情報を瞬時に得て、後で確認するのはまだ便利だよね。信頼できる誰かにその数字を読んでもらう方が、会社に電話するよりいいアイデアかもしれない。ただ、そういう選択肢がある人は少ないけどね。

同じ請求書を数ヶ月払ったら、だいたいの電話代が分かるようになるし、もう気にしなくていいよね。ああいう文言は入れなきゃいけないんだろうね。ChatGPTが「私たちが言うことをすべて確認してください」ってフッターに書いてるのと同じように。

それって彼らのサーバーに関係してるよね？彼らは自分の命をかけてiPhoneを信頼してるの？それともデータセンターを信じてるのかな？

同意するよ。この分野には多くの可能性があるみたいだね（私の外部からの視点では）。前の記事の問題（https://news.ycombinator.com/item?id=48178378）が、こういう便利な機能を危険にさらすほど一般的にならないことを本当に願ってる。短期的にはありそうにないけど、ユースケースが増えるにつれて、悪意のある行為者も増えるかもしれないね。

これが実際に助けを必要とする人たちの手に渡るまで、判断は保留すべきだと思う。私の経験は視力に問題がある高齢の両親に限られているけど、Appleが設定できる文字サイズでは、彼らのスマホは読めない状態。どのアプリでも文字が画面からはみ出しちゃうし、1stパーティーも3rdパーティーも関係ない。請求書の例では、ユーザーはプロバイダーに確認するように言われるけど、請求書の番号に電話をかける提案はなぜしないの？ テキスト検出を使うように言う代わりに、代わりにやってあげればいいのに。Appleの技術なら、その能力はすでに持っているはずだし。これがせいぜいギミックで終わるんじゃないかと心配してる。追記：グリップが良さそうなのはいいね。アップル税がかからないことを願ってる。

正直に言うと、視覚障害者を助けることで企業が得られるお金と、ソフトウェア開発者や金融アナリストを置き換えることで得られるお金を比べてみて。Appleがこれらの技術を使って助けを必要とする人を助けるのは素晴らしいことだけど、ほとんどの企業がこの手のことを調べない理由を知らないふりはしないでおこう。正直に言えば、みんなこの手のことを「他の誰か」に任せる理由をよくわかってると思う。

「見たところ」自動アクセシビリティシステムが実用面でかなり不足してるのが多いみたい。こういうのは、実際に使ってる人の意見が必要だよね。

この発表のLLMベースの機能って、追いつくための機能じゃない？画面の内容を説明するのは、GeminiがPixelフォンでずっとやってきたことだし。マルチモーダルAIにとってはかなり明白なユースケースだよね。僕の唯一の希望は、これが広まって、オルトテキストを指摘する人たちが減ることだな。

これがAppleの得意なところだよね。新しい業界の進展を製品そのものじゃなくて、技術として扱ってる。AIは製品自体じゃなくて、顧客体験を向上させるための機能になるんだ。

心配しないで、視覚のある私もAppleの遅い読み上げ速度にはイライラしてるよ、例えば「通知をお知らせ」する時とか。

正直、盲目の人がコンピュータを使っているのを見たことがあるなら、彼らが音声を信じられない速さで聞いているのに感心すると思うよ。さらに、自分でもオルカ（またはOSに付属しているスクリーンリーダーアプリ）を起動して、目を閉じたままコンピュータを使ってみると、彼らがどんな体験をしているのかがわかるよ。アプリケーションをナビゲートするのがほぼ耐えられないくらい速く音声合成器の話す速度を設定する理由もすぐに理解できるし、特にリストを扱うときはね。

https://youtu.be/wKISPePFrIs?si=ahGfFp0U7-pTU9w6&t=43 これの例としては、マイクロソフトの盲目のソフトウェアエンジニア、サキブ・シャイクのこのトークが一番好き。リンクはタイムスタンプ付き。

盲目の人は動画の速度を変えられないの？ コントロールはそこにあるのに。

多分、これは広告だからだと思う。超速いロボット声はすごく厳しくてイライラすることがあるからね。盲目の人たちも時々それが刺激的すぎるって感じることがあるし、笑。

テレビ番組でテキスト説明トラックを聞いたことがあるけど、速いけどスクリーンリーダーほどじゃない。訓練されてない耳には、視覚障害者のスクリーンリーダーは、TI-99/4Aの音声合成器が無効なメモリから読み上げる時みたいに聞こえる。

声のスピードが耐えられないほど遅い視覚障害者をたくさん知ってるけど、技術が彼らにできることのほんの一部しか使ってない。自然言語でスマホに指示できるインターフェースがあれば、技術に詳しくない人たちにはすごく助けになると思う。でも、AppleのSiriの歴史を考えると、あまり期待はしてないけどね。

確かに、速いだけじゃなくて、かなりロボットっぽいことが多いよね（視覚障害のない人でも1.5倍速だと理解するのが難しい）。音を使ってエコーロケーションを学んだ視覚障害者の話を読んだことがあって、すごくクールなスーパーパワーだなって思った。いつかモニターを外して、本当にツールを使う方法を学んでみたいな。数年前に働いてた視覚障害者は、画面を常にオフにしてたおかげで、バッテリーの持ちがほぼ倍だったから、それだけでもいい機能だよね。エコーロケーションのレベルには達しないかもしれないけど、半分でもできたら最高だな。アクセシビリティの変更を実際にQAできるボーナスもついてくるし。

昔、コミュニティセンターでITをやってたんだけど、ディレクターが盲目だったんだ。彼のスクリーンリーダーがどれだけ速く読んでるかに驚いたよ。全然理解できなかったけど、彼のキーボードショートカットの使い方は、vimやemacsのエリートたちをも恥ずかしがらせるレベルだった。

コーディングや画像・テキスト作成みたいに、自分でやるのが簡単すぎたり楽しい場合もあるよね。でも、それがみんなに当てはまるとは限らないからね。

問題は、画像を評価するのに言語モデルを使うことだね。「LLMが期待外れ」という不満の80%は、何らかの形の画像分析に関わってると思う。画像のトークン化は難しいんだよね。言語のトークン化は意味が濃いけど、画像のトークンは無意味だったり関係ないことが多いし、それでも処理されちゃう。最新のLLMに爪楊枝の写真を見せて、1本動かして正方形を作るように頼んだら、たぶん苦戦するだろう。でも、2年前の中くらいのLLMに同じ問題を言葉で出したら、ほぼ毎回うまくいくんだ。つまり、LLMが答えを出すのに画像に頼らないようにするのが大事だね。

ウーバーの後ろでヘッドセットをつけるのはそんなにクレイジーじゃないと思う。僕はiPhoneのモーションキューを使ってるけど、酔ったりはしないしね。 https://www.youtube.com/shorts/OxbjggMcKrk

電車は重要だよね。

「車の中ではただつけない方がいいんじゃない？」 なんで？

乗客としてノートパソコンで何か作業する時に、目の前にちゃんとした画面があるのはすごく便利だよ。膝の上を見つめる必要がなくなるし、運転手の視界からの動きも画面に影響しないからね。でも、バスがターミナルの後ろから出てくるのはちょっと変な感じ。

飛行機？電車？このモーションドットを使ったことがないなら、マジで効果あるよ。うちの妻は乗り物酔いしやすくて、車の中で方向を入力するために携帯を見ることすらできなかったけど、モーションドットのおかげで全然大丈夫になった。

電車、飛行機。TFAは「車」じゃなくて「乗り物」って言ってたよ。

その部分も読んで、車の中でVision Proを使ってる乗客がどれくらいいるのか気になった。数十人いるんじゃない？それともSVでは普通のことなの？

Wispr Flowは音声認識のマスタークラスだね。Appleのソリューションは、比較するとまるで前世紀のものみたい。ElevenLabsやOpenAIがそれを軽く超えてるから、AppleのTTSも同じだよ。私が求めてるのは、iPhoneがそれらをネイティブで同じ品質でできることなんだ（だって、Appleの囲いの中ではそれがどこでも使える唯一の方法だから）。

Appleの音声認識はイライラするから、Aqua Voiceを使ってるよ。