微软探索音生图AI模型，实时视觉化会议演讲者语音讲述的场景

刘绪刚

IT之家 10 月 15 日消息，科技媒体 MSPoweruser 昨日（10 月 14 日）发布博文，报道称微软公司获得了一项新的专利，描述了基于用户实时输入的语音来生成图片。
根据美国商标和专利局最新公示的清单，该专利共计 20 页，微软于 2023 年 4 月 5 日提交申请，于 10 月 10 日获批。
根据专利描述，该系统可以在会议或讲座中实时捕捉音频，随后通过语言模型进行总结，并生成相应的 AI 图像。

IT之家援引该媒体报道，该工作会分为 3 个步骤：
捕捉音频：用户通过麦克风发言，系统实时记录并转化为文本。
处理文本：分段记录文本，每段内容通过语言模型进行总结。
生成图像：根据总结生成的提示，系统创建 AI 生成的图像，并在屏幕上实时显示。
预计该功能将主要应用于 Microsoft Teams。随着演讲者话题的变化，实时生成的图像也会随之更新，从而增强视觉沟通的效果。微软表示，这种图像的使用有助于澄清概念，特别适合通过视觉辅助学习的用户。