SCHVISION · AI IMAGE DESCRIPTION

把世界重新變成文字，
再變成聲音。

SCHVision 不是從「做一個 AI 功能」開始，而是從一個輔助科技的問題開始：如果眼前的世界看不到，能不能讓手機先替使用者看，再把它說出來；甚至不必找按鈕，直接用語音和它互動？

你看不到，我就把世界念給你聽；你不用找按鈕，直接跟我說。

從 9 月 22 日的想法開始

2026 年 9 月 22 日，在準備輔助科技相關內容時，我先寫下了「把世界重新變成文字，再變成聲音」這個方向。

以前，我們閱讀文字，再在腦中建構世界。這一次把方向反過來：先讓鏡頭取得眼前的世界，交給 AI 理解，再轉成文字，最後由 TTS 變成聲音。

眼前的世界→圖片／鏡頭→AI→文字→TTS→聲音

SCHVision 已不再只是「上傳一張圖片，讓 AI 產生敘述」的第一版雛型。現在除了原本的圖片上傳、AI 看圖敘述、人工編修、作品保存、TTS 與 QR Code 分享之外，也加入了直接面向手機使用者的語音視覺助理。

使用者不用下載 App。只要用手機開啟 SCHVision，就可以直接拍照、讓 AI 理解眼前畫面，再由系統朗讀結果。對視障使用者而言，操作重點也不再只是『按哪一個按鈕』，而是可以直接用語音說出自己要做什麼。

原有教材功能保留

一張圖片、一個作品；AI 先產生繁體中文敘述，使用者可再編修，並延伸為可閱讀、可聆聽、可分享的教材。

新增語音視覺助理

手機拍照、AI 圖像理解、語音辨識、語音指令與朗讀整合在同一個網頁流程中，不需另外安裝 App。

原本規劃中的「手機拍照後一氣呵成」，現在已經做成可實際操作的流程。使用者可以直接用手機開啟 SCHVision，啟動相機與麥克風，拍照後立即交給 AI 分析，再把結果念出來。

語音辨識啟動時，畫面會顯示即時麥克風音波。安靜時波形較低，說話時波形會跟著變化，讓看得到畫面的使用者知道：系統現在真的有聽到聲音。辨識中的文字與最後辨識結果也會顯示在畫面上。

手機開啟→直接說話→拍照→AI 理解→語音回覆→繼續追問

從「圖片 → 文字 → 聲音」，進一步變成「使用者 ↔ 語音 ↔ AI ↔ 眼前世界」的互動。

SCHVision 的語音互動先處理最重要、最常用的固定指令，例如「拍照」、「再拍一次」、「再念一次」、「詳細一點」、「簡單一點」、「念出文字」、「說明」與「停止」。這些指令會直接在網頁端判斷與執行，不需要每一句都送到 AI。

使用者說「說明」時，系統會念出目前可以使用的功能；在不同狀態下，說明內容也可以跟著目前情境調整。對看不到畫面的使用者來說，這比尋找選單或小按鈕更直接。

如果系統正在朗讀，使用者也可以直接插話說「停止」、「暫停」、「不要念」或「別念」。系統會立即中斷朗讀，不必再用手去按停止鍵。

固定指令：快速、本地處理

拍照、停止、說明、重播等操作直接由程式執行，反應快，也不必耗用 AI API。

簡單互動：先在本地回答

例如「你好」、「謝謝」、「你是誰」、「你會做什麼」、「我不知道怎麼用」等常見語句，可以直接由 SCHVision 回應。

SCHVision 採用分層處理。固定指令與常見簡單互動先由網站本身處理；只有當使用者說的內容超出既有指令、需要真正理解語意時，才交給 AI 產生回覆。

如果問題明顯是在問目前拍到的畫面，例如「桌上有什麼？」、「前面有樓梯嗎？」、「上面寫什麼？」或「門在哪裡？」，則會把目前照片與問題一起交給 Vision AI。這樣可以降低不必要的 API 使用，同時保留真正需要時的自然互動能力。

先聽懂→本地能處理就直接做→需要理解才送 AI→問畫面才送 Vision→回覆後再朗讀

語音回覆不只使用瀏覽器內建 TTS，而是優先沿用 SCHEECloud 原本已使用的 Neural TTS 聲音。這樣 SCHVision 的朗讀聲音可以和既有教材服務保持一致，也比一般瀏覽器預設語音更自然。

目前預設繁體中文聲音可使用 zh-TW-HsiaoChenNeural；若伺服器端 TTS 暫時無法使用，才退回瀏覽器內建語音，避免整套互動因單一服務失效而沒有聲音。

SCHVision 的核心不是「AI 看到了什麼」，而是如何把視覺資訊重新整理成使用者能取得、能操作、能互動的形式。圖片可以變成文字，文字可以變成聲音；現在，使用者也可以直接用語音控制流程，甚至在朗讀中插話停止，再繼續提出下一個問題。

因此，SCHVision 現在同時是一個看圖敘述教材工具、一個手機即時視覺輔助入口，也是一套正在持續發展中的語音互動式輔助科技系統。