قابلیت Guided Vision گوگل متن ریز را با راهنمایی صوتی می‌خواند

قابلیت Guided Vision از امروز در Gemini Live برای دستگاه‌های اندرویدی سازگار عرضه شده و با استفاده از دوربین گوشی، درباره متن‌ها، اشیا و محیط اطراف توضیح صوتی ارائه می‌دهد. این ویژگی هوش مصنوعی گوگل می‌تواند نوشته‌های ریز را بخواند یا به کاربر در پیدا کردن و شناسایی اشیا کمک کند؛ قابلیتی که برای افراد نابینا یا کم‌بینا و نیز موقعیت‌هایی که کاربر به کمک بیشتری نیاز دارد طراحی شده است.

برای استفاده از Guided Vision، کاربر تصویر دوربین را در Gemini Live با دستیار به اشتراک می‌گذارد و می‌تواند درباره آنچه مقابل دوربین قرار دارد سؤال کند. این قابلیت افزون بر اپلیکیشن Gemini، از طریق Google TalkBack نیز در دسترس است. گوگل تأکید کرده که ابزار یادشده برای مسیریابی، راهنمایی سفر ایمن یا تشخیص موانع ساخته نشده و نباید جای عصا یا دیگر وسایل کمک‌حرکتی را بگیرد.

قابلیت Guided Vision چگونه کار می‌کند؟

Guided Vision تصویر زنده دوربین گوشی را به ورودی Gemini Live تبدیل می‌کند تا هوش مصنوعی بتواند آنچه دوربین می‌بیند توصیف کند. به گفته گوگل، کاربردهای آن شامل خواندن نوشته‌های کوچک، شرح محیط اطراف، یافتن یا شناسایی اشیا و توضیح جزئیات یک شیء مشخص است. کاربر برای دریافت این توصیف‌ها، دوربین را به سمت موضوع مورد نظر می‌گیرد و از Gemini می‌خواهد آن را بررسی کند.

خواندن نوشته‌های ریز یکی از نمونه‌های روشن این کاربرد است: متنی که دیدنش روی بسته‌بندی یا شیء دشوار است، می‌تواند با کمک دوربین برای کاربر خوانده شود. همچنین اگر کاربر بخواهد چیزی را پیدا یا شناسایی کند، می‌تواند از Gemini درباره آنچه در تصویر دیده می‌شود سؤال بپرسد. پاسخ‌ها به‌صورت صوتی ارائه می‌شوند؛ بنابراین کاربر لازم نیست برای دریافت توضیح، حتماً به صفحه گوشی نگاه کند.

این گفت‌وگو به یک پرسش محدود نمی‌ماند. کاربر می‌تواند پس از پاسخ اولیه، سؤال دیگری درباره همان شیء یا تصویر مطرح کند. برای مثال، اگر Gemini به پیدا کردن یک کالا کمک کرده باشد، کاربر می‌تواند از آن بخواهد تاریخ انقضای روی محصول را بخواند. این نمونه نشان می‌دهد Guided Vision برای تعامل چندمرحله‌ای طراحی شده است: دستیار ابتدا درباره موضوعی که دوربین نشان می‌دهد کمک می‌کند و بعد کاربر می‌تواند جزئیات بیشتری را پیگیری کند.

راهنمایی صوتی برای تنظیم دوربین

گاهی ممکن است موضوعی که کاربر درباره‌اش سؤال دارد هنوز در قاب دوربین نباشد. گوگل می‌گوید در چنین شرایطی Gemini می‌تواند نشانه‌های صوتی ارائه کند تا کاربر دوربین را در موقعیت مناسب‌تری قرار دهد. این راهنمایی قرار است به هم‌راستا کردن دوربین با چیزی که کاربر می‌خواهد بررسی کند کمک کند و بخشی از تعامل صوتی با قابلیت باشد.

این ویژگی، تصویر دوربین را به زمینه‌ای برای پرسش و پاسخ تبدیل می‌کند؛ به‌جای آنکه کاربر فقط یک عکس بگیرد و بعد درباره آن سؤال کند، می‌تواند دوربین را به سمت محیط بگیرد و در همان روند از Gemini توضیح بخواهد. با این حال، اطلاعات منتشرشده از سوی گوگل درباره قابلیت، آن را به‌عنوان ابزار کمکی برای توصیف تصویر و پاسخ به پرسش‌ها معرفی می‌کند، نه سامانه‌ای برای هدایت ایمن کاربر در محیط.

تفاوت این دو موضوع اهمیت دارد: راهنمایی صوتی برای قرار دادن یک شیء در قاب، همان تشخیص موانع یا راهبری کاربر در مسیر نیست. گوگل صریحاً گفته Guided Vision نباید برای ناوبری، اطمینان از ایمنی سفر یا شناسایی مانع به کار گرفته شود. همچنین این ابزار جایگزین عصا یا دیگر وسایل کمک‌حرکتی نیست. بنابراین، کاربرانی که به این وسایل متکی هستند نباید پاسخ یا نشانه‌های صوتی Gemini را جایگزین آن‌ها کنند.

دسترسی در Gemini، TalkBack و تنظیمات اندروید

بر اساس اعلام گوگل، Guided Vision در Gemini Live روی دستگاه‌های اندرویدی سازگار عرضه شده است. کاربران می‌توانند از طریق اپلیکیشن Gemini به این قابلیت برسند و امکان استفاده از آن در Google TalkBack نیز فراهم شده است. TalkBack ابزار دسترس‌پذیری اندروید است که در اینجا یکی از مسیرهای دسترسی به راهنمایی تصویری و صوتی Guided Vision به شمار می‌رود.

مسیر دیگری که گوگل برای دسترسی معرفی کرده، تنظیم میان‌بر دسترس‌پذیری در اپلیکیشن Settings است. این میان‌بر روی دستگاه‌های دارای Android ۹ و نسخه‌های بالاتر قابل تنظیم است. گوگل می‌گوید این قابلیت پس از آن در دسترس قرار گرفته که در مجموعه‌ای از به‌روزرسانی‌های اخیر Pixel اعلام شده بود. در اطلاعات منتشرشده، جزئیات بیشتری درباره تفاوت دسترسی میان دستگاه‌ها یا زمان عرضه در مناطق مختلف ارائه نشده است.

قرار گرفتن این قابلیت در چند مسیر دسترسی، از جمله Gemini و TalkBack، می‌تواند استفاده از آن را برای کسانی که به امکانات دسترس‌پذیری نیاز دارند ساده‌تر کند. با این حال، منبع خبر جزئیاتی درباره قیمت، محدودیت‌های زبانی یا فهرست دقیق دستگاه‌های سازگار ارائه نمی‌کند؛ بنابراین نمی‌توان از این اعلام نتیجه گرفت که Guided Vision روی همه گوشی‌های اندرویدی یا در همه زبان‌ها قابل استفاده است.

جایگاه این ابزار در امکانات دسترس‌پذیری

گوگل Guided Vision را برای افرادی معرفی کرده که نابینا یا کم‌بینا هستند، اما کاربرد آن به این گروه محدود نمی‌شود. به گفته شرکت، افرادی که در موقعیت‌های مشخص به کمک نیاز دارند نیز می‌توانند از آن استفاده کنند. برای نمونه، خواندن یک نوشته کوچک یا دریافت توضیح درباره یک شیء از جمله کارهایی است که ویژگی برای آن در نظر گرفته شده است.

این رویکرد به کاربران اجازه می‌دهد درباره تصویر دوربین سؤال‌های مشخص بپرسند و پاسخ صوتی دریافت کنند. در عین حال، تشخیص آنچه در قاب دیده می‌شود با تضمین ایمنی در دنیای واقعی یکی نیست. هشدار گوگل درباره اتکا نکردن به این قابلیت برای حرکت و تشخیص مانع، مرز مهمی میان کمک اطلاعاتی و ابزارهای ضروری برای جابه‌جایی ایمن ترسیم می‌کند.

Guided Vision از نظر نوع تعامل، به ویژگی VoiceOver Live Recognition شرکت Apple شباهت دارد؛ قابلیتی که به گفته گزارش، Apple برای iPhone و Vision Pro اضافه کرده است. این مقایسه نشان می‌دهد هر دو ابزار به کمک دوربین و توصیف محتوای تصویری، دسترسی به اطلاعات پیرامون را برای کاربر آسان‌تر می‌کنند. با این حال، اطلاعات موجود درباره Guided Vision بر قابلیت‌های مشخص گوگل و محدودیت‌های اعلام‌شده از سوی این شرکت متمرکز است و مبنایی برای نتیجه‌گیری درباره تفاوت‌های فنی دو محصول ارائه نمی‌دهد.

این خبر برای چه کسانی اهمیت دارد

عرضه Guided Vision برای کاربران نابینا و کم‌بینا و کسانی که در موقعیت‌های خاص به خواندن متن یا شناسایی اشیا نیاز دارند اهمیت دارد؛ زیرا امکان دریافت توضیح صوتی درباره چیزی را فراهم می‌کند که دوربین گوشی می‌بیند. این خبر همچنین برای کاربران Gemini Live و افرادی که از TalkBack یا میان‌برهای دسترس‌پذیری اندروید استفاده می‌کنند مهم است، چون یک مسیر تازه برای پرسش درباره محیط و اشیای مقابل دوربین در اختیارشان می‌گذارد.

در کنار این کاربردها، محدودیت ایمنی اعلام‌شده از سوی گوگل بخش اساسی خبر است. Guided Vision می‌تواند برای دریافت اطلاعات درباره یک شیء یا نوشته به کار رود، اما طبق توصیه شرکت ابزار مسیریابی یا جایگزین عصا و دیگر وسایل کمک‌حرکتی نیست. آگاهی از همین مرز به کاربران کمک می‌کند قابلیت را در همان زمینه‌ای به کار بگیرند که برای آن معرفی شده است.