Martijn van der Spek alkalmazása mára jóval túlmutat az egyszerű képleíráson – a Meta okosszemüvegekre való kiterjesztés azonban még fejlesztés alatt áll.
A PiccyBot az elmúlt évek során az egyik legsokoldalúbb vizuális segédeszközzé vált iOS és Mac platformon. Fejlesztője, Martijn van der Spek a Double Tap podcast legutóbbi adásában részletesen mesélt az alkalmazás jelenlegi állapotáról, a Meta okosszemüvegekre való kiterjesztés kihívásairól, és arról, merre tart ez a terület a következő néhány évben.
Egy svájci bicska a vizuális tartalmakhoz
A PiccyBot neve elsőre talán nem sokat mond – a képernyőolvasók „Pixybot”-ként ejtik, valójában P-I-C-C-Y-B-O-T a helyes betűzése. Az alkalmazás célja egyértelmű: segíteni a vakoknak és gyengénlátóknak abban, hogy vizuális tartalmakat értelmezzenek, legyen szó fényképről, videóról, PDF-fájlról vagy közösségi médiaposztról.
Van der Spek saját meghatározása szerint az app „a vizuálisan akadálymentesített média svájci bicskája” – szinte bármilyen irányból képes médiatartalmat befogadni és feldolgozni. A felhasználó küldhet képet a galériájából, készíthet fotót vagy videót a kamerával, de közvetlenül megoszthat tartalmat TikTokról, Facebookról, Instagramról is. Az alkalmazás WhatsApp-on keresztül is elérhető, így azok is használhatják, akik inkább üzenetküldőn keresztül kommunikálnak.
A piacon más eszközök is foglalkoznak képleírással: a Be My Eyes, az Aira és a Seeing AI mind hasonló célokat szolgál. A PiccyBot legfontosabb megkülönböztető jegye a modellválasztás szabadsága – erre a legtöbb versenytárs nem ad lehetőséget.
Az alkalmazás iOS-re és Mac-re érhető el (utóbbihoz M1 vagy újabb processzor szükséges, iOS 15 vagy frissebb rendszerverzió mellett). Ára egyszeri 24,99 dollár, ami korlátlan, élethosszig érvényes hozzáférést biztosít a jelenlegi funkciókhoz – bár, ahogyan az a beszélgetésből is kiderül, az újabb élő funkciókra ez az ármodell nem feltétlenül lesz fenntartható.
Több modell, megbízhatóbb eredmény
A PiccyBot egyik legjellegzetesebb vonása, hogy a felhasználó maga dönthet, melyik mesterséges intelligencia modell adja a leírást. A jelenlegi kínálatban mintegy 13 modell szerepel, köztük a Google Gemini, az OpenAI ChatGPT és más rendszerek. Ez lehetővé teszi, hogy a felhasználó összehasonlítsa a különböző modellek teljesítményét: valaki tapasztalhatja például, hogy a Gemini részletesebb képleírást ad, míg egy másik modell jobb a videóknál. A rugalmasság maga az egyik ok, amiért az alkalmazásnak stabil felhasználói bázisa van.
Ennél is továbblép azonban a PiccyBot saját fejlesztésű mix-modellje. Ez nem egyetlen AI-rendszer eredményét fogadja el, hanem párhuzamosan lekéri három különböző modell válaszát, majd összehasonlítja azokat. Ha két modell egy adott részletet azonos módon ír le, a harmadik viszont eltérően, a rendszer az egybehangzó elemeket emeli be a végső leírásba, a kétségeseket pedig nyitva hagyja. Ez a megközelítés érdemi védelmet jelent a hallucináció ellen – amely jelenség során az AI-rendszer valótlan vagy kitalált részleteket közöl tényként.
Van der Spek megjegyzi, hogy ez a módszer más megoldásoknál nem jellemző: a legtöbb alkalmazás egyetlen modell kimenetét elfogadja és kiadja. A keresztellenőrzés viszont kiszűri az egyedi hibákat, és összességében megbízhatóbb leírást eredményez. Ez különösen fontos olyan helyzetekben, ahol a pontosság kritikus – például egy orvosi dokumentum értelmezésekor, vagy amikor a felhasználó a közvetlen környezetéről kap vizuális visszajelzést.
A Meta okosszemüvegek: nyitás és béta
Az elmúlt hónapokban az akadálymentesítési technológia területén az egyik legfontosabb fejlemény a Meta okosszemüvegeinek megnyitása volt külső fejlesztők előtt. A Meta kiadott egy SDK-t (szoftverfejlesztői készlet), amely lehetővé teszi, hogy harmadik féltől származó alkalmazások hozzáférjenek a szemüveg kamerájához, mikrofonjához és hangszórójához.
Van der Spek már dolgozik ezen az integráción, és jelenleg béta tesztelők segítségével finomítja a megoldást. A visszajelzések egyértelműek: az első reakció mindig a lenyűgözöttség – „ez fantasztikus” –, amelyet hamarosan követ az igény a javításra. Ez szerinte elkerülhetetlen, és inkább pozitív jel, mint gond: azt mutatja, hogy a felhasználók komolynak tekintik az eszközt.
A Meta okosszemüvegek piaci pozíciója kedvező: viszonylag elérhető áron vásárolhatók meg, egyre több kiegészítő kapható hozzájuk, és megjelenésük miatt nem csupán a technológiai rajongóknak szólnak. A fejlesztő becslése szerint körülbelül tízmillió darabot adtak el belőlük.
Az élő AI-mód – amelynek segítségével a felhasználó valós időben kap vizuális leírást a szemüveg kameraképéből – egyelőre csak a Google Gemini 2.5 Flash Native modelljével működik. Az OpenAI-nak nincs élő videómodellje; van der Spek szerint a Google ezen a téren messze megelőzte a versenytársait. Ugyanakkor a fejlesztőknek viszonylag kevés befolyásuk van az AI-modell alapviselkedésére: a kimenetet elsősorban promptok és kiegészítő információk segítségével lehet finomhangolni, de az alap modell maga nem módosítható.
Érdemes megemlíteni az Oriont is, a Meta saját asszisztens-alkalmazását, amely szintén jelen van ezen a területen. Van der Spek szerint az Orion különleges partneri viszonyban van a Metával, ami előnyt jelent számára más fejlesztőkkel szemben. Az Orion ingyenesen elérhető, ami komoly versenyhelyzetet teremt – van der Spek nyíltan kételkedik abban, hogy egy ingyenes modell hosszú távon fenntartható, mivel a szerver- és API-költségek (alkalmazásprogramozási interfész) akkor sem tűnnek el, ha a felhasználónak nem kell fizetnie.
A késés és a realitás
Az élő AI-mód komoly technikai korlátba ütközik: a szemüveg által rögzített kép feldolgozása és a leírás visszajátszása között néhány másodperces késés áll fenn. Forgalomban való közlekedésnél ez elfogadhatatlan. Van der Spek határozottan fogalmaz: „Az autó ott volt, három másodperccel ezelőtt” – vagyis egy esetlegesen veszélyes helyzet a leírás elhangzásának pillanatában már elmúlt, vagy éppen megváltozott.
A szemüveges AI-asszisztenseket már használó felhasználók idővel beállítják az elvárásaikat: megtanulják, hogy a rendszer nem valós időben reagál, és ennek megfelelően nem is támaszkodnak rá azonnali reflexet igénylő döntéseknél. Ez az alkalmazkodás csökkenti a rendszerről alkotott kezdeti benyomást, de nem teszi haszontalanná: statikus jelenetek leírásában, olvasástámogatásban és általános környezeti tájékozódásban már most is értékes segítséget nyújthat.
A Meta SDK maga is béta állapotban van, ami azt jelenti, hogy a fejlesztők egyelőre korlátozott eszközkészlettel dolgoznak. A szemüvegeknek nem lehet speciális parancsokat küldeni; az integráció jelenleg egyfajta kreatív megkerüléssel működik: az alkalmazás streameli a kameraképet, majd azt dolgozza fel. Van der Spek a Meta API bővítését várja – ez volt az ígéret már januárban is, de az átfogó kiadás a podcastfelvétel pillanatában még nem jelent meg. Nem véletlen, hogy konkrét menetrendet nem tud mondani a béta lezárásáról.
iOS és Android eltérő helyzetben van: az iOS előrébb jár a Meta-integrációban, az Android viszont az általános élő AI megvalósításában előnyösebb. Mindkét platformra egyszerre fejleszteni – ez az egyik legkomolyabb technikai kihívás, amivel van der Spek szembesül.
Az eszközön futó AI: adatvédelem és jövő
A jelenlegi rendszerben minden feldolgozandó tartalom külső AI-szolgáltatókhoz kerül: képek, videók, dokumentumok egyaránt. A cégek adatvédelmi garanciákat adnak, de van der Spek elismeri a bizonytalanságot – senki sem tudja pontosan, hogy a feltöltött anyagokkal mi történik valójában. Az sem elhanyagolható szempont, hogy a feldolgozás mindig internetkapcsolatot feltételez.
Hosszabb távon az eszközön futó, offline modellek irányába mutat a fejlődés. A Google Gemma 4 modell például már ma is futtatható helyileg Android-eszközökön; iOS-en ez egyelőre az iPhone 15-ös sorozattól felfelé elérhető. Van der Spek tervezi, hogy offline módot ad a PiccyBot-hoz – ez kezdetben kevésbé lesz teljesítményes, mint a felhőalapú megoldás, de az adatok teljesen a felhasználó ellenőrzése alatt maradnak, és internetkapcsolat sem szükséges hozzá.
A fejlesztő ezt technológiatörténeti mintázatként értelmezi: a számítástechnika a mainframe-ektől az asztali gépek felé mozdult, majd az internet megjelenésével visszakerült a szerverekre, és most újra a helyi eszközök irányába halad. Ezúttal az okostelefonok erősödő processzorai és a kompaktabb AI-modellek együttesen teszik lehetővé ezt az elmozdulást – az Apple és a Samsung pedig kézzel fogható érdeke, hogy a felhasználók erős, drága eszközöket vásároljanak, amelyeken ezek a modellek futnak.
Fenntarthatóság és visszaélések
Az egyszeri 24,99 dolláros lifetime-előfizetés a jelenlegi funkciókhoz kiszámítható bevételi modell – de az élő AI-mód más kategória. A Gemini API folyamatos streaming-feldolgozása komoly üzemeltetési költségeket jelent, és van der Spek nyíltan megmondja: erre az egyszeri áras modell nem tartható fenn. Valamilyen kredit-alapú rendszer a legvalószínűbb megoldás, ahol a felhasználó a tényleges használat arányában fizet – igaz, ez kevésbé vonzó azoknak, akik havi korlátlan hozzáférésre számítanak.
A kihívásokat tetézi, hogy egyes felhasználók visszaélnek a PiccyBot infrastruktúrájával – saját célokra használják a rendszert anélkül, hogy fizetnének érte. Van der Spek egyenesen fogalmaz: ideális dolog ingyenes vagy nagyon olcsó szolgáltatást nyújtani, de ha a mögöttes infrastruktúra számláit nem fedezi a bevétel, az alkalmazás sem marad fenn. Ez nemcsak a PiccyBot, hanem az egész ingyenes hozzáférésű akadálymentesítési ökoszisztéma egyik alapkérdése – az Orion tartós fenntarthatóságát is szkepszissel figyeli.
A jelenlegi előfizető-bázis – amelyik már évek óta kitart – biztosítja az üzemeltetés alapját. Van der Spek köszönettel emlegeti a közösséget, amelyik fizetős felhasználóként is hűséges maradt az alkalmazáshoz.
Összegzés
A PiccyBot a képleírás egyszerű eszközéből komplex, többfunkciós platformmá fejlődött. A modellválasztás szabadsága, a hallucináció-csökkentő mix-modell, a WhatsApp-integráció és a Meta okosszemüveges béta egyaránt azt jelzik, hogy Martijn van der Spek aktívan követi a technológiai fejleményeket. Az élő AI-mód és a Meta SDK egyelőre fejlesztés alatt áll, a késés valós korlátot jelent, a szerver- és API-költségek kérdése pedig megoldásra vár. A hosszabb távú irány azonban látható: egy olyan eszközt kínálni a vak és gyengénlátó felhasználóknak, amellyel valós idejű vizuális tájékoztatást kaphatnak közvetlen környezetükről – megbízhatóan, és lehetőleg offline is.
A cikk a Double Tap podcast 2026. április 29-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.