সরাসরি সম্প্রচারিত কোনো ভিডিওতে বক্তার কথা এবং সেই অনুযায়ী তার অবয়ব বা ঠোঁটের নড়াচড়া বদলে দেওয়ার এক চমকপ্রদ কৃত্রিম বুদ্ধিমত্তা বা এআই প্রযুক্তি উদ্ভাবন করছে প্রযুক্তি জায়ান্ট মাইক্রোসফট। এই প্রযুক্তির মাধ্যমে দুজন দর্শক একই লাইভ সম্প্রচার দেখলেও ভিন্ন ভিন্ন কথা শুনতে পারেন, যেখানে শব্দ পরিবর্তনের সঙ্গে সঙ্গে বক্তার মুখের ভঙ্গিও বদলে যাবে। ফলে দর্শকের কাছে মনে হবে, বক্তা শুরু থেকেই সেই পরিবর্তিত কথাগুলোই বলছেন। ভিডিওর দৃশ্য এবং শব্দ এমনভাবে সমন্বয় করা হবে যা অত্যন্ত স্বাভাবিক ও বাস্তবসম্মত মনে হবে। সাধারণত ভিডিওতে শব্দ ফিল্টার করা বা সাবটাইটেল যোগ করার প্রচলন থাকলেও, মাইক্রোসফটের এই উদ্যোগ ভিডিওর দৃশ্যপটকেই বদলে দেওয়ার ক্ষমতা রাখে।
ইন্টারন্যাশনাল বিজনেস টাইমস ইউকে-র এক প্রতিবেদনে এই প্রযুক্তির নেতিবাচক দিক ও উদ্বেগ নিয়ে আলোচনা করা হয়েছে। তাদের মতে, এই প্রযুক্তির কারণে আসল ভিডিও এবং ডিপফেইকের মধ্যে পার্থক্য করা আরও দুঃসাধ্য হয়ে পড়বে। বিশেষ করে সাংবাদিকতা, সম্প্রচার মাধ্যম এবং আদালতের বিচারিক প্রক্রিয়ায় প্রমাণ হিসেবে ভিডিও ব্যবহারের ক্ষেত্রে এটি বড় ধরনের ঝুঁকি তৈরি করতে পারে। যদি সম্পাদিত ভিডিওটি অত্যন্ত বিশ্বাসযোগ্য হয়, তবে মূল বক্তব্যে আসলে কী বলা হয়েছিল তা নিশ্চিত করা কঠিন হয়ে দাঁড়াবে। তবে পেটেন্ট আবেদনে ভবিষ্যতে তথ্য যাচাইয়ের সুবিধার্থে মূল অডিও ও ভিডিও সংরক্ষণ করার প্রস্তাব দেওয়া হয়েছে, যাতে প্রকৃত ঘটনার প্রমাণ রাখা সম্ভব হয়। পাশাপাশি দর্শকদের স্বচ্ছভাবে জানানো এবং মূল রেকর্ডে প্রবেশের সুযোগ দেওয়া প্রয়োজন বলে মনে করা হচ্ছে।
‘মাইক্রোসফট টেকনোলজি লাইসেন্সিং, এলএলসি’-এর নামে ২০২৫ সালের ২৯ এপ্রিল এই প্রযুক্তির পেটেন্টের আবেদন করা হয়, যা চলতি বছরের ২৯ অক্টোবর প্রকাশ্যে আসে। এই উদ্ভাবনের পেছনে রয়েছেন ডেভিড ক্যালাঘান এবং দিনেশ কুমার। বর্তমানে এটি কেবল একটি প্রস্তাবিত প্রযুক্তি হিসেবে পেটেন্ট আবেদনে বর্ণিত হয়েছে; এটি এখনো সাধারণ মানুষের জন্য উন্মুক্ত করা হয়নি এবং মাইক্রোসফটের পক্ষ থেকে বাজারজাতকরণের কোনো আনুষ্ঠানিক ঘোষণা আসেনি।
প্রযুক্তিগতভাবে এই এআই সরাসরি সম্প্রচারিত অডিও-ভিডিওর শব্দ পরিবর্তন করতে সক্ষম এবং তার সাথে সামঞ্জস্য রেখে বক্তার ঠোঁটের নড়াচড়াও বদলে দিতে পারে। এর মাধ্যমে ১ থেকে ১০ সেকেন্ডের মধ্যে যেকোনো আপত্তিকর কথা, ভুল উচ্চারণ কিংবা অপ্রয়োজনীয় শব্দ (যেমন: ‘উম’, ‘আ’, ‘অ্যা’) ছেঁটে ফেলে বক্তব্যকে আরও সাবলীল, পরিশীলিত ও শ্রুতিমধুর করা সম্ভব হবে। তবে এর সবচেয়ে আশঙ্কাজনক দিক হলো, বক্তার প্রকৃত কথার পরিবর্তে সম্পূর্ণ ভিন্ন কোনো কথা দর্শকদের শুনিয়ে দেওয়া সম্ভব হবে।
