Microsoft patenta una IA que cambiaría palabras y labios en videos en vivo: aún no es un producto

Imagina ver una transmisión en vivo y descubrir que una misma persona pronunció palabras distintas según quién estaba mirando la pantalla. Una solicitud de patente presentada por Microsoft describe precisamente la posibilidad de modificar palabras habladas con inteligencia artificial y ajustar, casi al mismo tiempo, la imagen de los labios para que coincida con el nuevo audio. Es una propuesta técnica publicada, no una función que haya llegado a Teams, Windows o algún servicio comercial.

El documento se identifica como US20260341309A1, Near Real-Time Artificial Intelligence Enhancement of Video or Augmented Reality Presentations of Live Events. Fue solicitado en abril de 2025 y publicado el 29 de octubre de 2026. Los inventores describen una arquitectura en la que agentes de IA revisan palabras, generan sustituciones y reconstruyen segmentos de sonido e imagen.

Una solicitud de patente no prueba que exista un producto terminado, que funcione con la calidad prometida ni que Microsoft vaya a comercializarlo. Sirve para conocer una línea de investigación y una posible protección de propiedad intelectual, no para anunciar una actualización de software.

Cómo funcionaría la edición de una persona mientras habla

La idea empieza con una señal de video y audio en directo. Un sistema detectaría ciertas palabras y las compararía con instrucciones predefinidas o con características del usuario. Después sustituiría algunos fragmentos por otros y generaría transiciones para que el audio no sonara cortado.

La patente también contempla recrear cuadros de video alrededor de la boca, de forma que el movimiento de labios acompañe las palabras insertadas. Esto permitiría, en teoría, mostrar una versión traducida de la conversación o corregir muletillas, datos y pronunciaciones mientras la transmisión sigue avanzando.

El documento utiliza la expresión «casi en tiempo real». Eso no es lo mismo que latencia cero: las modificaciones requieren procesar señales, producir audio nuevo, sintetizar imágenes y sincronizar todo con lo que ve el espectador.

La utilidad: traducción y accesibilidad

Una de las aplicaciones descritas es traducir partes de una charla a otro idioma. Quien mira una conferencia podría escuchar palabras adaptadas y ver movimientos de labios que no resulten tan diferentes del audio traducido. El objetivo práctico sería reducir la sensación de doblaje desincronizado.

También aparecen casos menos complejos, como eliminar pausas, corregir errores verbales, sustituir jerga regional o actualizar información. En ambientes de educación o presentaciones, esas funciones podrían mejorar la comprensión, siempre que el usuario sepa qué fue modificado y con qué propósito.

Sin embargo, traducir no es neutro. Cambiar expresiones puede alterar humor, intención, énfasis e incluso el sentido jurídico de una declaración. Por eso, la versión original debería seguir disponible y cualquier intervención ser claramente identificable si una tecnología similar llegara a utilizarse en público.

El riesgo: dos audiencias escuchando discursos diferentes

Lo más sensible de la propuesta no son las muletillas, sino su posible personalización. El texto técnico contempla cambios basados en perfiles de usuario. En un escenario mal diseñado, alguien podría recibir frases distintas del mismo expositor sin saber que el contenido fue editado.

Eso abre preguntas sobre consentimiento, verificación de citas y conservación de registros. ¿Quién autorizó una sustitución? ¿Se preserva el original? ¿Se identifica visualmente la versión modificada? ¿Podría una retransmisión presentada como documental incluir palabras que la persona nunca pronunció?

Una patente no define políticas de uso ni confirma que esos riesgos se materialicen. Pero sí permite plantearlos antes de que aparezcan productos que hagan posible ese tipo de edición automática.

En OHZOM ya revisamos las dificultades para detectar material generado por IA y cómo nuevas herramientas de IA requieren restricciones de uso. En un video con palabras reconstruidas, la procedencia y la trazabilidad serían aún más importantes.

La conclusión es concreta: Microsoft publicó una solicitud que describe edición de voz y sincronización de labios cerca del tiempo real, pero no ha anunciado que exista una herramienta disponible. El valor de esta noticia está tanto en la posibilidad técnica como en las preguntas sobre confianza audiovisual que deja abiertas.

Fotografía referencial de equipo audiovisual: Unsplash. No representa una demostración funcional de Microsoft.