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

據(jù)悉，這項專利文件長達20頁，微軟于2023年4月5日提交申請，并于10月10日獲得批準。根據(jù)專利的詳細描述，該系統(tǒng)能夠在會議或講座等場合實時捕捉音頻內(nèi)容，隨后利用語言模型對這些音頻進行總結(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主要步驟：首先是捕捉音頻，即用戶通過麥克風發(fā)言，系統(tǒng)實時記錄并將其轉(zhuǎn)化為文本；其次是處理文本，系統(tǒng)將文本分段記錄，并對每段內(nèi)容通過語言模型進行總結(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，并在屏幕上實時顯示。

預(yù)計這一功能將主要應(yīng)用于Microsoft Teams平臺。隨著演講者話題的變化，實時生成的圖像也會隨之更新，從而為用戶帶來更加豐富的視覺溝通體驗。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習的用戶。