YouTube 和哔哩哔哩的口述影像，用你自己的读屏来听

任何 YouTube 或哔哩哔哩视频的口述影像，放进对白空隙，用你自己的读屏朗读。免费、开源。

SceneVoice（声景）是一个 Chrome / Edge 浏览器扩展，为盲人和低视力观众而做。它让 AI 模型看视频，写出画面的简短描述，然后趁对白之间的空隙读出来——用的是你读屏软件自己的声音、你习惯的语速，盲文显示器上也能看。

先听听看

下面是三条示例口述，按 SceneVoice 实际的放法：先是一句对白，空隙里跟一条描述。你平时用什么听，就按哪个按钮；读到的文字也会同步显示在下面。

不想安装也能试：网页播放器接收一个 YouTube 链接，用你自己的 Gemini 密钥，直接在这个浏览器里描述视频。

每出现一行，读屏就读一行。SceneVoice 默认就是这样工作的。

改用浏览器自带的语音朗读。它朗读期间，下面的文字不会再交给读屏播报，两个声音不会抢着说。需要 JavaScript，并且浏览器要支持语音合成。

对白。

一个穿红色大衣的女人把报纸顶在头上挡雨，跑过湿漉漉的街道。

对白。

屏幕文字：“第二章码头”。天刚亮，一艘渔船绕过防波堤。

对白。

他从口袋里掏出一封折好的信，犹豫了一下，没拆开又放了回去。

怎么用

安装扩展，在 Chrome 或 Edge 里装好后，照着专为读屏用户写的分步指南添加一个模型 Key：哔哩哔哩用阿里云的通义千问，YouTube 用谷歌的 Gemini（有免费额度）。
打开一个视频，按 Alt+Shift+D。 SceneVoice 每一步都会播报自己在做什么。前面一段大约半分钟就绪，你会听到“可以开始看了”。
口述放在对白空隙里。 每个时刻都有简洁、标准、详细三种长度，SceneVoice 挑能放进空隙的最长那条；放不下就不说，不压对白。屏幕上的文字按原文逐字读。你也可以让它暂停视频、把整条描述读完。
随时提问。 按 Alt+Shift+Q，输入“谁在说话？”“牌子上写的什么？”，就能得到针对这一刻的回答。描述说错了，告诉它一声，这一段会重新描述。

安装

支持 Chrome、Edge、Brave 等 Chromium 内核浏览器，116 及以上版本。商店版本正在准备；在此之前，GitHub 上的发布包在这些浏览器里都能用。Edge 加载项和 Gitee 镜像上线后，中国大陆用户建议从那里安装。

Chrome 应用商店（即将上线） Edge 加载项（即将上线） GitHub Releases Gitee 镜像，中国大陆（即将上线）

用发布包安装：下载 zip 并解压，打开 chrome://extensions（Edge 是 edge://extensions），开启开发者模式，点“加载已解压的扩展程序”，选中解压后的文件夹。之后会打开欢迎页：先听一段示例，再选“自己的密钥”，设置页就会在 Key 输入框打开（SceneVoice 云端开放后也会在那里提供）。完整步骤和申请免费 Key 的方法见中文说明。

适合谁、要花多少钱

给看 YouTube 和哔哩哔哩的盲人和低视力朋友，给陪他们一起看的人，也给需要口述影像的盲校、图书馆和用人单位。扩展本身免费、开源（MIT 协议），没有账号；用自己的 Key 时也没有自己的服务器，SceneVoice 云端开放后是一个可选的中转（见“隐私”）。

自带 Key —— 永久免费: 用你自己申请的通义千问 Key（哔哩哔哩）或 Gemini Key（YouTube）。全部功能，我们不设任何限制；除了发给模型的请求，什么都不离开你的电脑。今天的 SceneVoice 就是这一档。
SceneVoice 云端免费额度 —— 筹备中: 给不想碰 API 控制台的人：每天一份新口述额度（计划每天 60 分钟视频），加上不限量地收听别人已经生成过的同一个视频的口述。不用注册，扩展会自动领一个匿名凭证。目前还没开放。
SceneVoice 云端 Plus —— 筹备中: 给重度用户：更多时长、优先生成、长视频的详细档。计划价格：中国大陆每月 9.9 元或每年 88 元（微信、支付宝）；海外每月 4 美元或每年 36 美元。经济困难的朋友免费，不用出示任何证明。
机构许可 —— 筹备中: 盲校、残联、图书馆、高校残障服务办公室、视障康复机构、用人单位：托管 Key、预算上限、用量报表和无障碍符合性报告（VPAT）。计划价格：中国大陆按校、按馆商议；海外每人每年 3 到 5 美元。

凡是和无障碍有关的，永远不收费。 读屏输出、键盘操作、暂停模式、提问对话框和所有设置都免费；自带 Key 这条路永远不降速、不缩水。

隐私

没有账号、不追踪。 用自己的 Key 时，SceneVoice 没有后端，你做的任何事都不会发给开发者；没有统计、没有使用数据、没有崩溃报告、没有标识符。SceneVoice 云端（可选，尚未开放）会把请求经由项目的中转 api.scenevoice.app 发送，携带匿名的设备凭证；下面的隐私政策写明中转保存什么、绝不保存什么。这个网站同样没有统计，也不设 Cookie。
从不录制、不上传视频。 在哔哩哔哩上，或者用通义千问时，发出去的是画面的小尺寸截图（最宽 640 像素），只在标签页内存里保留一两分钟；在 YouTube 上用 Gemini 时，发出去的是视频地址、标题和要描述的时间段，由模型自己去读公开视频。
Key 是你自己的。 只存在浏览器本机的扩展存储里，只走请求头，绝不放进网址，也绝不进入哔哩哔哩或 YouTube 的网页。
只有你选的模型能看到请求。 用自己的 Key 时，请求只发给阿里云百炼（通义千问）或谷歌的 Gemini API，按它们各自的条款处理，不经过任何第三方；用 SceneVoice 云端时，请求先到中转，再由中转转发给模型，不做记录。用通义千问的中国大陆地址，数据不出境。
一切都在你的电脑上，随时可以删。 口述、纠错记录和设置都存在本地，设置页能看到存了什么，一键全部删除。

完整的隐私政策列出了每一个请求和每一项权限，以及为什么需要（English）。

面向机构与创作者

盲校、公共图书馆、高校残障服务办公室和用人单位可以一次给所有人装上：一个托管 Key、一个预算上限、一份用量报表，不涉及任何观众的个人信息。视频平台和读屏软件厂商可以授权使用口述引擎和共享缓存，热门视频只生成一次，所有人都能听。

UP 主和老师们：你的视障观众今天就能自己给你的视频加口述，不需要你做任何事。如果你想把口述音轨随视频一起发布，这在路线图上。

来信洽谈机构或平台授权（邮箱待填），或者在 GitHub 上提 issue。

媒体与社群资料

一句话

任何 YouTube 或哔哩哔哩视频的口述影像，放进对白空隙，用你自己的读屏朗读。免费、开源。

简介

SceneVoice（声景）是一个免费、开源的浏览器扩展，为盲人和低视力观众给哔哩哔哩和 YouTube 视频加上 AI 口述影像。在任何视频上按一个键，大约半分钟后，画面的简短描述就会在对白空隙里读出来——用观众自己的读屏软件，或者浏览器内置语音。描述遵循口述影像规范：只说看得见的，屏幕文字逐字读，看不清就说看不清。观众可以就任何一刻提问，也可以纠正说错的描述。SceneVoice 没有账号；用观众自己的模型 Key 时，它完全在浏览器里运行，没有自己的服务器（可选的 SceneVoice 云端中转在计划中）。源代码在 GitHub 上，MIT 协议。