{
  "id": "screen-reader",
  "title": "屏幕阅读器",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "屏幕阅读器是一种辅助软件，通过合成语音、可刷新盲文和非视觉导航，使用户能够访问数字界面与内容。",
  "category": "computer-science",
  "subcategory": "software",
  "type": "concept",
  "aliases": [
    "读屏软件",
    "读屏器"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/screen-reader/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/screen-reader/",
      "json": "https://aiwiki.page/en/screen-reader.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "屏幕阅读器是一种辅助技术，通过合成语音、可刷新盲文或两者结合的方式呈现数字信息，并提供导航和操作命令，让用户无需依赖视觉即可使用软件。屏幕阅读器的使用者主要是盲人，也包括部分低视力者或其他难以阅读印刷文字的人群。它支持的活动十分广泛，从阅读文档、浏览网站，到编程、管理财务和使用移动应用，均在其列。\n\n尽管名为屏幕阅读器，现代屏幕阅读器通常并非简单地识别屏幕上可见的像素，再将其朗读出来。它从应用程序和操作系统中获取结构化信息，识别按钮、标题、文本框等界面元素，并向用户传达这些元素的名称、状态及相互关系。因此，其使用效果既取决于自身的能力，也取决于所用软件提供的无障碍信息。\n\n屏幕阅读器是数字无障碍的重要组成部分，也是人机交互领域的重要研究课题。其发展涉及语音技术、触觉显示设备、无障碍接口、文档语义和专门的交互技术。桌面端和移动端的屏幕阅读器具有这些共同基础，但在导航、输入方式以及与所在平台的集成方面存在显著差异。"
    },
    {
      "heading": "历史发展与主要实现",
      "text": "屏幕阅读器起源于让人们无需依靠视觉也能使用计算机终端和文本系统的努力。在面向字符的界面中，软件可以检查排列相对规整的字符网格，并读出光标所在位置或选定行上的文本。早期系统通常依赖独立的硬件语音合成器。其核心任务包括播报键入的字符、朗读命令输出，以及跟踪屏幕所显示文本的变化。不过，能否无障碍使用仍取决于各个应用程序的具体行为，尤其是在程序采用非常规屏幕布局时。\n\n图形界面的普及带来了更棘手的问题。图形桌面可以显示文本、图标、相互重叠的窗口和控件，却不再维持一个能够准确表达其含义的统一字符网格。早期图形界面屏幕阅读器采用的技术包括拦截绘图操作，以及构建“屏幕外模型”：在内部表示屏幕上显示的文本和对象。这些方法虽能提供实用的访问能力，却容易受到图形系统和应用程序设计变化的影响。后来，标准化的无障碍接口逐步为界面的结构和行为提供了更明确的描述。\n\n几款延续至今的产品体现了这一转变。JAWS 最初由 Henter-Joyce 开发，于 1989 年首次推出 DOS 版本；Windows 版 JAWS 随后于 1995 年问世。微软讲述人随 Windows 2000 一同提供。苹果于 2005 年在 Mac OS X 10.4 Tiger 中推出 VoiceOver，并于 2009 年将其引入 iPhone 3GS。NVDA 由 Michael Curran 于 2006 年发起，James Teh 很早便成为核心贡献者；它后来成为一款广泛使用的 微软 Windows 开源软件，用于提供屏幕阅读功能。在 Linux 上，Orca 成为重要的桌面屏幕阅读器，而 Speakup 则承担另一种职责，为文本控制台提供无障碍访问支持。\n\n这一产品领域还包括 Android 上的 TalkBack 和 ChromeOS 上的 ChromeVox。这些实现方案在支持的应用程序、脚本功能、盲文支持、语音引擎和交互惯例等方面各有不同。内置屏幕阅读器可以在设备设置和日常系统使用过程中提供无障碍支持，而独立发行的产品则可能针对特定工作场所的应用程序提供丰富的定制功能。仅凭发行模式本身，无法判断无障碍体验的优劣。\n\n因此，屏幕阅读器的历史并不是一个简单的、由更优产品依次取代前者的过程。硬件成本、所支持的语言、机构采购、应用程序兼容性和用户培训，都影响了产品的采用情况。较早的访问技术也仍然有用：终端访问、面向特定应用程序的脚本和图像识别并未完全消失，而是继续与较新的语义接口相互补充。"
    },
    {
      "heading": "无障碍架构与信息流",
      "text": "屏幕阅读器的核心技术任务，是将应用程序的状态转换为有意义的非视觉呈现形式。大多数现代图形平台都提供了无障碍 API，这是一种应用程序编程接口，辅助软件可通过它检查界面元素并接收通知。例如，微软的 UI Automation、苹果的无障碍框架、Android 的无障碍框架，以及许多 Linux 桌面环境使用的 AT-SPI 基础设施。这些系统在细节上各不相同，但通常都会提供对象、属性、关系、事件和操作等信息与功能。\n\n无障碍对象通常具有一个角色，例如按钮、复选框、标题或可编辑文本框。它还可能具有无障碍名称、当前值，以及已勾选、已展开、已选中或不可用等状态。对象之间的父子关系将它们组织成一棵无障碍树。其他关系则可以将字段与其标签关联起来，或将错误消息与它所描述的控件关联起来。这棵树是一种语义表示，不一定完整复现应用程序的内部对象结构或可见布局。\n\n屏幕阅读器会查询这些信息，并按照相应的呈现规则加以处理。例如，当焦点移至一个复选框时，它可能会播报：“接收更新，复选框，未勾选。”当应用程序报告该复选框发生变化时，屏幕阅读器可能会播报新的状态。文本界面还可以提供字符范围、选区边界、文本光标位置和格式属性。这些功能使屏幕阅读器能够按词或段落朗读、报告拼写相关属性，或指出用户在可编辑文档中的当前位置。\n\n事件与静态属性同样重要。应用程序可以通知辅助软件：焦点已移动、对话框已出现、某个值已更改，或某一区域的内容已更新。屏幕阅读器必须判断哪些通知重要、是否需要打断当前语音，以及如何避免重复播报或播报过时的信息。变化迅速的界面所产生的事件，可能多到超出用户能够有效听取的程度。因此，筛选和确定优先级是实现中的必要环节，而不只是可有可无的优化。\n\n平台提供的信息并不一定完整或正确。自定义控件可能没有无障碍名称；视觉上的更新可能没有对应的事件；应用程序也可能仍向辅助软件提供一个已无法使用的元素。屏幕阅读器有时会通过针对特定应用程序的逻辑、脚本或识别技术来弥补这些不足。不过，要实现最可靠的无障碍访问，仍需由应用程序本身提供准确的语义信息，并通过平台的无障碍接口支持预期的操作。"
    },
    {
      "heading": "语音、盲文与意义的呈现",
      "text": "语音输出通常由语音合成器生成，所用引擎往往由操作系统提供，也可以单独安装。屏幕阅读器负责决定传达哪些内容，而合成器则将选定的文本转换为声音。这是两种不同的功能：更换语音可以改变发音和语音的清晰易懂程度，却不会改变标题、控件或界面状态的识别方式。有些产品支持多种语音引擎，让用户可以在响应速度、语言支持范围和声音特征之间选择不同的组合。\n\n语音输出不只是连续朗读。屏幕阅读器可以按照可配置的规则，播报标点、字母大小写、文本属性、缩进或语言变化。在编程编辑器中，用户可能需要准确了解标点和缩进；而在阅读小说时，逐一播报所有标点符号则会造成不必要的打断。发音词典可以将缩写或不常见的姓名替换为用户偏好的读法。语言切换功能可以依据文档中的语言信息选择合适的语音，不过，实际效果既取决于标记是否准确，也取决于已安装的语音资源。\n\n刷新式盲文显示器通过成排的盲文单元提供触觉输出，每个单元内的触针由电子控制升降。六点盲文单元支持传统的文字盲文点形，八点盲文单元则常见于计算机应用，能够表示更多区别。这类设备的尺寸各不相同：便携式显示器通常只能显示较短的一行，而较大的桌面设备通常配有 40 或 80 个盲文单元。平移命令可用于浏览超出实体显示行范围的文本，定位按钮则可以将光标移至所选盲文单元附近。\n\n盲文输出尤其适合精确检查拼写、标点、数学符号和代码。在不适合播放语音的场合，它也能提供访问途径，并可为盲聋用户提供支持。转换表决定文本以非缩写盲文、缩写盲文还是面向计算机的形式呈现。这些选择因语言而异；盲文并非一种所有文字系统都遵循相同规则的通用编码。状态单元或简短的指示符可以传达有关焦点、光标位置或格式的信息。\n\n语音和盲文往往配合使用，而不是只能二选一。语音可以帮助用户快速了解当前情况，盲文则便于仔细检查和编辑。有些屏幕阅读器还会使用称为听觉图标或耳标的短促声音，无须说出完整语句就能提示事件。呈现系统必须在速度与详尽程度之间取得平衡：输出不足会掩盖重要状态，输出过多则会增加用户辨别关键信息所需的精力。通过详略设置、标点播报级别和上下文提示，可以根据任务调整这种平衡。"
    },
    {
      "heading": "导航、焦点与交互模型",
      "text": "屏幕阅读器既提供输出渠道，也提供导航系统。在桌面环境中，操作系统的键盘焦点通常用于确定哪个控件接收键入内容或激活命令。Tab、Shift+Tab、方向键和 Enter 等标准按键构成了交互模型的一部分。屏幕阅读器命令则提供了更多方式，让用户可以查看当前控件、阅读周围内容、在结构元素之间移动，或在不改变应用程序当前输入目标的情况下查阅信息。\n\n这种区别使界面中存在几种不同的位置。系统焦点标识当前活动的界面元素，而文本插入光标标记编辑位置。屏幕阅读器还可能维护一个查看光标、虚拟光标或浏览位置，使其能够独立地在内容中移动。不同产品使用的术语各有差异。用户阅读网页第五段时，键盘焦点可能仍停留在前面的某个链接上，直到激活或同步命令将其移走。如果混淆这些位置，键入内容或执行激活操作时，受到影响的元素就可能不是屏幕阅读器最近读出的那个元素。\n\n许多桌面屏幕阅读器会区分文档导航模式与控件交互模式。在浏览器的阅读模式下，按某个字母键可以跳转到下一个标题或表单字段；而在可编辑字段中，同一个字母则必须作为文本输入。各产品通过自动切换模式、显式命令，或两者结合的方式来处理这一冲突。富交互网页应用会使这种区分更加复杂，因为同一个页面中可能同时包含普通文本、可编辑区域、网格、菜单，以及具有自身键盘操作方式的控件。\n\n高效导航在很大程度上依赖内容结构。用户可以通过命令按标题级别、链接、地标区域、表格、段落或控件类型移动。元素列表则提供了另一种概览方式，例如列出文档中的所有标题或链接。表格导航命令会读出当前单元格及其相关的行标题和列标题。在应用程序中，分层对象导航可以让用户查看工具栏或状态区域，即使这些对象通常无法获得键盘焦点。\n\n这些技术弥补了视觉交互与非视觉交互之间的一种基本不对称。有视力的用户可能同时注意到多个区域，而语音输出主要是依次进行的，盲文显示器一次也只能呈现有限范围的触觉内容。因此，熟练使用屏幕阅读器，需要将沿内容结构快速移动与有选择地查看内容结合起来。功能是否容易发现、焦点移动是否可预期，以及命令是否一致，都会显著影响使用效率。评估无障碍性，不能只看每个可见文字最终是否都能被读出；定位、理解和操作相关内容所需付出的精力同样重要。"
    },
    {
      "heading": "网页内容、语义与动态应用",
      "text": "在万维网上，无障碍访问通常沿着这样一条链路进行：从源代码中的标记，经由网页浏览器，传递到平台的无障碍接口，再到屏幕阅读器。浏览器解析 超文本标记语言，构建文档对象模型，计算布局，并从中提取无障碍信息。这些表示形式有所重叠，但并不完全相同。某个元素可能存在于文档树中，却不出现在无障碍树中；而某个可见控件的无障碍名称，则可能由文档其他位置的文本组合而成。\n\n原生 HTML 元素会自动提供重要的语义信息。按钮表示一项操作，标题确立内容结构，正确关联的标签则为表单字段提供名称。列表和表格能够传达各项内容之间的关系，而仅凭视觉上的缩进或边框，无法可靠地推断这些关系。链接文本即使脱离其所在的视觉上下文，也应当有意义：屏幕阅读器可以列出页面中的链接，此时，反复使用“点击这里”之类的文本，可能无法区分各个链接的目标。源代码中各项内容的顺序也必须合理，因为非视觉阅读所采用的顺序，可能与经过视觉重排后的布局不同。\n\n无障碍富互联网应用通常称为 WAI-ARIA 或 ARIA，它通过角色、状态、属性和关系来补充原生标记。它可以标明用于展开和收起内容的控件当前处于展开状态，将输入框与说明文字关联起来，或标记某个区域，使其中的更新能够被播报。ARIA 并不会自动实现交互行为。仅仅赋予元素按钮角色，并不会使其响应预期的键盘命令，也不会使其正确管理焦点。使用不当的 ARIA 还可能覆盖原本有用的原生语义。\n\n动态界面需要有意识地处理变化。由 JavaScript 更新的内容，可能在页面未重新加载、焦点也未移动的情况下出现。实时区域属性可以指示某项更新应当被播报，但过于频繁的消息可能使语音播报队列不堪重负。模态对话框需要具备无障碍名称，并正确处理焦点；对话框背后的内容不应仍像对话框不存在时那样可供访问，以免造成混淆。在单页应用中，由于传统浏览器导航所提供的提示有所减少，路由变化时可能需要更新页面标题和阅读位置。\n\n兼容性取决于浏览器、屏幕阅读器、操作系统及具体实现细节的组合。同一套标记在不同组合下可能产生不同的播报，但其底层含义未必发生变化。因此，有效的评估应当考察名称、角色、状态、阅读顺序、键盘操作和任务完成情况，而不是只看是否使用了某一种偏好的播报措辞。自定义图形、画布界面和虚拟化内容尤其需要关注，因为它们的视觉呈现与无障碍对象之间，可能几乎不存在自动建立的对应关系。"
    },
    {
      "heading": "移动设备与触摸探索",
      "text": "触摸屏屏幕阅读器针对没有固定触觉按键的屏幕表面调整了交互方式。在智能手机上，启用屏幕阅读器后，触摸某个项目通常会选中或读出该项目，而不是立即执行其常规操作。随后，用户再通过单独的激活手势操作所选项目。这种区分让用户可以探索屏幕，而不会无意间打开沿途触及的每个控件。用户也可以通过顺序导航手势，按规定次序在无障碍元素之间移动，无须依靠空间位置来查找它们。\n\nVoiceOver 和 TalkBack 都采用了这一基本方式，但在手势、导航控件和配置方面有所不同。VoiceOver 的转子功能让用户通过旋转手势选择导航类别，并根据当前情境进行调整。TalkBack 则提供朗读控制功能和菜单，用于选择导航粒度及其他功能。只要应用提供了必要的信息，两者都可以按字符、单词、标题或控件等单位移动。手势的具体行为可能随平台版本、设备配置和应用情境而变化。\n\n触摸探索保留了一部分空间信息：例如，将手指移过屏幕上缘附近，就能发现位于该区域的控件。相比之下，顺序导航遵循的是无障碍遍历顺序，不一定与视觉布局完全一致。应用需要协调这两种方式。一个在视觉上构成整体、包含图像、标题、说明和按钮的卡片，可以呈现为多个元素，也可以呈现为一个带有相关操作的分组项目。拆分得过细会增加导航负担，而过度分组则可能隐藏有用的细节，或使用户无法单独操作其中的元素。\n\n文本输入带来了另一类挑战。屏幕阅读器支持用户使用屏幕键盘、外接键盘，以及在支持的平台上使用盲文输入。听写也可以提供另一种输入途径，但语音识别与屏幕阅读是两种不同的技术：前者将语音输入转换为文本或命令，而不是向用户呈现界面信息。触摸屏用户还需要获得关于文本选择、光标移动、自动更正、密码输入和编辑控件的可靠播报。\n\n移动设备的无障碍访问并不限于普通的应用界面。系统设置、权限对话框、通知、身份验证提示、来电和锁屏控件，都会影响用户能否独立使用设备。屏幕方向发生变化，或界面在触摸探索过程中更新，都可能打乱手指与其下方项目之间的对应关系。因此，移动屏幕阅读器既依赖与操作系统的紧密集成，也依赖应用的无障碍设计。外接盲文显示器、键盘及其他输入设备可以扩展可用的交互方式，但不会取代底层的无障碍模型。"
    },
    {
      "heading": "文档、数学与专业内容",
      "text": "要使文档具备无障碍性，仅仅提取一连串字符还不够。阅读者可能还需要标题、列表、脚注、表格中各项之间的关系、阅读顺序，以及表示强调或修订的标记。文字处理文档格式、EPUB 出版物和 PDF 文件各有不同的机制来承载这些信息。一份文档在视觉上可能条理分明，却几乎没有向辅助技术提供任何结构信息，尤其是在使用手动空格、文本框或图像来排版，而非使用具有语义的文档功能时。\n\n概率密度函数体现了视觉保真与非视觉结构之间的区别。PDF 能够保留页面的外观，但无障碍 PDF 还需要有意义的文本、适当的阅读顺序，以及标签等结构信息。扫描页面可能只包含一张图像，因此需要进行文字识别。即使文件中的文本可以选中，如果字符的存储顺序不合适，或者缺少标题和表格关系信息，也仍然可能存在问题。标签可以提供更丰富的结构信息，但仅有标签并不意味着文档的组织方式就是正确的。\n\n数学包含一些难以用普通线性文本表达的关系。分数、指数、矩阵和嵌套根式都通过空间排列来传达结构。数学标记语言能够以兼容软件可以解读的形式编码数学表达式。根据所用的应用程序和辅助技术，用户可以听取线性化的表达式、逐一浏览表达式的组成部分，或获取数学盲文。不同的语音朗读规则和盲文编码规则会影响同一表达式的呈现方式。如果一张图像的描述只有“公式”二字，用户就无法获取公式的实际内容。\n\n编程和技术工作同样需要精确的输出。源代码依赖标点符号、缩进、字母大小写和结构边界。屏幕阅读器可以播报缩进变化、提供可配置的符号朗读方式，并与无障碍编辑器集成。代码补全列表、调试器面板、诊断消息和终端输出各有其焦点与更新行为。因此，集成开发环境的无障碍性并非仅由其文本编辑器决定。\n\n图表、地图、乐谱和科学示意图仍然难以处理，因为它们的含义可能依赖多种空间关系。有用的替代文本可以说明主题和重要发现，而数据表可以提供精确数值。但这两者都不一定能替代对原始呈现形式的交互式探索。专业软件可以提供声音化呈现、触觉图形、结构化描述或特定领域的导航。这些都是互为补充的访问方式：屏幕阅读器能够传达其中的控件和文本，但普通语音输出并不能自动再现复杂视觉呈现所承载的全部信息功能。"
    },
    {
      "heading": "标准、评估与无障碍实现",
      "text": "屏幕阅读器兼容性是无障碍的一个组成部分，并不等同于无障碍。一个系统即使能够配合屏幕阅读器使用，对于仅使用键盘、需要放大显示或依赖字幕的人而言，仍可能存在障碍。反过来，满足技术要求清单，也不能保证屏幕阅读器用户能够高效地完成复杂任务。评估时必须区分正式要求、实现的实际行为以及实际可用性。\n\n万维网联盟发布了网页内容无障碍指南，简称 WCAG。WCAG 2.0 于 2008 年成为 W3C 推荐标准，WCAG 2.1 和 WCAG 2.2 则分别于 2018 年和 2023 年成为 W3C 推荐标准。这些版本的成功准则涵盖文本替代、语义关系、键盘访问、焦点顺序，以及可通过程序确定的名称和角色等问题。WCAG 围绕四项原则组织内容，即内容应当可感知、可操作、可理解且具有健壮性。它既不指定使用某一种屏幕阅读器，也不要求不同产品产生完全相同的输出。\n\n其他标准和法律框架则针对特定司法管辖区和采购场景采用无障碍要求。美国修订后的第 508 条标准在涉及其所涵盖的信息与通信技术时，纳入了 WCAG 2.0 的 A 级和 AA 级要求。欧洲标准 EN 301 549 规定了信息与通信技术产品和服务的无障碍要求，涉及的领域不限于网页。具体适用哪些义务，取决于相关法规或标准、其适用范围以及所纳入的版本；产品的无障碍程度与法律合规性相互关联，但属于不同的问题。\n\n测试需要结合多种方法。自动化检查可以发现部分名称缺失、关系无效及标记缺陷问题。无障碍树检查可以揭示平台向外提供了哪些信息。键盘测试用于检查可操作性和焦点行为。屏幕阅读器测试则用于检查整个系统组合能否呈现有意义的信息，并支持用户完成完整任务。自动化工具无法可靠地判断图像描述是否传达了恰当的信息、复杂交互是否易于理解，或某个工作流程是否迫使用户进行过多的导航操作。\n\n让经验丰富的屏幕阅读器用户参与评估，可以发现技术检查遗漏的障碍。相关任务包括查找信息、输入和更正数据、处理验证错误、在操作中断后恢复，以及确认操作结果。报告若能明确列出平台、应用程序、浏览器、辅助技术和复现步骤，就会更有帮助。故障可能源于应用程序代码、浏览器映射、操作系统接口或屏幕阅读器逻辑。理清这一链条，有助于区分仅在局部奏效的变通方案与能够改善多种技术访问效果的修正措施。"
    },
    {
      "heading": "个性化、培训与日常使用",
      "text": "操作屏幕阅读器需要学习大量交互指令。用户可能需要结合使用应用程序的常规快捷键、屏幕阅读器命令、浏览器导航操作、文本编辑惯例以及盲文显示器的控制操作。桌面端产品通常使用专门的修饰键或组合键，将自身命令与传递给应用程序的按键操作区分开来。移动端产品则更多地依靠成套手势和随上下文变化的控件。这些命令体系能让熟练用户高效操作，但其复杂性也会影响入门培训和跨平台转换。\n\n个性化设置是日常操作的核心。语速、语音、标点符号朗读级别、播报详细程度、键盘回显和盲文转换均可单独调整。经验丰富的用户可能采用不熟悉者难以听懂的语速，但并不存在一种适合所有情况的速度。阅读信息密集的技术资料、接触陌生术语、切换语言或进行精细编辑时，所需设置可能不同于日常导航。衡量设置是否合适，应看用户能否顺利理解内容并掌控操作，而不只是看输出速度。\n\n针对特定应用程序的配置文件和脚本，可以调整屏幕阅读器在相应软件中的行为。例如，脚本可以识别未能充分暴露标签信息的控件、播报重要的状态变化，或为重复性任务提供专用命令。这类定制能使工作场所的专用系统变得可用，尤其是在应用程序无法立即修改的情况下。但定制也会带来维护成本：窗口结构、控件名称或事件行为的更新，都可能使脚本所依赖的前提不再成立。\n\n培训内容包括探索陌生界面的策略。用户可以检查标题、列出控件、查看周围文本、检查应用程序菜单，或在基于焦点和基于对象的导航方式之间切换。当应用程序看似没有响应时，理解焦点与查看位置之间的区别尤为重要。培训还包括如何从语音被静音、焦点丢失、对话框被隐藏或自定义控件截获按键输入等情况中恢复正常操作。这些属于交互技能，而不只是对阅读命令的记忆。\n\n除了技术质量，成本和可获得性也会影响用户能否使用屏幕阅读器。内置屏幕阅读器可以降低安装门槛，而免费软件则能在难以获得商业许可的情况下支持使用。不过，盲文显示器、专业支持、兼容的应用程序以及培训，仍可能带来可观的费用。语言覆盖范围也是一项实际限制：界面本地化、语音发音、盲文转换和文档所支持的语言未必一致。因此，即使某款产品被称为支持多语言，它在不同语言和文字系统下提供的功能水平也可能有所不同。"
    },
    {
      "heading": "识别技术、人工智能与持续存在的局限",
      "text": "当应用程序提供的可用结构信息很少时，识别技术可以补充无障碍信息。光学字符识别可以识别扫描文档、图像或无法通过无障碍方式访问的窗口中的文字。一些屏幕阅读器和操作系统集成了识别功能，让用户能够查看原本无法获取的内容。这是一种有价值的后备手段，但识别出的文字并不等同于结构完善的界面。它可能缺少标题层级、控件角色、表格中的关联关系，以及标签与可操作对象之间的可靠对应关系。\n\n计算机视觉可以识别更多视觉特征，人工智能系统则可以生成图像或界面的描述。这类描述可以说明照片中的物体、概括屏幕截图的内容，或帮助解读图表。这些能力超出了传统的无障碍树检查方式，因为它们可以直接处理渲染后的图像。然而，其结果是根据视觉输入推断出来的，而不是由界面提供的权威语义信息。识别出一个看起来像按钮的对象，并不能确定它的当前状态、键盘操作方式或允许执行的操作。\n\n生成式描述带来了一种特殊的可靠性问题。大语言模型或多模态系统可能生成语言流畅、却包含无依据细节的输出，这种现象通常被称为人工智能幻觉。在无障碍使用场景中，虚构的标签、遗漏的警告或误读的数值，都可能实质性地改变用户的理解。因此，区分应用程序提供的信息与机器生成的解读十分重要。识别结果可以辅助用户探索内容，但不能可靠地替代准确数值、控件状态或交易详情。\n\n远程执行识别时，隐私问题也随之而来。发送给服务的图像或文档内容可能包含消息、财务记录、工作信息或其他敏感材料。本地处理和云端处理在数据处理方面有着不同的影响。屏幕阅读器本身必然需要广泛访问应用程序呈现的信息，而其扩展或脚本还可能使更多组件参与其中。因此，无障碍功能也涉及数据隐私以及宿主平台的安全边界。\n\n一些持续存在的障碍，其根源并不在于识别能力。远程桌面可能只传输画面，而不提供充分的无障碍信息。快速更新的仪表板可能使事件处理机制不堪重负。虚拟化列表每次可能只向外提供其逻辑内容中的一小部分。自定义画布、游戏和空间界面可能需要普通文档导航无法表达的交互模型。因此，相关研究与实现工作不仅着眼于改进描述，还致力于提供更丰富的语义接口、触觉与听觉表示、可靠的焦点管理，以及在内容变化时保留用户控制权的方法。"
    }
  ],
  "links": [
    "assistive-technology",
    "operating-system",
    "human-computer-interaction",
    "microsoft-windows",
    "open-source-software",
    "linux",
    "application-programming-interface",
    "refreshable-braille-display",
    "world-wide-web",
    "web-browser",
    "html",
    "javascript",
    "smartphone",
    "speech-recognition",
    "probability-density-function",
    "world-wide-web-consortium",
    "computer-vision",
    "artificial-intelligence",
    "large-language-model",
    "ai-hallucination",
    "data-privacy"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}