Microsoft hat eine Patentanmeldung veröffentlicht, die eine neue Grenze bei generativer KI beschreibt: Ein System soll gesprochene Worte in Video- und Audioaufnahmen nahezu in Echtzeit erkennen, verändern oder ersetzen – und gleichzeitig die Lippenbewegungen der sprechenden Person so anpassen, dass Bild und neuer Ton wieder zusammenpassen.
Die Patentanmeldung trägt den Titel „Near Real-Time Artificial Intelligence (AI) Enhancement of Video or Augmented Reality (AR) Presentations of Live Events“ und wurde am 29. April 2025 eingereicht. Veröffentlicht wurde sie am 29. Oktober 2026 unter der Nummer US 2026/0341309 A1. Antragsteller ist Microsoft Technology Licensing, LLC.
Der beschriebene Mechanismus ist bemerkenswert. Ein KI-Agent soll Live-Audio und Live-Video analysieren, bestimmte Wörter identifizieren und diese anhand vorgegebener Parameter oder eines Nutzerprofils ersetzen. Anschließend soll ein generatives KI-System sowohl die Tonspur als auch die Videobilder verändern und Übergänge glätten, damit die Manipulation möglichst natürlich wirkt.
Die Patentanmeldung nennt dabei nicht nur einfache Übersetzungen. Sie sieht ausdrücklich vor, gesprochene Wörter durch andere Wörter zu ersetzen und gleichzeitig neue Videoframes zu erzeugen, in denen sich die Lippen der Person passend zu den veränderten Aussagen bewegen. Bei einer Übersetzung könnte ein Zuschauer damit eine Person sehen, die scheinbar fließend in einer anderen Sprache spricht, obwohl sie diese Worte ursprünglich nie gesagt hat.
Als mögliche Anwendungen werden unter anderem Live-Übersetzung, das Entfernen von Füllwörtern, das Glätten von Versprechern oder das Ersetzen bestimmter Begriffe beschrieben. Analysen der Anmeldung weisen zudem darauf hin, dass auch Informationen aus externen Quellen wie Suchergebnissen als Ersatzinhalt einfließen könnten.
Genau an diesem Punkt wird die Technologie gesellschaftlich brisant.
Denn technisch macht es keinen grundsätzlichen Unterschied, ob eine KI ein „Ähm“ entfernt, einen fremdsprachigen Satz übersetzt oder eine Aussage inhaltlich verändert. Sobald Bild und Ton gleichzeitig neu erzeugt werden, kann eine Person im Video scheinbar etwas sagen, das sie in dieser Form nie gesagt hat.
Damit verschiebt sich die Grenze zwischen Übersetzung, Bearbeitung und Manipulation.
Das Problem ist nicht nur theoretisch. Die Patentanmeldung beschreibt ausdrücklich ein System, das in nahezu Echtzeit arbeiten soll. Das bedeutet: Die Veränderung müsste nicht erst Stunden später in einem geschnittenen Video erscheinen, sondern könnte theoretisch während einer laufenden Übertragung, eines Meetings oder einer AR-Anwendung stattfinden.
Besonders heikel ist, dass die Hauptforderung der Patentanmeldung keine zwingende sichtbare Kennzeichnung der Veränderung vorsieht. Laut Patentanalyse taucht die Speicherung des Originalmaterials als „Ground Truth“ nur in einer abhängigen Forderung auf. Das wirft eine grundlegende Vertrauensfrage auf: Was passiert, wenn Zuschauer künftig nicht mehr erkennen können, ob das, was sie sehen und hören, der ursprünglichen Aussage entspricht oder bereits algorithmisch verändert wurde?
Dass Microsoft sich schon länger mit solchen Technologien beschäftigt, zeigt ein älteres Patent aus dem Jahr 2009. Darin ging es bereits um Systeme, die Text in lippensynchrone Sprache umwandeln und zuvor Wörter hinzufügen, entfernen oder ersetzen können. Die aktuelle Anmeldung geht jedoch wesentlich weiter, weil sie generative KI, Live-Video, Audioveränderung und angepasste Lippenbewegungen in einem nahezu echtzeitfähigen System zusammenführt.
Die Technologie könnte zweifellos nützliche Anwendungen haben. Live-Übersetzungen könnten natürlicher wirken, internationale Videokonferenzen verständlicher werden und Sprachbarrieren weiter verschwinden. Auch für Barrierefreiheit, Bildung oder globale Kommunikation wären solche Systeme denkbar.
Doch dieselbe Technik eröffnet auch ein erhebliches Missbrauchspotenzial.
Wenn Aussagen automatisiert geändert und gleichzeitig Gesicht und Lippen angepasst werden können, wird die Beweiskraft von Videoaufnahmen weiter geschwächt. Politische Reden, Interviews, Pressekonferenzen oder Live-Übertragungen könnten theoretisch so verändert werden, dass Zuschauer nicht mehr ohne Weiteres feststellen können, ob die gezeigte Person die betreffenden Worte tatsächlich gesprochen hat.
Das ist der entscheidende Punkt: Bisher galt Video zumindest für viele Menschen noch als relativ starke Form visueller Evidenz. Generative KI hat dieses Vertrauen bereits durch Deepfakes erschüttert. Ein System, das dieselbe Manipulation nahezu in Echtzeit durchführen kann, würde diese Entwicklung noch einmal verschärfen.
Allerdings ist wichtig, zwischen Patentanmeldung und Produkt zu unterscheiden.
Die Anmeldung bedeutet nicht, dass Microsoft ein solches System bereits öffentlich einsetzt oder unmittelbar auf den Markt bringen wird. In der ersten Prüfung wurden Einwände gegen die eingereichten Ansprüche erhoben; solche Einwände sind in Patentverfahren nicht ungewöhnlich und können zu Änderungen der Ansprüche führen. Eine Patentanmeldung beschreibt zunächst eine technische Idee und schützt mögliche Anwendungen – sie ist noch kein Beweis für ein fertiges Produkt.
Trotzdem zeigt die Anmeldung deutlich, wohin sich generative Medien entwickeln können. Damit wird eine der wichtigsten Fragen der kommenden Jahre immer dringlicher:
Wie kann man noch beweisen, was jemand tatsächlich gesagt hat, wenn KI Ton, Worte und Lippenbewegungen gleichzeitig verändern kann?
Quellen:
- US-Patentanmeldung US 2026/0341309 A1 – Justia
- Patentlyze – Microsoft Files Patent to Rewrite What Speakers Say in Live Video
- Google Patents – älteres Microsoft-Patent zur lippensynchronen Sprachveränderung
- USPTO – Microsoft-Patent zur Echtzeit-Audioübersetzung
- TechTimes – Einordnung der aktuellen Anmeldung
