SCHVision：你用說的，手機替你看

有些東西，是先規劃好，再一步一步完成。

有些東西不是。

SCHVision 比較像後者。

它不是我某一天坐在電腦前，突然很有企圖心地說：

好，我今天要來做一套人工智慧視覺輔助系統。

沒有。

事情沒有那麼偉大。

它其實是從一堂課開始。從一個學生提出來的想法開始。

然後，那個想法沒有在下課鐘響之後消失。它留了下來。隔天，我又想到。再隔幾天，我還在想。想著想著，就開始做；做著做著，就開始改；改著改著，最後竟然真的做出一套可以使用的東西。

所以這一篇，我想把整段過程留下來。不是寫產品介紹，也不是寫技術報告。只是很單純地記錄：

一個想法，是怎麼慢慢長成一個作品的。

一、9 月 21 日：事情從一堂課開始

2026 年 9 月 21 日，那一天上課，學生提出了一個想法。

很多課堂上的對話，其實都很自然。學生問，老師答，大家討論，下課，然後下一堂課再見。

可是有些話不一樣。它會黏在腦子裡。下課之後還在，回家以後還在，隔天早上起來，居然還在。

9 月 21 日那一天的那個想法，就是這樣。

我沒有當場說：「太好了，我三天內把它做出來。」我當然沒有那麼誇張。

但是我知道：這個方向有意思。值得再想。

二、9 月 22 日：我把這個想法寫成連載

隔了一天，9 月 22 日。

我又想到前一天課堂上的那個念頭，然後開始往下推。

那一天，我先想到的是「文字」。人看到文字之後，可以在腦中慢慢建立一個世界。

桌上有一個紅色杯子，旁邊放著一本打開的書。

你其實沒有看到那張桌子，沒有看到那個杯子，也沒有看到那本書。可是文字一進到腦中，桌子出現了，杯子出現了，書也出現了，甚至連顏色、位置、距離，都開始有了。

所以我那一天一直在想：

文字，可以幫助人建構一個世界。

然後，我把問題反過來。

三、如果文字可以建構世界，那世界能不能重新變成文字？

這個反過來的問題，後來成了 SCHVision 真正的起點。

原本是：

文字 → 世界

那如果一個人眼前明明有一個真實的世界，但是他看不到，能不能變成：

世界 → 文字

相機先看。AI 幫忙理解。把畫面變成文字。文字再交給 TTS。最後，變成聲音。

於是我把這條路寫下來：

世界 → 相機 → AI → 文字 → TTS → 聲音

而且我沒有只把這個想法留在自己的筆記裡。

9 月 22 日那一天，我就直接把它寫成連載，公開留下來。

這個連結很重要。因為現在回頭看，不是我事後才說：「我那時候就已經想到這些。」

可以直接點進去看。看 9 月 22 日那一天，我到底在想什麼；看那個想法當時走到哪裡；看我怎麼從文字、視覺、TTS、AI，一路走到「把外面的世界重新變成文字，再變成聲音」。

更有意思的是，那一天文章最後，我還寫：

既然不是什麼做不到的事情。
那就不要只說。
把它做出來。

現在再回頭看這一句，其實有點好笑。因為那時候還只是寫在文章裡。十天後，我真的把它做出來了。

所以這個連結，不只是延伸閱讀。它其實是這整段開發歷程最早的一張時間戳記。

那一天，SCHVision 還不存在。至少還不是今天這個樣子。沒有完整操作，沒有完整流程，也還沒有真正成形的服務。

但是方向已經有了。

而且我把它公開寫了出來。

某種程度上，寫出來就有點麻煩了。因為既然都公開寫了，就不能只停在：

這個想法不錯。

總要試著做做看。

四、我喜歡先把想法留下來

我一直覺得，等全部完成才寫，會少掉很多東西。

因為最後你看到的，只剩結果。可是中間真正有意思的，常常是那些還沒有答案的時候。

為什麼想到？為什麼改？哪裡不順？哪一個問題一開始根本沒想到？後來又是怎麼冒出來的？

如果不在當下留下來，過幾個月再回頭，大概只剩：「喔，反正後來就做出來了。」

可是事情當然不是「後來就做出來了」。中間其實有很多彎。

所以 9 月 22 日，我先把那一天的想法留下來。當時不知道後面會做到哪裡，但至少，那個起點被記住了。

五、接下來幾天：這個念頭一直沒有走

一開始真的想得很簡單：拍照、AI 看、AI 說、TTS 念。完成。

看起來很漂亮。

實際一做，第一個問題馬上出現。

六、看不到的人，怎麼知道自己拍到什麼？

如果 SCHVision 是想給視障者使用，那我叫他：「你拍一張照片給我。」問題就來了。

他怎麼知道鏡頭現在對準哪裡？本來想拍桌上的杯子，結果拍到天花板；本來想知道門口站的是誰，最後 AI 非常認真地回答：「前方是一面白色牆壁。」

AI 沒錯，相機也沒錯。唯一的問題是：根本沒拍到想看的東西。

我後來想一想，這不就是科技版的摸黑拍照嗎？

所以不能直接叫人拍。前面還要再加一步：先開相機。

這一步看起來很小，但從「技術可以跑」到「人真的能用」，往往就是差這種小地方。

不然本來想拍桌子，最後 AI 很認真地告訴你：「前方是一片天空。」AI 還是沒錯，只是我們又拍錯地方了。

輔助科技真正要處理的，不只是「功能能不能做」，而是「人到底怎麼用」。

七、拍了，還要讓他知道真的拍了

使用者說：「拍照。」那到底拍了沒有？

看得到的人可以看畫面閃一下。看不到的人呢？所以我加了一聲：

喀嚓。

很老派。真的很老派。幾十年前的相機就會了。

可是放在這裡，非常有用。那一聲不是裝飾，它是在說：

好了，我聽到了。
我真的拍了。

有時候做輔助科技，最重要的東西不一定最先進。反而是：你有沒有把原本藏在畫面裡的資訊，換一種方式交出去。

八、如果它一直念，我還得去找停止鍵嗎？

AI 回答完，TTS 開始念。如果內容很長，使用者不想再聽了呢？

難道又要回到畫面，摸來摸去找停止？那前面做語音不是做心酸的嗎？

所以我又加：

「停止。」

直接說，它就停。

這時候我開始愈來愈清楚，SCHVision 不能只有會說，它還要會聽，而且整個使用過程，都要讓人能夠用說的控制。

九、既然看不到，為什麼還要一直找螢幕上的按鈕？

做到這裡，我又想到一個很基本的問題。

如果今天使用 SCHVision 的人，本來就是視障者，那手機螢幕上的按鈕，對他來說，不見得看得清楚，甚至不見得看得到。

那我如果還要求他：找按鈕、按拍照、按停止、按下一步，其實就有點矛盾。

所以我後來把整個互動方式再往前推一步：

不要讓使用者一直用手去碰螢幕。改成，用聲音跟手機溝通。

他說「開啟相機」，手機就開；他說「拍照」，手機就拍；他問「前面有什麼」，手機就回答；他說「停止」，它就停止；他說「關閉相機」，相機就關掉。

所以 SCHVision 想做的，不是把一堆按鈕做得更漂亮，而是乾脆把主要操作方式改掉。

整套互動，盡量都透過語音完成。因為如果眼睛這條路不方便使用，那就不要一直逼使用者走眼睛這條路。

換一條路。用聲音。

十、我最後決定：不要做 App

做到這裡，其實還有一個選擇：要不要把 SCHVision 做成 App？

一開始當然有想過。手機功能、相機、麥克風、語音，看起來好像很自然就應該做成 App。

可是我後來想一想：

算了。

我自己其實就不太喜歡下載來路不明的 App。要下載、要安裝、要允許權限，有時候還要註冊，再來還要更新。光想到就累。

如果連我自己都不太喜歡這種流程，我又何必要求別人先下載一個 App，才能使用我的東西？

所以最後，我把 App 的念頭拿掉。直接做成網頁。

只要有手機、有瀏覽器，打開網址就可以開始。不用先下載，不用先安裝，也不用再找一個 App 圖示。

而且再往前一步，甚至連網址都不一定要自己輸入。

不需要記網址，不需要打字，不需要到 App Store 找東西，也不需要安裝。

這其實跟前面的語音操作，是同一個設計邏輯。

語音，是拿掉操作門檻。網頁，是拿掉安裝門檻。QR Code，是再拿掉輸入網址的門檻。

我想做的，從頭到尾都不是增加更多步驟，而是把多餘的步驟拿掉。能少一步，就少一步。能直接，就不要繞路。

十一、人不會永遠照程式設計師規定的句子講話

如果系統只聽得懂「開相機」、「拍照」、「停止」，還是太死。

真正的人可能只會問：

前面有什麼？
那個人在做什麼？
左邊是什麼？
上面有沒有字？
再講清楚一點。

所以我又把一般對話接進去。固定命令，系統就執行；其他問題，交給 AI 理解。

做到這裡以後，SCHVision 開始從「語音遙控器」，慢慢變成可以對話的視覺助手。

十二、我慢慢發現，我不是在做圖片辨識

原來我一開始想的只是：

照片 → AI 描述

可是最後真正長出來的，其實是：

人說話 → 手機執行 → 相機看 → AI 理解 → 文字形成 → 語音回覆 → 人再繼續問

這是一個完整的來回。

十三、10 月 1 日：雛型終於做出來了

到了 2026 年 10 月 1 日，第一個可以實際操作的雛型完成。

我沒有只留在自己的電腦裡測。直接上架。直接放進 SCHEECloud。正式把它列成網站裡的一項服務。

SCHVision 實際使用

https://www.scheecloud.com/SCHVision/

最簡單：掃 QR Code

不必記網址，不必輸入，也不必下載 App。

手機掃一下，直接進入 SCHVision。

那一天很重要。因為從那一天開始，它不再只是「我想做一個東西」，而是：「這個東西，已經有人可以打開來用了。」

十四、可是我自己知道：還差一點

雛型上架，當然高興。可是我自己也知道：能跑，跟真的好用，是兩回事。

尤其如果我要一直說「這個是給視障者使用的」，那我就得真的把自己放進那個情境裡想。

如果今天我看不到，我怎麼知道相機有沒有開？怎麼知道拍了沒有？怎麼停止？怎麼繼續問？怎麼關掉相機？

所以 10 月 1 日之後，我還在繼續修、繼續補、繼續想。

十五、10 月 2 日：第一版完整功能真正接起來

到了今天，2026 年 10 月 2 日，我把目前想要的整個流程真正接起來了。

現在，視障者可以主要用說的操作。說「開啟相機」，手機開相機；說「拍照」，喀嚓，照片拍下來；AI 開始理解，再由手機直接說給他聽。

如果還想知道更多，可以繼續問：「前面有什麼？」「左邊那個是什麼？」「有沒有人？」「那張紙有沒有字？」「再詳細一點。」

不想再聽，就說「停止」。相機不用了，就說「關閉相機」。

到這裡，我原本 9 月 22 日寫下來的那條路，終於真的變成了一個可以操作的流程。

十六、它不只會聽，還真的拍了，還真的念了

如果前面的畫面證明它已經在聽，那後面的畫面證明的就是：它不只聽，它還真的做了。

實際操作中，我先開啟相機，再正式拍照。拍到的是一條室內走廊。

畫面中可以看到左側一排窗戶，右側與前方有多個門口，地面是深色、反光明顯的大理石地磚，盡頭還有綠色緊急出口燈。

更重要的是，它不是只丟一句「這是一條走廊」就算交差。

看到這裡，我自己其實也有一點感觸。

因為這已經不是「玩玩看」的程度了。

它真的開始在替人描述眼前的世界。

不過，我也不想把它寫得太神。

它可以幫忙看，但不能替人保證安全。 AI 可能看錯；涉及道路、車輛、障礙物或人身安全時，不能只靠 SCHVision 判斷。

我現在把界線畫得很清楚：幫忙描述、幫忙理解，可以；拿它代替白手杖、定向行動訓練或必要的安全判斷，不行。危險或緊急狀況，更不能只靠它。

十七、做到這裡，我又開始手癢了

本來做到這裡，其實已經可以收工。至少原本的目標已經做到。

但是我看著它，又開始想：

既然都做了，那就再多做一點。

這大概是我的老毛病。做到 A，就會想那 B 呢？既然 B 都有了，那 C 好像也可以順便。

然後原本只想做一個功能，最後就會慢慢變成一整套。

十八、一般人也可以拿它來做教材

我後來發現，這套東西不一定只能給視障者使用。

一般人也可以拿來做教材。

例如老師看到一個實物、一個場景、一個生活中的東西，拿手機拍下來。AI 幫忙分析畫面，把內容整理成文字，再把文字念出來。

如果還想延伸，可以繼續問：「這是什麼？」「有什麼特徵？」「換成小朋友聽得懂的方式。」「再講簡單一點。」「可以再補充嗎？」

這時候，它就不只是「幫我看看這張照片」，而是：

幫我把這張照片變成一份教材。

十九、一張照片，可以慢慢長成一份互動式有聲教材

看到什麼，直接拍。拍了，就有文字。有文字，就有聲音。還可以繼續問。

於是：

圖片＋文字＋聲音＋互動

就慢慢湊在一起。

一張原本只是照片的東西，開始變成一份互動式有聲教材。而且不是死的，還能問、還能補充、還能再說明一次。

二十、文字和聲音，也可以一起走

既然有文字，又有聲音，那我又想到：為什麼不能一起呈現？

所以我也把文字顯示＋語音朗讀接在一起。朗讀時，文字同步呈現。

這件事對視障者有它的用途，對其他學習者也可能很有意思，例如跟讀、識字、閱讀理解、語言學習，或者只是想一邊看字，一邊聽聲音。

這時候，SCHVision 就不只是「把世界念給你聽」，它也開始變成：把文字、聲音和畫面放在一起，變成教材。

二十一、於是，它又多了一個用途：教材

最早，我想到的，還是讓視障者知道外面的世界。

教材，是後來長出來的另一個用途。不是把原來的方向換掉，而是同一套「看見 → 理解 → 文字 → 聲音」的流程，又多了一種用法。

它可以拍照、分析、轉成文字、朗讀、同步顯示、繼續追問，也可以把內容變成教材的一部分。

所以對一般使用者來說，它也可以是一個：

多功能的教材製作入口。

不是很複雜地坐在電腦前面編教材，而是：看到、拍下來、開始。

二十二、但是核心一直沒有變

功能愈加愈多，可是我回頭看，核心其實沒有變。

還是 9 月 22 日那一句：

把世界重新變成文字，再變成聲音。

第一層，始終是視覺輔助：把外面的世界說給看不到、看不清楚的人聽。教材，是同一套機制後來延伸出來的第二種用途：把看到的世界，變成可以看、可以聽、可以互動的內容。

二十三、它不是商品

這件事情，我也想講清楚。

SCHVision 不是商品。

我沒有要賣它，也沒有打算把它包裝成什麼成熟的商業產品。

它就是 SCHEECloud 裡面的一項服務。一個我想到、試著做、做出來、再繼續修改的東西。

其實這些年來，我設計過非常多東西。有教學工具、有輔助科技、有語音、有圖片、有互動、有教材，也有各式各樣自己想到、自己試著做出來的功能。

但是我在設計這些東西的時候，考量一直都很單純。

不是「這個東西能不能拿來賣？」
也不是「做完以後可以賺多少？」
我比較在意的是：這個東西，有沒有可能真的幫到人？

如果有，那我就想辦法把它做出來。

所以 SCHVision 也一樣。它從頭到尾，都沒有商品化或營利的目的。我不是為了賣軟體，不是為了收會員費，也不是先想商業模式，再決定要做什麼。

剛好相反。是先看到一個可能的需要，先想到：「如果這樣做，也許會比較方便。」那就試著做。

這其實也是我為什麼後來連 App 都不想做的原因之一。

不要先下載。不要先安裝。不要先付費。甚至連網址都可以不用慢慢輸入。掃 QR Code，直接進去。

如果有人覺得有用，就拿來用；如果使用後發現問題，我再繼續改；如果想到更好的方法，我再繼續加。

這是我一開始做這些東西的初衷，到現在，也還是我一直努力的方向。

把想到的東西做出來。
把做出來的東西留下來。
再讓真正需要的人，可以用得到。

如果最後真的有人因此方便了一點、學得容易一點、多了一條取得資訊的路，那對我來說，這個設計就已經有它的價值。

不一定要賣。能被用到，本身就是價值。

二十四、而且，這真的只是第一版

現在的 SCHVision，只是第一版。

不是最終版，更不是完美版。

後面還有很多東西可以繼續修。語音可以更自然，操作可以更順，AI 回答可以更穩定，教材保存可以更完整，文字同步可以更細，手機操作可以更直覺。

所以我不會說：「SCHVision 完成了。」

我比較願意說：

SCHVision 第一版完成了。

這兩句話差很多。

二十五、第一版的意義，不是完成

第一版最大的意義，不是「我終於可以說完成」，而是：

我終於可以開始真正使用它。

很多想法，最困難的其實不是後面怎麼改進，而是第一步到底有沒有跨出去。

9 月 21 日，它只是一堂課裡的一個想法。9 月 22 日，我把它寫下來。10 月 1 日，我把雛型放上網站。10 月 2 日，第一版的完整流程真正接起來。

到今天，它當然還不完美。可是至少，它不再只存在於腦子裡，不再只是文章中的箭頭。

它已經可以開、可以拍、可以問、可以說、可以聽、可以做教材，也可以開始真正使用。

二十六、我想留下的，其實就是這段過程

所以這篇文章，真正想留下的，不是「我做了一套 SCHVision」。

而是：

一個想法，怎麼一路走到這裡。

學生提出了一個念頭。我把它聽進去。隔天寫下來。接下來一直想。開始做。遇到問題。再改。雛型上架。再修改。最後，第一版真的能用了。

這些過程，如果不現在留下，以後再回頭看，大概只剩一個網址。

可是我不想只留下網址。我想留下：它是怎麼來的。

二十七、從學生的一句話，到今天

如何使用 SCHVision

如果你不是視障者，也可以把你想留下的世界拍下來，讓它變成文字、變成聲音，變成一份可以看、可以聽、還可以繼續問的教材。

第一次使用時，瀏覽器會要求相機與麥克風權限。完成這一次授權後，主要操作就可以直接用說的。