समाचार के अनुसार 21 अप्रैल को संयुक्त राज्य अमेरिका में वाशिंगटन विश्वविद्यालय की एक टीम ने VueBuds नामक एक नए प्रोटोटाइप हेडसेट का प्रदर्शन किया। यह एक पारंपरिक ट्रू वायरलेस हेडसेट में एक लघु कैमरा एम्बेड करता है और इसे एक विज़ुअल लैंग्वेज मॉडल (वीएलएम) के साथ जोड़ता है। यह वास्तविक समय में पहनने वाले के दृष्टि क्षेत्र में दृश्य का वर्णन कर सकता है, वस्तुओं की पहचान कर सकता है और आवाज बातचीत के माध्यम से इसका अनुवाद कर सकता है। शोधकर्ताओं ने इसे "रिवर्स इमेज सर्च का एक मोबाइल, केवल ध्वनि संस्करण" के रूप में वर्णित किया है।
VueBuds का प्रोटोटाइप Sony के WF-1000XM3 वायरलेस नॉइज़-कैंसलिंग हेडफ़ोन पर आधारित है। हेडफोन के खोल में चावल के दाने के आकार का एक काला और सफेद कैमरा लगा हुआ है। स्थानीय या निम्न-बैंडविड्थ प्रसंस्करण अंतर्निहित विज़ुअल भाषा मॉडल के माध्यम से किया जाता है। उपयोगकर्ताओं को केवल आवाज विवरण, वस्तु नाम, या उनके सामने दृश्य की पाठ सामग्री के स्पष्टीकरण और अनुवाद प्राप्त करने के लिए प्रश्न पूछने की आवश्यकता है। शोध दल ने मानव-कंप्यूटर संपर्क के क्षेत्र में एक महत्वपूर्ण सम्मेलन सीएचआई 2026 में एक पेपर प्रकाशित किया, जिसमें इस प्रणाली के डिजाइन और प्रयोगात्मक परिणामों का विवरण दिया गया है।
परियोजना के नेताओं में से एक, वाशिंगटन विश्वविद्यालय में पॉल जी. एलन स्कूल ऑफ कंप्यूटर साइंस एंड इंजीनियरिंग के प्रोफेसर, श्याम गोलाकोटा ने कहा कि डिजाइन करते समय टीम ने Google ग्लास के पाठों से पूरी तरह से सीखा - बाद वाले को इसके अचानक प्रकट होने और भारी गोपनीयता विवाद के कारण जनता द्वारा "ग्लासहोल्स" के रूप में उपहास किया गया था, और अंततः विफल रहा। गोलाकोटा ने बताया कि चश्मे की तुलना में, बहुत से लोग अपने चेहरे पर दृश्यमान उपकरण जोड़ना पसंद नहीं करते हैं, और हेडफ़ोन पहले से ही पहनने का एक अत्यधिक लोकप्रिय और सामाजिक रूप से स्वीकृत रूप है। इसलिए, हेडफ़ोन में दृश्य कार्यों को "छिपाने" से प्रयोज्यता और गोपनीयता के बीच बेहतर संतुलन प्राप्त होने की उम्मीद है।
हार्डवेयर स्तर से, VueBuds 5 mW से कम बिजली की खपत को नियंत्रित करने के लिए कम-रिज़ॉल्यूशन वाले ब्लैक-एंड-व्हाइट कैमरा और कम-बैंडविड्थ ट्रांसमिशन का उपयोग करता है और बिजली बचाने के लिए उपयोग में न होने पर स्वचालित रूप से बंद हो जाता है। शोधकर्ताओं ने कहा कि 90 उपयोगकर्ताओं और 17 दृश्य प्रश्न और उत्तर कार्यों से जुड़े एक परीक्षण में, VueBuds की उत्तर गुणवत्ता बिल्ट-इन कैमरों और बड़े मॉडलों के साथ रे-बैन मेटा स्मार्ट ग्लास के बराबर थी, जो हेडफ़ोन के लोकप्रिय डिवाइस रूप में तेजी से विकसित होने वाली दृश्य भाषा मॉडल क्षमताओं को लाने की क्षमता दिखाती है।
प्रदर्शन वीडियो में, VueBuds पहने एक व्यक्ति एक अपार्टमेंट की रसोई में खड़ा था और अनुरोध किया "कृपया मेरे सामने के दृश्य का वर्णन करें।" लगभग एक सेकंड बाद, हेडसेट से एक शांत स्वर में और एक मानव महिला आवाज की नकल करते हुए एक एआई आया और उत्तर दिया: "मुझे एक रसोई क्षेत्र दिखाई देता है जिसमें एक खिड़की है जो बहुत सारी रोशनी लाती है। काउंटरटॉप पर कुछ बोतलें और एक किताब है। खिड़की में पर्दा है और बाईं ओर एक सिंक है।" बाद में, जब उन्होंने एक रिकॉर्ड कवर को देखा और एल्बम का नाम पूछा, तो सिस्टम ने तुरंत पहचान लिया कि यह बीटल्स द्वारा "एबी" था। रोड" एल्बम कवर।
पेपर में बताए गए प्रायोगिक आंकड़ों के अनुसार, 16 प्रतिभागियों के साथ एक परीक्षण में, VueBuds ने वस्तु पहचान और अनुवाद कार्यों पर लगभग 83% की सटीकता हासिल की, और पुस्तक के शीर्षक और लेखकों की पहचान करने जैसे कार्यों पर लगभग 93% की सटीकता हासिल की। उदाहरण के लिए, अनुसंधान टीम ने कहा कि भविष्य में, उपयोगकर्ताओं से अपेक्षा की जाती है कि वे इस प्रणाली का उपयोग उन कोरियाई कॉमिक्स को पढ़ने के लिए करें जिनका अभी तक अनुवाद नहीं किया गया है, या चीनी रेस्तरां में छिपे हुए व्यंजनों का ऑर्डर करें जो "केवल चीनी मेनू पर उपलब्ध हैं", अपनी भाषा क्षमताओं द्वारा सीमित किए बिना।
सामान्य प्रश्न के उत्तर में "यदि हेडसेट कैमरे चेहरे के दोनों किनारों पर स्थित हैं, तो क्या पहनने वाले के सिर से दृश्य अवरुद्ध हो जाएगा?" शोधकर्ताओं ने बताया कि VueBuds मानव दूरबीन लंबन के सिद्धांत पर आधारित है और "स्टीरियोस्कोपिक दृष्टि" संलयन करने के लिए दो कैमरों के विभिन्न देखने के कोणों का उपयोग करता है, जिससे आगे के दृश्य को समझने की क्षमता प्राप्त होती है। हालाँकि, इस तथ्य के कारण कि यह वर्तमान में केवल काले और सफेद छवियों का समर्थन करता है, VueBuds रंग-संबंधी प्रश्नों का उत्तर नहीं दे सकता है; जटिल दृश्यों में नेविगेशन और उच्च-सटीक अनुवाद के लिए अभी भी उच्च-रिज़ॉल्यूशन वाले रंगीन कैमरों और मजबूत कंप्यूटिंग शक्ति की आवश्यकता होती है।
पावर और कंप्यूटिंग पावर सीमाओं का मतलब यह भी है कि VueBuds वर्तमान में लगातार और उच्च बैंडविड्थ के साथ वीडियो स्ट्रीम एकत्र और संसाधित करने में असमर्थ है, और केवल "फोटोग्राफी + प्रश्न और उत्तर" के रुक-रुक कर उपयोग के लिए उपयुक्त है। इसके बावजूद, शोध टीम का मानना है कि ऊर्जा खपत, मात्रा और प्रतिक्रिया गति के बीच इसका संतुलन "दृश्य खुफिया मंच" के रूप में इस फॉर्म की व्यवहार्यता साबित करने और भविष्य के हेडसेट उपकरणों के कार्यात्मक विस्तार के लिए एक नई दिशा प्रदान करने के लिए पर्याप्त है।
साथ ही, गोपनीयता और सुरक्षा जोखिम भी अपरिहार्य विषय बन गए हैं। लेख में बताया गया है कि कुछ साल पहले, एक कंपनी ने एक एप्लिकेशन का प्रस्ताव रखा था जो "फोटो खींचकर अजनबियों के नाम की पहचान कर सकता है।" उस समय, इंटरनेट पर लोकप्रिय व्यंग्यात्मक प्रतिक्रिया थी: "उस स्थिति में, महिलाएं इस वजह से मर जाएंगी।" VueBuds इस स्तर पर केवल सीमित सुरक्षा उपाय प्रदान करता है, जैसे हेडफ़ोन पर छोटा "वर्क इंडिकेटर लाइट", लेकिन पर्यवेक्षकों को अक्सर यह एहसास नहीं होता है कि हेडफ़ोन की एक जोड़ी छवियों को कैप्चर कर रही है। ऑडियो संग्रह, ब्लूटूथ कनेक्शन और तृतीय-पक्ष चेहरे की पहचान सेवाओं के साथ मिलकर, एक बार इस प्रकार के उपकरण का दुरुपयोग होने पर, यह एक गंभीर गोपनीयता खतरा पैदा कर सकता है कि "कम परिभाषा अभी भी घातक है"।
लेख बताता है कि यदि नियामक अधिकारी यह सुनिश्चित करने के लिए प्रभावी नियम बना सकते हैं और लागू कर सकते हैं कि सार्वजनिक सुरक्षा और व्यक्तिगत गोपनीयता का उल्लंघन न हो, तो ऐसे "रीडिंग" हेडफोन उपकरणों से दृष्टिबाधित और अन्य समूहों के लिए महत्वपूर्ण सुविधा लाने की उम्मीद है, जिससे उनके जीवन की गुणवत्ता और यात्रा, अध्ययन, मनोरंजन आदि में स्वतंत्रता में काफी सुधार होगा। वाशिंगटन विश्वविद्यालय ने एक आधिकारिक प्रेस विज्ञप्ति में जोर दिया कि VueBuds अभी भी वैज्ञानिक अनुसंधान प्रोटोटाइप चरण में है, लेकिन इसने दृश्य भाषा मॉडल को दैनिक पहनने योग्य उपकरणों में एकीकृत करने की संभावना दिखाई है। भविष्य में, यह "सुनने योग्य और दृश्यमान" स्मार्ट हेडफ़ोन उत्पाद रूपों की एक नई पीढ़ी को जन्म दे सकता है।