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
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].
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
- Microsoft, „Complete guide to Narrator”. https://support.microsoft.com/en-us/accessibility/windows/narrator/complete-guide-to-narrator (dostęp 14 listopada 2026)
- 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)
- 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)
- 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)
- 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)
- 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)
- 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)
- 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)
- 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)
- NIST (États-Unis), „AI Risk Management Framework”, 12 lipca 2021. https://www.nist.gov/itl/ai-risk-management-framework (dostęp 14 listopada 2026)
Zacytuj ten artykuł
Brain, „AI w służbie dostępności w pracy”, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp528_pl_2026,
author = {Brain},
title = {AI w służbie dostępności w pracy},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/pl/articles/ai-dostepnosc-napisy-opisy-obrazow/},
note = {CC BY 4.0}
}