Sterowanie głosowe

Sterowanie głosowe to klasa technologii wspomagającej umożliwiająca obsługę komputera za pomocą poleceń głosowych. Główne systemy to Dragon NaturallySpeaking (Windows, długoletni lider rynku), Voice Control na macOS i Voice Control na iOS (wbudowane rozwiązanie Apple, bezpłatne z systemem), Windows Speech Recognition (wbudowane rozwiązanie Microsoft) oraz Google Voice Access (Android).

Sterowanie głosowe służy osobom z niepełnosprawnościami ruchowymi utrudniającymi lub uniemożliwiającymi korzystanie z klawiatury, myszy lub ekranu dotykowego — RSI, artretyzmem, drżeniem rąk, paraliżem na różnych poziomach. Jest też szeroko stosowane w kontekście efektywności pracy (przez prawników i pracowników medycznych dyktujących notatki), gdzie użytkownik nie ma udokumentowanej niepełnosprawności, ale korzysta z trybu rąk-wolnych.

Jak sterowanie głosowe rozwiązuje polecenia

System sterowania głosowego nasłuchuje dwóch rodzajów poleceń:

1. Dyktowanie — użytkownik mówi tekst, który ma zostać wprowadzony do sfokusowanego pola. System transkrybuje mowę.
2. Polecenia — użytkownik nazywa akcję lub kontrolkę. System dopasowuje wypowiedzianą frazę do rejestru dostępnych poleceń i dostępnych nazw kontrolek na ekranie.

Drugi rodzaj to miejsce, gdzie przecina się dostępność internetowa: gdy użytkownik mówi „Kliknij Wyślij”, oprogramowanie do sterowania głosowego szuka elementu z dostępną nazwą „Wyślij” (lub zbliżonym dopasowaniem) i wywołuje na nim zdarzenie kliknięcia. Jeśli przycisk Wyślij nie ma dostępnej nazwy — bo jest to <button> bez etykiety, lub niestandardowy <div>, lub przycisk tylko z ikoną — użytkownik sterowania głosowego nie może go obsłużyć.

Co to oznacza dla programistów webowych

Najważniejsza reguła dostępności dla sterowania głosowego:

Każdy element interaktywny musi mieć tekstową dostępną nazwę pasującą do jego widocznej etykiety.

W praktyce:

• Przyciski potrzebują widocznego tekstu. <button>Wyślij</button> działa. Przyciski tylko z ikoną potrzebują aria-label odpowiadającego temu, co użytkownik prawdopodobnie powie — aria-label="Szukaj", a nie aria-label="Ikona lupy".
• Widoczna etykieta i dostępna nazwa muszą się zgadzać. Jeśli widoczny tekst przycisku to „Wyślij”, ale jego aria-label to „Prześlij formularz”, sterowanie głosowe może nie znaleźć go, gdy użytkownik powie „Kliknij Wyślij”. WCAG 2.5.3 Label in Name (poziom A) wymaga, aby dostępna nazwa zawierała tekst widocznej etykiety.
• Niestandardowe kontrolki ujawniają swoją rolę i nazwę. Element <div role="button" aria-label="Wyślij"> działa. Element <div onclick> bez roli i nazwy — nie.
• Brak kontrolek-fantomów. Nakładki sterowania głosowego (numeryczne nakładki pokazujące każdy fokusowalny element z numerem do wywołania) działają lepiej, gdy liczba fokusowalnych elementów jest zarządzalna. Ukryte, ale wciąż fokusowalne elementy zaśmiecają nakładkę.

Gdzie sterowanie głosowe pokrywa się z dostępnością czytnika ekranu

Ta sama dyscyplina dostępnych nazw i semantycznego HTML, która sprawia, że serwis jest dostępny dla czytników ekranu, czyni go też dostępnym dla sterowania głosowego. Obie technologie korzystają z drzewa dostępności i polegają na obecności i poprawności dostępnych nazw.

Główny wyjątek: sterowanie głosowe nie potrzebuje regionów ARIA live (nie jest czytnikiem ekranu), ale potrzebuje numerycznych nakładek do ujawniania kontrolek bez etykiet tekstowych — dlatego etykiety tekstowe mają nieproporcjonalnie duże znaczenie dla użytkowników głosowych.

Co konkretnie idzie nie tak przy sterowaniu głosowym

• Widoczne etykiety tylko z ikoną. Przycisk „serce” (ulubione) bez widocznego tekstu. Użytkownik mówi „Kliknij ulubione”, ale dostępna nazwa to „Zapisz” lub brakuje jej całkowicie. Niezgodność.
• Dwie kontrolki z tą samą dostępną nazwą. Dwa linki „Czytaj więcej” na stronie. Użytkownik mówi „Kliknij Czytaj więcej”; system sterowania głosowego wyświetla numerowaną nakładkę rozróżniającą. To nie jest błąd, tylko spowolnienie.
• Niezgodne zlokalizowane etykiety. Wypowiedziane po angielsku, ale strona jest po polsku. Sterowanie głosowe użytkownika musi rozpoznać właściwy język dla nazwy elementu. Poprawne ustawienie lang w HTML pomaga.

Najszybszy audyt ręczny: włączyć Voice Control na macOS lub Windows Speech Recognition i spróbować obsłużyć serwis głosem. Nieaktywowalne kontrolki stają się oczywiste w ciągu pięciu minut.