Microsoft 專利申請：直播時 AI 即時改寫說話內容，嘴型也要跟著改？
Microsoft 專利申請 US 2026/0341309 A1 描述直播中 AI 即時換字並重畫嘴型。整理請求項、近即時 1 到 10 秒的定義，並說明專利與 Teams Interpreter 實際產品的差別。
Microsoft 專利申請案 US 2026/0341309 A1 在 2026 年 10 月 29 日公開，內容是讓 AI 在直播時即時換掉說話者的用詞。
社群貼文的說法是 Microsoft 申請專利，AI 可以在直播中即時改寫人們說的話，所以聽起來像產品已經在開發。
但美國專利商標局（USPTO）公開文件的首頁印的是「專利申請公開」，不是核准的專利，截至 2026 年 11 月 9 日也沒有查到 Microsoft 宣布對應的產品。
文件的做法是掃描直播的影像與聲音，依參數與使用者（多半是觀眾）的資料挑出要改的字，用生成式 AI 換字，部分情況下還重畫嘴型，再在幾秒內，或沿用直播既有的延遲時間內播出。
生成式 AI 是能產生新語音與新畫面的模型。文件的目標是讓替換處前後有平滑的轉場，但沒有提供效果數據，實際看起來是否自然，無從判斷。
這件事值得關心，因為直播沒有第二次機會，畫面與聲音一旦能被改寫，觀眾看到的就可能和說話者實際說的不同。
文件的請求項是申請人主張的保護範圍，其中依附在請求項 1 之下的附屬請求項 14 寫到，可以把原始錄下的影音當成「ground truth」保存，供日後參考。這代表播出內容與原始內容可能有出入，是文件預設的情境。
我會把這份文件當成 Microsoft 研究方向的線索，不當成產品規格，先分清文件寫了什麼、沒寫什麼，再判斷它離一般使用者有多遠。
Microsoft 專利申請公開了什麼？
這是 Microsoft Technology Licensing, LLC 提出的專利申請公開文件，編號 US 2026/0341309 A1，並不是已核准的專利。
文件首頁載明申請日為 2025 年 4 月 29 日，公開日為 2026 年 10 月 29 日，兩個日期相隔 18 個月。申請號是 19/193,093，發明人列為 David Callaghan 與 Dinesh Kumar。
文件標題可譯為「直播活動的影像或擴增實境呈現之近即時 AI 強化」。標題用的是「強化」，社群貼文用的是「改寫」，兩種說法描述的是同一套流程，但語氣差很多。
專利申請與核准專利差在哪裡？
文件首頁左上寫的是「Patent Application Publication」，也就是專利申請公開。公開只表示內容被印出來讓外界查閱，所以並沒有說明審查結果。
請求項是申請人主張的保護範圍，最後能保留多少，要看審查機關怎麼處理。因此「Microsoft 申請專利」有文件可以佐證，「Microsoft 取得專利」截至 2026 年 11 月 9 日查不到來源。
第三方專利追蹤網站 Patentlyze 的頁面寫著，審查官在 2026 年 7 月 29 日提出異議。USPTO 公開出版品本身不含審查紀錄，案件狀態需到 USPTO Patent Center 查詢，本文未取得，所以只把它當成第三方說法，未獲證實。
既然只是申請階段，更需要知道文件實際描述的運作方式，這才是判斷它可不可能上線的起點。
近即時改寫怎麼運作？文件的六個步驟
文件的圖 3 把直播版本拆成六步，從掃描影音到把改好的版本送上顯示裝置。
第一步，AI 代理程式在近即時狀態下掃描直播的影像與聲音。文件把 AI 代理程式定義為能自主執行任務、追求目標或做決策的軟體系統。
第二步，依使用者的資料找出要修改的口語字詞。第三步，由生成式 AI 把這些字換成替代字。第四步，生成替代字前後的聲音轉場，避免聽起來斷裂。
第五步，修改影像以配合替代字與聲音轉場。第六步，把替換過的影音部分在顯示裝置上呈現。
這六步是文件示意的流程圖，並不是 Microsoft 公布的產品架構，所以也沒有任何效果測試數字。
「近即時」到底是幾秒？
文件在說明中定義，近即時是指幾秒內，例如 1 到 10 秒，或是現代直播為了人工調整而使用的延遲，也就是「live feed buffer」。
「live feed buffer」就是直播刻意保留的緩衝時間。文件舉的人工調整例子是濾掉髒話。所以「近即時」有兩種讀法：AI 在幾秒內處理，或借用直播本來就有的緩衝時間。文件沒有寫明實際採用哪一種，也沒有提供實測延遲。
這對讀者很重要，因為「近即時」不等於說話的同一瞬間，觀眾看到的是延遲幾秒後的版本。文件沒有提供資料說明這樣的改動是否容易被察覺。
錄影後處理也是同一份文件的一部分
文件的發明內容段落還提到另一個版本，是針對已錄好的影片，先改逐字稿，再依改好的逐字稿修改聲音與畫面。
所以這份申請並不只針對直播，社群貼文只提到其中的直播版本。
哪些字會被改？請求項怎麼寫
請求項 10 列出可以被替換或移除的字詞類型，範圍從贅詞一路延伸到冒犯性用語。
清單例如贅詞、個人慣用語、口語用詞，以及含糊、唸錯、用錯、說錯的字，還有冒犯、不敏感或不恰當的字。
說明書也寫到，這套技術可以用來即時修正講者說出的不準確或有誤導性的資訊，例如即時事實查核：由 AI 到網路或其他資料來源搜尋並驗證講者正在說的內容（說明書第 [0037] 段）。
這是文件自述的用途，不代表 Microsoft 要做成產品，但它說明「換字」的範圍不只贅詞與髒話，也可能碰到內容層面的修正。
請求項 1 寫的是依一組參數與使用者資料挑字，請求項 6 與請求項 17 則顯示，這裡的使用者是聽話的人。
說明書另外寫到，資料也可以是說話者本人或預期觀眾的，說話者自己也可以使用這套系統，例如有口吃或咬舌的人，用來在近即時或後製時修正自己的語音與畫面。所以誰來決定要改哪些字，文件並沒有只限一種。
所以依請求項的寫法，同一段直播理論上可以對不同使用者呈現不同版本，因為每個人的資料並不相同。
使用者資料列了哪些欄位？
請求項 5 寫到，使用者資料包含下列資訊中的至少一項：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，或影像樣本。依說明書的定義，「至少一項」指任一項或任意組合，所以不是每個欄位都必須有。
請求項只列出資料的種類，但沒有規定這些資料怎麼取得，也沒有寫使用者要如何同意。這是請求項層級的觀察。說明書中也沒有看到相關的標示或同意機制，只提到可以把替換字顯示在字幕欄位。
替代字從哪裡來？
請求項 11 允許替代字取自網路搜尋或資料庫搜尋，內容是和談話主題相關的一般資訊。
也就是說，換上去的字不一定來自說話者的用語，文件允許 AI 依主題另外查出詞彙。這一點在「濾掉贅詞」的情境不太明顯，但用在翻譯或改寫內容時就會變得敏感。
請求項 12 還涵蓋非語言的部分，例如過濾背景噪音或音訊回授。換言之，這份申請想處理的是整段聲音，並非只有單一字詞。
翻譯與嘴型：請求項 16 寫了什麼
請求項 16 把即時翻譯放進流程，並要求重新繪製說話者的嘴唇，配合翻譯後的字詞。
流程是這樣：當說話者使用的語言不在使用者資料列出的語言裡，AI 先辨識這些外語詞，再換成使用者語言的翻譯字詞。接著生成聲音轉場，並產生替換影格，影格要包含對嘴唇的重繪。
請求項 17 列出的場景相當廣，包括各國代表的聚會、國際會議、旅遊、社群影片、Podcast、電影電視、歌劇、演唱會、課程與簡報。
在裝置上，請求項 20 寫到可以是配有音訊輸出裝置的 AR 眼鏡、手機、平板或錄影裝置，處理系統包含 NPU、GPU 或 CPU。NPU 是專門跑 AI 運算的晶片。
說明書提到，部分情況會用使用者裝置上的 NPU、GPU 或 CPU 執行。但圖 1 也畫出伺服器與雲端系統，說明書還寫到方法可以由伺服器或雲端系統執行。所以處理放在裝置端或雲端，文件並沒有限定。Microsoft 也沒有說明這些裝置何時、以什麼條件支援。
專利不等於產品：Teams 的 Interpreter 做到哪裡
專利申請描述的是改影像的系統，截至 2026 年 11 月 9 日，Microsoft 官方說明頁描述的 Teams Interpreter 只處理聲音翻譯。
Microsoft 支援頁說，Interpreter 在 Teams 會議與通話中提供即時語音翻譯，聽的人會在原說話者的聲音之上聽到翻譯。
Microsoft Learn 管理頁則說明，它的流程是語音辨識、機器翻譯、語音合成。
使用者可以選擇模擬自己的聲音，或使用預設的聲音，官方稱聲音樣本與生物特徵資料不會被儲存。
官方頁面寫了哪些使用條件？
兩個頁面都提到，Microsoft Copilot 授權每人每月包含 20 小時的翻譯時數，超出部分依可用容量而定。
支援頁也列出限制：會議錄影只包含原始音訊，翻譯逐字稿只在會議當下可看，而且它不適合快速交談、插話或重疊對話。
這兩頁沒有提到改嘴型，也沒有提到改寫說話內容。支援頁寫的是，說話者的視訊畫面上會出現一個指示，表示他的語音正在被翻譯。
這個對比正好說明專利與產品的距離。產品有明確的功能範圍、授權與限制，專利申請只說「可以這樣做」，並沒有承諾哪一天上線。
Microsoft 有說明這份申請嗎？
科技媒體 Futurism 在 2026 年 11 月 1 日的報導指出，Microsoft 沒有立即回應置評請求。截至 2026 年 11 月 9 日，沒有查到 Microsoft 對這份申請的官方聲明，或是對應的產品公告。
直播改寫的疑慮：請求項沒有寫什麼
請求項把「怎麼改」寫得很細，但「要不要告知觀眾」並沒有出現在 20 項請求項裡。
逐項讀完 20 項請求項，沒有看到要求向觀眾標示「畫面已被修改」的條文。附屬請求項 14 只寫到可以把原始影音存起來，供日後參考。
這不代表日後的產品一定不會標示，因為專利請求項本來只界定技術範圍，產品政策是另一件事。但它說明了外界讀到這份文件為什麼會擔心。
比對一下就看得出差別。Teams 的官方頁面寫明，畫面上會出現翻譯中的指示，專利請求項沒有類似的規定。
把三種聲音分開來看會比較清楚。專利文件寫的是技術流程，社群貼文用「改寫人們說的話」概括，Microsoft 則沒有發言。所以本文只能依文件內容描述，不替任何人的意圖下結論。
有了這些區分，接下來可以整理後續要追蹤哪些訊號。
接下來怎麼追蹤這件事
追蹤這份專利申請，要看的是官方紀錄，而不是轉傳的貼文。
如果日後在 USPTO 看到審查結果，才能知道請求項被保留或修改了多少。如果 Microsoft 在產品說明頁新增影像相關的能力，才算從專利走向產品。
Teams Interpreter 的說明頁是現成的對照點。這個頁面寫的是語音翻譯與聲音模擬，沒有改畫面。哪天頁面出現視訊相關的新功能，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。
Microsoft 專利申請常見問題
Microsoft 專利申請代表產品快要上線了嗎？
不代表。文件只是專利申請公開，截至 2026 年 11 月 9 日沒有查到 Microsoft 的產品公告或時程。申請是為了保護技術構想，不是上線承諾。
這份 Microsoft 專利申請只能用在直播嗎？
不是。文件另有錄影後處理的版本，先改逐字稿，再修改聲音與畫面。請求項 4 也列出講座、Podcast、電影、演唱會、運動賽事與訓練影片等場景。
Teams 的 Interpreter 會改嘴型嗎？
官方說明頁沒有提到改嘴型或改畫面。Teams Interpreter 的說明只寫了語音翻譯與聲音模擬，並在視訊畫面上標示正在翻譯。
這份專利申請已經通過了嗎？
USPTO 公開出版品本身不含審查或核准紀錄，本文也未取得 Patent Center 的案件狀態。第三方網站的審查狀態無法交叉確認，因此本文視為尚在申請階段，並以「截至 2026 年 11 月 9 日查不到核准的來源」為限。
延伸閱讀：阿里發表 Qwen3.8-LiveTranslate！2.3 秒極限延遲、Interleave 架構與即時同傳深度解析
結語：把它當研究方向的線索，不當已上線的功能
這份文件適合想了解大公司怎麼設計即時語音與影像處理的人，也適合需要判斷「直播內容真偽」的製作團隊和平台管理者。
它不適合被當成「Microsoft 下一個產品」的預告，更不適合用來推算上線日期，因為申請階段的請求項還可能被修改，Microsoft 也沒有說明計畫。
我會把重點放在兩件事：文件裡的功能範圍，以及請求項沒有提到的標示與同意。這兩點決定了類似技術上線時，觀眾能不能知道自己看到的是不是原始內容。
延伸閱讀：SynthID Detector 全球開放：Google 聯手 OpenAI 等夥伴，AI 圖片與影片能查到什麼？
