A vak és gyengénlátó számítógép-felhasználók előtt álló egyik legnagyobb akadály nem maga az eszköz, hanem a több száz billentyűparancs, amit fejből kell tudni. A Speaking Access ezt a falat bontja le – hangalapú vezérléssel, helyi feldolgozással, mesterséges intelligencia nélkül.
Mikor válik teherré a billentyűzet?
Aki valaha próbált képernyőolvasóval dolgozni, tudja: a szoftver önmagában is rengeteg parancsot igényel. Az NVDA (NonVisual Desktop Access, egy népszerű, ingyenes képernyőolvasó Windows alá) esetében több mint 350 billentyűkombináció létezik – és ez még nem tartalmazza a Windows saját parancsait, amelyek szintén több száz tételből állnak. Ha valaki Mac és Windows között vált, az egész tanulási folyamat újrakezdődik.
Ezek a számok nem pusztán statisztika: a Double Tap podcast műsorvezetője, Shaun Preece például esszenciális tremort említ a bal kezében, ami önmagában is megnehezíti a billentyűzet-használatot. A probléma kettős: az egyik oldalon azok állnak, akik látásvesztés után próbálnak képernyőolvasót tanulni, a másikon azok, akiknek mozgáskorlátozottságuk miatt is kihívást jelent a gépelés.
Egy látó ember szempontváltása
Christopher Mutch kanadai szoftverfejlesztő körülbelül hat évvel ezelőtt találkozott először képernyőolvasóval, amikor egy vakon született ügyféllel dolgozott. Engedélyt kért tőle, majd megfigyelte, hogyan navigál az ember villámgyors NVDA-hangon. Hazament, letöltötte az NVDA-t – és falba ütközött.
„Látó emberként egészen máshogy tanuljuk meg az interfészeket” – mondja Mutch. A billentyűparancsok között sok olyat talált, amelyhez semmilyen logikus asszociáció nem kapcsolódik: az L betű a hivatkozásokra (link) még érthető, de a böngésző címsorának előhívása már nem. Ráadásul ha valaki segítséget keres egy parancshoz, le kell váltania a kívánt feladatról – és mire visszatér, elfelejti, mit akart csinálni.
Mutch nem adta fel. Előbb 70 vak felhasználót kérdezett meg arról, mit várnának el egy ilyen eszköztől. A válasz egyértelműen körvonalazódott: egy navigálható, hangalapú menürendszer, amely nem csupán megmutatja a parancsokat, hanem végre is hajtja azokat.
Hogyan működik a Speaking Access?
A Speaking Access lényege egyszerű: a felhasználó hangosan kimondja, mit szeretne csinálni, a program pedig lefordítja ezt a megfelelő billentyűkombinációra és azonnal végrehajtja. Nincs szükség aktiválószóra – a szoftver folyamatosan figyel.
A parancsok logikusan elnevezve érhetők el. Ha valaki azt mondja, hogy „browser address bar”, a program megnyitja a böngésző címsorát – anélkül, hogy a felhasználónak tudnia kellene, melyik billentyűkombináció tartozik hozzá. A „browser downloads” a letöltési mappát nyitja meg, a „browser favorites” a könyvjelzőket. A rendszer Windows- és NVDA-parancsokat egyaránt ismer, így az elérhető közel 500 parancs lefedi a mindennapi használat szinte teljes körét.
A menürendszer rétegzett: a fő menü (amelyet az „access menu” paranccsal lehet előhívni) mappákba rendezi a parancsokat, amelyek között keresni is lehet – elég kimondani a kategória nevét, például „desktop commands”, és a megfelelő lista azonnal megjelenik. Aki nem tudja, melyik mappában keresse a kívánt funkciót, a „search menu” paranccsal rá is kereshet, majd a találatot bemondva végrehajtja a műveletet.
Ismétléses billentyűparancsokra is van megoldás: a „tab key 10 times” mondatra a program tízszer egymás után lenyomja a Tab billentyűt. Ugyanígy működik az irányított navigáció: „select five rows above”, „move right five words” – mindez hanggal vezérelhető.
Weblapokon sem vesznek el a felhasználók: a „next button”, „next link”, „next form field”, „heading level one” stílusú parancsokkal mozoghatnak az oldal elemei között, lényegében ugyanúgy, ahogy egy képernyőolvasó-felhasználó a billentyűzettel navigálna.
Egy tipikus, sokat emlegetett probléma a Windows rendszer értesítési területe: a kis ikon az óra közelében, amelynek billentyűparancsára kevesen emlékeznek fejből. A Speaking Accessban ennek előhívásához elég kimondani a „notification area” szavakat – a program azonnal a megfelelő helyre ugrik. Alternatívaként a felhasználó az „access menu” menüben is rákereshet a parancsra, majd a találatot bemondva végrehajtja azt. A szoftverben biztonsági megfontolásból nincs leállítási parancs, és a feladatkezelőbe (Task Manager) sem lehet hangon belépni.
Helyi feldolgozás, nincsenek felhőszolgáltatások
A Speaking Access teljesen helyileg működik – nem küld adatot szerverekre, és a parancsok végrehajtásához nincs szükség internetkapcsolatra. Mutch szerint ez a megkérdezett 70 felhasználó egyik legerősebb elvárása volt.
A döntés mögött elvi és gyakorlati érvek egyaránt állnak. Elvi oldalon: miért kellene egy asztali parancsnak – legyen az akár csak a böngésző megnyitása – megtenni az utat egy szerverig és vissza? Praktikusan nézve: sokan könyvtárakból vagy megbízhatatlan internetkapcsolattal érik el számítógépüket.
Ez a hangfelismerés megbízhatósága szempontjából is lényeges. A podcastban szóba kerül, hogy az AI-alapú asszisztensek, például a ChatGPT, képernyőolvasós parancsok tekintetében megbízhatatlanok: az NVDA képernyőfüggöny-parancsát (amely teljesen elsötétíti a kijelzőt) például 15-szer egymás után hibásan adta meg, minden alkalommal teljes magabiztossággal. A Speaking Access nem erre az elvre épül: a parancsok kódba vannak ágyazva, a program egyszerűen végrehajtja azokat – nincs találgatás, nincs „értelmezés”.
Nem csak vakok számára készült – de elsőként nekik
A szoftver fejlesztése tudatosan a vak felhasználókat helyezte előtérbe. Mutch az első verzióba egyáltalán nem épített vizuális felületet – csak hangos menüt. Amikor látó tesztelőknek mutatta meg, kiderült, hogy még akkor sem értik meg a logikát, ha a parancs neve tökéletesen leírja a funkciót. Annyira mélyen rögzültek a vizuális tanulási szokásaik, hogy a hangalapú interakció más gondolkodásmódot igényelt tőlük.
Négy évvel később, a kezdeti béta után Mutch beépítette a vizuális felületet is – de ez maradt a második lépés. A program célközönsége elsősorban:
- vak és gyengénlátó felhasználók, akik képernyőolvasóval dolgoznak,
- dyslexiás felhasználók,
- gyengénlátók, akiknél a Windows Nagyító is hangalapúan vezérelhető (beleértve a szín-invertálást és a lencsemódot),
- illetve bárki, akinek a billentyűzet-használat fizikai okokból nehézséget jelent.
Az ár tudatos döntés eredménye: a Speaking Access 30 dollárba kerül (USD), és 30 napos ingyenes próbaidőszakkal érkezik. Mutch elutasította a befektetők ajánlatait, hogy megőrizze az árazás feletti irányítást – a piacon jelen lévő, hasonló profilú szoftverek között akadnak 2000 dolláros előfizetéses megoldások is. A vásárlás a Microsoft Store-on keresztül érhető el.
Diktálás és korrektúra
A Speaking Access rendelkezik egy saját diktálási üzemmóddal is, amelyet Mutch „post mode”-nak nevez. Ez két dobozra épül: a felhasználó hangot ad, a szoftver a felismert szöveget a szódobozba írja és visszaolvassa. Ha az eredmény megfelelő, egy „okay” paranccsal a szöveg átkerül a beillesztési dobozba, ahonnan a program egyetlen lépéssel illeszti be a kívánt alkalmazásba. Ez a darabonkénti módszer lehetővé teszi, hogy a felhasználó menet közben korrigáljon.
A szerkesztési munkát egy korrektúra mód egészíti ki, amelyben a program nemcsak a szöveget olvassa vissza, hanem az összes írásjelre és formázásra is felhívja a figyelmet. Egy mondat korrektúrázott olvasata így hangzana: „Uppercase Hello, uppercase Steve, symbol comma, how are you today, question mark.” Ez lehetővé teszi, hogy a felhasználó pontosan tudja, mi kerül be a végleges szövegbe – anélkül, hogy az NVDA-val szavanként kellene végigmennie rajta.
Az interjú során Mutch egy hamarosan érkező önálló diktálószoftverről is szól, amely a Speaking Access gyengébb pontját – a diktálás pontosságát – hivatott orvosolni. Ez az eszköz a Whisper AI helyi hangfelismerő modellt használja, és 12 dollárért lesz elérhető. A felhasználó kiad egy „start dictating” parancsot, szabadon diktál, majd „stop” szóra a szoftver elvégzi az átírást – nagyjából 30 másodperc alatt. Egyszerre legfeljebb hét perc hanganyagot tud kezelni. Az adatok itt sem hagyják el a gépet, és a proofread mód ugyanúgy elérhető, mint a Speaking Accessben.
Egy iparági paradoxon – és ami utána jöhet
Az interjú egyik tanulságos mellékszála az a megfigyelés, hogy a technológiaipar hagyományosan utólag gondol az akadálymentességre. A fejlesztők elkészítik a terméket, majd valaki megkérdezi: „de vakok is tudják használni?” – és kezdődik a visszamenőleges átalakítás.
A Speaking Access ennek az ellenkezője: az akadálymentesség volt az alap, a látó felület pedig csak ezt követte. Mutch szerint ez az irány egyre több helyen fog megjelenni, mert a vak felhasználóknak hosszabb tapasztalatuk van a hangalapú kommunikációval és a nagy nyelvi modellekkel való természetes párbeszéddel – ez valós előny egy olyan korszakban, amelyben a hangvezérlés egyre inkább általánossá válik.
Mutch azt is megosztja, hogy kis fejlesztőként szándékosan kerülte a külső befektetőket: nem akarta, hogy mások határozzák meg az ár irányát. A piacon jelen lévő, hasonló funkciójú szoftverekért sokszor éves előfizetéses modellben kell fizetni, és az összeg könnyen eléri a néhány száz vagy akár kétezer dollárt. A Speaking Access egyszer megvásárolható, és az egyszeri 30 dolláros díj mellé 30 napos ingyenes próbaidőszak is jár.
A szoftver jelenleg kizárólag Windows-on fut; Mac-felhasználók virtuális gépen keresztül tudják elindítani. A fejlesztő a speakingaccess.com oldalon érhető el.
Érdemes megjegyezni, hogy a Speaking Access mikrofonra szorul a működéshez. Headset nélkül, laptopba épített mikrofonnal is lehet használni, de ilyenkor a program saját hangja visszahallatszhat a mikrofonba, és megzavarhatja a parancsfelismerést – mivel a szoftver szándékosan megszakítható, azaz a felhasználó közbeszólással le tudja állítani a menü felolvasását. Mutch szerint egy egyszerű megoldás: olcsó külső hangszórót kell a laptop mögé helyezni, úgy a visszahallás megszűnik. A fejlesztő maga is dolgozik ezen, és terveiben szerepel egy jövőbeli, integráltabb megoldás is.
Összegzés
A Speaking Access egy olyan problémát old meg, amelyet sokan már természetesnek vesznek: azt, hogy a számítógép hangalapon is teljes mértékben vezérelhető legyen, anélkül hogy a felhasználónak több száz billentyűkombinációt kellene fejből tudnia. Christopher Mutch megközelítése – helyileg futó, AI-mentes, hangvezérelt parancsvégrehajtás – nem divathullám, hanem kézzel fogható gyakorlati igényre adott válasz. A 30 dolláros ár és a 30 napos próbaidőszak pedig alacsony küszöbűvé teszi a kipróbálást.
—
A cikk a Double Tap podcast 2026. június 23-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.