Új lapon nyílik meg
Illusztráció – AI-val készült

Gemini Guided Vision: AI-asszisztens gyengénlátóknak

A Google új Guided Vision funkciója a Gemini Live-ban valós idejű hangos leírást ad arról, amit a telefon kamerájával mutatsz neki. Az akadálymentesítési eszköz elsősorban gyengénlátóknak és vakoknak készült.

A Gemini Guided Vision funkció ma indult el kompatibilis Android-eszközökön, és a Google mesterséges intelligenciáját használja arra, hogy hangos leírást adjon mindenről, amire a telefon kameráját irányítod. A The Verge beszámolója szerint a funkció elsősorban vak vagy gyengénlátó embereknek készült, de bárki használhatja, aki segítségre szorul bizonyos helyzetekben – például apró betűk olvasásában vagy tárgyak azonosításában.

Hogyan működik a Gemini Guided Vision

A Guided Vision lényege, hogy a Gemini Live-ban megosztod a kamerádat az AI-asszisztenssel, amely aztán valós időben elmondja, mit lát. Segíthet apró szövegek felolvasásában, a környezet leírásában, tárgyak megtalálásában vagy azonosításában, és részleteket is elmondhat bizonyos dolgokról. A rendszer folyamatos beszélgetést tesz lehetővé: utókérdéseket tehetsz fel arról, amit éppen nézel – például megkérheted a Geminit, hogy olvassa fel egy termék lejárati dátumát, miután segített megtalálni azt.

A technológia hasonló az Apple VoiceOver Live Recognition funkciójához, amely iPhone-on és Vision Pro headsetben érhető el. A Google megoldása azonban nem csak a Gemini alkalmazásban működik: elérhető a Google TalkBack akadálymentesítési eszközében is, és Android 9 vagy újabb rendszeren futó készülékeken gyorsbillentyűt is beállíthatsz hozzá a Beállítások menüben. A funkciót a közelmúltban bejelentett Pixel-frissítések részeként mutatták be.

Mire használható és mire nem

A Gemini Guided Vision hangos jelzésekkel segít beállítani a kamerát, ha olyan dologról kérdezel, ami nincs a képben. Ez különösen hasznos lehet, ha nem látod pontosan, merre tartod a telefont. A Google ugyanakkor figyelmeztet: a funkció nem helyettesíti a fehér botot vagy más mobilitási segédeszközt, és nem szabad navigációra, biztonságos közlekedésre vagy akadályok észlelésére használni.

A mesterséges intelligencia alapú látássegítő eszközök egyre elterjedtebbek: képesek valós időben elemezni a kamerakép tartalmát, és természetes nyelven leírni azt. Ez a technológia gépi látásra (computer vision) épül, amely képeket és videókat dolgoz fel, valamint nagy nyelvi modellekre (LLM), amelyek értelmezik a látottakat és emberi nyelven válaszolnak. A Gemini Guided Vision esetében a Google multimodális Gemini modellje végzi mindkét feladatot egyszerre.

Mit jelent ez a gyakorlatban

A Guided Vision megjelenése fontos lépés az akadálymentesítés terén: olyan emberek számára nyit új lehetőségeket, akik eddig nehezen tudtak önállóan eligazodni bizonyos helyzetekben – például bevásárláskor, amikor csomagolásokat kell elolvasni, vagy otthon, amikor tárgyakat keresnek. Az AI-asszisztens nem csupán felolvas, hanem értelmez is, és beszélgetésszerűen válaszol a kérdésekre, ami természetesebb és rugalmasabb használatot tesz lehetővé, mint a korábbi, egyszerűbb képfelismerő alkalmazások.

Mit jelent ez neked?

Ha te vagy valaki a környezetedben gyengénlátó, a Guided Vision egy ingyenes, mindig elérhető segítő lehet a telefonodon: felolvas apró betűket, megmondja, mi van körülötted, és segít megtalálni dolgokat. Még ha tökéletesen látsz is, hasznos lehet rossz fényviszonyok között vagy amikor épp nem tudsz közelről megnézni valamit.

Kapcsolódó lecke: Mindennapi AI-használat →

Forrás: The Verge – Google’s new Guided Vision feature can help you read the fine print

Megosztás:FacebookLinkedInX

További hírek

Az összes AI-hír →