屏幕上的选项需要可被语音指称
别名: 屏幕选项的口头名 · 可说的卡片 · speakable GUI
概念解释
外卖界面并排四张只有商标的卡片。人看着屏说「那个绿色的」或「第二家」，语音层若没有把可见属性、序号和标题绑到实体上，看和说就接不上。屏幕选项需要可被语音指称（speakable names for on-screen options）要求：眼睛正在看的每一个可选项，都有一个能被说出口、也能被系统收下来的名字——可见标题、稳定序号、可区分的颜色或位置词。互补不是「屏上有图、嘴里报结论」，是用户能对正在显示的对象做指示（deictic）点名。
机制
有屏时用户的指称策略会切到外指：他们说「这个」「左边那张」「绿色那家」，假定系统与他们共享当前画面。图形若只有图标、缩略图、无文字的色块，共享失败——人有视觉抓手，语音没有词汇抓手。识别器听的是词，不是像素；不把屏幕对象编成可说标签，两个通道在指称层断开。
可说名有三层，由稳到不稳：打印在卡片上的标题（用户照读）、当前屏内的序号（「第二个」）、视觉属性（「绿色的」）。标题要短、要和识别词表一致，不能是内部 SKU。属性只有在当前屏上唯一时才安全；四张都偏绿，「绿色的」失效。指示词「这个」还要绑定到焦点或注视，否则四个对象平权。
怎么研究
同一组候选用两种界面：图标加内部名对短可见标题 + 序号。诱发看着屏用语音选。标注指称类型（标题、序号、颜色、位置、「这个」）和点名成功率。自变量：标题是否可见、是否与 ASR 词表一致、属性在当前屏是否唯一。眼动确认选择时人确实在看对应卡片。
失败模式要分开：看了但说不出合法名，是缺可说名；说了合法名系统没绑上，是链接层。不要用「多模态满意度」混在一起。实验室把标题做成巨大字幕会高估照读率；真机卡片标题往往是十号字。
边界
选项不在屏上（还在请求中、被折叠），可说名无对象，应先说清「屏上现在没有可选的」。纯听、屏未亮，指称应退回对话里的名称，不要假装有「这个」。用户离屏很远、标题不可读时，可见标题这层死了，序号和语音自己报的名字还在。把可说名理解成「把屏幕菜单再朗读一遍」，会变成重复而不是给眼睛已看到的对象补一个嘴能用的柄。
怎么落地
- 每个可语音选择的屏幕对象都有：一句用户会照着说的短标题、一个当前屏内序号，并在识别里收下「第 N」「那个 + 标题」「左/右/上/下」。
- 颜色、形状等属性只有在当前屏唯一时才当作合法抓手；不唯一就不要在视觉上暗示人可以这么说。
- 标题用用户语言，不用内部名；标题改了，词表和屏幕一起改。
- 验证：让人看真机卡片用语音选，禁止触控。统计「这个 / 绿色的 / 第二张」各有多少、成功多少。图标-only 上几乎全军覆没、加上短标题和序号后升上去，可说名才是补上的那一层。