A hét középpontjában egy új, mesterséges intelligencia alapú eszköz áll, amely videókhoz készít automatikus hangalámondást, de szó esik a JAWS képernyőolvasó Leasey nevű kiegészítőjének nagy frissítéséről és egy Mavis okosszemüveget használó felhasználó tapasztalatairól is.
Az RNIB Connect Radio Tech Talk című műsorának legutóbbi adásában Sean Keane és Omar Mantha mutatta be az Athina AD nevű szolgáltatást, amely a Google Gemini mesterséges intelligencia modelljét használja arra, hogy vakok és gyengénlátók számára hangalámondást készítsen tetszőleges videóhoz. Emellett Brian Hartgen, a Hartgen Consultancy vezetője a Leasey 11.5 verziójának újdonságait ismertette, Carl pedig, aki hosszabb ideje használja a Mavis okosszemüveget, a mindennapi tapasztalatairól mesélt.
Az Athina AD: a videó tartalmát elemzi, nem csak az átiratot
Sean Keane elmondása szerint az ötlet onnan indult, hogy egyre inkább elterjedt a képek gépi leírása olyan alkalmazásokkal, mint a Be My Eyes, a videók viszont továbbra is jórészt hozzáférhetetlenek maradtak vakok és gyengénlátók számára. Miközben percenként több száz óra videó kerül fel csak a YouTube-ra, a képi tartalom túlnyomó része leírás nélkül marad. Keane egy vibe coding munkamenet – vagyis mesterséges intelligenciával támogatott, kísérletező jellegű programozás – során hozott létre egy működő prototípust, amelyet később barátjával, Omar Manthával fejlesztett tovább egy szélesebb közönség számára is használható termékké.
A szolgáltatás lényege, hogy nem egy előre elkészített szöveges átiratot olvas fel, hanem magát a videót elemzi. Mantha kifejtette, hogy ehhez a Google Gemini modelljét választották, mert – szemben az Anthropic Claude vagy az OpenAI GPT modelljeivel – a Gemini képes videót közvetlenül bemenetként fogadni. A többi modellnél a fejlesztőnek külön kellene képkockákat kinyernie a videóból, a hangsávot pedig a Whisper nevű, szintén az OpenAI-tól származó beszédfelismerő eszközzel kellene szöveggé alakítania, majd a kettőt időben össze kellene hangolnia. A Gemini esetében ezt a folyamatot már a Google elvégzi a háttérben, az Athina AD-nek csak a videót kell átadnia. A modell a képkockákat és a hangot együtt értelmezi, így felismeri a szereplőket, a helyszíneket és a cselekvéseket, és képes összekötni egy adott jelenetet egy korábbival – például ha valaki egy viccet vagy gesztust ismétel meg, a rendszer nem írja le újra ugyanazt.
A hallucináció, vagyis a mesterséges intelligencia által kitalált, valójában nem létező részletek problémáját elsősorban gondos promptolással – vagyis a modellnek adott pontos utasításokkal – kezelik. Mantha szerint rengeteg videó tesztelésével azonosítják, mikor téved el a modell, és ez alapján finomítják az irányelveket. Példaként említette, hogy ha nem közlik pontosan a videó hosszát, és nem írják elő kifejezetten, hogy egyetlen leírás sem nyúlhat túl a videó időtartamán, a modell hajlamos olyan jeleneteket is leírni, amelyek már nem is léteznek a videóban. Ha az elsődleges Gemini-modell nem ad megfelelő minőséget, a rendszer automatikusan egy másik modellre vált át.
A szolgáltatás egyik fontos eleme az úgynevezett egyéni mód (custom mode), amely lehetővé teszi, hogy a felhasználó megmondja, mire kíváncsi. Az ötlet onnan jött, hogy Keane egyik barátjának lánya röplabdázik, és az apa nem az összes játékosról, hanem kifejezetten a saját lányáról szeretett volna leírást kapni. Nyilvános videóknál – például egy YouTube-videónál – ugyanez a funkció teszi lehetővé, hogy két néző eltérő szempontok szerint kérje ugyanannak a felvételnek a leírását, ahelyett hogy a fejlesztők döntenék el helyettük, mi a fontos. A tervek szerint hamarosan egy chatfunkció is bekerül a rendszerbe: a leírás elkészülte után a felhasználónak lesz egy bizonyos ideje – nagyjából 15-30 perc –, hogy kérdéseket tegyen fel a videóról, és további részleteket kérjen. Személyes videóknál a felhasználók megadhatják a szereplők nevét is, ami segít a modellnek a pontos azonosításban. Mantha egy tesztet is említett, amelynek során egy hirdetésekben szereplő, nyilvános személyeket tartalmazó anyagnál a Gemini önmagában gyakran összekeverte a szereplőket, de ha előre megadták a neveket, a modell az esetek 95 százalékában helyesen azonosította mindhárom személyt.
A narráció stílusa a tartalom típusától is függ. Egy előadás vagy egy folyamatosan beszélő YouTube-videó esetén nincsenek hosszú szünetek, ezért a rendszernek meg kell találnia azokat a rövid csendes pillanatokat, ahová a leírás beilleszthető, vagy adott esetben meg kell állítania a videót a narráció idejére. Ez alapvetően eltér attól, ahogyan egy lassabb tempójú, több szünetet tartalmazó felvételnél működik a leírás.
Az Athina AD jelenleg webalapú szolgáltatásként, ingyenesen érhető el bármilyen böngészőből, telefonon vagy számítógépen egyaránt; iOS-alkalmazás is készül, de még nincs hivatalos megjelenési dátuma. Augusztusban indul a Creator Plan, amely tartalomkészítőknek szól: ők feltölthetik saját videóikat, elkészíttethetik hozzá a hangalámondást, majd letölthetik és feltölthetik a végleges, hangalámondással ellátott anyagot bármelyik közösségi platformra. A fejlesztők három felhasználói kört különböztetnek meg: a vakokat és gyengénlátókat, akik egyszerűen leírást szeretnének kapni a videókról, a tartalomkészítőket, valamint a vállalati partnereket – utóbbiak közül az egyikkel augusztusban tervezik lezárni az együttműködést. A hosszú távú cél, hogy a szolgáltatás élő videókhoz is azonnal, valós időben tudjon leírást készíteni, ez azonban a fejlesztők szerint még évekig várat magára. A szolgáltatás elnevezése egyébként a „thoughtful, human inspired narration assistant” kifejezés rövidítéséből ered.
Leasey 11.5: húsz új alkalmazás a JAWS mellé
Brian Hartgen, a Hartgen Consultancy alapítója a Leasey legújabb, 11.5-ös verzióját mutatta be. A Leasey a JAWS képernyőolvasót kiegészítő eszköz- és szkriptgyűjtemény, amely 2014-ben indult: Hartgen felesége vetette fel az ötletet, emlékezve arra, milyen nehéz volt neki elkezdeni a számítógép használatát. A nyári hónapok alatt elkészült első verzió után hamar kiderült, hogy a tapasztaltabb JAWS-felhasználók is szeretnék használni az akkor még kezdőknek szánt eszközöket, így jött létre a Leasey Advanced. A Leasey a JAWS mellett a ZoomText Fusionnal is együttműködik, mivel a Fusion a JAWS-t is tartalmazza.
A 11.5-ös verzió, bár technikailag pontfrissítésnek számít, valójában terjedelmes csomag: 20 új, önálló alkalmazást tartalmaz, amelyek a korábbi funkciók egy részét modernizálják. Hartgen szavai szerint a béta tesztelőkkel közösen jóval több funkciót is szerettek volna belerakni, de egy ponton meg kellett húzni a határt, hogy a frissítés végre megjelenhessen.
A legnagyobb érdeklődésre számot tartó újdonságok közül az egyik a Leasey File Manager, amely alternatívát kínál a Windows Intézőnek – nem teljes értékű helyettesítőként, de a legtöbb alapvető fájlkezelési feladatra alkalmas módon, beleértve a JAWS beépített PicSmart nevű OCR-funkcióját (optikai karakterfelismerés, vagyis képen szereplő szöveg kiolvasása) is. Hartgen szerint sokan panaszkodnak arra, hogy a Windows Intéző az utóbbi időben lassú és megbízhatatlan lett, ezt a problémát próbálja orvosolni az új eszköz.
A másik kiemelt újdonság a Leasey Word, egy kifejezetten JAWS-ra tervezett szövegszerkesztő. Hartgen szerint az akadálymentesség és a képernyőolvasóra való tervezettség nem ugyanaz: egy alkalmazás lehet technikailag hozzáférhető, mégis sok felesleges vagy zavaró információt közölhet a JAWS-szal, és különösen a Braille-kimenetre fordítanak kevés figyelmet a fejlesztők – ez az általános mesterséges intelligenciával (vibe codinggal) készült alkalmazásoknál is gyakori probléma. A Leasey Word alapfunkciói – formázás, helyesírás-ellenőrzés, szövegigazítás, keresés és csere, könyvjelzők, Word-dokumentumok megnyitása és mentése – mellett képes PDF-fájlok kezelésére is. Mivel a legtöbb PDF nem teljesen akadálymentes, a program oldalanként, nem pedig a dokumentum egészére vonatkozóan elemzi a fájlt – hiszen előfordulhat, hogy az első oldal tökéletesen olvasható, egy későbbi oldalon lévő táblázat viszont már nem. Ha a program saját elemzése nem elég pontos, a dokumentumot egy fizetős API-n (alkalmazásprogramozási felület, vagyis szolgáltatások közötti szabványos kommunikációs csatorna) keresztül egy külső PDF-elemző szolgáltatásnak küldi el. Ha pedig ez sem vezet eredményre, a ChatGPT-hez fordul – ez különösen szkennelt, képként tárolt PDF-eknél hasznos. A Leasey Word emellett a szöveges dobozokba írt, alapból nem hozzáférhető Word-tartalmakat is képes kezelni. A program beépített ChatGPT-integrációval is rendelkezik, amellyel a felhasználó kérdéseket tehet fel a dokumentumról, illetve előre elkészített promptok segítségével összefoglaltathatja vagy átfogalmaztathatja a szöveget. A program egyetlen komoly korlátja jelenleg, hogy táblázatokat nem tud kezelni – ilyenkor a szöveges tartalmat megjeleníti, de nem azzal a részletes, koordinátákat is bemondó funkcionalitással, amit a JAWS a Word natív táblázatkezelésénél nyújt. A dokumentumok a felhasználó által választott felhőalapú tárhelyre – például Dropboxba – menthetők, így újratelepítés esetén sem vesznek el a beállítások és az adatok.
A harmadik kiemelt újdonság a Leasey Media Center, amely három rádióirányítót fog össze egyetlen keresőfelületbe: a Leasey saját, kategóriákba rendezett rádióadó-gyűjteményét, a 60 ezer online rádióállomást tartalmazó radio-browser.info adatbázisát, valamint a ShoutCast platform állomásait. A felhasználónak nem kell tudnia, melyik forrásból származik egy adott állomás, a keresés mindegyiken egyszerre fut végig, az állomások pedig kedvencekhez és előre beállított gyorsgombokhoz is hozzáadhatók. A csomag részét képezi az új Leasey Media Player is, amely nemcsak lejátszásra alkalmas, hanem fájlok címkézésére, formátumkonverzióra és lejátszási listák készítésére is – de aki inkább a VLC-t, a Winampot vagy a foobar2000-et részesíti előnyben, azt is választhatja lejátszóként. A Media Centerhez tartozik egy podcastkereső is, amely az iTunes adatbázisát használja. A csomag emellett tartalmazza a Leasey Social nevű funkciót is, amely a Mastodon és a Bluesky közösségi platformokat támogatja.
Mavis okosszemüveg: egy felhasználó mindennapi tapasztalatai
A műsorban Hubert Pavelkovic Carllal beszélgetett, aki hosszabb ideje használja a Mavis okosszemüveget. Carl a látóideg degeneratív betegségével él, színeket és formákat lát, de arcokat vagy szöveget nem tud kivenni, kivéve azokat az útvonalakat, amelyeket rendszeresen bejár. A Mavis szemüveget a Northamptonshire Association for the Blind szervezettel való kapcsolatán keresztül ismerte meg, amelynek javára korábban 10 millió lépéses gyűjtést szervezett – ez a kapcsolat vezetett el odáig, hogy néhány hónapja együtt kezdett dolgozni David Sikharulidzéval, a Mavis vezérigazgatójával.
Carl szerint a legnagyobb különbség a Mavis és más okosszemüvegek között az, hogy a Mavist kifejezetten vakok és gyengénlátók számára tervezték, nem pedig egy általános fogyasztói terméket alakítottak át utólag. Ez a felolvasási funkció minőségén is meglátszik, amelyet a többi általa próbált szemüveghez képest lényegesen jobbnak tart. Az akadályérzékelés is új élmény volt számára: a szemüveg rezgéssel vagy hangjelzéssel figyelmezteti, ha akadály van a bal vagy jobb oldalon, illetve elöl, a paraméterek – például az érzékelés távolsága – pedig testre szabhatók. Mindez nem szünteti meg teljesen az ismeretlen utcákon való feszültséget, de sokat segít az apró irányváltoztatásokban.
A jelenetleírás (scene description) funkciót elsősorban ismeretlen helyszíneken, például üzletekbe belépve használja: aktiválja a leírást, majd kiegészítő kérdéseket tehet fel, hogy megbizonyosodjon róla, valóban a megfelelő bejáratnál áll-e. Otthon levelezés felolvasására, bevásárláskor pedig termékek azonosítására használja a szemüveget – ahogy fogalmazott, ez véget vet a találgatásnak a polcok között. A beállításokat egy online felületen, böngészőn keresztül lehet módosítani; Carl iPhone-on a VoiceOver segítségével éri el a portált, ami szerinte tanulási görbével jár, de idővel magától értetődővé válik, és nem jelent akadályt a szemüveg használatának megkezdésében. A telefonhívás funkció is egyre könnyebben kezelhető, ahogy egyre több kontakt kerül fel a portálra – hasonlóan ahhoz, ahogy egy telefonon bővül a névjegyzék. Fontos tudni, hogy a szemüveg önállóan, telefon nélkül működik, a portálhoz kizárólag böngészőn keresztül lehet csatlakozni. Carl a jövőre nézve busz- és vonatmenetrendek integrálását venné szívesen, de a legfontosabbnak jelenleg is a navigációban és a szövegfelismerésben nyújtott önállóságot tartja.
Röviden: távoli asztal, Braille-oktatás és Apple-csúszás
A műsor elején szóba került, hogy a Remote Incident Manager (RIM) – egy távoli asztali elérést biztosító alkalmazás, amellyel valaki más engedéllyel bejelentkezhet a felhasználó gépébe, hogy segítsen egy technikai problémában – hamarosan mobilalkalmazásként is elérhető lesz. Az iOS-verzió TestFlight bétatesztelése már elindult, az Androidos verzióhoz egyelőre csak várólistára lehet feliratkozni. A szolgáltatás előnye a hasonló, képernyőolvasóhoz kötött megoldásokkal – például az NVDA Remote-tal vagy a Jaws Tandemmel – szemben, hogy nem szükséges hozzá képernyőolvasó a fogadó oldalon.
Szó esett a LUCID-ALT és LUCID-ARC nevű, a Houstoni Egyetem által fejlesztett eszközökről is, amelyek mesterséges intelligencia segítségével próbálják visszafordítani a Braille-írástudás visszaszorulását a látássérültek körében. A műsorvezetők egyetértettek abban, hogy aggasztó az a szemlélet, amely szerint a Braille feleslegessé vált, mióta a technológia szinte mindent felolvas – hiszen ez ugyanaz a logika lenne, mint ha egy látó gyereknek sem tanítanák meg az írást és olvasást, mondván, a beszéd úgyis elég.
Végül szó esett arról is, hogy a CNET értesülése szerint az Apple adatvédelmi aggályok miatt késlelteti okosszemüvegének piacra dobását, várhatóan 2027 végéig. A fő probléma, hogy bár a szemüveg jelzőfénnyel jelzi a felvétel készítését, erős napfényben ez a fény gyakorlatilag láthatatlanná válhat, így mások tudta nélkül is készülhet felvétel a környezetükről.
Összegzés
A héten bemutatott fejlesztések – az Athina AD, a Leasey 11.5 és a Mavis okosszemüveg – mind abba az irányba mutatnak, hogy a mesterséges intelligencia egyre nagyobb szerepet kap a vizuális információk hozzáférhetővé tételében, legyen szó videók leírásáról, dokumentumok kezeléséről vagy a való világ értelmezéséről. Ahogy a műsorban is elhangzott, ezek az eszközök nem a Braille vagy más hagyományos módszerek helyettesítésére, hanem a választási lehetőségek bővítésére valók.
A cikk az RNIB Tech Talk podcast 2026. augusztus 4-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.