近日，科技媒體MSPoweruser發(fā)布報(bào)道，透露微軟公司新獲一項(xiàng)創(chuàng)新專利，該專利描述了一種基于用戶實(shí)時(shí)語音輸入來生成圖片的技術(shù)。

據(jù)悉，這項(xiàng)專利文件長(zhǎng)達(dá)20頁，微軟于2023年4月5日提交申請(qǐng)，并于10月10日獲得批準(zhǔn)。根據(jù)專利的詳細(xì)描述，該系統(tǒng)能夠在會(huì)議或講座等場(chǎng)合實(shí)時(shí)捕捉音頻內(nèi)容，隨后利用語言模型對(duì)這些音頻進(jìn)行總結(jié)，并據(jù)此生成相應(yīng)的AI圖像。

該專利所描述的工作流程分為三個(gè)主要步驟：首先是捕捉音頻，即用戶通過麥克風(fēng)發(fā)言，系統(tǒng)實(shí)時(shí)記錄并將其轉(zhuǎn)化為文本；其次是處理文本，系統(tǒng)將文本分段記錄，并對(duì)每段內(nèi)容通過語言模型進(jìn)行總結(jié)；最后是生成圖像，系統(tǒng)根據(jù)總結(jié)生成的提示，創(chuàng)建AI生成的圖像，并在屏幕上實(shí)時(shí)顯示。

預(yù)計(jì)這一功能將主要應(yīng)用于Microsoft Teams平臺(tái)。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，從而為用戶帶來更加豐富的視覺溝通體驗(yàn)。微軟表示，這種圖像的使用有助于澄清概念，尤其適合那些需要通過視覺輔助來學(xué)習(xí)的用戶。