微軟探索音生圖AI模型，實(shí)時(shí)視覺(jué)化會(huì)議演講者語(yǔ)音講述的場(chǎng)景

　　科技媒體 MSPoweruser 昨日(10 月 14 日)發(fā)布博文，報(bào)道稱(chēng)微軟公司獲得了一項(xiàng)新的專(zhuān)利，描述了基于用戶(hù)實(shí)時(shí)輸入的語(yǔ)音來(lái)生成圖片。

　　根據(jù)美國(guó)商標(biāo)和專(zhuān)利局最新公示的清單，該專(zhuān)利共計(jì) 20 頁(yè)，微軟于 2023 年 4 月 5 日提交申請(qǐng)，于 10 月 10 日獲批。

　　根據(jù)專(zhuān)利描述，該系統(tǒng)可以在會(huì)議或講座中實(shí)時(shí)捕捉音頻，隨后通過(guò)語(yǔ)言模型進(jìn)行總結(jié)，并生成相應(yīng)的 AI 圖像。

　　援引該媒體報(bào)道，該工作會(huì)分為 3 個(gè)步驟：

　　捕捉音頻：用戶(hù)通過(guò)麥克風(fēng)發(fā)言，系統(tǒng)實(shí)時(shí)記錄并轉(zhuǎn)化為文本。

　　處理文本：分段記錄文本，每段內(nèi)容通過(guò)語(yǔ)言模型進(jìn)行總結(jié)。

　　生成圖像：根據(jù)總結(jié)生成的提示，系統(tǒng)創(chuàng)建 AI 生成的圖像，并在屏幕上實(shí)時(shí)顯示。

　　預(yù)計(jì)該功能將主要應(yīng)用于 Microsoft Teams。隨著演講者話題的變化，實(shí)時(shí)生成的圖像也會(huì)隨之更新，從而增強(qiáng)視覺(jué)溝通的效果。微軟表示，這種圖像的使用有助于澄清概念，特別適合通過(guò)視覺(jué)輔助學(xué)習(xí)的用戶(hù)。