Mesterséges intelligenciával létrehozott hangzóanyagok vizsgálata a magyar orvosi szaknyelv oktatásában

Kata Baditzné Pálvölgyi

doi:10.48040/PL.2026.1.8

Kata Baditzné Pálvölgyi Eötvös Loránd Tudományegyetem, Bölcsészettudományi Kar, Szakmódszertani Központ – Romanisztikai Intézet https://orcid.org/0000-0002-7106-7427

DOI: https://doi.org/10.48040/PL.2026.1.8

Kulcsszavak: magyar orvosi szaknyelv, szaknyelvoktatás, mesterséges beszéd, autonóm tanulás, chatbotok

Absztrakt

Kutatásunk azzal a céllal született, hogy a magyart mint idegen nyelvet oktatók számára rövid áttekintést nyújtson azokról az akár ingyenesen is hozzáférhető mesterséges intelligencián (MI) alapuló lehetőségekről, amelyek hangzóanyagok létrehozása által hatékonyan támogathatják és megkönnyíthetik a nyelvtanár munkáját. Elsősorban az orvosi szaknyelvoktatás szempontjából vizsgáljuk meg a jelenleg elérhető opciókat, azonban a magyart mint idegen nyelvet bármilyen szinten és kontextusban tanító szakemberek számára is releváns megállapításokat teszünk. A kutatás azt vizsgálta, milyen színvonalon teljesít az MI a következő területeken a magyar orvosi szaknyelv vonatkozásában: 1) szakszövegekből az oktató által készített hangzóanyagok, valamint 2) az autonóm tanulásra szolgáló, speciálisan orvosi kontextusra optimalizált, hanganyagokat önállóan létrehozó vagy akár hangüzenetek váltására is képes chatbotok. Az eredmények alapján a hanggenerálás (beleértve a hangklónozással létrehozott mintákat is) még fejlesztendő terület, az alkalmazások a természetes beszéd hanglejtését kevésbé képesek előállítani, de összességében a szegmentális és szupraszegmentális jellemzők vizsgálatakor az ElevenLabs emelkedett ki a többi hasonló alkalmazás közül. Az autonóm nyelvtanulásra szolgáló chatbotok is csak körültekintéssel alkalmazhatók egyelőre, a kiejtés tekintetében még hiányosságok tapasztalhatók, az alkalmazott szókincsre viszont inkább betegközpontú, laikus regiszter a jellemző.

Hivatkozások

Baditzné Pálvölgyi, K. (2020): Patrones de titubeo en el habla espontánea de estudiantes de ELE húngaros: la influencia de la inmersión en el país meta. Revista Horizontes de Lingüística Aplicada. 19/1. 145–158. https://doi.org/10.26512/rhla.v19i1.26945
Baditzné Pálvölgyi, K. (2024): Tananyagfejlesztés kezdő spanyol orvosi szaknyelv órákon a mesterséges intelligencia segítségével. Porta Lingua 2024/2. 135-142. https://doi.org/10.48040/PL.2024.2.11
Barrington, S. – Cooper, E.A. – Farid, H. (2025): People are poorly equipped to detect AI-powered voice clones. Scientific Reports. 15. 11004 (2025). https://doi.org/10.1038/s41598-025-94170-3
Chan, C. – Kuang, J. (2025): Toward Objective and Interpretable Prosody Evaluation in Text-to-Speech: A Linguistically Motivated Approach. arXiv preprint arXiv:2511.02104. https://doi.org/10.48550/arXiv.2511.02104
Chiu, J. – Castro, B. – Ballard, I. et al. (2025): Exploration of the Role of ChatGPT in Teaching Communication Skills for Medical Students: A Pilot Study. Medical Science Educator. 35. 1871–1882. https://doi.org/10.1007/s40670-025-02394-9
Goldman-Eisler, F. (1968): Psycholinguistics: Experiments in Spontaneous Speech. London: Academic Press.
Gósy, M. (1988): Tempóészlelés és beszédmegértés. Műhelymunkák V. 87–122.
Gósy, M. (2004): Fonetika, a beszéd tudománya. Budapest: Osiris Kiadó.
Harris, P. T. S. (2024): Faculty Perspectives Toward Artificial Intelligence in Higher Education. A Research Paper Submitted to the School of Computing Faculty Middle Georgia State University. Macon, Georgia.
Holec, H. (1981): Autonomy and foreign language learning. Oxford: Pergamon.
Horváth, L. (2023): Mesterséges Intelligencia alkalmazási lehetőségei a tanítási-tanulási folyamatban. Plenáris előadás. A tanulás jövője – Együtt a fejlődés útján konferencia. 2023. december. 6.
Kassai, I. (1993): Gyorsult-e a magyar beszéd tempója az elmúlt 100–120 évben? In: Gósy, M. – Siptár, P. (szerk.) Beszédkutatás ’93. Tanulmányok az elméleti és az alkalmazott fonetika köréből. 62–69. Budapest: MTA Nyelvtudományi Intézet
Kohnke, L. – Moorhouse, B. L. – Zou, D. (2023): ChatGPT for Language Teaching and Learning. RELC Journal. 54/2. 537–550. https://doi.org/10.1177/00336882231162868
Kuna, Á. (2024): Az orvos–beteg kommunikáció nyelvészeti elemzése. Elmélet, gyakorlat, módszer. ELTE Eötvös Kiadó: Budapest. https://doi.org/10.21862/BeszKutAlk2024/Kuna/6944
Li, Y. A., Han, C. – Jiang, X. – Mesgarani, N. (2023): Phoneme-level bert for enhanced prosody of text-to-speech with grapheme predictions. In: ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).1–5. IEEE. https://doi.org/10.1109/ICASSP49357.2023.10097074
Little, D. (1991): Learner autonomy: Definitions, issues and problems. Dublin: Authentik.
Orrego Luzoro, M. – Morán Córdova, N. (2014): Ortopedia y traumatología básica. Universidad de los Andes: Santiago de Chile.
Rajki, Z., T. – Nagy, J., – Dringó-Horváth, I. (2024): A mesterséges intelligencia a felsőoktatásban: – hallgatói hozzáférés, attitűd és felhasználási gyakorlat. Iskolakultúra. 34/7. 3–22. https://doi.org/10.14232/iskkult.2024.7.3
Varga, L. (1994): A hanglejtés. In: Kiefer, F. (ed.). Strukturális Magyar Nyelvtan, 2, Fonológia. Budapest: Akadémiai Kiadó. 468–549. (2. kiadás: 2001.). https://doi.org/10.1556/aling.49.2002.3-4.4
Wang, S. – Székely, É. (2024): Evaluating text-to-speech synthesis from a large discrete token-based speech language model. In: Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024). 6464–6474. https://doi.org/10.63317/22fg5iyuwxfe

Internetes hivatkozások

Amithasagaran, A. – Dakshit, S. – Suryadevara, B. – Stockton, L. (2025): CLiVR: Conversational learning system in virtual reality with AI powered patients (arXiv:2510.19031). Online elérhető: https://arxiv.org/abs/2510.19031. https://doi.org/10.48550/arXiv.2510.19031
Freeman, J. (2024): Provide or punish? Students’ views on generative AI in higher education. Higher Education Policy Institute. Online elérhető: https://www.hepi.ac.uk/wp-content/uploads/2024/01/HEPI-Policy-Note-51.pdff
Karageorgakis, T. (2023): Best 100 AI apps for Teachers and the classroom. Educraft.tech. Online elérhető: https://educraft.tech/best-100-ai-apps-for-teachers
NielsenIQ. (2024): NIQ research uncovers hidden consumer attitudes toward AI-generated ads: Negative brand halo and perception effects [Press release]. Business Wire. Online elérhető: https://www.businesswire.com/news/home/20241212354811/en/NIQ-Research-Uncovers-Hidden-Consumer-Attitudes-Toward-AI-Generated-Ads
Pukoli, D. (2024): Mesterséges intelligencia az orvostudományban: a Magyar Orvosi ChatGPT működése. MOK. Orvosok Lapja. 2024. 11. 11. Online elérhető: https://mok.hu/orvosoklapja/aktualis/mesterseges-intelligencia-az-orvostudomanyban-a-magyar-orvosi-chatgpt-mukodesee
Robert, J. (2024): The future of AI in higher education (2024 EDUCAUSE AI Landscape Study). EDUCAUSE. Online elérhető: https://www.educause.edu/ecar/research-publications/2024/2024-educause-ai-landscape-study/the-future-of-ai-in-higher-education
Schroeder, R. (2024): How Will AI Disrupt Higher Education in 2024? Inside Higher Education. Online elérhető: https://www.insidehighered.com/opinion/blogs/online-trending-now/2024/01/05/how-will-ai-disrupt-higher-education-2024
Stannard, R. (2024): 5 AI Tools to Study Languages At Home- Multiple Languages. Teacher Training Videos-YouTube Channel. 2024. 05. 20. Online elérhető: https://www.youtube.com/watch?v=C6A9quEJETk