两个通道的时序需要对齐
别名: 声画对不上 · 高亮跟不上播报 · cross-modal lag
概念解释
TTS 还在念第一家餐厅，屏幕已经高亮第三张卡片。用户说「就要这家」，「这」绑到眼睛上的第三家、耳朵里的第一家，系统无法知道该收哪一个。导航地图已经切到下一弯，语音还在收上一弯的尾音，同一种错位。语音与屏幕的时序对齐（temporal alignment of voice and screen）要求两个通道在指同一个对象的那几秒里同时在场，而不是各走各的刷新时钟。
机制
跨通道绑定依赖时间上的重合：同一对象的听觉标签和视觉标记要落在一个可被当成「这一拍」的窗口里。窗口可以有一点固定延迟（高亮略早于词，像字幕），但不能漂移。TTS 时长随语速、插播和网络抖动变，界面动画按自己的曲线走，两条时间线一旦解耦，指示词、序号和焦点行就指向不同实体。人会用当时显著性最高的通道去理解「这个」——通常是眼睛正在看的那一张——系统若按语音进度计，就绑错。
错位还有方向：屏领先，人以为语音在报当前高亮，其实在报已经划走的项；语音领先，人在屏上找一个还没画出来的对象，以为系统在说屏外的东西。对齐不是「不要把同一句话写两遍」，是让两遍（即使内容分工不同）在时间上指同一个指示对象。
怎么研究
把高亮相对 TTS 目标词的起点做成时移：同步、超前 300 / 800 毫秒、滞后 300 / 800 毫秒。诱发「这个 / 这家」。金标准用注视或事后点选「你指的是哪一张」。因变量：跨项错绑率、犹豫、以及用户是否改用序号来逃开错位。自变量包括语速（同一动画曲线配更快的 TTS 会放大超前）。
现场抓「屏幕焦点变化」与「TTS 词边界」的时间戳。焦点切换落在词中段或落在上一词上，就是系统性不对齐。实验室用按钮选而不说「这个」，测不到指示错绑。
边界
纯听无屏，没有第二条时间线要对齐。用户根本没在看时，对齐视觉焦点没有对象——该对齐的是下一次目光落回时的状态，而不是硬把高亮跟语音走给一个不在看的人。装饰性动画（背景呼吸灯）不参与指称，不必跟词对齐。极短的耳标配瞬时高亮，窗口短到对不齐也没关系，因为没有可被打断的指示短语。把时序问题理解成「动画可以再花哨一点」会加长视觉时间线，错位更大。
怎么落地
- 以正在播出的词为时钟：高亮、地图切页、卡片焦点只在对应词的窗口内切换，不要按列表动画自己的节拍抢跑。
- 语速或插播一旦改变 TTS 时长，视觉时间线跟着重排，不要播一条预渲染的动画。
- 「这个 / 这家」在错位窗口内不要静默消解；问「是屏幕上亮着的这家，还是刚念到的那家」，或先把两通道拉回同步再收。
- 验证：把高亮相对词边界做成同步与 ±800 毫秒两档，诱使说「这个」。错绑若随错位上升，时钟没对齐。再查现网焦点切换是否落在词中——落在词中就先修时钟，再修识别。