審查紀錄以 USPTO Patent Center 的查詢結果為準。換句話說，這份申請連第一輪審查都還沒走完，最後會拿到什麼範圍的專利（如果拿得到），是幾年後才會揭曉的事。

媒體端的用語則比文件狀態跑得快。Futurism 報導的標題用的是「Microsoft Patents」，以取得專利的動詞描述一份申請公開文件，語感上往前跳了一大步；社群貼文再把它推成「AI 已經可以改你說的話」，兩層放大之後，文件本身反而沒有人打開來讀。連文件自己的標題都值得對照：正式名稱是「直播活動之影片或擴增實境呈現的近即時人工智慧強化」，用的是強化，不是改寫。兩個詞描述同一套流程，但語氣差很多，這正是讀文件比讀轉傳可靠的地方。

Pin

六個操作組成的流程，修改發生在影音本體

文件的圖 3 把直播版本拆成六個操作。AI 代理先在近即時狀態下掃描直播的影像與聲音；接著依一組參數和使用者資料，從掃到的口語裡挑出要修改的字；再由生成式 AI 把這些字換成替代字，同時在替代字前後生成聲音轉場，避免聽起來斷裂；然後修改影像，讓畫面配合新的聲音；把替換過的段落送上顯示裝置。值得注意的是送出來的東西：觀眾在畫面上看到的，是替換後的影音段落。

Pin

「近即時」在說明書有自己的定義：幾秒之內，文件舉的例子是 1 到 10 秒；或是現代直播本來就保留的人工調整延遲，文件稱之為 live feed buffer，這段緩衝在既有廣播裡用來處理髒話之類的突發狀況。兩種讀法差很多，一種是 AI 在幾秒內完成替換，另一種是直接借用廣播標準的安全延遲。實際採用哪一種、延遲多少，說明書未著墨。

而且直播只是文件的一半。另一條路徑是錄影後的後製版：先修改逐字稿，再依改好的稿子修改聲音與畫面。講稿也能接進直播路徑，請求項 9 允許以實際說出的字與講稿的差異來挑字。換句話說，講稿上寫了、嘴上卻說成別的字的段落，正是它認為可以修的地方。非口語的聲音也在主張範圍裡，請求項 12 列了背景噪音與音訊回授的過濾；說明書另把超過門檻長度的口說停頓，例子是 5、10 或 15 秒，列為可移除的項目。

說明書第 0037 段還寫到一個更遠的用途：即時修正講者說出的不準確或有誤導性的資訊，做法是由 AI 系統上網搜尋並驗證講者正在說的內容，替代字也可以顯示在隱藏式字幕欄位。「AI 認定你說錯了，當場換掉」不是外界腦補，是文件自己寫下來的用途之一。

哪些字要換，依誰的資料決定

請求項 10 列出可以被替換或移除的字詞類型：贅詞、個人慣用語、口語用詞，含糊、唸錯、用錯、說錯的字，一路延伸到冒犯、不敏感、不恰當的字。說明書給的例子更具體，um、you know、basically 這類贅詞，dude、buddy 這類個人慣用語，gonna、ballpark 這類口語用法，都在可替換清單裡。

換上去的字從哪來？請求項 11 允許從網路搜尋或資料庫搜尋，抓取與談話主題相關的一般資訊。替代字不必是說話者本人的用語。這一點在濾贅詞的情境裡不明顯，放到翻譯或事實查核的情境就變得敏感：換上去的內容可以是系統自己找來的。

更關鍵的結構是「依誰的資料決定」。請求項 1 把挑字與替換都綁在使用者資料上，請求項 5 列出的欄位包括年齡、使用語言、出生地、居住地、族裔、文化背景、宗教、教育程度、大學主修、語音樣本、影像樣本，而且任一項或任意組合都成立。照這個結構推，同一段直播理論上可以對不同觀眾呈現不同版本，每個人的資料不同，被挑出來修改的字就不同。這是從請求項結構推出的推論，文件裡找不到直接演示。

不過文件也寫了自用的版本。說明書第 0027 段提到，有口吃或咬舌的說話者可以用這套系統修正自己的語音與畫面，說話者本人的資料也能建檔，用來生成屬於自己的替換影格。誰來決定改哪些字，在文件裡同時存在聽者、預期觀眾與說話者三種位置，並沒有限定一種。

嘴型重繪綁在翻譯路徑上，連鏡頭角度都能換

嘴型重繪是翻譯情境裡的正式主張。請求項 16 寫的流程是：說話者使用的語言不在使用者資料列出的語言內時，AI 先辨識這些外語字詞，換成使用者語言的翻譯，生成聲音轉場，然後產生替換影格，影格必須包含對說話者嘴唇的重繪，讓畫面看起來像他本人說著翻譯後的語言。適用場景列得很廣，各國代表的聚會、國際會議、出國旅遊、社群影片、Podcast、電影電視、歌劇、演唱會、課程與簡報，都在請求項 17 的清單上。

裝置與運算位置也有交代。請求項 3 與 20 列了搭配音訊輸出的 AR 眼鏡、手機、平板與錄影裝置，AI 代理跑在 NPU、GPU 或 CPU 上；說明書另外寫到，部分方法可以由伺服器或雲端系統執行。運算落在裝置端還是雲端，文件沒有限定，這也代表資料會送到哪裡，要等真有產品才會揭曉。AR 眼鏡出現在清單裡另有意味：眼鏡上的畫面本來就是一副眼鏡一份，替換如果發生在這一端，依個人資料呈現不同版本，在架構上就是最自然的做法。

同一段 0027 還有一個多數轉述漏掉的細節：替換影格可以包含 AI 生成或輔助的鏡頭角度變化，例如把觀眾的注意力從講者導向現場觀眾、簡報投影片或替換素材。這套主張不只改字、改嘴，連鏡頭語言都能用生成內容替換。

對照 Microsoft 自己的產品線：Teams Interpreter 只做到聲音

Microsoft 在這個方向上不是從零開始，Teams 的 Interpreter 已經是上架的功能。官方支援頁說明它提供會議與通話中的即時語音翻譯，聽的人在原說話者的聲音之上聽到翻譯，Copilot 授權每人每月含 20 小時翻譯時數，超出部分依可用容量而定。支援語言清單裡除了英、日、韓、法、德、義、葡、西與簡體中文，還列了 Taiwanese。

把官方兩頁說明從頭讀完，產品與專利主張的距離就看得很清楚。Interpreter 動的只有聲音：被翻譯者的視訊畫面會出現指示器，告訴所有人這段語音正在被翻譯；會議錄影只收原始音訊，翻譯逐字稿只在會議當下可看；官方也明講它不適合快速交談、插話與重疊對話。管理頁寫的流程是語音辨識、機器翻譯、語音合成，音訊由 bot 送上雲端處理，語音樣本與生物特徵資料不會儲存。兩頁都沒有提到修改影片或重繪嘴型。

Pin

支援範圍的邊界也畫得很具體：Interpreter 可以開在最多 1,000 人的會議，但臨時發起的會議、大型全員廣播、網路研討會與免費版 Teams 目前都不支援；通話場景只支援一對一的 Teams 網路通話。一個已上線功能把「在哪裡可用、錄了什麼、不擅長什麼」寫到這個程度，對照之下，專利申請只說了「可以這樣做」，兩者的成熟度差距一目了然。

專利申請描述的，是把同一個方向推到影像本體：不只翻譯聲音，還要讓畫面裡的嘴對得上。聲音翻譯這條線上，各家進展都很快，阿里巴巴的 Qwen3.8-LiveTranslate 已把同步口譯延遲壓到 2.3 秒；想自己拼一條影片翻譯配音流程的開源方案也早就存在，例如 Linly-Dubbing。這份申請想保護的，是這些能力往直播畫面本體延伸時的整條流程。

請求項沒寫的標示義務，比寫了什麼更值得盯

把 20 項請求項逐一讀完，向觀眾標示修改的義務不在其中。與保存有關的只有請求項 14：原始錄下的影音可以存為 ground truth，供日後參考。專門保留一份原始版本的設計，本身就預設了播出內容與原始內容可能有出入；至於原始版本存在誰手上、保存多久、誰可以調閱，文件同樣沒有交代。

這不是在指控 Microsoft 打算悄悄改畫面。專利請求項的功能是界定技術範圍，標示政策屬於產品與法規層，本來就很少寫進請求項。真正的訊號在對比：Microsoft 自己的 Interpreter 在只有聲音被翻譯的狀態下，都堅持在視訊畫面掛上指示器；當技術主張升級到改畫面本體，向觀眾揭露修改事實的機制，反而沒有出現在文件的任何角落。

觀眾端短期內能依靠的還是既有驗證工具，例如檢查 AI 生成簽章的 Image Provenance。文件的發明背景寫得很直白：講者會說贅詞、卡到不恰當的詞，既有系統只能盡可能高傳真地錄下來，事後移除需要專門工具與專業人員。這套系統要解決的就是這件事，而代價是觀眾失去判斷畫面是否為原始內容的依據。

接下來盯官方紀錄，不盯轉傳貼文

追蹤這件事有兩個現成的入口。審查端用 USPTO Patent Center 查申請號 19/193,093，審查結果出爐才會知道 20 項請求項留下多少；產品端看 Teams Interpreter 的說明頁，哪天它從翻譯聲音跨到更動畫面，再回頭對照這份申請也不遲。

在那之前，把它當成一份公開的技術構想最合適：內容可以討論，時程不能推算。直播產業真正該開始想的問題是，當「所見即所說」變成「所見依你的資料而定」，觀眾的信任要建立在哪裡。