مخترعان، این فناوری را «بهبود تقریباً لحظه‌ای ویدیو یا ارائه‌های واقعیت افزوده در رویدادهای زنده» توصیف کرده‌اند.
در این سامانه چند عامل هوش مصنوعی، کلمات مشخصی را شناسایی و حذف یا جایگزین می‌کنند و هم‌زمان چهره و دهان گوینده را طوری ویرایش می‌کنند که با کلام جدید هماهنگ باشد.
این تغییرات براساس پارامترهای تعیین‌شده یا پروفایل کاربر انجام می‌شود، و تصویر و صدای پیش و پس از کلمه تغییریافته هم برای ایجاد «انتقال روان» اصلاح می‌شود.

در پتنت مورد نظر، کاربردهای متنوعی پیش‌بینی شده است. یکی از آنها ترجمه آنی و لحظه‌ای است که به بینندگان اجازه می‌دهد برنامه‌های زنده را هم شنیداری و هم تصویری به زبان دلخواه ببینند.
کاربرد دیگر، حذف حرف‌های اضافی مثل «اِم» و «اِه» یا رفع لکنت و اختلالات گفتاری است.
اما فهرست کاربردها محدود به این موارد نیست. براساس متن پتنت، این سیستم می‌تواند اصطلاحات شخصی و عامیانه مانند «y’all» یا عبارت «bite the bullet» را کم کند. همچنین می‌تواند کلمات نامفهوم، غلط‌تلفظ‌شده، نادرست، توهین‌آمیز یا نامناسب را حذف کند، و کلمات جایگزین هم ممکن است از جست‌وجوی اینترنتی گرفته شوند.

مطابق این گزارش، رویدادهایی که این فناوری می‌تواند روی آنها اعمال شود شامل سخنرانی‌ها، ارائه‌ها، برنامه‌های تلویزیونی مثل مراسم جوایز، مسابقه‌ها و برنامه‌های آشپزی و ورزش‌های زنده است.

منتقدان معتقدند چنین ابزاری می‌تواند نحوه مواجهه مخاطبان با پخش زنده را دگرگون کند.
تاکنون اگر مخاطب از چیزی که می‌شنید خوشش نمی‌آمد، فقط می‌توانست برنامه را خاموش کند؛ اما این سامانه امکان می‌دهد سخنان دیگران مطابق سلیقه شخصی او تغییر کند.
این موضوع نگرانی‌هایی درباره تشدید «حباب‌های شخصی‌سازی‌شده» و حذف تنوع گویشی و زبانی ایجاد می‌کند، آن هم در دورانی که دیپ‌فیک و اطلاعات نادرست تولیدشده با هوش مصنوعی دغدغه جدی رسانه‌ها شده است.

در این پتنت، به امکان ضبط و نگهداری تصویر و صدای اصلی رویداد به‌عنوان «حقیقت مبنا» (ground truth) اشاره شده که نوعی توجه به خطر سوءاستفاده و سردرگمی احتمالی است.
مایکروسافت تا زمان انتشار گزارش به درخواست برای اظهارنظر پاسخ نداده بود. همچنین ثبت پتنت لزوماً به معنای عرضه تجاری محصول نیست.