AI Content Describer：让视障用户"看见"世界的NVDA插件

AI Content Describer是一款开源NVDA屏幕阅读器插件，利用多模态大语言模型为视障用户提供图像、界面控件、摄像头画面等详细描述，支持十余种AI模型及本地部署方案，助力视障用户突破视觉信息盲区，提升信息获取独立性与平等性。

传统屏幕阅读器仅支持OCR文字识别，无法理解图像整体语境、物体关系和场景含义；多模态大语言模型（如GPT-4V、Gemini、Claude等）的快速发展，实现从"识别文字"到"理解内容"的突破，为辅助技术领域带来全新可能。

插件支持描述界面控件、屏幕截图、剪贴板图像、摄像头实时画面等多种对象；具备人脸检测功能，帮助视障用户在视频会议时确认自身画面位置；应用场景覆盖远程办公解读截图、学习解读图表、软件界面布局了解、线上会议前摄像头角度确认等，减少对视他人协助的依赖。

云端支持十余种主流多模态模型（如OpenAI GPT-4系列、Google Gemini、Anthropic Claude等），Pollinations提供免费GPT-4访问层；本地部署支持Ollama（llama3.2-vision）、llama.cpp、Seer本地服务、LiteLLM Proxy；针对中文用户优化，集成vivo BlueLM Vision模型，免费NVDA-CN账号即可使用。

支持PNG、JPEG、WEBP、GIF（非动画）等多图像格式；智能缓存机制节省API配额与费用，提升响应速度；对话式追问功能可深入获取信息；支持Markdown渲染结构化内容，增强可读性。

设计多组快捷键：NVDA+Shift+I打开描述菜单、NVDA+Shift+U快速描述导航对象、NVDA+Shift+Y描述剪贴板图像、NVDA+Shift+J面部位置检测、NVDA+Alt+C打开追问对话窗口；所有快捷键可自定义，适配不同用户操作习惯。

作为开源项目，全球社区积极参与，已支持俄语、塞尔维亚语、法语、中文等多种语言，让更多非英语用户无障碍使用，体现开源软件的普惠价值。

当前局限：Ollama和llama.cpp集成稳定性待提升、免费Pollinations层响应质量与速度波动、本地运行对硬件要求较高；未来随模型效率提升和开源视觉模型成熟，这些问题有望逐步改善。