hangmód

angolul: voice mode

alapelterjedt

A hangmód az AI-asszisztens olyan üzemmódja, amelyben gépelés helyett élőszóban beszélgetsz vele, és ő is hangosan, az emberihez hasonló, gépi hangon válaszol.

Érthetően

A hangmódban nem írsz az AI-nak, hanem beszélsz hozzá, mintha telefonon hívnál fel egy tájékozott ismerőst. Megnyomod az alkalmazásban a hangmód gombját, ami gyakran egy hanghullám-ikon. Ezután megszólalsz, és a válasz hangban érkezik.

Akkor a leghasznosabb, amikor foglalt a kezed vagy a szemed: vezetés, főzés, séta közben, vagy ha egyszerűen gyorsabban beszélsz, mint ahogy gépelsz. Sokan nyelvgyakorlásra, állásinterjúra való felkészülésre vagy hangos ötletelésre használják.

A régi hangasszisztensek, például a korai Siri vagy Alexa, főleg rövid parancsokat értettek („állíts be ébresztőt”). A mai hangmód mögött nagy nyelvi modell áll, ezért kötetlenül, hosszan lehet vele beszélgetni, közbe lehet vágni és vissza lehet kérdezni. Az újabb változatok a hanglejtésedre is reagálhatnak.

Lényegében ugyanaz vagy hasonló AI áll mögötte, mint a szöveges csevegés mögött, csak más a „kezelőfelület”. A hangmódban azonban néha egy külön, hangra szabott modell válaszol, amely eltérhet a szöveges változattól, és nem mindig tud mindent, például fájlokat kezelni vagy keresni. A válaszai jellemzően rövidebbek és társalgásibb hangvételűek.

Hogyan működik

A telefonod vagy számítógéped mikrofonja felveszi, amit mondasz, és a hangot jellemzően az interneten át elküldi a szolgáltató szerverére.
A klasszikus, ma is gyakori megoldás három lépésben dolgozik. Egy beszédfelismerő leírja szöveggé a szavaidat, a nyelvi modell megírja a választ, majd egy beszédszintetizátor felolvassa.
Az újabb, „natív” hangmódokban egyetlen modell közvetlenül hangból hangot állít elő. Ettől gyorsabb a válasz, és a modell a hanglejtést, a szüneteket vagy a nevetést is részben érzékeli, illetve utánozza.
A rendszer folyamatosan figyeli, mikor fejezted be a mondatot, és mikor vágsz közbe. Ilyenkor elhallgat, és az új mondandódra válaszol.
A beszélgetés végén a legtöbb alkalmazás szöveges átiratot is ment, így később visszaolvashatod, miről volt szó.

Példa a mindennapokból

Vacsorát főzöl, lisztes a kezed, és nem tudod, mivel helyettesítsd a tejfölt. Odaszólsz a pulton lévő telefonodnak, az AI pár másodperc alatt hangosan válaszol, te pedig rögtön visszakérdezhetsz, hogy mennyi kell belőle.

Kit érint

mindenkiAki nem szeret vagy nem tud gépelni, például idősebb, látássérült vagy éppen úton lévő ember, hangmódban sokkal könnyebben fér hozzá az AI-hoz.

szülő, diák, tanárNyelvtanuláshoz és szóbeli feleletre készüléshez türelmes beszélgetőpartner, de a gyerek könnyen igazi barátnak hiheti a kedves hangot. → Oktatás és család

munkavállalóÚtközben is átbeszélhetsz egy prezentációt vagy lediktálhatsz egy jegyzetet, de nyitott irodában és bizalmas ügyeknél nem mindegy, ki hallja. → Munka és HR

vállalkozó, vezetőAz ügyfélszolgálati telefonvonalakon egyre gyakrabban hangalapú AI-agent veszi fel a hívást. Ez csökkenti a költséget, de az EU MI-rendelete szerint az ügyfélnek tudnia kell, hogy géppel beszél.

Gyakori félreértés

TévhitHa az AI ilyen természetesen, együttérzően beszél, akkor biztosan érti és át is érzi, amit mondok.

ValójábanAz emberi hangzás a beszédszintézis eredménye, nem érzelemé vagy megértésé. A hangmód ugyanúgy tévedhet és kitalálhat dolgokat, mint a szöveges csevegés, csak meggyőzőbben hangzik.

Korlátok és kockázatok

Hangban nehezebb észrevenni és ellenőrizni a hibát: nincs előtted a szöveg, nincsenek linkek, ezért fontos adatot mindig nézz meg írásban is.
A hangod személyes, akár azonosításra is alkalmas adat. Nézd meg a beállításokban, hogy a szolgáltató tárolja-e a felvételt, és felhasználja-e a modell tanítására.
Zajban, erős akcentusnál és ritka neveknél gyakrabban hall félre. Magyarul is többet téved, mint angolul, és a magyar kiejtése sem mindig hibátlan.
A barátságos hang erősebb kötődést válthat ki, mint a szöveg. Magány vagy lelki nehézség esetén ez segíthet, de függőséghez is vezethet, és embert nem pótol.

Hasonló, de nem ugyanaz

diktálás (beszédből szöveg) – A diktálás csak leírja, amit mondasz, a hangmód viszont válaszol is, vagyis kétirányú beszélgetés.
felolvasás (szövegből beszéd) – A felolvasó funkció egy kész szöveget mond el hangosan, de nem hallgat meg és nem reagál rád.
hangklónozás – A hangklónozás egy konkrét ember hangját utánozza, a hangmód viszont jellemzően előre elkészített, gyári hangokon szólal meg.

Kapcsolódó fogalmak

Tágabb

multimodális AI, csevegőrobot, ember–gép interakció

Szűkebb

valós idejű hangmód, hangalapú agent

Rokon

beszédfelismerés, beszédszintézis, hangasszisztens, hangklónozás, nagy nyelvi modell

Röviden a története

A parancsalapú hangasszisztenseket az Apple Siri tette ismertté 2011-ben, az iPhone 4S-szel; 2014-ben követte az Amazon Alexa. A nagy nyelvi modellre épülő, kötetlen beszélgetésre képes hangmód 2023 őszén jelent meg a ChatGPT-ben. 2024 májusában az OpenAI a GPT-4o modellel bemutatta a közvetlenül hangból hangot előállító, közbevágást is kezelő változatot, amely 2024 őszétől vált széles körben elérhetővé.

Hol tart most

2026 végén a nagy AI-asszisztensek mobilalkalmazásai jellemzően kínálnak hangmódot, és a funkció autókban, okoshangszórókban, ügyfélszolgálati vonalakon is megjelent. Magyarul is használható, de a minősége általában elmarad az angoltól.

Állapot: 2026. november

A hírekben

1 Agent Age-sztoriban fordul elő; a görbe a hírmagazin heti előfordulása.

Copilot: Agent Merge, Automations és agentek Dev Containerben a VS Code 1.137-ben2026. okt. 26. · Kód

Más nevei

hangmód · hang mód · hangalapú mód · hangos mód · voice mode · Advanced Voice Mode · voice chat · hangalapú csevegés

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.