Ben Badejo fejlesztő iOS-alkalmazással adott hangos vezérlési réteget az OpenClaw mesterséges intelligencia-ügynökrendszerhez – az eredmény olyan megoldás, amellyel valódi számítógép-kezelés válik lehetővé kizárólag hangutasításokkal, érintés és billentyűzet nélkül.
Az AI-asszisztensek legelterjedtebb formái párbeszédet folytatnak: kérdésekre válaszolnak, szövegeket foglalnak össze, tervezeteket fogalmaznak. A felhasználó ezután maga hajtja végre az utasításokat: kimásolja a választ, megnyitja az alkalmazást, rákattint a gombra. Az OpenClaw más megközelítést képvisel: nem fogalmaz javaslatot, hanem végrehajtja a feladatot. API-kapcsolatokon keresztül integrálható a Gmaillel, az Outlookkal, a Google Workspace-szel és más platformokkal; e-maileket olvas, naptárbejegyzéseket rögzít, weboldalakon navigál, fájlokat tölt le. A Double Tap podcast legutóbbi adásában Badejo részletesen bemutatta, hogyan jutott el egy saját használatra épített kísérleti hangvezérlési megoldástól egy akadálymentesítési szempontból is kiemelkedő iOS-alkalmazásig.
Mi az OpenClaw?
Az OpenClaw egy Mac számítógépen futó AI-ügynökalkalmazás, az egyik legnépszerűbb ilyen megoldás. Az egyszerű chatbot-élményen jóval túlmutat: valódi műveleteket hajt végre a gépen. Alapfelülete egy terminálalkalmazásban futó szöveges csevegő (TUI – terminal user interface): az utasítások megadásakor a rendszer értelmezi és végre is hajtja azokat, nem csupán szöveges választ produkál.
A rendszer konfigurációja természetes nyelven írott Markdown-szöveges fájlokban rögzített (sol.md, identity.md, agents.md, user.md és hasonlók). Ezekbe szabályokat, viselkedési elveket, jogosultságokat és korlátokat lehet írni – nem szükséges programkódban gondolkodni, elegendő emberi nyelven leírni, mit tehet és mit soha nem tehet a rendszer. Az OpenClaw legutóbbi verziója az OpenAI Codex belső keretrendszerét (Codex runtime) használja futókörnyezetként, ami erős számítógép-kezelési (computer use) képességet biztosít. Első osztályú AI-modelleket – OpenAI GPT-5.5, Anthropic Claude Opus, Claude Sonnet és mások – képes bevonni a feladatok elvégzésébe.
VoiceClaw Realtime: a hangos felület
Badejo már 2025 márciusától kísérletezett hangvezérlési megoldással. Első próbálkozása egy háromrészes lánc volt: egy speech-to-text modell (hangból szöveget generáló) rögzítette az utasítást, az OpenClaw végrehajtotta, majd egy text-to-speech modell (szövegből hangot generáló) visszamondta az eredményt. Ez működött, de egyirányú volt, és a késleltetés érezhető volt.
A fordulópontot az OpenAI GPT-Realtime-2 modelljének megjelenése hozta. A GPT-Realtime-2 kétirányú, valós idejű hangmodell: emberi társalgáshoz hasonló késleltetéssel működik, kezeli a közbeszólásokat, értelmezi az előzmény-kontextust, és folyamatosan fenntartja a párbeszédet. Ha a felhasználó közbeszól, a modell észleli, leáll, majd az új kontextust is figyelembe véve folytatja a választ.
Badejo ezt a modellt az OpenClaw „tetejére” helyezte, ahelyett hogy az egyirányú láncos elrendezést tartotta volna meg. Az eredmény kétréteges architektúra: a GPT-Realtime-2 folyamatosan párbeszédet folytat a felhasználóval, és szükség esetén feladatokat delegál az OpenClaw-nak végrehajtásra. A felhasználónak nem kell megvárnia az OpenClaw válaszát – a párbeszéd folytatódhat, miközben a számítógép a háttérben elvégzi a parancsokat. A folyamatban lévő feladatról bármikor kérdezhető: a GPT-Realtime-2 tájékoztatást ad az aktuális állapotról, miközben az OpenClaw dolgozik.
A GPT-Realtime-2 önmagában meglehetősen korlátozott képességű: például az aktuális időt sem tudja megmondani kérdezés esetén, mert ehhez külső eszközt kellene meghívnia. Az OpenClaw viszont első osztályú frontier-modelleket is képes bevonni, jóval nagyobb eszközkészlettel. A VoiceClaw ezért ötvözi a GPT-Realtime-2 valós idejű hangkezelési képességét az OpenClaw teljes feldolgozóerejével.
A telefon és a Mac közötti kapcsolatot az OpenClaw gateway-en keresztül lehet felépíteni, amelyet a felhasználók jellemzően Tailscale VPN-szolgáltatással tesznek távolról is elérhetővé. Ez azt is jelenti, hogy az otthoni Mac-en futó OpenClaw vezérelhető útközben, irodából, bárhonnan – a telefon mindig kéznél van, és a számítógép reagál a parancsokra.
Telefon és számítógép: melyik mit intéz?
A VoiceClaw Realtime telefonon fut, de az OpenClaw-on keresztül az asztali Mac-et is irányítja. A rendszer megkülönbözteti, melyik feladatot melyik eszközön érdemes elvégezni: ha a felhasználó navigálást kér, az Apple Maps vagy a Google Maps megnyílik a telefonon; ha weboldalt kell kezelni, az a Mac-en történik az OpenClaw-on keresztül.
A munkamegosztást egy belső eszközlista biztosítja. A telefon natív alkalmazásait (Térkép, naptár, e-mail) a VoiceClaw közvetlenül hívja meg; a számítógépes feladatokat az OpenClaw intézi az MCP-protokollon (Model Context Protocol – szabvány az AI-rendszerek eszközfelismerésére) keresztül. A két réteg párhuzamosan dolgozhat: a felhasználó egyszerre kérhet feladatot a telefonra és a számítógépre, és a rendszer mindkettőn egy időben dolgozik.
Akadálymentesítés: a padló emelése
Badejo eredeti célja nem az akadálymentesítés volt. Amikor azonban elkezdett gondolkodni azon, mit jelent valóban kéz nélküli, szem nélküli használat, belenyúlt az iOS Voice Control nevű részletes hangvezérlési funkciójába. Ez az általánosabb Siritől eltérő rendszer sokkal finomabb hozzáférést biztosít az operációs rendszerhez: gombok megnyomása, görgetés, visszalépés, alkalmazásmegnyitás – mind hanggal elvégezhető.
Az integráció eredménye: a VoiceClaw Realtime az alapoktól fogva kézérintés nélkül is indítható és kezelhető. A felhasználó mondja: „Open VoiceClaw” – az alkalmazás megnyílik. „Mic on” – a mikrofon bekapcsol. Ettől a ponttól kezdve az OpenClaw teljes funkciókészlete elérhető pusztán hanggal, bármilyen fizikai beavatkozás nélkül.
A VoiceClaw belső mikrofonkezelése és az iOS Voice Control nem verseng egymással. Ha a felhasználó elnémítja a VoiceClaw mikrofonját, az iOS Voice Control azonnal átveszi az irányítást; ha újra bekapcsolja, a VoiceClaw veszi vissza az elsőbbséget. Ez fontos részlet: néma állapotban sem marad a felhasználó irányítás nélkül – az iOS Voice Control végig aktív. A fejlesztő maga is azzal tesztelte a megoldást, hogy lehunyta a szemét és nem nyúlt a telefonhoz: ha így is működött, akkor az akadálymentesítési feltételeket teljesítettnek tekintette.
Badejo szerint a hangalapú AI-vezérlés azok számára, akiknek nincs fizikai korlátjuk, kényelmi eszköz – a produktivitásukat növeli. Azok számára, akiknek van, ez nem kényelmi kérdés, hanem az önálló technológiahasználat alapja. „Ez a padló emeléséről szól, nem a plafonéról” – fogalmaz. A fejlesztő hozzátette: az akadálymentesítési lehetőség az a rész, amelyre a leginkább büszke – nem az, hogy látványos eszközt épített, hanem hogy olyat, amely valaki életminőségét ténylegesen befolyásolja.
Badejo korábbi hasonló próbálkozásáról is szót ejtett: az OpenDyslexic betűtípust – amelyet diszlexiások számára terveztek a betűk könnyebb megkülönböztethetőségéért – megismerve épített egy rendszert, amely bármely PDF-dokumentumot automatikusan átalakítja erre a betűtípusra az eredeti formázás megtartásával. Az akadálymentesítési megoldás és az AI-eszközök kombinálásának gondolata már akkor is megvolt, csak akkoriban termék nem lett belőle.
Biztonsági megfontolások
Az OpenClaw rendkívül széles jogosultságokkal képes működni, ezért Badejo határozott ajánlást fogalmaz meg: ne a személyes főgépre telepítsük, hanem egy dedikált eszközre – leginkább egy Mac minire. Ez nem jelenti azt, hogy az ilyen gép el legyen szigetelve a személyes adatainktól.
Az e-mail-hozzáférést érdemes kezdetben csak olvasási joggal megadni. Gmail esetén a Google Cloud platformon generálható olyan API-kulcs, amely kizárólag olvasási műveletre jogosítja fel az OpenClaw-t, írásra nem. Naptárhoz szintén adható olvasási jog írás nélkül. Ha küldési jog is szükséges, érdemes az OpenClaw-nak saját e-mail-fiókot létrehozni – ebből levelez, a felhasználó pedig adminisztrátori hozzáférést tart meg felette.
A Markdown-konfigurációs fájlokba természetes nyelven rögzíthetők kemény korlátok is: soha nem lehet adatot harmadik félnek továbbítani, fájlokat megosztani, kéretlenül üzenetet küldeni. Egy jól felépített szabályrendszer megakadályozhatja, hogy prompt injekciós támadás esetén – amikor egy weboldal emberek számára láthatatlan, de az AI által olvasható utasításokat tartalmaz – a rendszer érzékeny adatokat osszon meg. Az OpenClaw 2025 május végi frissítésétől a jelszavak és hitelesítési adatok titkosítva tárolódnak, nem egyszerű szövegként; a rendszer egyre aktívabban ellenáll az érzékeny adatokra vonatkozó kéréseknek.
Rendszeres biztonsági mentés szintén elengedhetetlen: óránkénti mentés esetén egy félreértett parancs legfeljebb egy órányi munkát tehet tönkre.
Számítógép-kezelés és az inaccessible weboldalak
Az OpenAI Codex fejlesztői platform integrálódásával az OpenClaw az egyik legerősebb számítógép-kezelési képességet nyújtja: az AI saját kurzoron navigál, a felhasználó egér- és billentyűzetvezérlését nem foglalja le, és azokkal párhuzamosan dolgozhat.
A podcast két kézzelfogható példával élt. Az elsőben az AI egy szállodai online bejelentkezési formulát töltött ki a Gmail-integráción keresztül – felismerte a foglalási visszaigazolóban szereplő adatokat, önállóan kitöltötte az összes mezőt, és csupán egyetlen adatot kért megerősítésre. A másodikban az AI önállóan navigált egy felvételi platformon: a helyes stúdiót a korábbi párbeszédekből azonosította, megnyitotta a megfelelő fület, és letöltötte a keresett fájlt – beavatkozás nélkül.
Az inaccessible weboldalak – rossz akadálymentesítéssel kialakított fizetési oldalak, nehezen kezelhető beviteli felületek – rendszeresen akadályt jelentenek képernyőolvasót használók számára. Ilyen esetekben nem elegendő a szöveges navigáció: egyes pénztároldalak vizuális ellenőrző kódokat kérnek, más felületek a fókuszkezelés hiányosságai miatt szinte kezelhetetlenek. A számítógép-kezelési mód ezeket az akadályokat megkerüli: az AI nem a weboldal hozzáférhetőségétől függ, hanem vizuálisan navigál, ahogy a fogyatékossággal nem rendelkező felhasználó tenné. Badejo szerint a közeli kiadásokban a repülőjegy-foglalástól az inaccessible pénztároldalon átmenő vásárlásig szinte minden elvégezhető lesz pusztán hanggal.
Elérhetőség és árképzés
A VoiceClaw Realtime az iOS App Store-ban érhető el, havi 15 dollárért, éves előfizetéssel 60 dollárért, háromnapos ingyenes, korlátozásmentes próbaidőszakkal. A csomaghoz tartozik egy Mac-es kiegészítő alkalmazás, amely az OpenClaw-hoz csatlakoztatja a telefont.
Apple Watch-ra szintén elérhető a megoldás: celluláris kapcsolaton keresztül telefon nélkül is vezérelhető az OpenClaw, csupán az órával. Android-telefon- és Android-óra-támogatás a közeli hetekben várható; Linux-támogatás szintén közelgő, majd a Windows Subsystem for Linux (WSL) keretén belül Windows-ra is eljut.
A kezdeti telepítés némi technikai felkészültséget igényel – elsősorban a terminálalkalmazás megismerését –, de az OpenClaw interaktív beállítóvarázslója kérdés-felelet formában végigvezeti a folyamaton. A tényleges napi használat ezt követően teljesen párbeszédszerű, és Badejo szerint a VoiceClaw Realtime segítségével a konfigurálás is elvégezhető hangutasításokkal.
Összegzés
A VoiceClaw Realtime nem önálló AI-asszisztens, hanem hangvezérlési réteg az OpenClaw Mac-ügynök felett. A kétréteges megoldás – GPT-Realtime-2 a valós idejű párbeszédhez, OpenClaw az összetett számítógépes feladatokhoz, iOS Voice Control a kézmentes alkalmazáskezeléshez – azt a célt szolgálja, hogy mindenki, aki képes beszélni, önállóan irányíthassa a számítógépét. Az akadálymentesítési funkciók nem utólagos kiegészítések, hanem a tervezés szerves részei.
A cikk a Double Tap podcast 2026. június 1-jei adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.