Egy hét hallgatói levelei kerültek terítékre a Double Tap legfrissebb adásában: szó esett arról, valóban helyettesítheti-e a mesterséges hang az élő felolvasót, van-e értelme az okoszárnak, ha kéznél a hagyományos kulcs, és hogyan lehet mégis működésre bírni a Face ID-t, ha az máskülönben nem ismeri fel az arcot.
A Double Tap műsorvezetői, Steven Scott és Shaun Preece a heti adásban jellemzően a hallgatóktól beérkezett e-maileket dolgozzák fel. Ezúttal is több, egymástól független témát érintettek: a mesterséges intelligenciával felolvasott hangoskönyvektől kezdve az okoszárak létjogosultságán át a Claude nevű mesterségesintelligencia-asszisztens előfizetési áraiig és a képernyőolvasó-bővítmények egyre zsúfoltabb kínálatáig.
AI-hangoskönyvek: helyettesítheti-e a gép az élő felolvasót
Az egyik hallgató, egy magát George-nak nevező férfi levelében az ElevenReader nevű, az ElevenLabs cég által fejlesztett alkalmazást ajánlotta Shaun figyelmébe, aki korábban elmondása szerint nem szerette a szövegfelolvasóval (TTS – text-to-speech, azaz szöveg-beszéd átalakítás) felolvasott könyveket. George szerint az alkalmazás azért különleges, mert licencelt híres hangokat kínál – köztük John Wayne-ét, Stan Lee-ét, Burt Reynoldsét és Michael Caine-ét –, és jóval olcsóbb, mint a hagyományos hangoskönyv-szolgáltatások, cserébe korlátlan használatot és offline letöltést biztosít.
George azt is felidézte, hogy egy korábbi, nemzetközileg még nem elérhető változatban az alkalmazás bizonyos szavakat automatikusan „um” hanggal helyettesített – ez a cenzúra érintette például a „beer” (sör), a „Nazi” és a „Gestapo” szavakat is. Ezt a gyakorlatot azóta megszüntették. George álláspontja szerint ha egy híresség hangját licencelik szövegfelolvasáshoz, azt nem lehet félig engedélyezni: vagy teljes egészében vállalják a hang minden lehetséges felhasználását, vagy inkább ne is licencelje senki. Steven és Shaun egyetértett ezzel az elvvel, különösen mivel oktatási anyagok esetében – ahol a második világháborúról vagy hasonló nehéz témákról van szó – a szavak cenzúrázása értelmetlenné teheti a szöveget.
A műsorvezetők ennél szélesebb vitát is nyitottak arról, hogy a gépi felolvasás valaha is helyettesítheti-e az élő narrátort. Steven elismerte, hogy hosszabb regényeknél számára még mindig zavaró a mesterséges hang ismétlődő mintázata, míg Shaun amellett érvelt, hogy a szövegfelolvasás legnagyobb erénye a hozzáférés bővítése: olyan könyvekhez enged hozzáférést, amelyeket emberi felolvasó egyáltalán nem vett fel, illetve amelyek más nyelveken nem érhetők el. Ez utóbbi kapcsán szóba került a marrákesi szerződés is, amely lehetővé teszi, hogy a látássérülteknek szánt hozzáférhető könyvformátumok országhatárokon átívelően, újbóli feldolgozás nélkül terjedhessenek. A műsorvezetők arra jutottak, hogy a kérdésben nem érdemes mereven állást foglalni: a technológia folyamatosan fejlődik, és mára a szövegfelolvasó hangok is képesek érzelmet közvetíteni. Példaként említették saját mesterséges hangjukat, Alice-t, amely a hallgatói leveleket nevesítve, zenei aláfestéssel olvassa fel. Ugyanakkor egyetértettek abban, hogy a minőségi, prémium hangoskönyv-produkciók és a gépi felolvasás egyaránt megférnek egymás mellett, és a döntő szempont nem lehet pusztán az, hogy az egyik olcsóbb a másiknál.
Van-e értelme az okoszárnak, ha ott a hagyományos kulcs
Az adás egyik leghosszabb vitáját a „Negative Julian” becenevű hallgató levele indította el. Julian egy korábbi adásban hallotta, hogy Shaun szerint az okoszárak esetében is szükség van tartalék kulcsra, ha lemerül az elem – és ebből arra a következtetésre jutott, hogy ha úgyis kulcsot kell hordani, minek egyáltalán a drága, könnyen elromló digitális zár. Levelében amellett érvelt, hogy egy zár lényege a jogosultak beengedése és a jogosulatlanok kizárása, és mivel az ember úgyis jelen van, amikor belép a saját ajtaján, semmi értelme a távoli nyitásnak. Azoknak pedig, akikben megbízik, egyszerűen ad egy pótkulcsot – szerinte az elveszett kulcs sem jelent komoly kockázatot, hiszen egy megtalált kulcsból gyakorlatilag lehetetlen kikövetkeztetni, melyik zárhoz tartozik.
Steven és Shaun válasza az volt, hogy az okoszár értelme nem a saját belépésben rejlik, hanem a hozzáférés-szabályozásban. Shaun példaként hozta fel az Airbnb-kiadásokat, ahol a bérlő időszakos, majd automatikusan lejáró kódot kap, és azt is megemlítette, hogy az édesanyjánál napi váltásban járó gondozók esetében egy hagyományos kulcs vagy kulcsdoboz kockázatosabb lenne, mint egy időkorláttal ellátott PIN-kód. Hasonló példaként szóba került egy korábban alkalmazott kutyasétáltató csapat is, ahol nem volt praktikus mindenkinek saját kulcsot adni. Shaun szerint az időzített, egyszer használatos vagy csak bizonyos időszakra érvényes kódok különösen idősek vagy gondozásra szoruló emberek esetében hasznosak, mert nem adnak teljes, huszonnégy órás hozzáférést egyetlen gondozónak sem – ezzel csökkentve annak esélyét, hogy valaki visszaéljen a bizalommal. Végül mindketten egyetértettek abban, hogy az okoszár nem mindenki számára szükséges, de van, akinek valódi megoldást jelent – ahogy Shaun fogalmazott, nem szabad a saját helyzetből kiindulva általánosítani, hogy másnak sincs rá szüksége.
A Claude előfizetés ára: appból drágább
John, egy másik hallgató, Northamptonból arra hívta fel a figyelmet, hogy ha valaki iPhone-alkalmazásból fizet elő a Claude mesterségesintelligencia-asszisztensre, havonta két-három fonttal többet fizet, mintha közvetlenül a weboldalon keresztül vásárolna, az adott csomagtól függően. John szerint a regisztráció egyébként akadálymentesnek bizonyult, bár az alkalmazás következetesen új fiók létrehozására próbálta rávenni ahelyett, hogy a már meglévőt használta volna.
Steven elmondta, hogy ő maga a weboldalon keresztül fizetett elő, így nem szembesült ezzel az árkülönbséggel, Shaun viszont az alkalmazáson keresztül véletlenül éves előfizetést vásárolt, amit aztán sikeresen, gyorsan visszatéríttetett az Apple-lel. A műsorvezetők az árkülönbséget az Apple App Store 30 százalékos jutalékával magyarázták, amelyet egyes fejlesztők – a korábbi jogi eljárások nyomán engedélyezett módon – immár áthárítanak a felhasználóra. Shaun megjegyezte, hogy egy kisebb fejlesztő esetében ezt még elfogadhatónak tartja, de egy akkora cégtől, mint az Anthropic, elvárná, hogy inkább maga nyelje le ezt a költséget.
Az NVDA-bővítmények egyre zsúfoltabb világa
Az egyik hallgató egy Text Marks the Spot nevű, új NVDA-bővítményre hívta fel a figyelmet, amely állítólag jobb böngészési élményt nyújt. Shaun elmondása szerint látta már a nevet a bővítménybolt listájában, de nem tudta pontosan, mit csinál, mindenesetre megígérte, hogy kipróbálja.
Ez adott apropót egy szélesebb beszélgetéshez az NVDA (a nyílt forráskódú képernyőolvasó) bővítménybolt állapotáról. Mindkét műsorvezető szerint az utóbbi időben jelentősen megnőtt a beküldött bővítmények száma, bár ez a hullám az elmúlt hónapokban valamelyest lelassult. A növekedés egyik oka szerintük az úgynevezett „vibe coding”, vagyis a mesterséges intelligencia segítségével, gyakran programozói háttér nélkül írt kód elterjedése – ez a GitHubot is sokkal szélesebb közönség számára tette elérhetővé, mint korábban. A probléma az, hogy a bolt jelenleg egyetlen, kategóriák nélküli listaként működik, ami megnehezíti a böngészést és a tartalmilag hasonló bővítmények összehasonlítását. Felmerült az igény egy értékelési vagy csillagozási rendszerre is, hasonlóan a GitHubon megszokotthoz, hogy a felhasználók jelezni tudják, ha egy bővítmény elavult vagy nem működik. A műsorvezetők szerint a bolt jelenlegi, automatikus biztonsági ellenőrzésen túl nem igazán szűri a beküldött bővítmények minőségét vagy egyediségét, ami hosszabb távon átláthatatlanná teheti a kínálatot.
Ehhez kapcsolódóan Steven felvetette a kérdést, hogy vajon a JAWS képernyőolvasóhoz is íródnak-e hasonló, mesterséges intelligenciával támogatott szkriptek, hiszen a JAWS szkriptnyelve is dokumentált, és elméletileg semmi nem indokolja, hogy ez ne menne ugyanúgy, mint az NVDA-bővítmények esetében. Egyikük sem hallott azonban erről érdemi beszélgetést a közösségben. Hasonlóképpen csak elvétve találkoztak az Apple VoiceOver AppleScript-alapú szkriptelésével kapcsolatos tartalmakkal – pedig ez az, ami feltehetően olyan alkalmazások mögött is állhat, mint a VOCR. Shaun szerint ennek egyik oka lehet, hogy a macOS engedélykezelése rendszeresen újra rákérdez a jogosultságokra, ami akadályozza az ilyen szkriptek gyakorlati, mindennapos használatát.
Claude testreszabása képernyőolvasó-felhasználóknak
Egy másik hallgató azt osztotta meg, hogyan tette kiszámíthatóbbá a Claude válaszait képernyőolvasóval navigálva. A desktop alkalmazás Beállítások, majd Általános menüpontjában található egy rendszerszintű prompt mező, ahová beírható, hogy a felhasználó teljesen vak, képernyőolvasót használ, és minden választ egy második szintű címsorral (heading) kell kezdeni. A hallgató szerint ez a beállítás azóta megbízhatóan működik.
Steven megerősítette, hogy a desktop alkalmazásban alapból nincs címsor a válaszok elején, ami megnehezíti a képernyőolvasós navigációt, de ez a rendszerprompt-beállítás megoldja a problémát. Azt is elmondta, korábban külön kérte az asszisztenstől, hogy egy rövid hangjelzéssel jelezze a válasz végét, ez azonban mára feleslegessé vált, mivel az alkalmazás automatikusan bemondja, hogy a Claude befejezte a válaszadást. A címsorok következetessége azonban továbbra sem tökéletes: előfordul, hogy egy hosszabb beszélgetés közepén kimarad egy címsor, bár a végén elhelyezett címsor legalább a kérdéshez navigálást segíti.
Azoknak, akik a Claude-ot terminálból, kódoláshoz használják, a desktop alkalmazás Általános beállításai helyett a /init paranccsal lehet hasonló, minden munkamenet elején lefutó rendszerpromptot beállítani – például hogy a felhasználó vak, képernyőolvasót használ, és minden projektnél elsődleges szempont legyen az akadálymentesség, a WCAG- és ARIA-irányelvek betartásával.
A Face ID trükkje: napszemüveggel sikerült, ami anélkül nem ment
Stan Warren Luttrell levelében arról számolt be, hogy telefoncseréje után – egy korábbi iPhone 15 Pro Maxról váltva – hiába próbálkozott a Spectrum üzlet munkatársával, nem sikerült beállítania a Face ID-t, mert a rendszer nem ismerte fel megbízhatóan az arcát. Ekkor jutott eszébe, hogy felteszi a Ray-Ban napszemüvegét, és ezzel a beállítás végül sikerült: a Face ID a szemüveggel a fején ismerte fel az arcát, miközben szemüveg nélkül ez nem működött.
Steven ennek kapcsán elmagyarázta, hogy az iPhone két vagy három különböző Face ID-beállítást is képes tárolni egyszerre, így ha valakinek egyenetlen a felismerés pontossága, érdemes a Beállításokban egy második arcfelismerést is rögzíteni – lehetőleg az elsőtől eltérő körülmények között, például szemüveggel, ha az első szemüveg nélkül készült. Ez jelentősen javíthatja a felismerés megbízhatóságát. A beszélgetés során szóba került az Attention Aware Features (figyelemérzékelő funkciók) nevű beállítás is, amelyet vak felhasználóknak érdemes kikapcsolva tartani, mivel ez alapesetben megköveteli, hogy a felhasználó a kamerába nézzen a feloldáshoz – és ezt érdemes rendszeresen ellenőrizni, mert egy szoftverfrissítés visszakapcsolhatja. Szóba került továbbá a koronavírus-járvány idején bevezetett, maszkkal is működő Face ID-funkció is, bár egyik műsorvezető sem emlékezett pontosan, hogy ez náluk aktív-e. Steven szerint a Face ID valójában rengeteg arcponton – a szem távolságán, a száj szélességén, a járomcsontokon és a szemöldökök helyzetén – alapuló méréssorozatot végez, ezért egy-egy jellemző eltakarása, például napszemüveggel vagy maszkkal, önmagában ritkán akadályozza meg a felismerést.
Összegzés
Az e heti levelek közös tanulsága, hogy egy-egy technológiai megoldás értékét mindig az határozza meg, kinek, milyen helyzetben kell használnia: sem az okoszár, sem a gépi felolvasás, sem a Face ID nem univerzális megoldás. A mesterséges intelligencia eközben egyre több gyakorlati kérdést vet fel a látássérült közösség mindennapjaiban – az előfizetési díjaktól a képernyőolvasó-bővítményeken át a saját eszközök testreszabásáig.
A cikk a Double Tap podcast 2026. augusztus 28-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.