Microsoft opisał AI, które może zmieniać słowa na żywo i dopasowywać je do odbiorcy. Czy grozi nam nowa wieża Babel?

Ledwie zdążyliśmy się ucieszyć, że sztuczna inteligencja zaczyna usuwać bariery językowe, a w niektórych przypadkach nawet zawodowe i kompetencyjne, gdy pojawiło się zagrożenie, że możemy stracić coś znacznie ważniejszego. Coś, co przez tysiące lat stanowiło fundament ludzkiej komunikacji: pewność, że słowa, które słyszymy, rzeczywiście zostały wypowiedziane przez drugiego człowieka.

Jeszcze niedawno zachwycaliśmy się możliwością rozmawiania z ludźmi z całego świata bez znajomości ich języka. AI tłumaczy rozmowy niemal natychmiast, pomaga zrozumieć specjalistyczną wiedzę, ułatwia naukę i wykonywanie zadań, które wcześniej wymagały wieloletniego przygotowania. Wydawało się, że technologia pozwoli nam wreszcie pokonać bariery, które przez stulecia dzieliły ludzkość. Tymczasem pomysł opisany przez Microsoft przywołuje jedną z najstarszych biblijnych opowieści. I rodzi niepokojące pytanie: czy sami nie zaczynamy budować nowej wieży Babel?

Wieża Babel. Jak ludzkość straciła wspólny język

Według Starego Testamentu, po wielkim potopie potomkowie ocalałych ludzi żyli razem i posługiwali się jednym językiem. Nie istniały jeszcze bariery językowe oddzielające narody. Ludzie mogli swobodnie porozumiewać się, przekazywać sobie wiedzę, wspólnie planować i realizować nawet najbardziej ambitne przedsięwzięcia.

W Księdze Rodzaju (11,1-9) opisano, jak podczas swojej wędrówki ludzie dotarli na równinę w kraju Szinear, utożsamianym z obszarem starożytnej Mezopotamii. Postanowili tam osiąść i wznieść wielkie miasto oraz wieżę, której szczyt miał sięgać nieba. Wytwarzali wypalane cegły, a zamiast tradycyjnej zaprawy używali smoły. Chcieli stworzyć budowlę będącą symbolem ich potęgi, zdobyć sławę i zapobiec rozproszeniu się po całej ziemi.

W tradycyjnej interpretacji religijnej przedsięwzięcie to stało się symbolem ludzkiej pychy. Człowiek, świadomy swojej siły i możliwości wynikających ze wspólnego działania, zapragnął przekroczyć granice wyznaczone mu przez Boga. Wieża sięgająca nieba miała symbolizować nie tylko potęgę cywilizacji, ale również pragnienie dorównania Stwórcy.

Według biblijnej opowieści Bóg zstąpił, aby zobaczyć miasto i wieżę. Dostrzegł, że ludzie stanowią jeden naród, mówią jednym językiem, a dzięki temu mogą wspólnie realizować niemal wszystko, co sobie zamierzą. Postanowił więc pomieszać ich mowę, aby przestali się wzajemnie rozumieć.

Skutek okazał się katastrofalny dla całego przedsięwzięcia. Ludzie, którzy jeszcze chwilę wcześniej mogli wspólnie planować i pracować, nagle utracili zdolność porozumiewania się. Jedni nie rozumieli poleceń drugich. Uzgadnianie działań stało się niemożliwe, budowę przerwano, a dotychczas zjednoczona społeczność rozproszyła się po świecie. Miejsce nazwano Babel, co biblijna narracja wiąże z pomieszaniem języków. Historyczne pochodzenie tej nazwy jest inne: akadyjskie Bab-ilu oznacza „Bramę Boga”. Najważniejsze w tej historii nie jest jednak samo przerwanie budowy. To utrata wspólnego języka doprowadziła do rozpadu współpracy i rozproszenia ludzi. Nie trzeba było burzyć wieży ani niszczyć miasta. Wystarczyło odebrać ludziom zdolność wzajemnego rozumienia się, aby ich wspólne dzieło straciło fundament.

Microsoft i nowa wieża Babel

Tysiące lat później ludzkość zaczęła tworzyć technologię, która wydawała się odwracać skutki biblijnego pomieszania języków. Sztuczna inteligencja umożliwia dziś tłumaczenie rozmów na żywo, generowanie wypowiedzi w innych językach i dopasowywanie ruchu ust do przetłumaczonego głosu. Dwóch ludzi mówiących zupełnie różnymi językami może prowadzić rozmowę tak, jakby bariera językowa prawie nie istniała.

Jednak 29 października 2026 roku w Stanach Zjednoczonych opublikowano zgłoszenie patentowe Microsoft Technology Licensing, LLC, które pokazuje zupełnie inną stronę tych możliwości. Dokument US 2026/0341309 A1, złożony 29 kwietnia 2025 roku, opisuje system sztucznej inteligencji zdolny do zmieniania wypowiadanych słów niemal w czasie rzeczywistym. Nie chodzi przy tym wyłącznie o tłumaczenie z jednego języka na drugi.

System może analizować transmisję, rozpoznawać słowa mówcy, wybierać fragmenty do zastąpienia i generować nowe wypowiedzi. Jednocześnie może modyfikować obraz tak, aby ruch ust odpowiadał nowym słowom, a przejścia między oryginalnym i zmienionym nagraniem były płynne. W zgłoszeniu przewidziano opóźnienie od jednej do dziesięciu sekund. To czas porównywalny z opóźnieniem stosowanym w tradycyjnych transmisjach telewizyjnych.

Na pierwszy rzut oka brzmi to niewinnie. System mógłby usuwać zbędne powtórzenia, słowa-wypełniacze, przejęzyczenia, wulgaryzmy czy niezręczne sformułowania. Mógłby również poprawiać błędy językowe i tłumaczyć wypowiedzi. Jednak dokument przewiduje znacznie dalej idącą możliwość: dobieranie zastępczych słów na podstawie indywidualnego profilu odbiorcy.

W takim profilu mogą znajdować się informacje dotyczące wieku, języka, miejsca urodzenia i zamieszkania, pochodzenia etnicznego, kultury, religii czy wykształcenia. Oznacza to, że ta sama wypowiedź mogłaby zostać zmodyfikowana w różny sposób dla różnych widzów. Jedna osoba oglądałaby przemówienie i słyszała jedne słowa, a druga, w tym samym czasie, obserwując twarz tego samego człowieka, mogłaby usłyszeć coś innego.

To jednak nie wszystko. W zgłoszeniu opisano także możliwość korygowania informacji uznanych przez system za błędne lub wprowadzające w błąd. Algorytm mógłby korzystać z wyszukiwania internetowego i na tej podstawie zastępować wypowiedzi mówcy informacjami, które uzna za zgodne z aktualną wiedzą.

Kto miałby decydować, co jest prawdą? Kto ustalałby, które słowo jest obraźliwe, które niewłaściwe, a która opinia wymaga poprawienia? I co najważniejsze: czy człowiek, którego słowa zostaną zmienione, oraz widz oglądający transmisję będą o tym wiedzieć?

Nie trzeba zmieniać języka, aby odebrać ludziom porozumienie

Wyobraźmy sobie transmisję ważnego przemówienia politycznego, debaty publicznej albo konferencji prasowej. Miliony ludzi oglądają tę samą osobę. Widzowie słyszą naturalnie brzmiącą wypowiedź, obserwują ruch jej ust i są przekonani, że poznali stanowisko mówcy. Później zaczynają dyskutować, cytować jego słowa, oceniać je i podejmować na ich podstawie decyzje.

Ale co, jeśli część odbiorców usłyszała inne sformułowania? Co, jeśli dla jednej grupy algorytm złagodził wypowiedź, dla drugiej usunął kontrowersyjny fragment, a dla trzeciej zastąpił go czymś, co uznał za bardziej odpowiednie? Wówczas ludzie nie spieraliby się już wyłącznie o interpretację tych samych faktów. Mogliby spierać się o słowa, które w rzeczywistości nigdy nie padły.

W biblijnej historii mieszkańcy Babel przestali rozumieć swoje języki. Nieporozumienie było oczywiste. Każdy mógł zauważyć, że rozmówca mówi coś niezrozumiałego. W cyfrowej wersji wieży Babel mogłoby być dokładnie odwrotnie. Wszyscy rozumieliby każde słowo. Każdy byłby przekonany, że usłyszał prawdziwą wypowiedź. A mimo to poszczególni odbiorcy mogliby funkcjonować w odmiennych wersjach tej samej rzeczywistości.

Różnica jest fundamentalna. Zwykłe tłumaczenie ma przekazać znaczenie cudzych słów w języku zrozumiałym dla odbiorcy. Nawet jeśli przekład nie zawsze jest doskonały, jego celem pozostaje zachowanie sensu oryginału. Natomiast technologia pozwalająca świadomie zmieniać treść wypowiedzi przekracza tę granicę. Przestaje jedynie przekazywać słowa i zaczyna współtworzyć to, co odbiorca uznaje za wypowiedź drugiego człowieka.

Kto otrzyma władzę nad cudzymi słowami?

Opublikowanie zgłoszenia patentowego nie jest równoznaczne z wdrożeniem gotowego produktu. Nie zmienia to jednak zasadniczego faktu: koncepcja automatycznej, personalizowanej zmiany cudzych wypowiedzi została formalnie opisana w opublikowanym zgłoszeniu patentowym jednej z największych firm technologicznych świata. Nie jest to już wyłącznie scenariusz filmu science fiction. Jest to konkretna propozycja techniczna przedstawiona w dokumentacji patentowej.

Co więcej, nie ma podstaw, aby zakładać, że podobny kierunek rozwoju pozostanie domeną jednej korporacji. Generowanie mowy, analiza języka, synteza obrazu, rozpoznawanie twarzy i dopasowywanie ruchu ust są obszarami rozwijanymi przez wiele firm i zespołów badawczych. Opisana przez Microsoft koncepcja pokazuje, w jaki sposób można połączyć te możliwości w system ingerujący bezpośrednio w treść komunikacji.

Szczególnie niepokojące jest to, czego w opisanym rozwiązaniu nie zagwarantowano. W samym zgłoszeniu patentowym nie określono obowiązkowego informowania widza o każdej zmianie ani wyraźnego wymogu uzyskania zgody mówcy na modyfikowanie jego słów. Nie przesądza to jednak o obowiązkach prawnych, które musiałby spełniać rzeczywiście wdrożony system. Przewidziano możliwość zachowania oryginalnego nagrania jako materiału odniesienia, lecz nie oznacza to automatycznie, że każdy odbiorca otrzyma dostęp do niezmienionej wersji.

Powstaje zatem problem wykraczający daleko poza tradycyjną cenzurę. Dotychczas cenzor mógł wyciąć fragment programu, zablokować publikację albo ograniczyć dostęp do określonych treści. W opisanym scenariuszu możliwa byłaby znacznie subtelniejsza ingerencja: odbiorca nie zobaczyłby pustego miejsca po usuniętej wypowiedzi. Usłyszałby nową wypowiedź, przypisaną temu samemu człowiekowi i przedstawioną jako naturalna część jego przemówienia.

Konsekwencje mogłyby dotyczyć nie tylko polityki czy mediów. Tak samo można wyobrazić sobie zmianę treści wywiadów, wykładów, szkoleń, rozmów biznesowych, materiałów edukacyjnych czy relacji z wydarzeń publicznych. Gdyby zmodyfikowane nagranie traktowano jako autentyczny zapis, odpowiedzialność za słowa mogłaby zostać przypisana osobie, która ich nigdy nie wypowiedziała.

Dlatego najważniejszym pytaniem nie jest dziś wyłącznie to, czy sztuczna inteligencja potrafi zmieniać mowę i obraz wystarczająco szybko. Pytanie brzmi: czy człowiek zachowa prawo do własnych słów, a odbiorca prawo do poznania ich oryginalnego znaczenia? Bez gwarancji autentyczności, jawnego oznaczania ingerencji i możliwości porównania materiału z oryginałem technologia ułatwiająca komunikację może stać się narzędziem jej niszczenia.

Według biblijnej legendy Bóg pomieszał języki ludzi, aby przestali się rozumieć. Dzisiaj ludzkość tworzy narzędzia, które mogą doprowadzić do podobnego skutku bez zmiany języka. Wystarczy, że każdy z nas zacznie słyszeć inną wersję tych samych słów. Współczesna wieża Babel nie musi już sięgać nieba. Może powstać między kamerą a ekranem. A jej największym zagrożeniem będzie to, że ludzie nawet nie zauważą chwili, w której przestali mówić o tej samej rzeczywistości.