¿Te imaginas ver una rueda de prensa en riguroso directo y que lo que escuchas no sea exactamente lo que esa persona está diciendo? No te hablo de un montaje hecho a posteriori en postproducción, sino de una alteración casi instantánea frente a tus ojos. Pues bien, Microsoft acaba de subir la apuesta en el terreno de los modelos generativos. Han registrado una patente para una herramienta de inteligencia artificial capaz de modificar el audio y la imagen de vídeos en directo. Una auténtica barbaridad técnica.
Y la cosa va muy en serio. Según la documentación que ha salido a la luz, este sistema consigue que el orador parezca pronunciar palabras completamente distintas a las que está diciendo frente a la cámara. Básicamente, un modelo de IA analiza el flujo de la grabación al vuelo. Identifica de entre una marea de palabras aquellos términos exactos que el usuario ha marcado para reemplazar y los fulmina. Acto seguido, otro modelo sincroniza los labios y el rostro del orador con el nuevo audio generado sintéticamente. Así de inquietante.
El fin de la latencia: reescritura facial en menos de diez segundos
Evidentemente, la primera pregunta que nos viene a la cabeza al hablar de vídeo en tiempo real es el maldito retardo. Modificar píxeles, expresiones faciales y ondas de sonido sobre la marcha exige una potencia de cálculo descomunal. Sin embargo, los desarrolladores indican en la patente que la transformación del contenido se ejecuta en un intervalo de entre uno y diez segundos. Un simple delay típico de retransmisión televisiva es más que suficiente para reescribir la realidad antes de que llegue a tu pantalla.
Para conseguir esta hazaña, el sistema utiliza agentes de IA que auditan el sonido sin descanso. Cuando detectan la orden, ceden el control a un modelo generativo que altera físicamente la imagen. Si quieres profundizar en los entresijos de esta arquitectura, puedes echar un vistazo al análisis de Patentlyze, donde explican cómo consiguen mantener estable este pipeline visual. La IA, literalmente, mueve los músculos digitales de la cara para que la mentira o la corrección parezca totalmente orgánica.
También te puede interesar:Microsoft ofrece miles de dólares a quienes encuentren vulnerabilidades en su IADe corregir un tartamudeo a imponer filtros ideológicos
A primera vista, la excusa de la compañía para desarrollar esto suena hasta bondadosa. Uno de los usos estrella apuntaría a la traducción simultánea en emisiones televisivas o en entornos de realidad aumentada. Te pones unas gafas, y el directivo japonés de turno te da una charla en perfecto español, vocalizando cada sílaba en tu idioma. La inmersión sería absoluta.
A ello se le suma el típico lavado de cara corporativo. En su versión más básica, la herramienta promete suprimir ruidos molestos de fondo, eliminar las temidas muletillas, disimular un tartamudeo o corregir palabras mal pronunciadas. Es decir, pulir al extremo la presentación de un portavoz nervioso para que su intervención sea impecable. Hasta aquí, casi todos firmaríamos. Pero claro, la letra pequeña esconde intenciones que escalan muy rápido hacia la censura automatizada.
Resulta que el sistema contempla abiertamente aplicar filtros lingüísticos o ideológicos. La patente habla de eliminar coloquialismos, modismos de ciertas zonas geográficas o términos directamente ofensivos. Y aquí viene lo más salvaje: la herramienta podría hacer búsquedas automáticas en internet para comprobar datos y, si el orador se equivoca, sustituir su voz por la cifra correcta. Estaríamos creando una burbuja a medida donde el espectador solo consume mensajes moldeados a sus propias expectativas y sin acentos regionales. Una distopía algorítmica perfecta.
Echando gasolina al fuego de los deepfakes
Como era de esperar, esta noticia ha provocado sudores fríos en la comunidad tecnológica. Tal y como advierten desde Futurism, poner en el mercado una herramienta con este potencial destructivo dinamita la poca credibilidad que le queda a los medios visuales. La capacidad de manipular retransmisiones en tiempo real es un misil directo contra la autenticidad del vídeo.
También te puede interesar:Microsoft ofrece miles de dólares a quienes encuentren vulnerabilidades en su IAJusto ahora, cuando el hardware ha abaratado enormemente la creación de contenido falso, regalar una navaja suiza capaz de reescribir un discurso en directo da vértigo. La barrera entre un simple filtro familiar anti-insultos y la manipulación política en un debate televisado se vuelve invisible. La máquina obedece ciegamente las reglas impuestas por quien controle la emisión, sin importar las consecuencias éticas.
Para curarse en salud, los inventores han dejado constancia de un pequeño salvavidas legal. El software permite guardar una copia de la grabación original intacta para auditar posibles manipulaciones abusivas. Una medida lógica, pero que sirve de muy poco cuando el corte falseado ya ha inundado las redes sociales y millones de personas lo han dado por bueno.
El debate que se abre hoy es gigantesco. La tecnología subyacente ya funciona y las grandes tecnológicas están corriendo por blindar sus patentes. Ahora nos tocará esperar para ver si Microsoft se atreve a integrar esta bestia generativa en sus productos diarios, o si la mantiene bajo llave por miedo al caos regulatorio. Lo único seguro es que no volveremos a mirar un evento en directo con los mismos ojos.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
