Hogyan születik egy konvenciós dal percek alatt, és hogyan ír szoftvert az, aki sosem tanult programozni? Az Access On podcast legújabb epizódja a National Federation of the Blind (NFB, a vakok amerikai szövetsége) 2026-os nemzeti konvenciójának mesterséges intelligencia szemináriumát dolgozza fel.
A felvétel az NFB Accessibility Excellence Team által szervezett, 2026. július 3-án, Austinban tartott szemináriumon készült. A beszélgetés két nagy témát ölel fel: az MI-alapú zenegenerálást, amelyet Jonathan Mosen műsorvezető mutatott be, valamint az úgynevezett „vibe coding”-ot, vagyis a mesterséges intelligenciával segített, természetes nyelvi utasításokra épülő programozást. Utóbbiról Jack Mendez, az NFB Newsline programmenedzsere és J. J. Meddaugh, az A. T. Guys alapítója osztotta meg tapasztalatait.
Zenegenerálás mesterséges intelligenciával
Néhány éve még könnyű volt felismerni, ha egy dalt mesterséges intelligencia készített: a dallamok furcsák és jellegtelenek voltak, a hangzás pedig gyenge. Ez mára alaposan megváltozott. A vak közösségben legelterjedtebb eszköz a Suno, amely egy rövid szöveges leírásból egy percen belül teljes dalt generál, szinte bármilyen zenei műfajban. Mosen szerint érdemes a Suno weboldalán kezdeni az ismerkedést, mert az iPhone-alkalmazás kezelése akadozóbb, és az akadálymentesség időnként visszaesik egy-egy frissítés után – bár a fejlesztők tisztában vannak a TalkBack és a VoiceOver képernyőolvasók működésével, és reagálnak a jelzésekre.
A Suno mellett több alternatíva is létezik. Az Udio hangminősége és kezelhetősége egyes visszajelzések szerint jobb lehet. Az ElevenLabs – amelyet sokan hangklónozásra és az Eleven Reader felolvasó alkalmazásra használnak, utóbbi az NFB-tagok számára ingyenesen elérhető – szintén piacra dobott egy zenegeneráló terméket. A Google Gemini alkalmazáson belül rövid zenei részletek is generálhatók, míg a kifejezetten háttérzenére és hangszeres, ének nélküli anyagokra szakosodott eszközök közül a Stable Audio érdemel említést.
Egy egyszerű, egysoros leírásból – például egy repülőúton történt vicces esetből – is készíthető dal, de a Suno ennél sokkal többre képes. Az egyéni (custom) módban a felhasználó saját szöveget írhat, és a dal szerkezetét szögletes zárójelbe tett címkékkel (verse, chorus, bridge, intro, outro) irányíthatja, sőt olyan utasításokat is beilleszthet, mint a suttogás vagy a női énekhang. Egy külön mezőben a stílust is meg lehet határozni: műfaj, altípus, tempó (BPM-ben megadva), néhány hangszer neve, az énekhang jellege, a korszak és a produkciós stílus. Mosen tapasztalata szerint azonban túl sok egyidejű utasítás összezavarja a rendszert – tíz hangszernél többet megadva már gyengébb eredmény születik.
A Suno saját hangfelvétel feltöltését is lehetővé teszi: ingyenes csomagban egy percig, fizetős előfizetéssel akár nyolc percig tartó anyagot lehet feldolgozni, legyen az dúdolt dallam vagy hangszeren eljátszott téma. A Cover funkció a feltöltött dallamot teljesen új stílusban jeleníti meg úgy, hogy az eredeti dallam felismerhető marad, egy csúszka pedig szabályozza, mennyire ragaszkodjon a rendszer az eredetihez. Egy újabb funkció saját énekhangból (15 másodperctől 4 percig terjedő, lehetőleg a cappella felvételből) hangprofilt épít, amellyel a rendszer a felhasználó hangján énekel.
Egy konvenciós dal a színfalak mögött
Mosen a szemináriumon egy általa generált konvenciós dallal illusztrálta a folyamatot. A szöveget maga írta, a dallamhoz viszont csak elképzelést fogalmazott meg: egy 1980-as, 90-es évekbeli texasi country stílust, olyan előadók hangzásával, mint Alan Jackson, George Strait vagy Randy Travis. Mivel a Suno konkrét előadók nevének megadására rosszul reagál, Mosen a Claude nyelvi modellt kérte meg, hogy általánosan írja le ezeknek az énekeseknek a hangszínét, majd ebből állította össze a stílusmezőt: hagyományos texasi country, meleg, mély férfihang, kórusban éneklő háttérvokál, hegedű, pedal steel gitár, telecaster gitár, „two-step shuffle” ritmus, 125 BPM, B-dúr, honky-tonk hangulat. A tempóhoz George Strait All My Ex’s Live in Texas című dalának BPM-értékét is a Claude-tól kérdezte meg.
A Suno minden generáláskor két verziót készít, amelyeket tovább lehet finomítani vagy újra lehet generálni. A végleges verzió sávjait (stemjeit) Mosen letöltötte, és a Reaper hangszerkesztő programban keverte össze, hozzáadva egy rövid részletet Mark Riccobono NFB-elnök egyik felszólalásából. Az elkészült dal – „We’re proudly NFB”, „This is the Blind People’s Movement” refrénnel – a szemináriumon élőben is elhangzott.
Hozzáférhetőségi előnyök és megoldatlan kérdések
A zenegenerálásnak Mosen szerint konkrét akadálymentességi haszna is van: egy elfajuló halláscsökkenés miatt – bár abszolút hallása megvan – egyre nehezebben tud pontosan énekelni, a saját hangprofiljával működő Suno-funkció viszont lehetővé teszi, hogy mégis a saját hangján szólaljon meg egy dal.
Ugyanakkor az etikai és szerzői jogi kérdések tisztázatlanok. Ezeket a rendszereket hatalmas mennyiségű, meglévő zenén tanították be, ami több pert is eredményezett a nagy zeneipari szereplők és az MI-cégek között; egy részük licencmegállapodással zárult, más ügyek még folyamatban vannak. A tisztán mesterséges intelligencia által generált hanganyag általában nem jogosult szerzői jogi védelemre, míg a felhasználó saját szerzésű dalszövege és dallama igen.
A vibe coding fogalma és jelentősége vakok számára
A „vibe coding” kifejezés – amely a szeminárium szerint az elmúlt egy évben vált gyorsan elterjedtté – azt a folyamatot jelöli, amikor valaki természetes nyelven írja le, mit szeretne, hogy egy program csináljon, az MI-asszisztens pedig megírja hozzá a kódot. A felhasználó kipróbálja az eredményt, elmondja, mi nem jó, az asszisztens javítja, és ez a párbeszéd addig folytatódik, amíg a program a kívánt módon működik. Nincs szükség programozási nyelv ismeretére, csak arra, hogy a felhasználó pontosan meg tudja fogalmazni, mit akar – ezt a képességet ma „prompt engineering”-nek nevezik.
Mosen szerint ez a technológia újrafogalmazza a vakok technológiai érdekérvényesítését. Eddig arra vártak, hogy egy fejlesztő akadálymentessé tegyen egy alkalmazást vagy címkét adjon egy gombhoz – néha hiába. A vibe coding megfordítja ezt a helyzetet: a felhasználó maga építheti meg az eszközt, amire szüksége van. Mosen úgy véli, sok vak ember különösen jól teljesíthet ebben, hiszen egész életében megtanulta pontosan leírni, mire van szüksége egy adott technológiától – a képernyőolvasók használata olyan fogalmakat tett a mindennapok részévé, mint a jelölőnégyzet vagy a választógomb, amelyek a legtöbb látó felhasználó számára inkább technikai zsargonnak számítanak.
Tapasztalatok a gyakorlatból: két fejlesztő útja
Jack Mendez elmondása szerint körülbelül 2025 novembere óta foglalkozik vibe codinggal, amikor a Claude Code Opus kiadása alapjaiban változtatta meg, mit várhat el az ember egy ilyen platformtól. Azóta más nagy nyelvi modellek – köztük a ChatGPT Codex és egyes kínai fejlesztésű modellek, mint a GLM 5.2 – is felzárkóztak. Mendez kezdetben az NVDA és a JAWS képernyőolvasók viselkedésének módosításával, billentyűparancsok átírásával kísérletezett, a dokumentációt URL-ek beillesztésével adta meg a modellnek. Idővel több programozási nyelvvel is dolgozott, köztük Pythonnal, PowerShell-lel és a biztonságos, típusos Rust nyelvvel.
Mendez szerint az egyik legnagyobb előny, hogy a modellek nemcsak kódot írnak, hanem el is magyarázzák a döntéseik logikáját, ami segít a felhasználónak fejlődni. Nagyobb projektekhez – ő maga egy 3D térhangzású hangalapú játékon dolgozik – kifejezetten ajánlja a Claude tervezési (planning) módjának használatát: ilyenkor a modell egyelőre nem ír kódot, hanem felvázolja a projekt terjedelmét és a megvalósítás lépéseit, ami korlátok közé szorítja a modellt, és megakadályozza, hogy összefüggéstelen irányokba induljon el.
Mendez arra is kitért, hogy a jelenlegi munkamenet-alapú beszélgetés mellett léteznek úgynevezett „agentikus” munkafolyamatok is, amelyekben az MI-asszisztens a felhasználó jelenléte nélkül is dolgozik, és idővel önmagát is fejleszti. A Claude Code és a Codex az úgynevezett „harness”-t (keretrendszert) használja, amely az utasításokat továbbítja a nyelvi modell felé. Ettől eltérő, önállóbb keretrendszerek is léteznek – a szemináriumon az OpenClaw és a Hermes nevű megoldások kerültek szóba –, amelyek a felhasználó gépén tárolják a korábbi beszélgetések kontextusát, és lehetővé teszik, hogy a feladat jellegétől függően más-más modellt válasszon a rendszer.
J. J. Meddaugh, aki az A. T. Guys nevű vállalkozást vezeti, korábban is foglalkozott programozással – a Blind Bargains weboldalt egy évtizeden át kézzel írt kóddal üzemeltette –, de csak a ChatGPT 3.5 megjelenésekor, mintegy három és fél évvel ezelőtt kezdett komolyabban MI-vel kódolni. Kezdetben csak rövid, 20-30 soros szkripteket tudott generáltatni – első hasznos projektje egy Python-szkript volt, amely egy USB-s mérleg adatait olvasta ki, kiváltva egy havi 15 dolláros előfizetést igénylő szoftvert. A fejlődés a Claude Code és a Codex megjelenésével gyorsult fel igazán: ezek parancssori eszközök (CLI, command line interface), amelyeket szöveges felhasználói felületen (TUI, text user interface) keresztül, DOS-szerű párbeszéd formájában lehet használni. A korábbi, egyetlen fájlra korlátozódó webes chatbotokkal szemben egy teljes könyvtárstruktúrát képesek kezelni, és több fájlt is egyszerre módosítani.
Meddaugh több kisebb, akadálymentes játékot is épített ezekkel az eszközökkel – egy zenei Tetris-változatot és egy Space Junk nevű űrjátékot –, majd a korábbi projektjeit mintaként adta meg az MI-nek, hogy azok közös elemeit különálló, újrafelhasználható modulokká alakítsák. Az egyik legnagyobb vállalkozása a Dot Pad nevű, több soros braille-kijelző programozása volt: mivel a kijelző szoftverfejlesztői készlete (SDK) ingyenesen elérhető és nyílt forráskódú a GitHubon, meg tudta tanítani az MI-t arra, hogyan írjon ki grafikát és szöveget a kijelzőre. A modell kezdetben hibásan próbálta a számokat braille-jelekkel ábrázolni, ezért Meddaugh megtanította a Liblouis nevű, parancssori felülettel rendelkező braille-fordító programkönyvtár használatára is, amellyel végül egy braille-kijelzős Tetris-változatot is elkészített.
Egy másik projekt egy Nebraskában futó, Wages nevű nyári program konvenciós ütemtervének digitalizálása volt: a 184 elemből álló programfüzetet a ChatGPT alakította át strukturált (JSON) adatfájllá, amelyből a Codex egy pipálható, megosztható ütemtervkészítő eszközt épített – a fejlesztés mindössze egy óráig tartott, a résztvevők visszajelzései alapján pedig percek alatt bővíthető volt új funkciókkal.
Amire érdemes figyelni: akadálymentesség, biztonság, verziókezelés
Mind Mendez, mind Meddaugh hangsúlyozta, hogy az MI-modellek önmagukban nem garantálják az akadálymentes eredményt – ehhez pontos, konkrét utasításokra van szükség. Érdemes kérni, hogy a rendszer szabványos vezérlőelemeket használjon (választógomb, jelölőnégyzet, legördülő lista), ügyeljen a helyes fókuszsorrendre, kerülje a billentyűzetcsapdákat, és kövesse a WCAG (Web Content Accessibility Guidelines, azaz a webes akadálymentesítési irányelvek) szempontjait, amelyek asztali és mobilalkalmazásokra is jól alkalmazhatók. Mendez szerint az iOS-fejlesztés dokumentációja akadálymentesség terén különösen hiányos, ezért ott még nagyobb hangsúlyt kell fektetni a VoiceOver-kompatibilitás kifejezett kérésére. Meddaugh azt is javasolja, hogy a felhasználó kérdezze meg a modellt, milyen programozási nyelvet érdemes választani egy adott projekthez, és hivatkozzon konkrét, képernyőolvasó-barát könyvtárakra – Python esetén például a wxPython csomagra a kevésbé jól kezelhető Qt keretrendszer helyett.
Meddaugh néhány kiegészítő eszközt (úgynevezett „skill”-t) is bemutatott, amelyek a Claude Code és a Codex viselkedését finomhangolják: a caveman nevű beállítás tömör válaszokat kényszerít ki, csökkentve a felhasznált tokenek (a nyelvi modell által feldolgozott szövegegységek) mennyiségét és ezzel a költséget; a grill me ezzel szemben rendkívül részletes kérdéssorozattal járja körbe a tervezett projektet, hosszabb tervezési fázist, de kevesebb utólagos javítást eredményezve; a Claudio nevű kiegészítő pedig hangjelzéseket ad hozzá olyan eseményekhez, mint egy eszköz meghívása vagy egy kérdés megjelenése. Mindketten kiemelték a biztonsági kérdések fontosságát: az MI hajlamos figyelmen kívül hagyni a biztonsági szempontokat, ezért megosztásra szánt projekteknél érdemes külön biztonsági ellenőrzést kérni, különös tekintettel a jelszókezelésre és az API-kulcsok (alkalmazásprogramozási felületekhez tartozó azonosítók) véletlen nyilvánosságra kerülésére. Mendez a GitHub-tárolók beállításánál javasolja, hogy a kód magánjellegű (private) maradjon, és hozzáférési tokent kell használni a biztonságos eléréshez.
Végül mindkét fejlesztő kiemelte a Git verziókezelő rendszer használatát: minden egyes érdemi módosítás után célszerű „commit”-olni, vagyis rögzíteni a projekt aktuális állapotát, hogy egy sikertelen kísérlet után könnyen vissza lehessen térni egy korábbi, működő változathoz.
Hallgatói visszajelzések
Az adás végén két hallgatói levél is szóba került. Mike May arról számolt be, hogy az Alexa Plusra való átállás után több Alexa-készség és rutin leállt nála, egyes rádióállomások nem érhetők el, és a korábban elérhető tartalmak egy része átkerült egy külön Alexa Plus áruházba. Kevin, az NFB egyik montanai tagja két szolgáltatást ajánlott a hallgatóknak: a dreamwidth.org nevű, a régi LiveJournalhoz hasonló blogplatformot, amelyet volt LiveJournal-alkalmazottak hoztak létre, valamint a Riverside.fm podcast-felvevő szolgáltatást, amely szerinte sokkal fejlettebb, mint a Cleanfeed, és az elmúlt évben jelentősen javult az akadálymentessége.
Mosen ehhez hozzátette, hogy a két szolgáltatás más-más elven működik. A Riverside.fm minden résztvevő hangját és képét a saját gépén, teljes minőségben rögzíti, majd a felvétel után tölti fel a szerverre – így egy internetszakadás nem rontja a végleges felvétel minőségét, ugyanakkor hosszabb beszélgetéseknél előfordulhat, hogy a különálló felvételek apránként kicsúsznak a szinkronból. A Cleanfeed ezzel szemben valós idejű, kis késleltetésű hangkódolásra épül, tehát amit a beszélgetés közben hallani lehet, az gyakorlatilag megegyezik a végső felvétellel; cserébe nincs helyi mentés, így egy sikertelen feltöltés akár teljes felvételvesztéssel is járhat, bár ez a kockázat az évek során csökkent. Mosen szerint ez utóbbi tulajdonság teszi a Cleanfeedet ideálissá élő rádiós munkához, míg a Riverside.fm inkább a videós, utólag szerkesztett podcastok készítőinek jó választás.
A zenei kreativitástól a szoftverfejlesztésig terjedő két témát egy közös pont köti össze: mindkettő azt mutatja meg, mennyire hozzáférhetővé válhatnak azok az alkotói folyamatok, amelyek korábban komoly technikai előképzettséget igényeltek. Cserébe viszont új kérdéseket vet fel a szerzői jogok, a biztonság és a minőségbiztosítás terén, amelyekkel a felhasználóknak is tisztában kell lenniük.
A cikk az Access On podcast 2026. augusztus 5-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.