Microsoft описала ШІ, здатний змінювати слова в прямому ефірі та підлаштовувати їх під глядача. Чи загрожує нам нова Вавилонська вежа?

Щойно ми встигли зрадіти тому, що штучний інтелект починає долати мовні бар'єри, а в деяких випадках навіть професійні та пов'язані з браком знань і навичок, як виникла загроза втратити щось набагато важливіше. Те, що протягом тисячоліть становило основу людського спілкування: впевненість у тому, що слова, які ми чуємо, справді були вимовлені іншою людиною.

Ще зовсім недавно ми захоплювалися можливістю розмовляти з людьми з усього світу, не знаючи їхньої мови. ШІ перекладає розмови майже миттєво, допомагає опановувати спеціалізовані знання, полегшує навчання та виконання завдань, які раніше вимагали багаторічної підготовки. Здавалося, технології нарешті дозволять нам подолати бар'єри, які століттями розділяли людство. Однак ідея, описана Microsoft, нагадує одну з найдавніших біблійних історій. І змушує поставити тривожне запитання: чи не починаємо ми самі будувати нову Вавилонську вежу?

Вавилонська вежа. Як людство втратило спільну мову

Згідно зі Старим Завітом, після Всесвітнього потопу нащадки людей, які врятувалися, жили разом і розмовляли однією мовою. Ще не існувало мовних бар'єрів, які розділяють народи. Люди могли вільно спілкуватися, передавати одне одному знання, спільно будувати плани та втілювати навіть найамбітніші задуми.

У Книзі Буття (11:1–9) розповідається, як під час своїх мандрів люди прийшли на рівнину в землі Шинар, яку пов'язують із територією стародавньої Месопотамії. Вони вирішили оселитися там і збудувати велике місто та вежу, вершина якої сягала б небес. Виготовляли випалену цеглу, а замість звичайного будівельного розчину використовували бітум. Люди прагнули створити споруду, яка стала б символом їхньої могутності, прославити своє ім'я та не допустити розселення по всій землі.

У традиційному релігійному тлумаченні цей задум став символом людської гордині. Людина, усвідомивши власну силу та можливості, які відкриває спільна діяльність, захотіла переступити межі, встановлені для неї Богом. Вежа, що здіймалася до небес, мала символізувати не лише могутність цивілізації, а й прагнення зрівнятися з Творцем.

Згідно з біблійною розповіддю, Бог зійшов, щоб побачити місто та вежу. Він побачив, що люди становлять один народ, розмовляють однією мовою і завдяки цьому можуть спільно здійснити практично все, що задумають. Тоді Він вирішив змішати їхні мови, щоб люди перестали розуміти одне одного.

Наслідки виявилися катастрофічними для всього задуму. Люди, які ще недавно могли разом планувати та працювати, раптово втратили здатність розуміти одне одного. Одні перестали розуміти розпорядження інших. Узгоджувати дії стало неможливо, будівництво припинилося, а колись єдина спільнота розселилася по всьому світу. Місце отримало назву Вавилон, яку біблійна оповідь пов'язує зі змішанням мов. Історичне походження цієї назви інше: аккадське Bab-ilu означає «Брама Бога». Однак найголовніше в цій історії не саме припинення будівництва. Саме втрата спільної мови призвела до руйнування співпраці та розпорошення людей. Не потрібно було руйнувати вежу чи знищувати місто. Достатньо було позбавити людей здатності розуміти одне одного, щоб їхня спільна справа втратила свою основу.

Microsoft і нова Вавилонська вежа

Тисячі років потому людство почало створювати технологію, яка, здавалося, здатна повернути назад наслідки біблійного змішання мов. Штучний інтелект уже сьогодні дозволяє перекладати розмови в реальному часі, генерувати мовлення іншими мовами та синхронізувати рухи губ із перекладеною промовою. Двоє людей, які розмовляють зовсім різними мовами, можуть вести бесіду так, ніби мовного бар'єра майже не існує.

Однак 29 жовтня 2026 року у Сполучених Штатах було опубліковано патентну заявку Microsoft Technology Licensing, LLC, яка демонструє зовсім інший бік цих можливостей. Документ US 2026/0341309 A1, поданий 29 квітня 2025 року, описує систему штучного інтелекту, здатну змінювати вимовлені слова практично в реальному часі. Причому йдеться далеко не лише про переклад з однієї мови іншою.

Система може аналізувати трансляцію, розпізнавати слова промовця, вибирати фрагменти для заміни та генерувати нові висловлювання. Водночас вона здатна змінювати зображення так, щоб рухи губ відповідали новим словам, а переходи між оригінальним і зміненим записом виглядали плавними. У заявці передбачено затримку від однієї до десяти секунд. Це час, співставний із затримкою, яку використовують у традиційних телевізійних трансляціях.

На перший погляд усе виглядає безневинно. Система могла б прибирати зайві повторення, слова-паразити, обмовки, лайку чи невдалі формулювання. Вона також могла б виправляти мовні помилки та перекладати виступи. Однак документ передбачає можливість значно серйознішого втручання: добір слів для заміни на основі індивідуального профілю глядача.

Такий профіль може містити відомості про вік, мову, місце народження та проживання, етнічне походження, культуру, релігію чи освіту. Це означає, що одне й те саме висловлювання може бути змінене по-різному для різних глядачів. Одна людина дивилася б виступ і чула одні слова, а інша в той самий час, спостерігаючи за обличчям того самого промовця, могла б почути зовсім інше.

Але й це ще не все. У заявці також описано можливість виправлення інформації, яку система вважатиме помилковою або такою, що вводить в оману. Алгоритм міг би використовувати пошук в інтернеті та на його основі замінювати слова промовця інформацією, яку вважатиме відповідною актуальним знанням.

Хто має вирішувати, що є правдою? Хто визначатиме, яке слово образливе, яке недоречне, а яка думка потребує виправлення? І найголовніше: чи знатимуть про це людина, чиї слова змінили, та глядач, який дивиться трансляцію?

Не потрібно змінювати мову, щоб позбавити людей взаєморозуміння

Уявімо трансляцію важливого політичного виступу, публічних дебатів або пресконференції. Мільйони людей дивляться на ту саму людину. Глядачі чують природне мовлення, спостерігають за рухами її губ і впевнені, що дізналися позицію промовця. Потім починають обговорювати почуте, цитувати його слова, оцінювати їх і ухвалювати на їхній основі рішення.

Але що, як частина аудиторії почула інші формулювання? Що, як для однієї групи алгоритм пом'якшив висловлювання, для другої видалив суперечливий фрагмент, а для третьої замінив його тим, що вважав доречнішим? Тоді люди сперечалися б уже не просто про різні тлумачення тих самих фактів. Вони могли б сперечатися про слова, яких насправді ніколи не було вимовлено.

У біблійній історії жителі Вавилона перестали розуміти мови одне одного. Непорозуміння було очевидним. Кожен міг помітити, що співрозмовник говорить щось незрозуміле. У цифровій версії Вавилонської вежі все могло б відбуватися з точністю до навпаки. Усі розуміли б кожне слово. Кожен був би переконаний, що почув справжню промову. І водночас різні глядачі могли б існувати в зовсім різних версіях тієї самої реальності.

Різниця принципова. Звичайний переклад покликаний передати зміст чужих слів мовою, зрозумілою одержувачеві. Навіть якщо переклад не завжди досконалий, його метою залишається збереження змісту оригіналу. Проте технологія, яка дозволяє свідомо змінювати зміст висловлювання, переступає цю межу. Вона перестає просто передавати слова й починає самостійно формувати те, що глядач сприймає як промову іншої людини.

Хто отримає владу над чужими словами?

Публікація патентної заявки не рівнозначна впровадженню готового продукту. Однак це не змінює принципового факту: концепція автоматичної, персоналізованої зміни чужих висловлювань була офіційно описана в опублікованій патентній заявці однієї з найбільших технологічних компаній світу. Це вже не просто сценарій науково-фантастичного фільму. Це конкретна технічна пропозиція, представлена в патентній документації.

Ба більше, немає підстав вважати, що подібний напрям розвитку залишиться виключною сферою діяльності однієї корпорації. Генерування мовлення, аналіз мови, синтез зображення, розпізнавання облич і синхронізація рухів губ є напрямами, над якими працюють багато компаній і дослідницьких колективів. Описана Microsoft концепція показує, яким чином ці можливості можна об'єднати в систему, що безпосередньо втручається у зміст комунікації.

Особливо тривожить те, чого в описаному рішенні не гарантують. У самій патентній заявці не передбачено обов'язкового повідомлення глядача про кожну зміну, так само як і прямо встановленої вимоги отримувати згоду промовця на зміну його слів. Це, однак, не скасовує юридичних зобов'язань, яким мала б відповідати реально впроваджена система. Передбачено можливість збереження оригінального запису для подальшого порівняння, але це зовсім не означає, що кожен глядач автоматично отримає доступ до незміненої версії.

Таким чином виникає проблема, що виходить далеко за межі традиційної цензури. Досі цензор міг вирізати фрагмент програми, заблокувати публікацію або обмежити доступ до певного змісту. В описаному сценарії стало б можливим набагато тонше втручання: глядач не побачив би порожнього місця замість видаленої промови. Він почув би нове висловлювання, приписане тій самій людині й представлене як природна частина її виступу.

Наслідки могли б торкнутися не лише політики чи засобів масової інформації. Так само можна уявити зміну змісту інтерв'ю, лекцій, навчальних занять, ділових переговорів, освітніх матеріалів або репортажів із громадських заходів. Якщо змінений запис сприйматимуть як справжній, відповідальність за слова може бути покладена на людину, яка ніколи їх не вимовляла.

Тому головне питання сьогодні полягає не лише в тому, чи здатний штучний інтелект достатньо швидко змінювати мовлення та зображення. Питання в іншому: чи збереже людина право на власні слова, а глядач право дізнатися їхній початковий зміст? Без гарантій справжності, відкритого позначення втручання та можливості порівняти матеріал з оригіналом технологія, покликана полегшувати спілкування, може перетворитися на інструмент його руйнування.

Згідно з біблійною легендою, Бог змішав мови людей, щоб вони перестали розуміти одне одного. Сьогодні людство створює інструменти, які можуть призвести до аналогічного результату без зміни мови. Достатньо, щоб кожен із нас почав чути власну версію тих самих слів. Сучасній Вавилонській вежі більше не потрібно сягати небес. Вона може виникнути між камерою та екраном. І її головна небезпека полягатиме в тому, що люди навіть не помітять моменту, коли перестануть говорити про ту саму реальність.