NVDA项目中IAccessible2的"labelled-by"属性支持问题解析
背景介绍
NVDA作为一款开源的屏幕阅读器,在处理Windows平台上的无障碍访问时,需要与多种无障碍API进行交互。其中IAccessible2是一个重要的无障碍接口标准,它为辅助技术提供了丰富的对象属性和关系信息。
问题发现
在NVDA的当前实现中,发现其对IAccessible2标准中的IA2_RELATION_LABELLED_BY关系类型支持不完整。这一关系类型用于标识一个控件与其标签之间的关联关系,对于屏幕阅读器准确识别和朗读控件标签至关重要。
技术细节
IAccessible2规范定义了多种关系类型,其中IA2_RELATION_LABELLED_BY专门用于表示一个控件被另一个对象(通常是文本标签)所标记的关系。这种关系在表单控件中特别常见,比如输入框与其旁边的描述性文本标签之间的关系。
在NVDA的源代码中,labeledBy属性的实现目前仅通过MSAA的accNavigate方法来查找标签对象,而没有考虑IAccessible2提供的更直接的IA2_RELATION_LABELLED_BY关系。这导致在某些实现了IAccessible2接口的应用程序(如LibreOffice)中,NVDA无法正确识别控件与其标签之间的关联。
影响范围
这一问题主要影响那些完全依赖IAccessible2接口提供无障碍信息的应用程序。以LibreOffice为例,当用户在使用Writer组件时访问"工具"→"选项"对话框中的"用户数据"页面,NVDA无法正确识别"公司"文本编辑框与其标签之间的关系。
解决方案
要解决这一问题,需要在NVDA的IAccessible对象处理逻辑中增加对IA2_RELATION_LABELLED_BY关系的支持。具体实现应包括:
- 首先检查IAccessible2接口是否可用
- 如果可用,查询IA2_RELATION_LABELLED_BY关系
- 如果找到相关关系,返回对应的标签对象
- 如果没有找到,再回退到现有的MSAA accNavigate方法
这种分层处理方式既能保持对传统MSAA应用的兼容性,又能充分利用IAccessible2提供的更精确的关系信息。
实现意义
修复这一问题将带来以下好处:
- 提高对实现了IAccessible2接口的应用程序的无障碍支持
- 使标签识别更加准确可靠
- 改善用户在复杂表单中的导航体验
- 提升NVDA与其他屏幕阅读器在功能上的一致性
总结
NVDA作为主流屏幕阅读器之一,完整支持各种无障碍接口标准对于保障视障用户的使用体验至关重要。通过对IAccessible2的"labelled-by"属性的完整支持,NVDA将能够更好地服务于依赖这一标准的应用程序,为用户提供更流畅、更准确的无障碍访问体验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C026
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00