一位色觉异常、右手只能完成有限按键动作的玩家打开一款新游戏。产品团队在无障碍验收表上打了勾——因为界面右下角有一个字幕开关。但对这位玩家来说，字幕解决的是"听不清对白"，而他真正卡住的地方是"看不出这个图标代表敌人还是队友"，以及"连招需要的按键组合，我的手指做不出来"。如果一个所谓的无障碍大模型只理解语音输入和字幕输出这一条链路，那它对这位玩家几乎没有帮助。这也是为什么，爱游戏在设计无障碍Agent时，第一步不是问"要不要做语音识别"，而是先把"玩家可能卡在哪里"这件事拆开来看。

障碍不止一种，输入也不该只有一种

视觉、听觉、运动能力、认知与信息负荷，这四类障碍会在游戏的不同环节里造成完全不同的卡点。视觉障碍玩家可能需要更高对比度和更大的UI元素；听觉障碍玩家需要的不只是对白字幕，还包括脚步声、方向音效、场景事件的文字化提示；运动能力受限的玩家可能需要重新映射按键、简化连招，或者接入外接的自适应控制器；认知负荷较高的场景里，玩家需要的往往是减少同屏信息、把任务目标拆解得更清楚。这些需求分别对应完全不同的信号来源，任何一种单一输入模态都不可能覆盖。把无障碍简化成一个字幕开关，本质上是把这四类障碍压缩成了一类，看起来做了功能，实际上遗漏了大多数真实场景。

无障碍Agent实际要读的五类输入

爱游戏无障碍Agent在真实运行时，同时处理的输入信号至少包括五类。第一类是文本，包括对白、UI标签、系统提示，这是最基础的一层。第二类是音频，不只是语音对白，还包括环境音效、方向性音源、战斗节奏音，这些声音信息如果不被结构化处理，听障玩家就完全无法获取。第三类是画面内容，需要通过计算机视觉做场景识别，判断当前画面里哪些元素是可交互的、哪些是威胁、目标物体在哪个方位，再把这些信息转成语音或文字描述。第四类是玩家的操作序列，也就是按键、摇杆、触屏手势这些原始输入流，用来判断玩家当前的操作是否被当前控制方案有效执行，是否存在因为身体条件导致的操作失败模式。第五类，也是经常被忽略的一类，是玩家自己在无障碍档案里做出的选择——也就是Access Profile里已经打开或关闭的具体项目。这五类信号合在一起，才构成一个真正意义上的多模态输入体系，而不是"语音进、字幕出"这样一条单线管道。

为什么要跨模态整合，而不是分别做五个开关

把这五类输入分别做成五个孤立功能，看起来工程上更简单，但会制造新的问题。比如一位同时有轻度听力障碍和手部操作受限的玩家，如果字幕系统和自适应控制器是两套互不知情的模块，字幕可能会在需要玩家腾出手做紧急操作的瞬间弹出大段文字，反而增加了认知负担和反应压力。跨模态整合的意义在于，模型需要同时知道"这个玩家听觉输出被替换成了文字"和"这个玩家操作反应时间被放宽"，然后在两者之间做协调，而不是各自为政。类似的协调问题在多个辅助功能同时开启时会更明显，比如语音输入、眼动追踪和外接控制器同时激活时，谁的信号优先级更高、如何避免相互打架，这类输入冲突处理本身就是一个需要单独设计规则的问题，而不是简单地"都听"。

认知负荷是最容易被忽略的一类输入

相比视觉、听觉和运动能力这三类相对容易被理解的障碍，认知与信息负荷相关的需求往往被排在无障碍讨论的最后，甚至被完全忽略。一个信息处理速度较慢、或者容易在复杂界面中分心的玩家，遇到的问题不是"看不见"或"听不到"，而是"同一时间屏幕上出现的提示、图标、进度条太多，来不及消化"。这类需求对应的输入信号又不一样：模型需要读取的是当前界面的信息密度——同屏元素数量、任务提示是否分层展示、教程弹窗的出现频率——而不是画面里某个具体物体的位置。对这类玩家，无障碍Agent能提供的建议通常是菜单简化、信息分层、减少非必要的浮动提示，这些调整同样必须建立在玩家自己开启相应选项的前提下，而不是模型看到操作卡顿就自作主张精简界面。把认知负荷也纳入输入体系，是因为它和视觉、听觉障碍一样真实，只是更难被察觉，也更容易被忽视。

游戏内容更新之后，模型的理解也要跟着更新

多模态输入不是配置一次就一劳永逸的。游戏版本更新之后，新增的关卡、新的UI元素、新的音效设计，都可能改变原来的输入结构——比如新增了一种此前从未出现过的战斗提示音，如果场景识别和音频结构化模块没有同步更新对这类新信号的理解，原本正常工作的方向音效转提示功能就会在新内容上失效或者出现遗漏。这意味着无障碍Agent的多模态理解能力，需要伴随游戏内容的迭代持续校准，而不是把某个版本训练好的模型直接固定下来长期使用。这也是为什么，无障碍相关的功能验证需要覆盖到具体的游戏更新节奏上，而不只是在功能上线时测试一次。

无障碍档案：模型工作的边界，不是模型的自由裁量权

这里有一个容易被误解的地方：无障碍Agent能"读懂"这么多信号，是不是意味着它可以自己判断"这个玩家看起来需要开高对比度模式"，然后主动帮玩家打开？答案是不能。爱游戏的设计原则是，模型对多模态信号的理解，只用来在Access Profile已经开启的范围内做适配和优化，而不是用来推断玩家的身体状况或主动越权修改设置。举例来说，如果玩家从未在无障碍档案里开启方向音效转文字提示，模型即便从操作模式里观察到玩家可能对空间音效反应较慢，也不会自作主张打开这项功能，而只会在合适的场景里以一次性提示的形式建议玩家去无障碍设置里看看。这个边界不是技术限制，是刻意设计的结果：识别一个人在游戏里操作吃力，和判定这个人存在某种障碍，是两件性质完全不同的事情，把二者混为一谈，本身就是对玩家隐私的侵犯。

干预时机同样是输入理解的一部分

多模态输入的价值，不只是"知道玩家需要什么"，还包括"知道什么时候不该打扰"。一个玩家在激烈战斗场景中，即便无障碍Agent判断出他可能没看清某个画面元素，此刻插入一段场景描述语音也可能适得其反，打断玩家的操作节奏。真正有用的无障碍Agent，会把"当前场景紧张程度""玩家最近是否已经收到过提示""这类提示对当前操作的干扰成本"也当作输入的一部分纳入判断，选择在关卡间隙、菜单界面或玩家主动暂停的时刻给出建议，而不是不分场合地随时插话。这种对时机的敏感度，恰恰说明无障碍理解不是一次性的分类任务，而是一个需要持续读取多种信号、动态判断的过程。

把无障碍还给玩家自己定义

回到最初的例子，那位色觉异常、手部操作受限的玩家真正需要的，不是一句"我们支持无障碍"的宣传语，而是一个愿意去读懂图标对比度问题、按键组合负担、以及他自己在设置里做出的每一个选择的系统。爱游戏无障碍Agent要处理的输入种类越多，能识别的真实卡点就越细，但无论识别得多细，最终决定权始终落在玩家自己手中——模型的角色是把可能的帮助摆出来，而不是替玩家做决定。这也是为什么，评价一个无障碍系统好不好，不该看它接了多少种传感器，而应该看它有没有把这些信号，最终转化成玩家真正用得上、也真正愿意用的选项。