A Double Tap legújabb adásában Steven Scott és Shaun Preece a mesterséges intelligenciás felolvasás használhatóságát, a képernyőolvasó-tanulás buktatóit és néhány idegesítő hardveres élményt is terítékre vettek, a hallgatói levelek pedig további témákat – Sonos, RAM-árak, egy nyílt forráskódú bővítmény sorsa – hoztak be a beszélgetésbe.
A műsor gerincét ezúttal is a hallgatói levelek adták, de a beszélgetés több ponton is elidőzött egy-egy témánál: mennyire jó ötlet mesterséges intelligenciás hanggal hangoskönyvet hallgatni, mit érdemes tudnia annak, aki most kezd képernyőolvasót használni, és miért lehet próbára tenni az ember türelmét egy okosszemüveg frissítése. Az alábbiakban ezeket a szálakat rendeztük össze.
Mesterséges intelligenciás hangok kontra hagyományos beszédszintetizátor
A műsor apropóját az adta, hogy egy hallgató, David Goldfield felhívta a műsorvezetők figyelmét egy alkalmazásra, amellyel cikkeket és könyveket lehet természetesebb hangzású, mesterséges intelligenciával generált hangokkal felolvastatni – a szolgáltatás neve ElevenReader, amely az ElevenLabs cég hangjait használja, és ingyenes csomagban havi tíz óra hallgatást biztosít. Shaun elmondása szerint épp egy Tony Gebhard által jegyzett, No Sight Required című könyvet hallgat. Eddig a megszokott eloquence beszédszintetizátorral (a képernyőolvasók egyik klasszikus, robotikusabb hangzású TTS-motorja, vagyis szövegfelolvasó technológiája) hallgatta, most viszont átküldte a szöveget a felolvasó alkalmazásba, hogy a természetesebb hangokkal is meghallgassa.
Az eloquence-nek egyébként több hangváltozata is létezik – Shaun a brit verziót nem kedveli, az amerikai Reid hangot viszont igen –, és a beszélgetés során szóba került, hogy van ennél is nyersebb megoldás: a macOS beépített Fred nevű hangja, amelyet mindkét műsorvezető az eloquence-nél is rosszabbnak tart.
A valódi vita azonban azon bontakozott ki, hogy egyáltalán érdemes-e mesterséges intelligenciás – vagy bármilyen – szövegfelolvasóval végigolvasni egy egész könyvet. Steven szerint egy cikk esetében ez tökéletesen működik, egy több száz oldalas kötetnél viszont még a természetesebb hangzású AI-hangok is gyakran egyhangú tónusban szólalnak meg, ami hosszú távon fárasztó, és a szöveg értelmezéséhez szükséges hangsúlyokat sem mindig adják vissza jól. Shaun ezzel szemben úgy érvel, hogy különösen a szakkönyvek, tankönyvek esetében gyakran nincs is más választás – ezek ritkán érhetők el kész hangoskönyvként, digitális formátumban (például EPUB-ban) viszont igen –, így a kérdés nem az, hogy TTS-sel vagy hangoskönyvvel hallgassuk-e a szöveget, hanem hogy TTS-sel vagy sehogy. Mindketten egyetértettek abban, hogy az elmúlt hónapokban az AI-hangok minősége látványosan javult, Steven ugyanakkor egyelőre kétli, hogy hosszú szépirodalmi szöveget kényelmesen végig lehet-e velük hallgatni. Ehhez a témához kapcsolódott Shaun megjegyzése is a Braille-olvasásról: bár évek óta tanulja a Braille-t, elmondása szerint valójában nem olvasásra, hanem inkább ellenőrzésre – például e-mailek gyors átnézésére – használja, és maga is elgondolkodott azon, hogy talán tudatosabban kellene könyvolvasásra is használnia.
Screen reader, hangasszisztens vagy okosszemüveg? Amikor valaki csak most kezdi
Az adás egyik leghosszabb és talán leghasznosabb blokkja Richard, egy louisianai hallgató levelére érkezett válasz volt. Richard glaukómával él, és fokozatosan veszíti látását; Meta Ray-Ban és Meta Oakley szemüveget is használ, Android-alapú Google Pixel telefonja van, és arról panaszkodott, hogy a Meta AI kísérőalkalmazás szinte használhatatlan, mert a telefonján futó képernyőolvasó nem olvassa fel az alkalmazás tartalmát. Levelében tévesen a Bixby nevet említette a telefonján futó képernyőolvasóként – ezt a műsorvezetők ki is javították: a Bixby valójában a Samsung-telefonok hangasszisztense, Pixel-készüléken nincs jelen, az Android képernyőolvasójának neve TalkBack.
Ez a félreértés jó apropót adott arra, hogy Steven és Shaun tisztázzák a fogalmakat, amelyeket kezdőként könnyű összekeverni. A képernyőolvasó – Androidon TalkBack, iPhone-on VoiceOver – az egész operációs rendszert és minden alkalmazást kezelhetővé tesz érintéssel és felolvasással. A hangasszisztens – Siri, Bixby vagy éppen egy okosszemüveg beépített AI-asszisztense – ezzel szemben csak előre meghatározott parancsokat tud végrehajtani, önálló böngészésre vagy egy alkalmazás teljes körű kezelésére nem alkalmas. Richard éppen ezt keverte össze: azt szerette volna, hogy egy hangutasítással el tudjon intézni bármit a telefonján, valójában viszont egy képernyőolvasó megtanulására lenne szüksége ehhez.
A műsorvezetők átvették a legalapvetőbb kezelőgesztusokat is: egy ujjal jobbra húzva a következő elemre, balra húzva az előzőre ugrik a fókusz, dupla koppintással pedig aktiválható a kijelölt elem – ez felel meg a látó felhasználók egyszeri érintésének. Az ujjal a képernyőn körbetapogatva pedig minden gomb vagy szöveg felolvasásra kerül, amint az ujj alá ér. Tanácsuk szerint érdemes napi néhány órára bekapcsolva hagyni a képernyőolvasót, majd kikapcsolni, és ezt napról napra ismételni, amíg természetessé nem válik – a türelmetlenség és a kezdeti fejfájás normális, de idővel minden alkalmazás ugyanazt a logikát követi, csak a részletek különböznek. Fontos tanácsként hangzott el az is, hogy érdemes helyi látássérült szervezetekhez fordulni képzésért, mert gyakran otthoni segítséget is kínálnak, és nincs olyan, hogy „túl egyszerű” kérdés.
Egy makacs okosszemüveg és egy áttekinthetetlen alkalmazás
A „punching tech” kifejezés – vagyis amikor az embernek szó szerint kedve támad ütni valamit a technológia miatt – az eredeti adás címéből származik, és jórészt a Meta Adventurer szemüveghez kötődött. Steven és korábbi vendégük, Gordon is tapasztalta, hogy a szemüveg mikrofonja telefonhívás közben rendszeresen érthetetlenül továbbította a hangot, mintha valaki lenyelte volna a mikrofont – Gordon végül vissza is váltott a Ray-Ban modellre emiatt. Steven egy hétvégén viszont – miközben apja otthonában csatlakozott a wifire – firmware-frissítést (a szemüveg beépített szoftverének frissítését) kapott a szemüvegre, és az utána indított hívás során a hangja tisztán és érthetően szólt. A frissítés kiadási jegyzetében nem talált utalást mikrofonjavításra, úgyhogy egyelőre óvatos az örömmel, és további teszteket ígért.
A frissítéssel egy időben egy új beállítás is felbukkant: a szemüvegen lejátszott hang mostantól választható sztereó vagy térbeli (spatial) módban. Térbeli módra váltva a telefonos képernyőolvasó hangja hirtelen mintha minden irányból érkezne, nem a megszokott, két fül közötti sztereóképből – ez szokatlan, kissé robotikus élmény, és egyik házigazda sem volt biztos benne, hogy tetszik-e neki.
Ehhez kapcsolódóan mindketten panaszkodtak a Meta AI kísérőalkalmazásra is: a kezelőfelület nemrég átalakult, a korábbi alsó fület menü váltotta fel, a szemüveghez tartozó beállítások eléréséhez pedig több lépésen át kell eljutni, és időnként az alkalmazás rossz, általános beállítási képernyőre ugrik a specifikus helyett. Steven szerint az alkalmazás akadálymentesen használható, csak kényelmetlenül van megtervezve – ez a különbségtétel fontos: nem arról van szó, hogy nem működik képernyőolvasóval, hanem hogy a felhasználói élmény zavaros.
RAM-árak: miért kockázatos ma egy 8 GB-os géppel spórolni
Steven arról mesélt, hogy szeretett volna több memóriát (RAM, vagyis a számítógép ideiglenes, gyors tárolója) építeni a gépébe, hogy nagyobb, helyben futtatott nyelvi modelleket (LLM, azaz mesterséges intelligenciás szövegfeldolgozó modell) tudjon kezelni. Amikor utánanézett az áraknak, kiderült, hogy a memóriaárak az elmúlt időszakban drasztikusan megugrottak: egyetlen 32 GB-os memóriamodul ma jóval 500 font/dollár fölé kerül, így egy 64 GB-ra bővítés önmagában nagyságrendileg 1000 fontba, azaz átszámítva körülbelül 2000 dollárba kerülne – ennyiért akár egy teljesen új gépet is lehetne venni. Arra is felhívta a figyelmet, hogy sok gyártónál a beépített memóriáért felszámított felár gyakran már meglévő, korábban beszerzett alkatrészekre vonatkozik, amelyeket a gyártó az aktuális, megugrott piaci áron számláz tovább.
Ehhez kapcsolódott egy figyelmeztetés is: néhány gyártó a költségek csökkentése érdekében újabban 8 GB memóriával szerelt gépeket is árusít. Mindkét házigazda egyértelműen óva intett ettől: képernyőolvasó-felhasználóként ez rossz döntés, mert a képernyőolvasó és a hozzá kapcsolódó folyamatok érdemben megterhelik a rendszert. Kivételként említették az Apple gépeit, amelyek úgynevezett egyesített memóriaarchitektúrát (unified memory) használnak, ami másképp viselkedik, mint egy hagyományos Windows-gép memóriája – ott a 8 GB kevésbé jelent gondot. Windows-alapú géphez viszont minimum 16 GB memóriát javasoltak, ha valaki ma vásárol új gépet.
Sonos: ideje megbocsátani?
Egy hallgató, John levele nyitotta meg a vitát arról, hogy ideje-e túllépni a Sonos néhány évvel ezelőtti alkalmazás-katasztrófáján, amikor az újratervezett alkalmazás hosszú időre használhatatlanná vált akadálymentességi szempontból. John szerint a cég – bár jogosan érte kritika a hibás kiadásért, és azért is, hogy a korábbi jelzéseket a problémákról sokáig figyelmen kívül hagyta – azóta érdemben javított az alkalmazáson, és mára ismét jól használható. A vállalat vezérigazgatója egy idő után távozott, ami John szerint önmagában nem az akadálymentességi problémák miatt történt, de jelzi, hogy a hibás alkalmazás komoly üzleti következményekkel is járt. John azt is megemlítette, hogy a Sonos idővel egy programozói felületet, vagyis API-t (Application Programming Interface, egy szoftverek közötti kommunikációt lehetővé tevő felület) is elérhetővé tett, amelyre több harmadik féltől származó alkalmazás is épült – ő maga egy mesterséges intelligenciával megíratott, egyszerű kis alkalmazást is készített ennek segítségével –, így egy esetleges jövőbeli alkalmazáshiba esetén már van tartalék megoldás.
Steven és Shaun között ebben a kérdésben nézeteltérés bontakozott ki: Shaun szerint a Sonos-botrány lényege nem az volt, hogy egy alkalmazás elromlott – ez bármelyik céggel megtörténhet –, hanem hogy a vállalat a korábbi figyelmeztetések ellenére sem foglalkozott érdemben a problémával, amíg az szélesebb körű, nem kifejezetten akadálymentességi jellegű felháborodást nem váltott ki. Steven inkább amellett érvelt, hogy egy vállalatot a tetteivel, nem a múltjával kell megítélni, és ha a Sonos azóta bizonyítottan javított, ésszerű továbblépni – bár azt is elismerte, hogy Shaunnak igaza van abban, hogy a cég reakciója, nem maga a hiba volt a fő probléma.
Rövid hírek: nyílt forráskódú bővítmény és egy akadálymentesített domainvásárlás
Egy másik hallgató, Camille levelében arról írt, hogy egy korábban Steven által készített és a GitHubra feltöltött NVDA-bővítmény, az úgynevezett Item Chooser (az NVDA egy ingyenes, nyílt forráskódú képernyőolvasó Windowshoz) fejlesztésébe belenézett, és talált benne felesleges, kettőzött kódrészleteket. A javításokat pull request formájában (vagyis kódmódosítási javaslatként) küldte be, Stevennek pedig ezt jóvá kellene hagynia, hogy bekerüljön a hivatalos verzióba. Steven önkritikusan elismerte, hogy ő maga nem ír kódot hagyományos értelemben, hanem mesterséges intelligenciás eszközök segítségével állította össze a bővítményt, így a beérkező javaslatok értékelése is kihívást jelent számára.
Shaun eközben egy másik, kisebb bosszúságról számolt be: domént szeretett volna vásárolni saját projektjeihez, de az első regisztrátornál az azonosításhoz az oldal olyan élő arcfelismerős, mozgásalapú ellenőrzést kért (a fej oldalra fordítását, szemmozgást), amit képernyőolvasóval és látássérülten gyakorlatilag lehetetlen volt elvégezni. Bár az ügyfélszolgálat gyorsan reagált, és felajánlotta, hogy e-mailben is el lehet küldeni az igazolványt, Shaun addigra már másik szolgáltatóhoz fordult. Végül a Cloudflare-nél vásárolta meg a domaint, amelynek folyamatát akadálymentesnek és egyszerűnek találta.
Összegzés
A mesterséges intelligencia egyszerre könnyíti meg és bonyolítja az életet: természetesebb hangok teszik élvezhetőbbé a felolvasást, ugyanakkor egy firmware-frissítés vagy egy túlbonyolított kísérőalkalmazás percek alatt elveheti a kedvet a legújabb eszköztől is. A képernyőolvasó-alapok elsajátítása közben pedig nemcsak technikai, hanem fogalmi zavarokkal is meg kell küzdeni – hogy mi a különbség egy képernyőolvasó, egy hangasszisztens és egy okosszemüveg AI-funkciói között –, és ehhez továbbra is a türelem és a fokozatos gyakorlás tűnik a legjobb receptnek.
A cikk a Double Tap podcast 2026. augusztus 24-i adása alapján, mesterséges intelligencia felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.