Documentos de patente publicados no fim de outubro nos Estados Unidos mostram que a Microsoft (abre em nova aba) projetou uma inteligência artificial capaz de interceptar vídeos ao vivo ou gravados, substituir as palavras ditas por uma pessoa e redesenhar o movimento dos lábios e do rosto quase em tempo real para que a troca pareça natural.
A tecnologia, revelada pelo rastreador de patentes Patentlyze e detalhada nos registros US 2026/0341309 A1 (voltado a transmissões ao vivo e realidade aumentada) e US 2026/0341308 A1 (focado em gravações), funciona por meio de agentes de IA que escaneiam o áudio em busca de termos específicos. Quando encontra uma palavra que precisa sair, o sistema reescreve o trecho, reconstrói a voz nos instantes imediatamente anteriores e posteriores para criar uma transição suave e, por fim, altera a imagem da boca do orador.
Na superfície, os inventores David Callaghan e Dinesh Kumar vendem a ideia como o equivalente em vídeo ao corretor ortográfico que já usamos no celular. O documento cita aplicações práticas e inofensivas, como traduzir uma transmissão ao vivo para o idioma preferido do espectador ajustando a leitura labial, limpar vícios de linguagem como "ãh" e "é", eliminar gagueiras ou corrigir palavras murmuradas e pronunciadas do jeito errado. Para quem edita vídeos profissionalmente, automatizar esse trabalho braçal economizaria horas de estúdio.
O problema começa quando a patente descreve o que mais pode ser considerado um "erro" na fala alheia. Segundo o texto registrado pela empresa, a ferramenta pode ser configurada para cortar gírias, expressões coloquiais e palavras classificadas como ofensivas, insensíveis ou inapropriadas, buscando substitutos na internet. Mais do que isso, o sistema permite moldar o vocabulário de quem fala ao perfil de quem está assistindo, levando em conta critérios como idade, região geográfica e nível de escolaridade. Na versão para vídeos gravados, há até um "modo resumo": a IA condensa uma palestra longa nos seus pontos principais, escreve um roteiro curto e gera um vídeo inédito do palestrante dizendo frases que ele jamais pronunciou daquela forma.
Durante anos, o maior temor em torno dos vídeos sintéticos foi o uso malicioso por golpistas ou campanhas de desinformação para fabricar mentiras escancaradas. O que a arquitetura desenhada pela Microsoft sugere é algo mais sutil e, sob vários aspectos, mais perturbador para a convivência social: a chegada de filtros de realidade personalizados. Se cada espectador puder ajustar os parâmetros do que deseja ouvir em um evento ao vivo, duas pessoas assistindo ao mesmo debate político ou à mesma reunião de trabalho poderão consumir versões diferentes da mesma fala, sem saber exatamente onde terminou o humano e onde começou o corretor algorítmico. Aqui no IA.com.br, acompanhamos como o avanço dos agentes de IA vem empurrando essas ferramentas da simples edição de arquivos para a mediação direta do que vemos e ouvimos na hora em que o fato acontece.
Essa ambição de filtrar o mundo ao redor em tempo real aparece em outro pedido de patente da gigante de Redmond (US 2026/0341279 A1), também depositado em 29 de abril de 2025 e publicado em 29 de outubro de 2026. Nele, a empresa descreve um gravador sempre ativo para celulares, fones, relógios ou óculos inteligentes que escuta o ambiente o dia inteiro, mas usa identificação de voz para apagar o áudio bruto e descartar a fala de todas as outras pessoas ao redor. O aparelho guarda apenas a transcrição do que o próprio dono disse para treinar assistentes pessoais e gerar listas de tarefas, só incluindo a fala de colegas ou familiares se eles derem permissão prévia ou autorizarem na hora com senha ou biometria (ainda que o próprio documento admita que palavras de terceiros podem vazar na transcrição quando duas pessoas falam ao mesmo tempo).
Registrar uma patente não garante que o produto chegará às prateleiras. Grandes empresas de tecnologia costumam cercar ideias no papel apenas para proteger propriedade intelectual, e não há anúncio de que esse editor de bocas ao vivo esteja a caminho do pacote corporativo da empresa. Ainda assim, patentes funcionam como um raio-x do que os engenheiros do Vale do Silício enxergam como problema a ser resolvido. Ao tratar a fala humana ao vivo como um rascunho defeituoso que precisa ser polido e adaptado ao gosto do freguês, a indústria dá mais um passo para transformar a realidade compartilhada em uma experiência sob encomenda.