W listopadzie 2026 r. amerykański urząd patentowy USPTO opublikował wniosek patentowy Google na system, który robi podcast generowany przez sztuczną inteligencję z tego, co użytkownik czyta, ogląda lub zaznacza na ekranie. Rozmowę mogą prowadzić syntetyczny gospodarz i syntetyczny ekspert, a długość odcinka może zależeć od wolnego czasu słuchacza: jeśli nawigacja przewiduje 45 minut jazdy, nagranie może trwać mniej więcej tyle samo. To jeszcze nie produkt, tylko wniosek o ochronę patentową w USA.
Wniosek ma numer US 2026/0360349 A1. Opisuje zamianę treści z telefonu (tekstu, zdjęcia, nagrania audio albo wideo) na syntetyczną mowę. Użytkownik może zacząć na trzy sposoby: zakreślić palcem fragment zdjęcia, zaznaczyć zdanie w artykule albo po prostu powiedzieć lub wpisać, o czym chce posłuchać. Materiałem wyjściowym mogą być też otwarte karty przeglądarki i niedokończone artykuły.
Jak system ma działać
Zastrzeżenia patentowe, czyli część wniosku określająca zakres ochrony, łączą trzy rodzaje danych:
- treść: obraz, tekst, dźwięk lub wideo;
- polecenie: wpisany lub wypowiedziany prompt albo gest na fragmencie obrazu (dotknięcie, zakreślenie, przesunięcie);
- kontekst: aplikacja, w której jest użytkownik, historia wyszukiwania, lokalizacja i pora dnia.
Wszystkie trzy trafiają do modeli uczenia maszynowego, które przygotowują mowę związaną z wybranym fragmentem.
Wniosek opisuje też kilka dodatków:
- Jeśli na zdjęciu jest budynek, obraz albo zwierzę, model może go rozpoznać i zrobić z niego temat nagrania.
- Dzięki technice RAG (retrieval augmented generation, czyli generowaniu wspomaganemu wyszukiwaniem) system może dobrać materiały spoza pierwotnej treści, np. inny tekst o tej samej drużynie hokejowej.
- Styl rozmowy może być poważny albo żartobliwy. Tempo może się zmieniać w ciągu dnia: rano szybsze, wieczorem wolniejsze. Słownictwo można uprościć: dziesięciolatek dostałby prostszy język i nagranie bez wulgaryzmów.
- Długość odcinka zależy od wolnego czasu, który system odczytuje z kalendarza albo z nawigacji.
- Treść można przetłumaczyć na język ojczysty słuchacza.
Nagranie może mieć jednego narratora, parę gospodarz–ekspert, kilku panelistów albo formę wywiadu, dokumentu, serwisu informacyjnego, a nawet fikcji z efektami dźwiękowymi. Wśród przykładów są: odcinek o niedźwiedziach polarnych, opowieść o wieżowcu rozpoznanym na zdjęciu panoramy miasta i dokument o zespole z playlisty użytkownika.
System opisany we wniosku korzysta z kalendarza, lokalizacji, historii przeglądania, a czasem także z głosu użytkownika. Według wniosku model mógłby się uczyć na nagraniach głosu konkretnej osoby tylko wtedy, gdy ta wyrazi zgodę.
Na jakim etapie jest wniosek
Opublikowanie wniosku nie oznacza zapowiedzi produktu ani przyznania patentu. Taki dokument zabezpiecza firmie pomysł na przyszłość, ale nie przesądza o premierze. Wiele zgłoszonych rozwiązań nie trafia na rynek albo trafia w innej postaci niż we wniosku.
Pierwotna wersja zastrzeżeń nie przeszła pierwszej oceny eksperta urzędu patentowego. Takie odrzucenie zdarza się często i zwykle kończy się tym, że zgłaszający poprawia zastrzeżenia. Dlatego nie wiadomo jeszcze, co ostatecznie obejmie ochrona.
Podobne narzędzia Google
W styczniu 2025 r. Google uruchomił eksperyment Daily Listen w Search Labs, programie testów nowych funkcji wyszukiwarki. W chwili startu eksperyment tworzył mniej więcej pięciominutowy odcinek audio o tematach, które śledzi użytkownik. Opierał się na jego aktywności w wyszukiwarce i w Discover, czyli spersonalizowanym kanale treści w aplikacji Google. Był dostępny w aplikacji Google na Androida i iOS dla użytkowników w USA.
Google ma też Przeglądy audio (Audio Overviews) w Gemini Notebook. Do 16 lipca 2026 r. narzędzie nazywało się NotebookLM. Przeglądy audio zamieniają materiały wgrane przez użytkownika w podsumowania audio. W lipcu 2026 r. Google podał, że z narzędzia korzysta ponad 30 mln osób i ponad 600 tys. organizacji. Od kwietnia 2025 r. Przeglądy audio można generować w wersji beta w ponad 50 językach.
Takie nagrania mogą trafiać na niechęć słuchaczy. W ogólnokrajowym badaniu firmy Signal Hill Insights na próbie 6161 Kanadyjczyków w wieku 12+ (październik 2026 r.) 68 proc. badanych zadeklarowało, że nie lubi podcastów stworzonych w całości przez AI, a 4 proc., że je lubi.
Źródła: Patentlyze, Google, 9to5Google