AI 无障碍（AI Accessibility）

无障碍场景对 AI 的需求非常明确：把看不见的变成听得见的，把听不见的变成看得见的，把难以操作的变成说得出的。图像描述、实时字幕、语音控制与手语识别这些能力，恰好落在多模态模型擅长的方向上，也让过去依赖昂贵专用设备的辅助功能更容易普及。这类应用的价值不只在于技术指标，更在于它是否真的能被长期使用。

常见能力

• 图像与场景描述：为视障用户朗读图片内容、界面结构与周围环境，帮助理解当前状态。
• 实时字幕与转写：把语音变成文字，帮助听障用户参与会议、课程与线下交流。
• 语音与手势控制：为行动不便的用户提供免手或低精度操作的入口。
• 文本简化与朗读：把复杂表述改写为易读版本，或转为语音，降低阅读与理解门槛。
• 手语与口型识别：手语识别已有落地案例，口型识别仍以研究为主，实际可用性需要按场景验证。

做产品时的注意点

辅助功能必须与主流程同步可用，不能只在演示或专门页面里存在，否则一旦主界面改版就会失效。模型出错时要有兜底路径，例如描述不清时允许追问、切换表达方式或转人工。延迟在实时场景里尤其关键，字幕慢半拍就失去了参与对话的意义。此外要尊重隐私：摄像头与麦克风长期开启的场景，需要明确提示、可控开关，并在条件允许时提供本地处理选项。

容易被忽略的地方

• 与标准规范的配合：屏幕阅读器依赖语义化结构，AI 描述无法弥补缺失的标签与层级；字号、对比度这类界面层面的要求同样属于规范范围，不能靠模型输出替代。
• 误识别的代价：错误描述可能引导用户做出危险动作，关键场景需要二次确认。
• 个性化差异：不同用户的表达习惯与语速差异很大，需要允许调节语速、口音与详略程度。
• 长期可用性：依赖联网服务的辅助功能一旦停服，用户会突然失去能力，需考虑降级方案。

和普通功能的区别

• 默认可用：辅助能力应当在默认状态下生效，而不是藏在设置里等用户自己去找。
• 结果可预期：同样的操作应得到稳定结果，频繁变化会破坏用户建立起来的操作习惯。
• 随时可中断：用户要能立刻停止朗读或采集，控制权必须始终留在人手里。
• 可反馈：提供便捷的报错渠道，让识别失败能够被记录并用于改进。
• 兼容既有工具：与系统级读屏、放大与输入法协同工作，而不是要求用户换一套使用方式。

判断这类功能是否合格，最直接的方式是让真实用户长期使用并记录失败场景。维护机制也要落到流程上：把辅助功能纳入主流程的回归测试，版本发布前检查朗读顺序、字幕延迟与开关状态是否仍然正常。