语音、触摸和视觉一起输入，怎样判断用户指的是哪个对象？

标准回答

多模态交互要把不同来源的信息放回同一时间和场景里理解。语音说“打开这个”，触摸或视线可能提供“这个”的对象；不确定时需要确认，不能凭一个不可靠信号执行。

屏幕有两个座椅图标，用户先点副驾再说“加热到一档”。系统把选中对象、说话时间、座位权限和当前界面一起判断；如果点选已经过期或对象冲突，就明确问是哪个座椅。

**融合要对齐什么：**把语音中的动作、触摸选中的对象及其他感知信号按时间和场景关联。旧页面的点击、过期视线或别人的语音不能任意拼成同一条指令。

**有冲突时怎么做：**若语音说主驾却选中副驾，按明确的业务规则处理或询问确认。多一个输入来源是增加证据，不是让系统在不确定时更大胆地猜。

模态更多不等于判断更准确；冲突信息和陈旧上下文反而可能放大误操作。