Google 升級無障礙功能：Gemini 能解答全屏內容，字幕還能聽出情緒

視障朋友用讀屏軟體聽圖片描述時，最頭疼的往往是系統只冷冰冰念出一句「一張吉他的照片」。你想知道是什麼牌子、什麼顏色、邊上還放了什麼，它一概答不上來。

Google 在全球無障礙意識日（GAAD）公佈了一批系統級更新，把 Gemini 模型更深地塞進了 Android 和 Chrome，解決的正是這種「只報個名字就了事」的尷尬。

讀屏不再單向播報，可以追問細節了

去年 Google 把 Gemini 接進了 Android 自帶的讀屏工具 TalkBack，專門給沒有替代文本（alt text）的圖片生成描述。

這次更新讓這項功能變成了雙向對話。朋友發來一張新吉他的照片，TalkBack 讀出畫面後，你可以接著問琴身是什麼顏色、屬於哪個品牌、背景裡還有什麼。

更實用的是全螢幕理解。比如你在購物軟體裡挑衣服，可以直接問 Gemini 這件衣服是什麼材質，或者當前頁面到底有沒有優惠券。資訊獲取從單純的「聽個響」變成了主動搜尋。

聽力輔助方面，Android 的即時表達字幕（Expressive Captions）開始識別情緒和語調。當影片里拉長聲音喊出「太棒了」或者「不——」，字幕會如實打出連字元號，還能標註吹口哨、清嗓子這類背景音。

不過這項字幕更新目前門檻不低，只支援 Android 15 及以上裝置，首批也僅對美、英、加、澳的英語使用者開放。

啃下掃描件、考場和非標準發音

除了常規的手機介面，Google 這次把精力放在了幾塊此前很難啃的硬骨頭上。

桌面端 Chrome 終於加入了針對掃描版 PDF 的 OCR 識別。以往這類檔案在讀屏軟體看來就是一張張純圖片，根本讀不出來，現在 Chrome 會自動識別字符，視障使用者不僅能聽讀，還能像普通網頁一樣劃詞複製和搜尋。

面向學生的 Chromebook 也補上了關鍵一環。大學理事會（College Board）的 Bluebook 考試應用負責承載 SAT 和 AP 考試，現在它全面打通了 Google 的 ChromeVox 讀屏和語音輸入等輔助功能。

針對語言障礙群體，Google 推動多年的 Euphonia 專案在 GitHub 上開源了程式碼庫，供全球開發者訓練非標準語音模型。同時他們還支援倫敦大學學院設立數字語言包容中心，專門為 10 種非洲本地語言建立無障礙語音資料集。

為什麼重要

我們認為，Google 這一步走得相當實在。它沒有把 AI 包裝成一個獨立的噱頭功能，而是直接墊到了系統底層。

對視障或聽障使用者來說，最理想的工具往往是「感受不到新工具的存在」。你不需要去專門開啟一個聊天視窗，而是在日常瀏覽、網購或檢視朋友訊息時，順手就能追問螢幕上的內容，這真正降低了資訊獲取的摩擦力。

但這裡也有明顯的隱患。Gemini 依賴的是多模態大模型的推理，而大模型天生存在幻覺。普通人遇到 AI 胡說八道可能只是一笑而過，但如果視障使用者依賴它讀取商品成分、折扣規則甚至藥品說明，一旦 AI 看走眼，代價會非常直接。

從行業來看，Google 正在把系統級輔助功能從傳統的「死板讀字」推向「螢幕語義理解」。這給蘋果和微軟也出了道題：未來的無障礙體驗不再只是比拼誰的聲音更自然，而是比拼誰的模型能在裝置底層把雜亂的人機介面解釋得更準。