Microsoft описала ИИ, способный менять слова в прямом эфире и подстраивать их под зрителя. Грозит ли нам новая Вавилонская башня?

Едва мы успели порадоваться тому, что искусственный интеллект начинает устранять языковые барьеры, а в некоторых случаях даже профессиональные и связанные с недостатком знаний и навыков, как возникла угроза потерять нечто гораздо более важное. То, что на протяжении тысячелетий составляло основу человеческого общения: уверенность в том, что слова, которые мы слышим, действительно были произнесены другим человеком.

Ещё недавно мы восхищались возможностью разговаривать с людьми со всего мира, не зная их языка. ИИ переводит разговоры практически мгновенно, помогает понимать специальные знания, облегчает обучение и выполнение задач, которые раньше требовали многолетней подготовки. Казалось, технологии наконец позволят нам преодолеть барьеры, веками разделявшие человечество. Однако идея, описанная Microsoft, напоминает одну из древнейших библейских историй. И заставляет задаться тревожным вопросом: не начинаем ли мы сами строить новую Вавилонскую башню?

Вавилонская башня. Как человечество потеряло общий язык

Согласно Ветхому Завету, после Всемирного потопа потомки уцелевших людей жили вместе и говорили на одном языке. Ещё не существовало языковых барьеров, разделяющих народы. Люди могли свободно общаться, передавать друг другу знания, совместно строить планы и осуществлять даже самые грандиозные замыслы.

В Книге Бытия (11:1–9) рассказывается, как во время своих странствий люди пришли на равнину в земле Сеннаар, которую связывают с территорией древней Месопотамии. Они решили поселиться там и построить великий город и башню, вершина которой достигала бы небес. Они изготавливали обожжённые кирпичи, а вместо обычного строительного раствора использовали битум. Люди хотели создать сооружение, которое стало бы символом их могущества, прославить своё имя и не допустить рассеяния по всей земле.

В традиционном религиозном толковании это предприятие стало символом человеческой гордыни. Человек, осознав собственную силу и возможности, которые открывает совместная деятельность, захотел переступить границы, установленные для него Богом. Башня, устремлённая к небесам, должна была символизировать не только могущество цивилизации, но и стремление сравняться с Творцом.

Согласно библейскому повествованию, Бог сошёл, чтобы увидеть город и башню. Он увидел, что люди составляют один народ, говорят на одном языке и благодаря этому могут вместе осуществить практически всё, что задумают. Тогда Он решил смешать их языки, чтобы люди перестали понимать друг друга.

Последствия оказались катастрофическими для всего предприятия. Люди, которые ещё недавно могли вместе планировать и работать, внезапно утратили способность понимать друг друга. Одни перестали понимать распоряжения других. Согласовывать действия стало невозможно, строительство прекратилось, а прежде единая община рассеялась по всему миру. Место получило название Вавилон, которое библейское повествование связывает со смешением языков. Историческое происхождение этого названия иное: аккадское Bab-ilu означает «Врата Бога». Однако самое главное в этой истории не само прекращение строительства. Именно потеря общего языка привела к разрушению сотрудничества и рассеянию людей. Не потребовалось разрушать башню или уничтожать город. Достаточно было лишить людей способности понимать друг друга, чтобы их общее дело потеряло свою основу.

Microsoft и новая Вавилонская башня

Тысячи лет спустя человечество начало создавать технологию, которая, казалось, способна обратить вспять последствия библейского смешения языков. Искусственный интеллект уже сегодня позволяет переводить разговоры в реальном времени, генерировать речь на других языках и синхронизировать движения губ с переведённой речью. Два человека, говорящие на совершенно разных языках, могут вести беседу так, словно языкового барьера почти не существует.

Однако 29 октября 2026 года в Соединённых Штатах была опубликована патентная заявка Microsoft Technology Licensing, LLC, демонстрирующая совершенно другую сторону этих возможностей. Документ US 2026/0341309 A1, поданный 29 апреля 2025 года, описывает систему искусственного интеллекта, способную изменять произносимые слова практически в реальном времени. Причём речь идёт далеко не только о переводе с одного языка на другой.

Система может анализировать трансляцию, распознавать слова выступающего, выбирать фрагменты для замены и генерировать новые высказывания. Одновременно она способна изменять изображение таким образом, чтобы движения губ соответствовали новым словам, а переходы между оригинальной и изменённой записью выглядели плавными. В заявке предусмотрена задержка от одной до десяти секунд. Это время сопоставимо с задержкой, используемой в традиционных телевизионных трансляциях.

На первый взгляд всё выглядит безобидно. Система могла бы удалять ненужные повторы, слова-паразиты, оговорки, ругательства или неудачные формулировки. Она также могла бы исправлять языковые ошибки и переводить выступления. Однако документ предусматривает возможность гораздо более серьёзного вмешательства: подбор слов для замены на основе индивидуального профиля зрителя.

Такой профиль может содержать сведения о возрасте, языке, месте рождения и проживания, этническом происхождении, культуре, религии или образовании. Это означает, что одно и то же высказывание может быть изменено по-разному для разных зрителей. Один человек смотрел бы выступление и слышал одни слова, а другой в то же самое время, наблюдая лицо того же выступающего, мог бы услышать совершенно иное.

Но и это ещё не всё. В заявке также описана возможность исправления информации, которую система сочтёт ошибочной или вводящей в заблуждение. Алгоритм мог бы использовать интернет-поиск и на его основе заменять слова выступающего информацией, которую посчитает соответствующей актуальным знаниям.

Кто должен решать, что является правдой? Кто будет определять, какое слово оскорбительное, какое неуместное, а какое мнение нуждается в исправлении? И самое главное: будут ли знать об этом человек, чьи слова изменили, и зритель, который смотрит трансляцию?

Не нужно менять язык, чтобы лишить людей взаимопонимания

Представим трансляцию важного политического выступления, публичных дебатов или пресс-конференции. Миллионы людей смотрят на одного и того же человека. Зрители слышат естественно звучащую речь, наблюдают движения его губ и уверены, что узнали позицию выступающего. Затем они начинают обсуждать услышанное, цитировать его слова, оценивать их и принимать на их основе решения.

Но что, если часть аудитории услышала другие формулировки? Что, если для одной группы алгоритм смягчил высказывание, для другой удалил спорный фрагмент, а для третьей заменил его тем, что посчитал более подходящим? Тогда люди спорили бы уже не просто о разных интерпретациях одних и тех же фактов. Они могли бы спорить о словах, которые в действительности никогда не были произнесены.

В библейской истории жители Вавилона перестали понимать языки друг друга. Непонимание было очевидным. Каждый мог заметить, что собеседник говорит что-то непонятное. В цифровой версии Вавилонской башни всё могло бы происходить с точностью до наоборот. Все понимали бы каждое слово. Каждый был бы убеждён, что услышал подлинную речь. И при этом разные зрители могли бы существовать в совершенно разных версиях одной и той же реальности.

Разница принципиальна. Обычный перевод призван передать смысл чужих слов на языке, понятном получателю. Даже если перевод не всегда идеален, его целью остаётся сохранение смысла оригинала. Однако технология, позволяющая сознательно изменять содержание высказывания, переступает эту границу. Она перестаёт просто передавать слова и начинает самостоятельно формировать то, что зритель воспринимает как речь другого человека.

Кто получит власть над чужими словами?

Публикация патентной заявки не равнозначна внедрению готового продукта. Однако это не меняет принципиального факта: концепция автоматического, персонализированного изменения чужих высказываний была официально описана в опубликованной патентной заявке одной из крупнейших технологических компаний мира. Это уже не просто сценарий научно-фантастического фильма. Это конкретное техническое предложение, представленное в патентной документации.

Более того, нет оснований полагать, что подобное направление развития останется исключительной сферой деятельности одной корпорации. Генерация речи, анализ языка, синтез изображения, распознавание лиц и синхронизация движений губ являются направлениями, над которыми работают многие компании и исследовательские коллективы. Описанная Microsoft концепция показывает, каким образом эти возможности можно объединить в систему, непосредственно вмешивающуюся в содержание коммуникации.

Особенно тревожит то, чего в описанном решении не гарантируют. В самой патентной заявке не предусмотрено обязательное уведомление зрителя о каждом изменении, равно как и прямо установленное требование получать согласие выступающего на изменение его слов. Это, однако, не отменяет юридических обязательств, которым должна была бы соответствовать реально внедрённая система. Предусмотрена возможность сохранения оригинальной записи для последующего сравнения, но это вовсе не означает, что каждый зритель автоматически получит доступ к неизменённой версии.

Таким образом, возникает проблема, выходящая далеко за рамки традиционной цензуры. До сих пор цензор мог вырезать фрагмент программы, заблокировать публикацию или ограничить доступ к определённому содержанию. В описанном сценарии стало бы возможным гораздо более тонкое вмешательство: зритель не увидел бы пустого места вместо удалённой речи. Он услышал бы новое высказывание, приписанное тому же человеку и представленное как естественная часть его выступления.

Последствия могли бы затронуть не только политику или средства массовой информации. Точно так же можно представить изменение содержания интервью, лекций, учебных занятий, деловых переговоров, образовательных материалов или репортажей с общественных мероприятий. Если изменённую запись станут воспринимать как подлинную, ответственность за слова может быть возложена на человека, который никогда их не произносил.

Поэтому главный вопрос сегодня заключается не только в том, способен ли искусственный интеллект достаточно быстро изменять речь и изображение. Вопрос в другом: сохранит ли человек право на собственные слова, а зритель право узнать их первоначальный смысл? Без гарантий подлинности, открытого обозначения вмешательства и возможности сравнить материал с оригиналом технология, призванная облегчать общение, может превратиться в инструмент его разрушения.

Согласно библейской легенде, Бог смешал языки людей, чтобы они перестали понимать друг друга. Сегодня человечество создаёт инструменты, которые могут привести к аналогичному результату без изменения языка. Достаточно, чтобы каждый из нас начал слышать собственную версию одних и тех же слов. Современной Вавилонской башне больше не нужно достигать небес. Она может возникнуть между камерой и экраном. И её главная опасность будет заключаться в том, что люди даже не заметят момента, когда перестанут говорить об одной и той же реальности.