A Google Gemini új Guided Vision funkciója a kamera élő képe alapján segít látássérült felhasználóknak tájékozódni. A Double Tap műsorvezetői kipróbálták, majd hallgatói levelek nyomán arról is beszéltek, hol tart a Siri az iOS 27-ben, és mire számíthat, aki Androidra váltana.
A 2026. október 7-i adásban Shaun Preece és Steven Scott a kipróbálás után olyan hallgatói leveleket is megtárgyalt, amelyek az Apple új asszisztensét és a Gemini beállításait érintették.
Mi a Guided Vision?
A funkció a Gemini Live részeként működik. A Gemini Live-ban beszélgetni lehet az asszisztenssel, miközben a telefon első vagy hátsó kamerája közvetíti a környezetet, és kérdéseket lehet feltenni arról, amit a kamera lát. A Guided Vision ezt az élményt egészíti ki: a vak és gyengénlátó felhasználók igényeire szabott, részletesebb leírást ad, és abban is segít, hogy a felhasználó a kamera vagy a keze mozgatásával megtaláljon valamit.
Steven Scott szerint a Google az Aira-val együttműködve fejlesztette a megoldást, nagyjából az elmúlt egy évben, esetleg annál régebben óta. Az Aira mesterséges intelligenciára épülő szolgáltatásának használói már korábban hozzáfértek hasonló vizuális értelmezéshez a Google és a Gemini technológiáján keresztül. Az Aira klasszikus szolgáltatásában emberi ügynök is figyel a háttérben, és a képleírásnál is lehet emberi ellenőrzést kérni. Ezért a műsorvezetők kissé meglepődtek, hogy a funkció végül a Google saját alkalmazásában jelent meg. A különféle kísérleti programok és együttműködések miatt szerintük most nehéz átlátni, ki mit kínál.
A Guided Vision egyelőre nem iOS-en érhető el. A Gemini alkalmazásnak van iPhone-os változata, de a funkció ott nem működik. A Google tájékoztatása szerint a Gemini alkalmazás „kiválasztott, támogatott eszközein” fut. A Google közleménye szerint Android 9-től felfelé érhető el, azokon a régiókon és nyelveken, ahol a Gemini Live támogatott. Hogy pontosan mely eszközök támogatottak, a műsorvezetők nem tudták. Steven Scott maga Pixel 10 Pro telefonon próbálta ki, és megkérdezte a Geminit, hogy a számítás a telefonon vagy a felhőben történik. A válasz szerint minden a felhőben fut.
A bögre-teszt és a RØDECaster Pro II
Steven Scott minden hasonló eszközt ugyanazzal a próbával vizsgál: egy bögrét helyez az asztalra, és megkéri az asszisztenst, hogy szóljon, amikor meglátja. A Guided Vision esetében a próba vegyes eredményt hozott. Amikor a telefont balról jobbra körbeforgatta egy sarokasztal fölött, a Gemini azt ígérte, hogy szól, ha meglátja a bögrét, de nem szólt. Kérdésre megerősítette, hogy látta, és azt mondta, jobbra van, miközben a bögre balra állt.
Ha viszont Steven Scott egy helyben tartotta a telefont, és rákérdezett, a leírás használhatónak bizonyult. A Gemini a telefontól balra jelölte meg a bögrét, és ez pontos volt. A fejhallgatóhoz viszonyított helymeghatározást egyszer korrigálnia kellett, de a megadott irányban, kézzel előrébb tapogatva megtalálta a bögrét. Szerinte a hibát az magyarázhatja, hogy a gyors mozgatás közben a rendszer egyszerre sok képet kap.
A leghasznosabb példa a RØDECaster Pro II keverőpult érintőképernyője volt, amelyet a két műsorvezető is használ. Shaun Preece AccessCaster nevű megoldása teszi hozzáférhetővé a pultot, de egy művelethez az érintőképernyőre is szükség volt. A Gemini jól leírta a képernyő elemeit. Amikor Steven Scott a keresett gombról kérdezett, az ujját a képernyő szélére helyezte, és azt a választ kapta, hogy mozdítsa el egy hüvelykkel jobbra. Rákérdezett, hogy ez-e a megfelelő gomb, igent kapott, és meg tudta nyomni. Hangsúlyozta, hogy ebből nem következik, hogy mostantól minden hozzáférhetetlen érintőképernyő használható, de az eszköz látta az ujját, viszonyítási pontokat talált, és ennek alapján útmutatást adott. Egy telefonba épített, ingyenes eszköztől ez szerinte jó teljesítmény.
Mit jelent az „élő”?
A kipróbálás egyik tanulsága, hogy az „élő” működés itt nem valós idejű. A válaszok késnek, ezért a felhasználónak egy pillanatra meg kell állnia, hogy az MI utolérje magát. Ugyanez igaz az Oorion alkalmazásra is. Steven Scott úgy vélte, a teljes valós idejű működést valószínűleg a szükséges számítási kapacitás korlátozza, és nehéz kritizálni a funkciót, mert nem ismer hozzá hasonló szintű eszközt.
A műsorvezetők eltérően értelmezték, mit várhatunk az ilyen eszközöktől. Shaun Preece szerint a Be My AI és az Aira Access AI tapasztalata alapján hibás az az elképzelés, hogy az eszköz folyamatosan figyel és hallgat. Jobb úgy gondolni rá, hogy a kamera akkor áll rendelkezésre, amikor szükség van rá, például amikor valaki a ruhásszekrényből előhúz egy pólót, és megkérdezi, mi áll rajta. Steven Scott ezzel csak részben értett egyet. A ScribeMe indulásakor a telefont a falnak támasztotta, és amikor kivett egy pólót, az alkalmazás magától megmondta, mi az. Szerinte ez az, amit egy valóban élő funkciótól elvárhatunk, különben nem proaktív, hanem a felszólításra váró eszköz. A ScribeMe-t azóta nem próbálta, így nem tudja, működik-e még így.
Shaun Preece hozzátette, hogy két különböző használati cél létezik. Az egyik az otthoni tájékozódás vagy tárgyazonosítás, a másik a közlekedés, ahol az ember nem akar tízmásodpercenként rákérdezni, van-e előtte akadály, például egy szemetes vagy a járdán parkoló autó. Ehhez valódi valós idejű működés kellene.
A használatba vételt mindketten nehézkesnek találták. Steven Scott a Geminitől nem kapott használható választ a Guided Vision elindításáról, mert az asszisztens nem értette a kifejezést. Végül megtudta, hogy a Gemini alkalmazás képernyőjének jobb alsó részén van egy gomb a funkció elindításához. A funkciót a Gemini alkalmazás beállításaiban egyszer be is kell kapcsolni. A Google tájékoztatása szerint a funkció a TalkBackből és az Android kisegítő lehetőségeinek gyorsparancsaiból is elindítható, de ő ezt nem találta meg. Szerinte egy ilyen funkciónak gyorsan elérhetőnek kell lennie, ahogy az Apple Nagyító alkalmazásában az élő felismerés is sokáig rejtve volt, amíg gesztust és rotorbeállítást nem kapott.
Összevetés a Sirivel és a Meta szemüveggel
Steven Scott iPhone-on is kipróbálta ugyanezt a Siri AI-val. A bögre keresésére a Siri nem tudott mit kezdeni a kéréssel. Az Apple megoldásában nincs körbepásztázás és folyamatos beszélgetés a kamera képéről: fényképet kell készíteni, és utána lehet kérdezni róla, ami szerinte 2004-es szint. Shaun Preece emlékeztetett, hogy a Be My AI-nál ez a működés volt az ígéret, így a várakozások is ehhez igazodtak. Szerinte a Guided Vision az eddig látott megoldások közül talán a legközelebb jár ahhoz, hogy a régóta emlegetett jövőkép megvalósuljon.
Shaun Preece úgy sejti, hogy a funkció azért nem érhető el iOS-en, mert a Google a hamarosan megjelenő okosszemüvegére készül. A műsorvezetők szívesen hallanának hallgatói összehasonlítást a Guided Vision és a Meta szemüveg Live funkciója között. A Meta Live, a Gemini Live és a ChatGPT Live egymással összevethető, a Guided Vision viszont további, vakoknak szóló réteget ad, amelyben a Gemini előnnyel indul. A Meta részletesebb képleírásokat is bevezetett.
Siri AI és iOS 27: hallgatói tapasztalatok
A műsor második felét a hallgatói levelek töltötték ki. A missouri James vegyes véleményt írt az iOS 27 Siri-járól. Pozitívnak találta, hogy már nem kell külön megkérni az asszisztenst, hogy a ChatGPT-t kérdezze, mert kérdésre közvetlenül válaszol, nem a webes találatokat sorolja. Bosszantóbb viszont, hogy alkalmazásnyitáskor a Siri a háttérben marad. Ha a hangjelzés után megérinti az oldalsó gombot, az alkalmazás többnyire megnyílik, de az asszisztens közben lehalkítja a lejátszott hangot, és később hibát jelez. Egy másik esetben emlékeztetőt kért azzal, hogy a Siri a megadott idő előtt harminc perccel külön értesítést is küldjön. Az Emlékeztetők alkalmazás jegyzet mezőjébe odaírta a kérést, értesítés viszont nem érkezett. James szerint ez egyszerű feladat, amelyet bármely ChatGPT-hez vagy Claude-hoz hasonló eszköz megoldana, és az Apple-nek ezt javítania kell.
Mindkét műsorvezető egyetértett abban, hogy az alapfunkcióknak (emlékeztető, naptár, alkalmazásnyitás, hívás, üzenet) hibátlanul kell működniük. Steven Scott szerint az asszisztens fejlesztése évek óta napirenden van, és a ChatGPT megjelenése óta eltelt időt tekintve jobbnak kellene lennie. Úgy látja, a közösségi médiában egyre többen osztják a kritikus véleményét. Shaun Preece ebben a vitában az ördög ügyvédjének szerepét vállalta. Szerinte a telefonon futó MI és a szerverparkon futó MI teljesítményét nem lehet azonos mércével mérni, az adatvédelem pedig további különbség: amit például a Claude-dal csinál az e-mailjeivel, az Anthropichoz kerül, az Apple megoldása viszont a saját, zárt rendszerében marad. Steven Scott ellenvetése az volt, hogy a Siri AI sem csak helyben dolgoz fel, hiszen az adatok az iCloudban is megvannak, és az Apple saját felhőszámítási rendszerét használja, amelyben a hátterben állítólag a Gemini is szerepet kap. A műsorvezetők nem jutottak közös álláspontra.
Shaun Preece szerint a legújabb nyilvános béta kijavította az alkalmazásnyitás hibáját: például a Seeing AI megnyitásakor a Siri gyorsan jelzi, hogy kész, és eltűnik. Az operációs rendszer szerinte gyors és reszponzív, de a nagy lelkesedést nem érti. Steven Scott örül, hogy az iMessage-ben visszatért a hangfelvétel gombja, mert szerinte a diktálás gyenge, míg Shaun Preece úgy találja, hogy az iOS 27 óta sokat javult. Mindketten pozitívnak tartották az új, intelligens képleírást, amely a rotoron keresztül érhető el, és a képről vagy a képernyőről lehet kérdezni.
Képleírás-szűrés és a felhasználó döntése
A legnagyobb vita a képleírás szűrésével kapcsolatban alakult ki. Steven Scott egy közösségi médiás bejegyzésben egy brit komikus levelének képernyőképét akarta elolvasni, de a rendszer azt válaszolta, hogy nem tudja leírni, mert a tartalom nem megfelelő lehet. A levél szerinte csak durvább szavakat tartalmazott. Megjegyezte, hogy elvégezte a korhatár-ellenőrzést is, mégis megtagadták tőle a leírást. Más felhasználók hasonló élményeiről is olvasott, például arról, hogy egy sportesemény képén a szurkolólányok leírását is megtagadta a rendszer.
Mindkét műsorvezető úgy vélte, hogy ha valaki a saját szemével látja a tartalmat, a telefonnak ugyanazt az információt kell megadnia. Steven Scott szerint az egyenlőség nem többlet-információt jelent: a leírás nem mondhat többet annál, mint amit a látó ember is lát, például nem olvashatja ki a szurkolólány mezéről a hátulról nem látszó feliratot. Az viszont nem elfogadható, hogy az alapinformáció hiányzik. Mivel a korhatár-ellenőrzés egyre több szolgáltatásnál kötelező lesz, felnőtt felhasználótól nem a technológiai cégnek kell eldöntenie, mit írhat le neki az eszköz. Szerinte a szülői felügyelet mellé felnőtt felhasználói beállításra is szükség volna, amelyben mindenki maga dönti el, mit akar látni, illetve leíratni.
Steven Scott a felnőtt tartalmakat és a szerencsejátékot is megemlítette, amelyeknél szerinte a vak felhasználókat indokolatlanul próbálják védeni: a felnőttek maguk döntenek, a gyerekek védelme viszont külön kérdés. A gyermekbántalmazást ábrázoló anyagok ellen szerinte tenni kell, de az Apple korábbi, ilyen anyagok azonosítására szolgáló megoldása nagy vitát váltott ki, és az igazi téma most a hozzáférés.
Android és Gemini: hallgatói segítség
Egy korábbi epizódban egy hallgató arról panaszkodott, hogy a Gemini egyszerű feladatokat, például telefonhívást vagy naptáresemény létrehozását sem végez el. Erre három hallgató válaszolt.
Tom Coloradóból Samsung Galaxy S25 Ultra készüléken, Android 16 és One UI 8.5 mellett próbálta ki a két műveletet, és mindkettő hibátlanul működött. A műsorvezetők megjegyezték, hogy a probléma eszköz- vagy régiófüggő is lehet, és az Android-felhasználók visszajelzésére vártak.
Conor Sydneyből nemrég tért át a Google Asszisztensről a Geminire, mert a Google erre kényszeríti a felhasználókat. Szerinte a névjegyek létrehozása, hívás, szöveges üzenet és naptáresemény továbbra is megoldható, de a Gemini beállításaiban be kell kapcsolni néhány dolgot. Nála az átállás után a „Hey Google” hívószó nem aktiválódott automatikusan, ezért pár napig az oldalsó gomb hosszú nyomásával indította az asszisztenst. A Google szolgáltatások beállításai között, a Gemini menüpontban mindent újra beállított, és azóta nyitja az alkalmazásokat, létrehoz eseményeket, sőt szerinte jobban, mint korábban a Google Asszisztens, amely ezt időnként csak ingadozóan tudta. A Geminiben talált egy élő hangleírást is, amely szerinte az Oorionhoz hasonló, de a megbízhatóságáról még nem tud nyilatkozni.
Steven Scott szerint Conor tanácsa pontosan az ő problémáját is megoldja: ő kiabált a telefonnak, és semmi sem történt, ezért az oldalsó gombot használta. Szerinte a háttérben engedélyek is állhatnak, mivel a Gemini az új asszisztens új alkalmazásnak számít, és hívásokhoz vagy a naptárhoz külön hozzáférést kell adni.
A Louisiana állambeli Richard fokozatosan veszíti el a látását, és ezért tanul bele a TalkBack használatába. Egy Samsung készüléket használ, amelyen szerinte több asszisztens él egymás mellett, mindegyik külön hívószóval: a Bixby, a Gemini, a Meta szemüveg és az Alexa az Audible alkalmazással. Az embernek fejben kell tartania, melyik mire képes: vannak dolgok, amelyeket a Google jól csinál, vannak, amelyeket a Bixby tud, de a Google nem, és olyanok is, amelyeket egyik sem. Összehasonlításul azt írta, hogy látó családtagjai iPhone-on nem hívószavakat használnak, hanem megnyomnak egy gombot, és beszélnek.
Két gyakorlati akadályt is megnevezett. Egyrészt egy alkalmazáson belüli kereséskor nem tudja a billentyűzetet hangvezérlésre kapcsolni, a gépelés pedig nehézkes. Másrészt a Google Play-ben nem sikerült egy konkrét alkalmazást megkeresni a Gemini segítségével: az asszisztens körkörösen engedélyt kért a Play Áruház eléréséhez, de nem vezette végig, hogyan adhatja meg. Végül látó hozzátartozó segítségét kellett kérnie. Richard szerint a Gemini egyelőre nem az a Star Trek-féle személyi asszisztens, amelyet remélni lehet, és kíváncsian várja a Google okosszemüvegét, amelynek bemutató videói szerint az asszisztens képes lesz például kávét rendelni.
Steven Scott elmondta, hogy az iOS-sel kapcsolatos gondjai miatt egyre jobban érdekli az Android. Szerinte az eszközök töredezettsége és a billentyűzet a fő visszatartó erő: jelszó gépelésénél a diktálás nem megoldás, az iOS-es Split Tap viszont sokat segít. Ha a Google szemüvege nem működik majd iOS-en, az akár ok lehet a váltásra.
Összegzés
A Guided Vision egyelőre nem valós idejű, késik, és néha téved, de a bögre-teszt és a RØDECaster-példa alapján használható útmutatást ad, és ingyenesen elérhető Androidon. Az iOS 27 Siri-jával kapcsolatban a hallgatói tapasztalatok vegyesek: az alapfunkciók apránként javulnak, a képleírás szűrése és az emlékeztetők kezelése viszont továbbra is vitatott. Androidon a Geminire való átállás gyakran beállítási kérdés, de a több asszisztens és a billentyűzet használata még nehézséget jelent.
A cikk a Double Tap podcast 2026. október 7-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.