kind="descriptions" 不用于音频描述，而是提供同步文字旁白；真正音频描述需用 kind="metadata" 配合 js 控制播放。
track kind="descriptions" 的实际作用不是给视障人士听的
直接说结论：kind="descriptions" 在规范中**不用于音频描述（audio description）**，而是为视频提供**同步的文字性旁白说明**，比如解说画面中未用语音表达的视觉信息（“镜头缓缓推进，一张泛黄的老照片出现在桌面”）。它默认渲染为字幕样式，浏览器不会自动转成语音；屏幕阅读器通常也不会主动朗读它——除非用户手动聚焦到该轨道对应的 <div> 或启用了特定辅助功能模式。
<h3>真正给视障人士提供音频描述要用 kind="metadata" + JS 驱动</h3>
<p>W3C 明确将音频描述归类为元数据轨道，需配合脚本控制播放逻辑。关键点：</p>
<ul>
<li>
<code>kind="metadata" 是唯一被广泛支持用于音频描述的取值，且必须搭配 srclang 和 label
timeupdate 事件，检测当前时间点是否匹配描述触发区间<audio></audio> 元素或 Web Audio API 加载独立的 AD 音频文件（不能直接“播放 track”）<video controls><source src="movie.mp4"><track kind="metadata" src="ad.vtt" srclang="zh" label="音频描述"></track></source></video>其中
ad.vtt 内容需是带时间戳的文本描述，再由 JS 解析并触发对应音频VTT 文件里写 descriptions 时容易忽略的兼容细节
即使用了 kind="metadata"，VTT 文件格式不对也会让 JS 解析失败：
anything-to-html
下载
将调研报告、方案对比、数据分析、需求梳理、会议纪要、设计说明、代码评审、学习笔记等任务产物输出为可在浏览器直接打开的单文件 HTML，替代 Markdown 作为最终交付物。Markdown 在信息密度、视觉清晰度和可分享性上已跟不上 AI 产物的丰富度，HTML 能同时承载排版、表格、SVG 等。
- 必须以
WEBVTT开头，且首行后要空一行 - 时间戳格式严格为
HH:MM:SS.mmm --> HH:MM:SS.mmm，毫秒必须三位（如00:01:23.450），少一位或用逗号会解析失败 - 每段描述前要加唯一 ID 行（如
1），否则部分旧版浏览器的track.track.cues可能为空 - 避免在描述文本中使用 HTML 标签——VTT 不支持渲染，但某些屏幕阅读器可能误读转义字符
无障碍落地的关键不在标签，而在播放器逻辑
很多开发者以为加了 <track kind="descriptions"></track> 就算完成音频描述支持，其实完全相反：
- 原生
<video></video>控件根本不识别kind="descriptions"，也不提供切换开关 - 必须自己实现 UI 控件（如按钮），并绑定
track.mode = "showing"——但这只影响字幕显示，和音频无关 - 真正的音频描述需要监听视频播放位置、预加载 AD 音频片段、处理暂停/快进时的中断逻辑，甚至要考虑多语言 AD 轨道的并发管理
- 最常被跳过的一步：在
<video></video>上设置aria-describedby指向动态生成的描述容器，让屏幕阅读器知道当前有可读描述
音频描述不是加个 track 就能生效的功能，它是嵌入在播放器行为里的实时语音合成或音频注入过程。没 JS 控制，kind 值设成什么都只是静态文本。
