© FabrikaSimf – Voix, visage, paroles : le brevet de Microsoft décrit une IA capable de tout retoucher en quasi temps réel, pendant un direct.
Microsoft Technology Licensing, la filiale qui gère la propriété intellectuelle du groupe, a déposé une demande de brevet au titre aussi technique que vertigineux : une "amélioration par intelligence artificielle, en quasi temps réel, de vidéos ou de présentations en réalité augmentée d'événements en direct".
Repéré par le service de veille Patentlyze, le document décrit des agents IA capables d'écouter un discours pendant qu'il est prononcé, de repérer certains mots, de les supprimer ou de les remplacer. L'IA retouche ensuite le visage et la bouche de l'orateur pour que l'image colle au nouveau son. Microsoft n'a pas commenté.
Le système s'appuie sur des paramètres définis à l'avance et sur le profil de chaque spectateur. Il retouche l'audio et la vidéo juste avant et juste après chaque mot modifié, pour gommer toute coupure visible. Les mots de remplacement pourraient même provenir d'une recherche sur Internet, selon l'analyse publiée par Futurism. Google a déjà montré jusqu'où va la retouche : en mai, une démonstration de Gemini Omni modifiait une vidéo réelle sans que personne ne voie la différence. Microsoft ajoute le direct.
Le brevet vise large : conférences, présentations, cérémonies de remise de prix, jeux télévisés, émissions culinaires et retransmissions sportives. Il évoque des usages séduisants, comme une traduction instantanée qui ferait parler l'orateur dans la langue du spectateur, avec les lèvres synchronisées. Le procédé existe déjà en différé : Prime Video mise sur l'IA pour caler la bouche des acteurs sur leur doublage. Le brevet prévoit aussi la suppression des "euh", des bégaiements et des expressions régionales. La liste des mots à effacer va beaucoup plus loin.
Mots marmonnés, mal prononcés, mal employés, lapsus, mots offensants, insensibles ou inappropriés.
Chaque spectateur pourrait ainsi recevoir sa propre version d'un même direct, expurgée de ce qu'il ne souhaite pas entendre.
La brique technique existe déjà dans les laboratoires du groupe. En avril 2024, Microsoft Research Asia a présenté VASA-1, un modèle capable d'animer un visage réaliste à partir d'une seule photo et d'un enregistrement de voix. Les lèvres suivent le son au millimètre, la tête bouge naturellement, et le tout tourne en temps réel, jusqu'à 40 images par seconde selon la publication de ses chercheurs. Microsoft avait alors renoncé à le rendre public.
Microsoft semble avoir mesuré le risque. Le document prévoit que la vidéo et le son originaux puissent être enregistrés et conservés comme "vérité de référence", pour retrouver ce qui a réellement été dit. Il ne précise pas qui pourrait consulter cet enregistrement, ni comment.
Une demande de brevet reste une intention : les géants de la tech en déposent des milliers chaque année, et beaucoup ne deviennent jamais des produits. En Europe, un tel outil se heurterait de toute façon au règlement européen sur l'intelligence artificielle. Depuis le 2 août 2026, son article 50 oblige ceux qui diffusent un hypertrucage, une vidéo dont les paroles ou le visage ont été manipulés par l'IA, à le signaler au public.
Côté détection, les outils restent partiels. Google permet de vérifier si une vidéo sort de ses propres modèles grâce à son filigrane SynthID, sans rien pouvoir dire des contenus produits ailleurs. Quant aux réflexes qui permettent de repérer un deepfake, ils supposent d'avoir le temps d'observer la vidéo. Face à une retouche invisible glissée au milieu d'un direct, le spectateur n'a ni ce temps, ni l'original sous les yeux.
Suivez toute l'actualité des Numériques sur Google Actualités et sur la chaîne WhatsApp des Numériques
Envie de faire encore plus d'économies ? Découvrez nos codes promo sélectionnés pour vous.
