2022年9月9日，掘力计划第23期线上技术分享活动以"AIGC的应用和创新"为主题，邀请到 Jina AI 工程师季光辉进行了主题为《多模态大模型为视觉障碍者打造无障碍数字体验》的演讲。他介绍了多模态人工智能产品 SceneXplain 如何通过算法创新，为残障人士提供平等的数字体验，网站链接：scenex.jinaai.cn/a/NEW。
直播回放地址：juejin.cn/live/jpower...
数字时代的无障碍体验
随着移动互联网的兴起，"无障碍"已成为这个时代的重要词汇。它意味着不论性别、年龄或能力如何，每个人都能平等地获得数字产品和服务。对残障人士而言，无障碍体验尤为关键。以视障群体为例，全球约有 2.85 亿视力障碍者，其中包括 3900 万盲人。因此，如何通过科技创新为他们提供更好的数字体验，已成为一个非常迫切的需求。发达国家也开始出台相关法规，要求政府部门网站达到无障碍标准。
然而，就目前而言，无障碍体验还存在诸多不足。以网站为例，欧盟内仅有 34% 的政府网站达标；即便达标的网站，图像描述也往往过于简单或不准确。这主要是由于现有图像描述算法的局限所致。
传统图像描述算法的局限
对视障用户而言，网站图片的替代文本是实现无障碍的关键。但手动编写图像描述是一项艰巨的工作，而现有算法生成的描述往往不够丰富和准确。具体问题包括：
- 图像细节缺失：算法无法准确表达图像的细节，导致视障用户难以理解图像内容。
- 情感表达不足：算法无法捕捉图像所要表达的氛围与情感。
- 空间关系理解不足：不同的空间关系会表达不同的意义，但算法难以识别。
- 抗干扰能力弱：图像质量下降时，算法的描述能力会大幅降低。
总体来说，现有图像描述算法要么只能生成图像提示词，无法形成流畅的语言描述；要么对复杂图像理解不足，无法生成高质量的描述。
SceneXplain：多模态算法生成高密度图像描述
针对上述问题，Jina AI 研发的 SceneXplain 利用多模态深度学习算法，实现了图像高密度描述的自动生成。该算法专注处理复杂场景图像，通过多语言描述呈现图像细节。其优势包括：
- 捕捉图像细节。可准确描述复杂图像的场景元素、空间关系等细节。
- 抓取图像情感。可分析作品的语调和氛围，帮助用户理解图像情感。
- 生成连贯描述。融合多模态信息，以流畅自然的语言描述图像。
- 强大抗干扰。可应对低质量、噪声图像，输出可靠描述。
通过案例分析，SceneXplain 明显优于旧有算法。它可生成上下文丰富、情感细腻的描述，帮助视障用户充分理解图像所传达的信息。
除图像外，SceneXplain 也可自动描述视频内容。它可解析不同语言的视频，识别关键场景，并产出多语言描述，带来更好的视频无障碍体验。
对开发者而言，SceneXplain 提供灵活的 API 接口，支持自定义描述长度、语言等。开发者可以基于该API开发无障碍应用插件，为更多用户提供无障碍服务。
以科技促进无障碍发展
数字时代，我们有责任利用科技力量，为每个人创造公平的数字体验。SceneXplain 正是基于这样的理念诞生的产品。它展示了人工智能算法的进步如何惠及残障群体，为他们带来比文字和图像更丰富的数字体验。让我们一起期待人工智能为弱势群体带来更多惊喜，构建充满温度与阳光的数字社会。