微軟近期宣布，他們成功獲得了一項創(chuàng)新專利，該技術(shù)能夠?qū)崟r將用戶的語音輸入轉(zhuǎn)化為生動的圖片，為會議和講座帶來前所未有的視覺革新。據(jù)悉，這項專利的核心在于能夠?qū)崟r捕捉會議或講座中的音頻內(nèi)容，借助先進的語言模型進行內(nèi)容提煉，并最終生成相應(yīng)的AI圖像。整個過程涵蓋了音頻捕捉、文本處理和圖像生成三大環(huán)節(jié)。

在實際操作中，用戶通過麥克風發(fā)言，系統(tǒng)即刻捕捉音頻并將其轉(zhuǎn)換為文本。隨后，系統(tǒng)將文本進行分段處理，并運用語言模型對每段內(nèi)容進行精煉總結(jié)。最后，根據(jù)這些總結(jié)內(nèi)容，系統(tǒng)生成相應(yīng)的AI圖像，并實時展示在屏幕上。

微軟計劃將這項技術(shù)廣泛應(yīng)用于其Microsoft Teams平臺，使其能夠根據(jù)演講者話題的變化實時更新圖像，從而極大地提升視覺溝通效果。微軟強調(diào)，這種圖像輔助功能對于視覺學習者來說尤為有益，能夠幫助他們更清晰地理解和吸收信息。

這項專利的申請始于2023年4月5日，經(jīng)過長達半年的嚴格審核，最終于10月獲得了美國商標和專利局的正式批準。該專利文件共計20頁，詳細闡述了如何將語音實時轉(zhuǎn)化為圖像的技術(shù)細節(jié)。