微软这份新专利申请曝光了一套近实时 AI 语音改写系统，它不只是简单消音、加字幕，而是能在直播过程里直接换掉、删掉说话人的原话，同时重绘嘴唇画面，让口型和改完后的语音对上，改动之后肉眼很难一眼看出来。这套技术的核心逻辑是 AI 代理持续监听音视频流，按照预设规则或者观众画像来判断哪些词句要修改，再由生成 AI 重新生成语音、平滑音频衔接，同步修改面部画面，整套流程会有 1 到 10 秒的延迟，适合直播、AR 演示这类场景。专利本身标注了很多正向用途，比如实时翻译、去掉嗯啊这类填充词、修正口误口吃，但也因为可以悄悄改动发言内容，引发了大家对深度伪造、信息真实性的争议，而且要注意，专利申请不等于已经做成正式产品，目前还处在专利审查阶段，审查员已经提出过异议，微软也没有确定一定会落地上线。
一、这套 AI 实时改写语音系统完整工作流程
- 采集环节：摄像头、麦克风持续抓取直播或者 AR 演示的原始音视频，原始素材会单独存档保留，作为真实记录。
- 识别判定：AI 代理实时扫描音频，根据设置规则、观众年龄、地区、语言画像，标记需要替换、删除的词句。
- 语音改写：生成式 AI 改写、替换目标语音，调整前后音频，消除拼接断层，保证听感自然。
- 唇形同步：AI 重绘视频画面里的嘴唇、面部动作，让新口型和改写后的语音匹配。
- 输出分发：处理完成的音视频流延迟 1–10 秒推送给观众，观众看到的是修改后的版本。
二、专利写明的可用场景清单
- 直播实时翻译：演讲、讲座、赛事直播，直接把原话翻译成别的语言，同时对口型
- 口语优化：自动去掉 “嗯、啊、就是” 这类填充词，修正口吃、口误
- 内容过滤：屏蔽冒犯、违规词汇，替换掉不合适的俚语、方言表达
- 个性化定制：根据不同观众的画像，给不同人推送改写之后的版本
- AR 远程演示、线上发布会、颁奖典礼、游戏节目等实时画面
三、技术优势与风险点
| 项目 | 说明 |
|---|---|
| 优势 | 改动不只是音频，同步修改唇形，隐蔽性强；支持本地部署在手机、AR 眼镜、摄像头设备；原始音视频支持留存存档 |
| 风险 | 默认不会主动告知观众内容被 AI 改写，容易混淆真实信息；存在被滥用伪造发言、剪辑直播内容的可能；属于实时深度伪造类技术，合规边界很难界定 |
四、当前专利状态说明
专利编号 US 2026/0341309 A1，2025 年 4 月提交，2026 年 10 月 29 日公开，由 Patentlyze 率先发现。现在处于专利审查阶段，审查员已经提出异议，大量专利申请最终都不会做成面向用户的产品，微软目前没有官宣对应的产品计划，也没有对外表态什么时候上线。
【相关 FAQ】
问题 1：微软专利里的 AI 实时改写语音，和普通字幕翻译、消音屏蔽有什么不一样？
回答 1：普通消音只是静音，字幕翻译和画面口型是脱节的，而微软这套 AI 实时改写语音技术会直接生成新语音，并且重绘嘴唇画面，让口型和改写后的语音匹配，改动更隐蔽。
问题 2：微软 AI 实时改写语音专利是不是代表马上就能用到直播软件里？
回答 2：不是，微软 AI 实时改写语音只是一份专利申请，目前还在审查阶段，审查员已经提出异议，专利不等于产品，微软没有确定落地计划，短期内不会面向普通用户开放。
问题 3：微软 AI 实时改写语音系统会保留原始录音吗？
回答 3：按照专利描述，这套 AI 实时改写语音系统可以单独存储原始音视频作为真实基准存档，但是推送出去给观众的修改版本，默认不会提示观众内容经过 AI 改写。
问题 4：微软 AI 实时改写语音技术除了翻译，还能做哪些修改？
回答 4：微软 AI 实时改写语音除了跨语言实时翻译，还可以自动剔除语气填充词、修复口误口吃、过滤敏感冒犯词汇，也能根据不同观众画像定制改写内容。
【参考资料】
[2026-11-09]（微软申请 AI 直播视频改写专利 可实时替换语音并同步重绘唇形）品玩
[2026-11-09]（微软申请新专利：AI 实时修改直播说话内容并同步嘴型）IT 之家
[2026-11-06]（Microsoft Files Patent Application for AI That Could Rewrite Live Speech and Resync a Speaker's Lips）Gadget Review
[2026-10-30]（Microsoft Files Patent to Rewrite What Speakers Say in Live Video, Lips Included）Patentlyze
【免责声明】
本文内容基于公开专利文件、海外科技媒体报道整理，仅介绍专利方案本身，不代表微软一定会推出该功能；AI 实时改写语音技术存在信息伪造、伦理争议，相关合规、监管规则尚未明确，内容仅供技术科普，不支持任何违规滥用场景。