Microsoft hat eine Patentanmeldung eingereicht, die es ermöglicht, in nahezu Echtzeit gesprochene Worte in Live-Videos zu verändern und die Mundbewegungen anzupassen.
Ein KI-Programm wie aus einem dystopischen Roman: Die Anmeldung US 2026/0341309 A1 mit dem Titel „Near Real-Time Artificial Intelligence (AI) Enhancement of Video or Augmented Reality (AR) Presentations of Live Events“ wurde am 29. April 2025 eingereicht und am 29. Oktober 2026 veröffentlicht. Damit kann in Echtzeit manipuliert werden, was jemand sagt.
Das System erfasst Live-Audio und -Video von Sprechern über Kameras und Mikrofone. Ein KI-Agent analysiert die Sprache und identifiziert Wörter, die gemäß einem Nutzerprofil oder vordefinierten Parametern geändert werden sollen. Eine generative KI ersetzt anschließend die Wörter im Audio und passt die Videobilder an – insbesondere die Lippenbewegungen –, damit die Änderung optisch und akustisch nahtlos wirkt. Kurze Übergänge glätten die Schnitte. „Near-real-time“ wird in der Anmeldung als Zeitraum von ein bis zehn Sekunden definiert. Das ist vergleichbar mit Verzögerungen im Livefernsehen.
Als mögliche Anwendungen nennt man harmlose Dinge: So könnten etwa Füllwörter wie „äh“ gelöscht oder Versprecher direkt korrigiert werden. Allerdings könnten auch „beleidigend eingestufte Ausdrücke“ gefiltert werden. Hier zeigt sich bereits klar die dystopische Perspektive: Nicht nur Beleidigungen, sondern auch politisch kritische Wörter könnten eliminiert werden.
Außerdem wirbt man mit Live-Übersetzung: Wörter in einer Sprache, die nicht im Nutzerprofil hinterlegt ist, werden durch Übersetzungen ersetzt und die Lippen entsprechend neu gezeichnet. Die Verarbeitung kann auf Nutzergeräten wie AR-Brillen, Smartphones, Tablets oder Kameras lokal erfolgen oder über Cloud-Server. In den Hauptansprüchen ist keine zwingende Kennzeichnung der Änderungen gegenüber dem Zuschauer vorgesehen.
Es handelt sich um eine Patentanmeldung, nicht um ein erteiltes Patent. Der Prüfer hat Einwände erhoben; Microsoft kann darauf reagieren. Eine verwandte Anmeldung (US 2026/0341308 A1) beschreibt ähnliche KI-gestützte Änderungen für aufgezeichnete Videos, einschließlich Zusammenfassungen langer Vorträge.
Lippensynchronisation in Videos könnte bald nicht mehr vertrauenswürdig sein – nicht nur im Nachhinein, sondern auch bei einem Live-Video. Microsoft hat zum Zeitpunkt der Berichterstattung nicht öffentlich Stellung genommen. Ob und wann die Technologie umgesetzt wird, ist offen.
Unsere Arbeit ist spendenfinanziert – wir bitten um Unterstützung.
Folge TKP auf Telegram oder GETTR und abonniere unseren Newsletter.
Links zu früheren TKP-Beiträgen zum Thema finden Sie unterhalb 
Europa wirft Google und Microsoft raus – digitale Souveränität statt Big-Tech-Abhängigkeit
Euro-Office: Souveräne Alternative oder trojanisches Pferd der EU-Überwachung?
6 Kommentare
Dieses Beispiel widerspricht der oft kolportierten Neutralitätsthese der Technik.
Vertreter der Neutralitätsthese argumentieren, Technik sei an sich weder gut noch böse. Ein Hammer könne beispielsweise sowohl zum Bau eines Hauses als auch als Waffe verwendet werden. Entscheidend sei daher nicht die Technik selbst, sondern ihre Nutzung durch den Menschen.
Am Beispiel einer KI, die Videosprache in Echtzeit umschreiben kann, gerät diese Sichtweise jedoch an ihre Grenzen. Zwar sind legitime Anwendungen wie Übersetzung denkbar. Die entscheidende Frage lautet jedoch nicht, ob die Technologie missbraucht werden kann, sondern wie wahrscheinlich dieser Missbrauch im Verhältnis zu den legitimen Anwendungen ist. Wenn der Kernnutzen einer Technik darin besteht, Aussagen zu verändern, liegt ihr Einsatz zur Einflussnahme und Täuschung näher als ihr Einsatz zum Erkenntnisgewinn.
Im Unterschied zum Hammer, dessen Funktion offen ist, ist bei solchen Technologien bereits im Design eine bestimmte Nutzung angelegt. Die Technik wirkt damit nicht mehr vollständig neutral, sondern besitzt eine Vordisposition für bestimmte gesellschaftliche Praktiken.
Je größer das Manipulationspotenzial einer Technologie, desto stärker ist ihre demokratische Rechtfertigungs- und Regulierungspflicht. Systeme, die Kommunikation in Echtzeit verändern können, sollten daher Kennzeichnungs-, Transparenz- und Kontrollpflichten unterliegen. Nicht alles, was technisch möglich ist, sollte gesellschaftlich akzeptiert werden.
Die KI erkenne ich sofort, weil ich Zeichnerin bin. Die Lippensynchronität ist kein Merkmal…die gibts auch bei alten Filmen. Aber wenn sie lacheon und immer wieder die selbsen Mimiken zeigen, weiß ich es. Sie wind auch oft grottenschlecht. Spaß machen Trump Kim Putin Schneelenski KIs…und natürlich KI Katzen aus Japan…
Stimmt – noch ist es kinderleicht zu erkennen – wie etwa immer wieder das gleiche Luftschnappen oder typische Miemiken gefaked werden – aber wenn man bedenkt, wie wenig die meisten Leute schon Gesichtsmerkmale oder Spracheigenheiten zu deuten im Stande sind, steht der Untergang bevor – die glauben alles, sogar dass sie den lieben Gott persönlich vor sich haben…
Eigentlich grauenvoll.
Zum Glück greift man im ÖRR nicht auf KI zurück.
Wohl dem, der eine Sammlung an DVDs und BRs hat, weil er/sie/es dem Streaming Narrativ niemals vertraut hat und schon länger weiss, dass Mikrowellen a la Wlan und xG schädlich sind…
Damit kann Britney Spears endlich lippensynchron singen! Die Tontechniker könnten aber auch die Rede des Präsidenten verändern.
Regeln für Kommentare: Bitte bleibt respektvoll - keine Diffamierungen oder persönliche Angriffe. Keine Video-Links. Manche Kommentare werden erst nach Prüfung freigegeben, was gelegentlich länger dauern kann. Benutzer haften für den Inhalt ihrer Kommentare.
Sie müssen angemeldet sein um Kommentare zu posten. Noch kein Konto? Jetzt registrieren.