اگر ندانیم دوربین گوشی به کجا نگاه می‌کند، چطور مطمئن شویم موضوع سؤالمان داخل تصویر است؟ گوگل در ۱ اکتبر ۲۰۲۶ قابلیت Guided Vision را در Gemini Live معرفی کرد که علاوه بر توصیف تصویر، برای تنظیم کادر هم راهنمایی صوتی می‌دهد. این خبر را با منابع بررسی‌شده در ۴ اکتبر، از زاویه کارهای روزمره خانه مرور می‌کنیم. اطلاعیه رسمی عرضه
به گفته گوگل، این قابلیت با همکاری جامعه نابینایان و افراد کم‌بینا توسعه یافته و بیش از هزار آزمایش‌کننده Aira به اصلاح آن کمک کرده‌اند. این گزارش درباره فرایند توسعه است؛ نتیجه آزمون مستقل دقت نیست. ما نیز ابزار را شخصاً آزمایش نکرده‌ایم. پرسش این است که راهنمای صوتی چه اطلاعات مفیدی به کاربر می‌دهد.
روی میز: پرسش درباره یک پیراهن
یک موقعیت فرضی را تصور کنید: پیراهنی طرح‌دار و شالی ساده روی میز گذاشته‌اید و می‌خواهید ویژگی ظاهری آنها را بشناسید. سؤال کلی «خوب است؟» چند معنی دارد؛ شاید درباره رنگ می‌پرسید، شاید رسمی بودن لباس یا تناسب آن با سلیقه خودتان. پیشنهاد ما این است که ابتدا مشاهده را بخواهید: «طرح پیراهن را توصیف کن و بگو شال ساده است یا طرح‌دار.» بعد می‌توانید درباره ترکیبشان سؤال کنید. با این ترتیب، توضیح ظاهر با توصیه سلیقه‌ای مخلوط نمی‌شود.
گوگل توصیف رنگ، الگو و شکل اشیا را از کاربردهای این قابلیت معرفی می‌کند. اگر شیء درست دیده نشود، سامانه می‌تواند از کاربر بخواهد زاویه گوشی را عوض کند یا آن را عقب ببرد. تفاوت مهم، همین امکان اصلاح ورودی با گفتگو است: کاربر فقط دریافت‌کننده پاسخ نیست، می‌تواند به بهتر دیده شدن موضوع کمک کند. توضیح گوگل درباره راهنمایی کادر و لباس‌ها
در مثال لباس، بهتر است هر بار یک ابهام را رفع کنیم. اگر پاسخ درباره پیراهن است ولی سؤال درباره شال بوده، مشخص کردن شیء از تکرار همان پرسش مفیدتر است. می‌توان گفت «منظورم پارچه کنار پیراهن است». اگر خودمان هم نمی‌توانیم درستی توضیح را بررسی کنیم، پاسخ را به‌عنوان توصیف کمکی نگه می‌داریم؛ نه شاهدی قطعی برای تشخیص جنس، اصالت یا کیفیت کالا. اینها پرسش‌های دیگری‌اند که فقط از ظاهر یک کادر پاسخ کامل نمی‌گیرند.
کنار مبل: پیدا کردن کنترل، بدون سپردن مسیر حرکت به گوشی
در مثال فرضی دوم، کنترل تلویزیون روی میزی شلوغ قرار دارد. نیاز کاربر، شنیدن نام همه اشیای اتاق نیست؛ می‌خواهد بداند کنترل در تصویر دیده می‌شود و نسبت به یک نشانه مشخص کجاست. درخواست پیشنهادی «اگر کنترل را می‌بینی، جای آن را نسبت به کتاب روی میز توضیح بده» محدوده پاسخ را روشن می‌کند. اگر کتاب دیگری هم وجود دارد، باید آن نشانه را دقیق‌تر کرد. هرچه مرجع مکانی مبهم‌تر باشد، استفاده از پاسخ دشوارتر می‌شود.
این نوع توصیف را نباید به راهنمای راه رفتن تبدیل کرد. راهنمای رسمی Guided Vision صریحاً می‌گوید این ابزار ممکن است اشتباه کند و برای مسیریابی، تشخیص مانع یا جایگزینی ابزار کمک‌حرکتی طراحی نشده است. بنابراین توصیف یک میز با اعلام امن بودن مسیر تا آن میز فرق دارد. کاربرد مناسب در این مثال، کمک به شناخت شیء از موقعیت امن است؛ نه تصمیم‌گیری درباره عبور از میان وسایل.
پشت این گفتگو چه اتفاقی می‌افتد؟
اصطلاح «چندوجهی» در هوش مصنوعی یعنی سامانه می‌تواند با بیش از یک نوع داده، مانند تصویر و صدا، کار کند. در یک گفتگوی دیداری، تصویر اطلاعاتی درباره صحنه می‌دهد و پرسش گفتاری مشخص می‌کند کدام بخش صحنه مهم است. توضیح فنی گوگل درباره ارتباط زنده چندوجهی، منتشرشده در دسامبر ۲۰۲۴، ترکیب زمینه صوتی و تصویری و ارسال و دریافت هم‌زمان داده را شرح می‌دهد. این منبع برای فهم سازوکار کلی است؛ نسخه مدلِ پشت Guided Vision یا سرعت امروز آن را از این سند قدیمی نتیجه نمی‌گیریم.
برای فهم نقش کادر، می‌توان ورودی سامانه را به پنجره‌ای محدود تشبیه کرد. اگر بخشی از شیء بیرون پنجره باشد، توضیح روان نمی‌تواند آن بخش پنهان را به مشاهده تبدیل کند. راهنمایی برای جابه‌جایی دوربین تلاش می‌کند اطلاعات لازم را وارد تصویر کند. این یک چرخه بازخورد است: تصویر، پرسش، درخواست اصلاح و تصویر تازه. چنین چرخه‌ای فرصت روشن کردن ابهام را فراهم می‌کند، اما به‌خودی‌خود اثبات نمی‌کند که پاسخ آخر درست است.
برای خواننده عادی، تمایز مفید میان سه چیز است: چیزی که واقعاً در کادر دیده می‌شود، برداشتی که سامانه از آن می‌سازد و پیشنهادی که بر اساس آن برداشت می‌دهد. در مثال پیراهن، توصیف راه‌راه بودن با توصیه برای مهمانی فرق دارد. در مثال کنترل، محل ظاهری شیء با دستور حرکت تفاوت دارد. مشخص کردن نوع پاسخ مورد نیاز، کمک می‌کند از یک توصیف محدود انتظار حل همه مسئله را نداشته باشیم.
پیش از استفاده: دسترسی به قابلیت و اشتراک تصویر دوربین
طبق راهنمای گوگل، فعال‌سازی از تنظیمات برنامه Gemini و گزینه Use Guided Vision in Live انجام می‌شود؛ سپس در Live دوربین را به اشتراک می‌گذارید. همان صفحه تأکید می‌کند عرضه تدریجی است و ممکن است گزینه هنوز برای حساب شما ظاهر نشده باشد. وجود نام قابلیت در خبر، به معنی فعال بودن آن برای همه نیست. مراحل فعال‌سازی و وضعیت عرضه
برای مخاطب فارسی‌زبان یک محدودیت مهم وجود دارد: در فهرست رسمی بررسی‌شده زبان‌های برنامه موبایل، فارسی درج نشده و ایران نیز در فهرست دانلود از Google Play دیده نمی‌شود. این صفحه برای اندروید، نسخه ۹ به بالا و دست‌کم دو گیگابایت حافظه RAM را ذکر می‌کند. این شرایط مربوط به برنامه موبایل‌اند؛ داشتن گوشی سازگار به‌تنهایی دسترسی به قابلیت تازه را تضمین نمی‌کند. امکان استفاده عملی از ایران و کیفیت پاسخ فارسی در این گزارش آزمایش نشده است.
اشتراک دوربین را هم باید جدا از نصب برنامه در نظر گرفت. طبق مرکز حریم خصوصی Gemini، در صورت روشن بودن Keep Activity، متن گفتگوهای Live می‌تواند برای بهبود خدمات استفاده شود؛ استفاده از صدا و ویدیوی Live برای این منظور، به‌طور پیش‌فرض روشن نیست و تنظیم جداگانه دارد. خاموش کردن Keep Activity نیز به معنی نگهداری صفر نیست: گفتگوها تا ۷۲ ساعت برای ارائه سرویس، پردازش بازخورد و حفاظت از خدمات نگهداری می‌شوند. پیش از نشان دادن فضای خانه، تنظیمات حساب را بخوانید و مدارک خصوصی یا تصویر دیگران را بی‌دلیل وارد کادر نکنید.
برای شروع، یک پرسش کوچک و قابل بررسی انتخاب کنید: توصیف طرح یک لباس یا تشخیص شیئی روی میز، بدون وابسته کردن تصمیم حساس به جواب. بعد از پاسخ، ببینید دقیقاً کدام ابهام شما برطرف شده و کدام هنوز باقی است. ارزش یک دستیار دیداری در همین فایده مشخص آشکار می‌شود؛ اینکه بتواند اطلاعات مورد نیازتان را قابل فهم کند و در جایی که تصویر کافی نیست، گفتگو را به روشن‌تر شدن مسئله برساند.
تصویر شاخص، تصویرسازی مفهومی تولیدشده با هوش مصنوعی از کمک دوربین برای شناخت لباس‌هاست؛ شخص واقعی، آزمون محصول یا رابط واقعی Gemini را نشان نمی‌دهد.
نظر شما چیست؟