گوگل قابلیت Guided Vision جمینای را با هدف کمک به افراد نابینا و کمبینا معرفی کرده است. این قابلیت با استفاده از دوربین گوشی و Gemini Live میتواند محیط اطراف کاربر را بررسی کند، نوشتههای کوچک را بخواند، اشیا را شناسایی کند و درباره رنگ، شکل و ظاهر چیزهایی که مقابل دوربین قرار دارند توضیح بدهد.
نکته جالب Guided Vision جمینای فقط به تشخیص تصویر محدود نمیشود. کاربر میتواند به شکل صوتی با Gemini گفتوگو کند، درباره چیزی که دوربین میبیند سؤال بپرسد و حتی در صورت نامناسب بودن قاب تصویر، از راهنمایی صوتی برای جابهجا کردن دوربین کمک بگیرد.
این قابلیت بیشتر برای افراد نابینا و کمبینا اهمیت دارد، اما کاربرد آن به این گروه محدود نیست. هر کاربری که بخواهد بدون بررسی مستقیم صفحه، اطلاعات بیشتری درباره یک محیط، نوشته یا شیء به دست آورد، میتواند از چنین فناوری بینایی مبتنی بر هوش مصنوعی استفاده کند.
📌 خلاصه سریع قابلیت Guided Vision جمینای
اگر میخواهید در چند ثانیه بدانید Guided Vision جمینای چه کاری انجام میدهد، مهمترین نکات را میتوان اینطور خلاصه کرد:
| قابلیت | کاربرد |
|---|---|
| Guided Vision جمینای | تحلیل زنده محیط با دوربین گوشی |
| خواندن متن | تشخیص نوشتههای کوچک و دشوار |
| شناسایی اشیا | پیدا کردن و توضیح اشیای مقابل دوربین |
| تشخیص رنگ | توضیح رنگ و ظاهر وسایل |
| توصیف محیط | ارائه توضیح صوتی درباره صحنه مقابل کاربر |
| راهنمایی دوربین | کمک به قرار دادن دوربین در موقعیت مناسب |
| Gemini Live | امکان گفتوگوی زنده درباره تصویر |
| دسترسیپذیری | کمک بیشتر به کاربران نابینا و کمبینا |
گوگل این قابلیت را با توجه به بازخورد جامعه افراد نابینا و کمبینا توسعه داده است. این شرکت همچنین از همکاری با Aira و مشارکت بیش از هزار Trusted Tester برای بهبود تجربه Guided Vision صحبت کرده است.
با وجود امکانات مختلف، نباید این ابزار را جایگزین عصای سفید، ابزارهای حرکتی یا سیستمهای تخصصی مسیریابی دانست. هوش مصنوعی ممکن است در بعضی شرایط پاسخ اشتباه بدهد و همین موضوع استفاده محتاطانه از آن را ضروری میکند.
در ادامه میبینیم این قابلیت جمینای چطور کار میکند، چه اطلاعاتی از دوربین دریافت میکند، روی چه دستگاههایی در دسترس است و چه محدودیتهایی دارد.
🔎 Guided Vision جمینای چیست؟
Guided Vision جمینای یکی از قابلیتهای Gemini Live است که ارتباط میان دوربین گوشی و هوش مصنوعی جمینای را برای دریافت اطلاعات بصری آسانتر میکند.
در یک تجربه معمولی، کاربر میتواند تصویری را در اختیار Gemini قرار دهد و درباره محتوای آن سؤال کند. Guided Vision این فرایند را به شکل زندهتر دنبال میکند. دوربین گوشی محیط مقابل کاربر را نشان میدهد و Gemini میتواند بر اساس آنچه در تصویر میبیند، پاسخ صوتی ارائه کند.
برای مثال، فرض کنید کاربر دوربین را به سمت یک میز گرفته است. او میتواند درباره اشیای روی میز سؤال کند و سپس درباره یکی از آن وسایل جزئیات بیشتری بخواهد.
این یعنی کاربر مجبور نیست برای هر سؤال، یک عکس جداگانه تهیه کند. مکالمه ادامه پیدا میکند و قابلیت بینایی جمینای بر اساس اطلاعات تصویری موجود پاسخ میدهد.
Guided Vision چگونه با Gemini Live کار میکند؟
Gemini Live نقش مهمی در تجربه این فناوری دارد.
کاربر در Gemini Live میتواند با هوش مصنوعی صحبت کند و دوربین را در اختیار آن قرار دهد. سیستم نیز اطلاعات تصویری را در کنار مکالمه صوتی پردازش میکند.
به عنوان نمونه، کاربر میتواند بپرسد:
«این نوشته روی بسته چی میگه؟»
بعد سؤال بعدی را مطرح کند:
«تاریخ روی بسته کجاست؟»
یا حتی بگوید:
«حالا رنگ بسته رو بهم بگو.»
این مدل تعامل باعث میشود استفاده از Guided Vision بیشتر شبیه یک گفتوگوی طبیعی باشد تا کار با یک ابزار ساده تشخیص تصویر.
👁️ Guided Vision جمینای چه چیزهایی را تشخیص میدهد؟
یکی از سؤالهای اصلی کاربران درباره این فناوری، دامنه اطلاعاتی است که Gemini میتواند از دوربین دریافت کند.
Guided Vision جمینای برای چند نوع اطلاعات بصری کاربرد دارد و میتواند در شرایط مختلف، توضیحاتی درباره محتوای تصویر ارائه دهد.
خواندن نوشتههای کوچک با Guided Vision
خواندن نوشتههای کوچک یکی از کاربردهای مهم Guided Vision محسوب میشود.
گاهی اطلاعات مهم روی یک محصول، کتاب، منو یا برچسب با فونت کوچکی نوشته شدهاند. کاربر میتواند دوربین را به سمت متن بگیرد و از Gemini بخواهد آن را بخواند.

این قابلیت میتواند برای موارد مختلفی مثل موارد زیر مفید باشد:
- نوشته روی بستهبندی محصولات
- برچسب مواد غذایی
- منوی رستوران
- اطلاعات روی اسناد
- نوشتههای کتاب
- تابلوهای اطلاعاتی
- نوشته روی بعضی وسایل
- برچسبهای کوچک
کیفیت تصویر در اینجا اهمیت زیادی دارد. اگر متن تار باشد، نور کافی وجود نداشته باشد یا بخشی از نوشته خارج از قاب قرار بگیرد، Gemini ممکن است نتواند متن را درست تشخیص دهد.
شناسایی اشیا و وسایل اطراف
قابلیت تشخیص اشیا یکی دیگر از کاربردهای مهم Guided Vision جمینای است.
کاربر میتواند دوربین را به سمت یک محیط بگیرد و درباره چیزی که مقابل خود قرار دارد سؤال کند. Gemini تلاش میکند اشیای موجود در تصویر را شناسایی کند و درباره آنها توضیح بدهد.
برای نمونه، تصور کنید چند وسیله روی یک میز قرار دارند و کاربر به دنبال یک لیوان میگردد. او میتواند درباره وجود لیوان در تصویر سؤال کند.
همین قابلیت برای شناسایی وسایل مختلف خانه، محصولات فروشگاه یا اشیای روزمره هم کاربرد دارد.
البته تشخیص یک شیء داخل قاب با مسیریابی تفاوت دارد. Guided Vision جمینای نمیتواند تضمین کند که تمام موانع موجود در مسیر کاربر را شناسایی میکند.
تشخیص رنگ و ظاهر با هوش مصنوعی
رنگ و ظاهر اشیا نیز بخشی از اطلاعاتی هستند که Gemini میتواند درباره آنها توضیح دهد.
برای مثال، کاربر میتواند دوربین را به سمت یک لباس بگیرد و درباره رنگ آن سؤال کند. بررسی ظاهر یک محصول یا تفاوت میان چند وسیله نیز میتواند یکی دیگر از کاربردهای این فناوری باشد.
چنین کاربردی برای افرادی که دید محدودی دارند میتواند اطلاعاتی را که تشخیص آنها دشوار است، به شکل صوتی در اختیارشان قرار دهد.
🎙️ راهنمای صوتی دوربین در Guided Vision جمینای
یکی از ویژگیهای قابلتوجه Guided Vision جمینای، کمک به کاربر برای تنظیم موقعیت دوربین است.
گاهی کاربر دوربین را به سمت یک شیء گرفته، اما زاویه تصویر مناسب نیست. ممکن است شیء فقط بخشی از قاب را اشغال کند یا اصلاً در موقعیت مناسبی قرار نگیرد.

در چنین شرایطی، Gemini میتواند با راهنمایی صوتی به کاربر کمک کند تا دوربین را جابهجا کند.
چرا راهنمایی دوربین اهمیت دارد؟
برای کاربری که نمیتواند صفحه گوشی را بهراحتی ببیند، تشخیص اینکه دوربین دقیقاً کجا قرار گرفته کار سادهای نیست.
راهنمایی صوتی میتواند بخشی از این مشکل را برطرف کند. کاربر دوربین را حرکت میدهد و بر اساس بازخورد صوتی Gemini موقعیت آن را اصلاح میکند.
به این ترتیب، فناوری بینایی جمینای میتواند وابستگی کاربر به مشاهده مستقیم صفحه را کاهش دهد.
♿ Guided Vision جمینای برای افراد نابینا و کمبینا
گوگل Guided Vision جمینای را با تمرکز ویژه بر دسترسیپذیری معرفی کرده است.
برای یک فرد بینا، بسیاری از اطلاعات محیط در چند لحظه قابل مشاهده هستند. رنگ یک لباس، نوشته روی یک بسته، شکل یک وسیله یا محتوای یک تابلو از طریق چشم دریافت میشود.
افراد نابینا و کمبینا برای دسترسی به چنین اطلاعاتی ممکن است به ابزارهای کمکی نیاز داشته باشند. هوش مصنوعی تصویری میتواند بخشی از این اطلاعات را به شکل صوتی منتقل کند.
همکاری گوگل با جامعه افراد نابینا
گوگل برای توسعه این فناوری از بازخورد افراد نابینا و کمبینا استفاده کرده است.
این شرکت اعلام کرده که در کنار همکاری با Aira، از دادههای مربوط به دهها هزار ساعت تفسیر بصری و مشارکت بیش از هزار Trusted Tester نیز کمک گرفته است.
هدف چنین فرایندی، نزدیکتر کردن Guided Vision به نیازهای واقعی کاربران است؛ بهخصوص در موقعیتهایی که یک توضیح ساده درباره محیط میتواند اطلاعات بیشتری در اختیار فرد قرار دهد.
📱 روش فعال کردن Guided Vision جمینای
اگر Guided Vision جمینای برای حساب و دستگاه شما در دسترس باشد، میتوانید آن را از طریق تنظیمات Gemini بررسی کنید.
فعال کردن گزینه Guided Vision
ابتدا برنامه Gemini را روی گوشی اندرویدی خود باز کنید.
سپس وارد بخش پروفایل یا تنظیمات برنامه شوید و گزینه مربوط به استفاده از Guided Vision در Gemini Live را پیدا کنید.
بعد از فعال کردن گزینه موردنظر، وارد Gemini Live شوید و اجازه دسترسی به دوربین را برای برنامه فعال کنید.
ممکن است نام بعضی گزینهها بر اساس نسخه برنامه، زبان رابط کاربری یا مدل گوشی تفاوت داشته باشد.
استفاده از دوربین هنگام مکالمه
پس از فعال شدن قابلیت، کاربر میتواند Gemini Live را اجرا کند و دوربین را به سمت محیط یا شیء موردنظر بگیرد.
حالا میتوان درباره چیزی که دوربین میبیند سؤال کرد.
برای مثال:
- «این نوشته رو بخون.»
- «این وسیله چیه؟»
- «روی میز چه چیزهایی هست؟»
- «رنگ این لباس چیه؟»
- «میتونی متن روی این بسته رو بخونی؟»
- «اون چیزی که سمت راست قرار داره چیه؟»
Gemini پاسخ را به شکل صوتی در اختیار کاربر قرار میدهد و امکان ادامه گفتوگو نیز وجود دارد.
🗣️ Guided Vision و TalkBack چه تفاوتی دارند؟
کاربران اندروید که از ابزارهای دسترسیپذیری استفاده میکنند، ممکن است Guided Vision را در کنار TalkBack به کار بگیرند.
TalkBack یکی از قابلیتهای دسترسیپذیری اندروید است که اطلاعات موجود روی صفحه را با بازخورد صوتی در اختیار کاربر قرار میدهد.
در مقابل، Guided Vision بیشتر روی اطلاعاتی تمرکز میکند که دوربین گوشی از محیط اطراف دریافت میکند.
ترکیب این دو نوع فناوری میتواند تجربه استفاده از گوشی را برای برخی کاربران سادهتر کند. با این حال، هر ابزار وظیفه مشخصی دارد و قابلیت بینایی جمینای قرار نیست جای تمام امکانات دسترسیپذیری اندروید را بگیرد.
📲 پشتیبانی گوشیها از Guided Vision جمینای
دسترسی به Guided Vision جمینای به عوامل مختلفی بستگی دارد.
گوگل در اطلاعات مربوط به این قابلیت، دستگاههای سازگار اندرویدی با Android 9 یا نسخههای جدیدتر را مطرح کرده است. با این حال، داشتن نسخه مناسب اندروید به تنهایی دسترسی به Guided Vision را تضمین نمیکند.
پشتیبانی Gemini Live، زبان، منطقه، حساب کاربری و مرحله انتشار قابلیت نیز میتواند روی دسترسی تأثیر بگذارد.
چرا Guided Vision روی گوشی من نیست؟
گوگل بسیاری از قابلیتهای جدید خود را بهصورت مرحلهای منتشر میکند.
بنابراین ممکن است یک کاربر گزینه Guided Vision را در برنامه خود ببیند و کاربر دیگری با همان نسخه اندروید هنوز چنین گزینهای نداشته باشد.
اگر قابلیت را پیدا نمیکنید، موارد زیر را بررسی کنید:
- برنامه Gemini را به آخرین نسخه بهروزرسانی کنید.
- نسخه اندروید گوشی را بررسی کنید.
- پشتیبانی Gemini Live را بررسی کنید.
- دسترسی دوربین برای Gemini را فعال کنید.
- زبان و منطقه حساب را بررسی کنید.
- انتشار تدریجی قابلیت را در نظر بگیرید.
در نتیجه، نبودن گزینه Guided Vision الزاماً به معنی ناسازگاری گوشی نیست.
⚠️ محدودیتهای Guided Vision جمینای
با وجود کاربردهای مختلف، نباید انتظار داشت Guided Vision جمینای در تمام شرایط پاسخ کاملاً دقیق ارائه کند.
هوش مصنوعی به کیفیت اطلاعات ورودی وابسته است. تصویر تار، نور کم، زاویه نامناسب دوربین یا فاصله زیاد میتواند نتیجه را تغییر دهد.
همچنین مدلهای هوش مصنوعی گاهی اطلاعات موجود در تصویر را اشتباه تفسیر میکنند.
Guided Vision برای مسیریابی مناسب نیست
یکی از مهمترین نکاتی که هنگام استفاده از این قابلیت باید بدانید، تفاوت میان توصیف محیط و مسیریابی ایمن است.
Gemini ممکن است بتواند یک صندلی، میز یا وسیله را در قاب دوربین تشخیص دهد؛ اما این موضوع به معنای تشخیص تمام موانع مسیر نیست.
بنابراین نباید از Guided Vision جمینای به عنوان تنها ابزار برای عبور از خیابان، حرکت در محیطهای شلوغ یا عبور از مسیرهای خطرناک استفاده کرد.
آیا این فناوری جایگزین عصای سفید است؟
خیر.
این قابلیت میتواند یک ابزار کمکی برای دریافت اطلاعات بصری باشد، اما جایگزین عصای سفید، ابزارهای حرکتی یا سایر فناوریهای تخصصی دسترسیپذیری نمیشود.
کاربر باید در موقعیتهای حساس همچنان از ابزارهای مناسب و روشهای ایمن استفاده کند.
احتمال خطا در پاسخهای هوش مصنوعی
حتی اگر تصویر کاملاً واضح باشد، احتمال پاسخ نادرست صفر نیست.
ممکن است سیستم دو محصول مشابه را با هم اشتباه بگیرد، نوشتهای را نادرست بخواند یا جزئیاتی را در تصویر به شکل دقیق تشخیص ندهد.
هرچه تصمیم کاربر حساستر باشد، اهمیت بررسی دوباره اطلاعات بیشتر میشود.
🛒 کاربرد Guided Vision جمینای هنگام خرید
خرید یکی از موقعیتهایی است که Guided Vision جمینای میتواند در آن کاربرد روزمره داشته باشد.
کاربر میتواند دوربین را به سمت یک محصول بگیرد و درباره نوشتهها، ظاهر یا رنگ آن سؤال کند.
برای مثال، اگر نوشته روی بستهبندی کوچک باشد، Guided Vision میتواند در خواندن آن کمک کند.
مقایسه ظاهر دو محصول نیز یکی دیگر از کاربردهای احتمالی این فناوری است.
با این حال، برای اطلاعات حساس مثل ترکیبات غذایی، هشدارهای دارویی یا تاریخ مصرف، بهتر است کاربر پاسخ Gemini را با اطلاعات اصلی محصول تطبیق دهد.
🍽️ Guided Vision جمینای در رستوران
منوی رستوران نمونه دیگری از کاربرد این فناوری است.
فرض کنید متن منو کوچک است یا کاربر نمیتواند آن را بهراحتی بخواند. دوربین میتواند منو را مقابل Gemini قرار دهد و کاربر درباره نوشتههای آن سؤال کند.
در ادامه، امکان پرسیدن سؤالهای جزئیتر وجود دارد.
برای مثال، کاربر میتواند ابتدا بخواهد متن منو خوانده شود و سپس درباره یک بخش مشخص سؤال کند.
این قابلیت در چنین شرایطی میتواند دسترسی به اطلاعات منو را سادهتر کند، هرچند نتیجه همچنان به کیفیت تصویر و خوانایی متن وابسته است.
🏠 پیدا کردن وسایل خانه با Guided Vision
خانه هم محیط مناسبی برای استفاده از قابلیتهای بینایی Gemini محسوب میشود.
گاهی یک وسیله کوچک میان چند وسیله دیگر قرار گرفته و پیدا کردن آن دشوار است. کاربر میتواند دوربین را به سمت محیط بگیرد و درباره وسیله موردنظر سؤال کند.
Guided Vision جمینای میتواند در چنین موقعیتهایی برای تشخیص وسایل روی میز، خواندن برچسبها، بررسی رنگ لباس یا شناسایی یک بسته مورد استفاده قرار گیرد.
البته نتیجه به چیزی بستگی دارد که دوربین میبیند و ممکن است سیستم همیشه شیء موردنظر را بهدرستی تشخیص ندهد.
🔐 حریم خصوصی هنگام استفاده از دوربین
استفاده از دوربین همیشه موضوع حریم خصوصی را هم مطرح میکند.
وقتی کاربر دوربین را در اختیار Gemini قرار میدهد، محیط مقابل گوشی وارد فرایند تحلیل تصویری میشود. بنابراین بهتر است هنگام استفاده، اطلاعات خصوصی یا افراد دیگر بدون نیاز در قاب دوربین قرار نگیرند.
برای مثال، هنگام بررسی اسناد شخصی، صفحه کامپیوتر دیگران یا اطلاعات محرمانه باید دقت بیشتری داشت.
بررسی تنظیمات دسترسی برنامه و اطلاعات مربوط به حریم خصوصی نیز قبل از استفاده گسترده از قابلیت Guided Vision جمینای منطقی است.
🚀 آینده Guided Vision جمینای و دسترسیپذیری
Guided Vision جمینای بخشی از روند گستردهتر توسعه مدلهای چندوجهی محسوب میشود.
مدلهای جدید هوش مصنوعی دیگر فقط متن را پردازش نمیکنند. آنها میتوانند اطلاعات متنی، تصویری و صوتی را در کنار یکدیگر بررسی کنند و پاسخهای تعاملی ارائه دهند.
برای حوزه دسترسیپذیری، چنین روندی اهمیت ویژهای دارد.
یک کاربر میتواند به جای جستوجوی دستی اطلاعات، دوربین را به سمت محیط بگیرد و درباره چیزی که میبیند سؤال کند. همین فرایند ساده میتواند دسترسی به بخشی از اطلاعات بصری روزمره را آسانتر کند.
در آینده، افزایش دقت مدلها میتواند کاربرد چنین ابزارهایی را بیشتر کند. با این حال، مسئله ایمنی همچنان اهمیت دارد و توسعه این فناوری باید در کنار توجه به خطاهای احتمالی آن ادامه پیدا کند.
❓ سوالات متداول درباره Guided Vision جمینای
Guided Vision جمینای برای چه کسانی طراحی شده است؟
گوگل Guided Vision جمینای را با تمرکز ویژه بر افراد نابینا و کمبینا معرفی کرده است. کاربران دیگر نیز میتوانند برای دریافت اطلاعات صوتی درباره اشیا و محیط از آن استفاده کنند.
آیا Guided Vision نوشتههای کوچک را میخواند؟
بله. خواندن نوشتههای کوچک یکی از کاربردهای اصلی این قابلیت است. البته کیفیت تصویر، نور و خوانایی متن روی نتیجه تأثیر میگذارد.
آیا Guided Vision میتواند اشیا را پیدا کند؟
Gemini میتواند درباره اشیای موجود در قاب دوربین توضیح بدهد و در پیدا کردن یک شیء مشخص داخل تصویر کمک کند. این قابلیت با سیستم مسیریابی تفاوت دارد.
آیا Guided Vision برای افراد نابینا نقش مسیریاب دارد؟
خیر. این ابزار برای مسیریابی ایمن یا تشخیص تمام موانع مسیر طراحی نشده است و نباید جایگزین ابزارهای حرکتی شود.
آیا همه گوشیهای اندرویدی از Guided Vision جمینای پشتیبانی میکنند؟
خیر. نسخه اندروید، سازگاری دستگاه، Gemini Live، زبان، منطقه و مرحله انتشار قابلیت میتوانند روی دسترسی تأثیر بگذارند.
آیا Guided Vision با Gemini Live کار میکند؟
بله. Guided Vision در تجربه Gemini Live قرار دارد و از دوربین گوشی برای دریافت اطلاعات بصری استفاده میکند.
اگر Gemini چیزی را اشتباه تشخیص دهد چه کنیم؟
در موارد مهم باید پاسخ را دوباره بررسی کرد. بهتر است در صورت امکان تصویر را واضحتر کنید، زاویه دوربین را تغییر دهید یا سؤال دقیقتری مطرح کنید.
آیا Guided Vision جایگزین TalkBack میشود؟
خیر. TalkBack و Guided Vision جمینای کاربردهای متفاوتی دارند و میتوانند در کنار یکدیگر به دسترسیپذیری بهتر کمک کنند.
📌 جمعبندی قابلیت Guided Vision جمینای
Guided Vision جمینای یکی از قابلیتهای جدید گوگل برای ترکیب دوربین، هوش مصنوعی و مکالمه صوتی است. این فناوری میتواند نوشتههای کوچک را بخواند، اشیا را شناسایی کند، رنگ و ظاهر وسایل را توضیح دهد و درباره محیط اطراف اطلاعات صوتی ارائه کند.
تفاوت مهم این قابلیت با یک ابزار ساده تشخیص تصویر، به ماهیت تعاملی آن برمیگردد. کاربر میتواند دوربین را فعال نگه دارد، درباره چیزی که مقابل خود قرار دارد سؤال کند و بر اساس پاسخ Gemini سؤالهای بیشتری مطرح کند.
راهنمایی صوتی برای تنظیم موقعیت دوربین نیز بخش مهم دیگری از تجربه Guided Vision جمینای محسوب میشود. این ویژگی میتواند برای افرادی که نمیتوانند صفحه گوشی را بهراحتی ببینند اهمیت بیشتری داشته باشد.
گوگل این فناوری را با توجه به نیاز افراد نابینا و کمبینا توسعه داده و برای بهبود آن از بازخورد جامعه این کاربران کمک گرفته است. با این حال، فناوری هنوز محدودیتهایی دارد و ممکن است پاسخ اشتباه ارائه کند.
به همین دلیل، Guided Vision را باید یک ابزار کمکی برای دریافت اطلاعات بصری دانست، نه جایگزینی برای عصای سفید، ابزارهای حرکتی یا سیستمهای تخصصی مسیریابی.
در مجموع، ترکیب دوربین و هوش مصنوعی میتواند شیوه دریافت اطلاعات بصری را تغییر دهد. اگر گوگل در نسخههای آینده دقت، سرعت و دسترسی این قابلیت را افزایش دهد، چنین فناوریهایی میتوانند نقش مهمتری در دسترسیپذیری گوشیهای هوشمند داشته باشند.
با آخرین تحولات هوش مصنوعی همراه شوید.










