Cyberpediaod Brain

AI w służbie dostępności w pracy

Napisy na żywo, opisy obrazów, czytanie na głos: co Microsoft i Google mówią o tych narzędziach i co sprawdza pracownik.

Na tej stronie
  1. 1W 30 sekund
  2. 2O co chodzi
  3. 3Pytania wprost
  4. 4Jak to działa
  5. 5Co robić
  6. 6Pułapki
  7. 7Źródła
  8. 8Zacytuj ten artykuł

W 30 sekund

Gdzie to się pojawia
Narrator[1] i napisy na żywo[3] w Windows 11, napisy na spotkaniach w Teams[4], a następnie Lookout[5], Expressive Captions[6] i TalkBack[7] na Androidzie.
Co to robi
Te narzędzia zamieniają dźwięk lub obraz na wyświetlany tekst albo na głos. W przypadku opisów obrazów Microsoft pisze, że funkcja może podać niedokładny opis[2].
Odruch
Ponownie przeczytać opis lub napis, zanim się na nim oprze, zwłaszcza gdy chodzi o liczbę, dokument prawny lub finansowy[2].
Jeśli jest już włączone
Opisy obrazów w Narratorze wyłącza się w ustawieniach dostępności Windows[2], a napisy w Teams wyłącza się w elementach sterujących spotkania[4].

O co chodzi

Narrator, czytnik ekranu wbudowany w Windows 11, może dzięki AI podawać szczegółowe opisy obrazów i wykresów na komputerach Copilot+[1]. Strona Microsoftu, która przedstawia tę funkcję, przyznaje, że opis może być niedokładny[2].

Ten artykuł zbiera to, co Microsoft i Google mówią o swoich funkcjach dostępności opartych na AI: napisach na żywo, opisach obrazów, czytaniu na głos. Wyjaśnia, dlaczego pracownik ponownie czyta to, co te narzędzia wytwarzają, jakie dane trafiają do usługi online i jakie ramy mają zastosowanie.

Pytania wprost

Co opisuje Narrator, gdy prosi się go o opis obrazu?

Na komputerze Copilot+ Narrator podaje opis kontekstowy, który przedstawia osoby, przedmioty, kolory, tekst i liczby na obrazie, po użyciu skrótu Narrator key+Ctrl+D[1]. Na komputerach, które nie są Copilot+, opis pozostaje podstawowy[1]. W wersji z marca 2026 przewodnik wskazuje, że Narrator może współpracować z Copilotem na wszystkich urządzeniach z Windows 11: Copilot otwiera się z gotowym obrazem, a użytkownik wpisuje własne polecenie[1]. Obraz jest udostępniany dopiero po wybraniu opcji jego opisania[1].

Czy można polegać na wygenerowanym opisie lub napisie?

Microsoft pisze, że funkcja bogatego opisu może podać niedokładny opis, niedokładne dane dla wykresu lub wnioski o emocjach, co może prowadzić do fałszywych założeń dotyczących obrazu[2]. W przypadku napisów w Teams Microsoft zauważa, że napisy mogą stawać się mniej precyzyjne, gdy ktoś oddala się od mikrofonu[4]. Wytworzony tekst jest więc pomocą, którą należy ponownie przeczytać, a nie źródłem, które obywa się bez weryfikacji.

W przypadku jakich treści Microsoft odradza opisywanie obrazów?

Microsoft pisze, że funkcja nie powinna służyć do opisywania:

  • obrazów medycznych lub związanych ze zdrowiem, które mogłyby zostać wzięte za poradę medyczną[2];
  • obrazów w dokumentach prawnych lub finansowych, w których dokładność ma krytyczne znaczenie[2];
  • obrazów zawierających symbole kulturowe lub religijne bez odpowiedniego kontekstu[2];
  • obrazów zawierających mapy, flagi lub globusy[2].

Microsoft dodaje, że funkcja nie powinna służyć do wnioskowania o emocjach osób w pracy lub w placówce edukacyjnej, na przykład pracowników lub studentów[2].

Jakie dane trafiają do usługi online?

To zależy od narzędzia. W przypadku napisów w Teams Microsoft pisze, że dane są przetwarzane w regionie geograficznym, w którym ma siedzibę organizacja[4]. Usługa automatycznego rozpoznawania mowy (Microsoft Automatic Speech Recognition) może wykorzystywać temat spotkania, zaproszenie, nazwy uczestników, załączniki i ostatnie e-maile uczestników, aby poprawić dokładność[4]. Według Microsoftu nikt nie ma do nich dostępu, a dane napisów są trwale usuwane po spotkaniu[4].

W przypadku Narratora FAQ Microsoftu (zaktualizowane w czerwcu 2025) wskazuje, że standardowy sposób opisywania obrazów na pozostałych urządzeniach z Windows opiera się wyłącznie na usługach online[2]. Przewodnik w wersji z lutego 2024 precyzuje, że potrzebne jest aktywne połączenie z internetem i że opcja uzyskiwania opisów obrazów musi być włączona[1]. Natomiast naturalne głosy Narratora po pobraniu działają na urządzeniu bez połączenia z internetem[1], a napisy na żywo w Windows 11 mogą się wyświetlać offline[3].

Jakie ramy mają zastosowanie do tych narzędzi?

Komisja Europejska[8] przedstawia europejski akt o dostępności jako dyrektywę, której celem jest poprawa funkcjonowania rynku wewnętrznego w zakresie dostępnych produktów i usług. Obejmuje ona w szczególności komputery i systemy operacyjne, smartfony oraz handel internetowy, a państwa członkowskie miały ją przetransponować do prawa krajowego w czerwcu 2022[8].

W kwestii danych osobowych CNIL[9] przypomina, że system AI, który wykorzystuje dane osobowe, musi być zawsze rozwijany, trenowany i wdrażany w wyraźnie określonym celu. Przypomina też, że dane muszą być adekwatne, stosowne i ograniczone do tego, co niezbędne, oraz że osoby, które korzystają ze swoich praw, muszą co do zasady uzyskać odpowiedź w terminie jednego miesiąca[9].

NIST[10] opublikował ramy AI RMF, przeznaczone do dobrowolnego stosowania, aby lepiej zarządzać ryzykiem, jakie AI stwarza dla osób, organizacji i społeczeństwa. Zostały one opublikowane 26 stycznia 2023, a NIST wskazuje, że są w trakcie rewizji w ramach planu działania Białego Domu w dziedzinie AI[10].

Jak to działa

W przypadku opisu obrazów Microsoft wyjaśnia, że funkcja korzysta z modeli AI, które wytwarzają szczegółowe opisy tekstowe obrazów, wykresów i diagramów[2]. Aby zmierzyć jakość, firma wskazuje, że przygotowała zestaw różnorodnych obrazów (fotografii, wykresów, zrzutów ekranu, interfejsów aplikacji) i oceniła opisy pod względem dokładności, kompletności, trafności i użyteczności, na podstawie ocen ekspertów-ludzi oraz ocen punktowych wspomaganych przez LLM[2]. Użytkownik może wygenerować opis ponownie i go skopiować[2].

Napisy na żywo w Windows 11 włącza się skrótem Windows + Ctrl + L lub w ustawieniach dostępności[3]. Obsługują one kilka języków, w tym francuski, a okno napisów pozwala także tworzyć napisy do własnego głosu po podłączeniu mikrofonu[3].

W Teams funkcja wykrywa, co jest mówione na spotkaniu, i wyświetla napisy w czasie rzeczywistym[4]. Ustawienie języka mówionego spotkania na język faktycznie używany daje dokładniejsze napisy[4]. Teams ich nie zapisuje: aby uzyskać transkrypcję, trzeba włączyć transkrypcję[4]. Istnieje też alternatywa, czyli osoba tworząca napisy CART (Communication Access Real-time Translation), której napisy są wytwarzane przez człowieka[4].

Po stronie Google Lookout na Androidzie pomaga osobom niewidomym lub niedowidzącym zdobywać informacje za pomocą aparatu telefonu, a podpisy obrazów generowane przez AI są dostępne w Lookout na całym świecie, w języku angielskim, według Google w maju 2024[5]. W grudniu 2024 Google wskazuje, że Image Q&A w Lookout korzysta z Gemini 1.5 Pro, aby podawać bogatsze opisy, czytane na głos, wraz z pytaniami uzupełniającymi[6]. W maju 2025 Google precyzuje, że TalkBack, czytnik ekranu Androida, oferuje opisy obrazów generowane przez Gemini nawet bez tekstu alternatywnego i że można zadawać pytania o obraz lub o cały ekran[7]. Expressive Captions wykorzystuje AI, aby oddać, co mówi dana osoba i jak to mówi[7].

Co robić

  • Przeczytać ponownie przed użyciem. Opis lub napis jest pomocą; w przypadku liczby, nazwiska lub dokumentu prawnego albo finansowego należy sprawdzić w źródle[2].
  • Poprawić dźwięk wejściowy. Microsoft zaleca mówić wyraźnie, powoli i bezpośrednio do mikrofonu, unikać hałaśliwych miejsc i nie mówić jednocześnie w kilka osób[4]. W wersji komputerowej Teams dodaje, by używać najlepszego dostępnego sprzętu z certyfikatem Teams[4].
  • Ustawić język mówiony spotkania. Jeśli wykryty język różni się od ustawionego, Teams prosi organizatora, współorganizatora lub osobę, która rozpoczęła transkrypcję, o jego zmianę[4].
  • Zachować kontrolę nad udostępnianiem. W Narratorze obraz jest udostępniany dopiero po wybraniu opcji jego opisania[1].
  • Zgłaszać błędy. Kciuki w górę i w dół w interfejsie Narratora pozwalają przekazać opinię o opisie[2].

W przypadku menedżera lub współpracownika, który włącza te narzędzia:

  • Uprzedzić uczestników. W Teams osoby mogą zdecydować, że nie będą identyfikowane w napisach[4].
  • W razie potrzeby zwrócić się do administratora. Według Microsoftu administrator może wyłączyć funkcję napisów[4].
  • W przypadku przetłumaczonych napisów sprawdzić licencję: są dostępne z Teams Premium i Microsoft Copilot[4].
  • Jeśli lepsze są napisy tworzone przez człowieka, istnieje osoba tworząca napisy CART[4].

Pułapki

  • Wiarygodny opis nie jest opisem dokładnym. Microsoft zauważa, że model może także powiązać obraz z osobą lub opisać emocje na podstawie wskazówek kontekstowych, takich jak koszulka i jej numer, bez użycia danych biometrycznych[2]. Odpowiedzi dotyczące emocji opierają się na wyglądzie i niekoniecznie odzwierciedlają stan wewnętrzny osoby[2].
  • Napisy zasłaniają niektóre słowa. W Teams obsceniczne słowa są zasłaniane gwiazdkami[4].
  • Dostępność jest zróżnicowana. Microsoft precyzuje, że jego artykuły są pisane z myślą o rynku amerykańskim i że funkcje oraz dostępność mogą się różnić w zależności od regionu[3]. Nowa wersja Expressive Captions jest wdrażana w języku angielskim w Stanach Zjednoczonych, Wielkiej Brytanii, Kanadzie i Australii, na Androidzie 15 i nowszych[7].
  • Jakość w teście nie mówi o jakości w rzeczywistych warunkach. CNIL pisze, że należy odróżniać wyniki z fazy uczenia od wyników systemu w środowisku produkcyjnym: jakość pierwszych nie przesądza o jakości drugich[9].

Źródła

  1. Microsoft, „Complete guide to Narrator”. https://support.microsoft.com/en-us/accessibility/windows/narrator/complete-guide-to-narrator (dostęp 14 listopada 2026)
  2. Microsoft, „Frequently asked questions about rich image descriptions”, 11 lutego 2025. https://support.microsoft.com/en-us/accessibility/windows/copilot/frequently-asked-questions-about-rich-image-descriptions (dostęp 14 listopada 2026)
  3. Microsoft, „How to customize your live caption settings for any purpose”, 5 lipca 2023. https://www.microsoft.com/en-us/windows/learning-center/choose-best-caption-settings (dostęp 14 listopada 2026)
  4. Microsoft, „Use live captions in Microsoft Teams meetings”. https://support.microsoft.com/en-us/teams/meetings/use-live-captions-in-microsoft-teams-meetings (dostęp 14 listopada 2026)
  5. Google, „8 new accessibility updates across Lookout, Google Maps and more”, 16 maja 2024. https://blog.google/company-news/outreach-and-initiatives/accessibility/ai-accessibility-update-gaad-2024/ (dostęp 14 listopada 2026)
  6. Google, „Connect and share in more ways with new Android features”, 5 grudnia 2024. https://blog.google/products-and-platforms/platforms/android/new-android-features-december-2024/ (dostęp 14 listopada 2026)
  7. Google, „New AI and accessibility updates across Android, Chrome and more”, 15 maja 2025. https://blog.google/company-news/outreach-and-initiatives/accessibility/android-gemini-ai-gaad-2025/ (dostęp 14 listopada 2026)
  8. Commission européenne, „European Accessibility Act (EAA)”, 3 lutego 2025. https://commission.europa.eu/strategy-and-policy/policies/justice-and-fundamental-rights/disability/european-accessibility-act-eaa_en (dostęp 14 listopada 2026)
  9. CNIL, „IA : comment être en conformité avec le RGPD ?”, 5 kwietnia 2022. https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd (dostęp 14 listopada 2026)
  10. NIST (États-Unis), „AI Risk Management Framework”, 12 lipca 2021. https://www.nist.gov/itl/ai-risk-management-framework (dostęp 14 listopada 2026)