# 英文課文 CD 找不到，我用鏡頭和 AI 做了一台朗讀機

來源：Realpha 讀市場（blog.getrealpha.com）
原文與圖表：https://blog.getrealpha.com/blog/webcam-read-aloud-english-2026-10/

> 小朋友要聽英文課文錄音來練習，CD 卻找不到。我在舊筆電夾上一顆鏡頭，寫了兩支小程式：一支拍課文，一支用離線的自然人聲慢慢念出來，AI 看照片、決定念什麼、念幾遍。這篇記下它怎麼運作、和其他辦法比起來差在哪、做不到什麼，程式全文也放在文末，可以直接拿去用。個人使用心得分享。

Published: 2026-10-04
Locale: zh-TW
Tags: 英文學習, 親子, Linux, Piper, Claude Code, 舊電腦, 開源

TL;DR: 課文 CD 找不到時，一顆鏡頭加兩支小程式就能補上：拍下課文，讓 AI 看懂，再用離線的自然人聲放慢念十遍，小朋友聽完就能跟著練。


![立體主義風格的油畫：攤開的書、夾在螢幕上的鏡頭與聲波交錯在同一個畫面](/covers/webcam-read-aloud-english-2026-10.png)

> *讀書百遍，而義自見。*<br/>
> —— 董遇語，見《三國志・魏書》裴松之注引《魏略》（三國，約 3 世紀）

2026 年 10 月 3 日晚上將近十二點，我在舊筆電上夾了一顆網路攝影機，和 AI 一起寫了兩支加起來不到二十行的小程式，讓 AI 透過鏡頭看小朋友攤開的英文練習卷和讀本，再用一個不必連網的自然男聲，放慢速度把每一頁念十遍。起因只是一張找不到的課文 CD。它能補上「有人示範正確發音」這件事，但前提是課本印刷清楚、讀的是英文；它不會幫小朋友糾正發音，念錯的地方還是要大人聽。

## 事情是這樣開始的

小朋友的英文老師要他們聽課文錄音，跟著念熟，再錄自己的版本交回去。問題是附在書裡的 CD 不知道收到哪裡去了，翻遍抽屜也找不到，偏偏隔天就要用。

剛好前一天，我才把一台裝著 Windows 7 的老筆電重新裝成 Linux（過程寫在[〈把家裡的舊電腦重生成 AI 伺服器〉](/blog/old-laptop-ai-server-2026-10/)），上面已經有 Claude Code，一個能在電腦裡自己執行指令的 AI 助手。我手邊還有一顆夾式的網路攝影機。於是想法很直接：既然 AI 看得懂照片，那讓它看課本，再找個好聽的聲音念出來，不就是一台朗讀機了嗎？

## 它怎麼運作

整個流程分三步，像請一位家教坐在旁邊：

1. **拍照**：鏡頭夾在螢幕上方往下看，書攤在鍵盤前面。我們說一句「翻頁了，拍照念吧」，AI 就執行拍照程式，拍下一張課文照片。
2. **看懂**：AI 打開照片，把英文一句一句讀出來，同時把文字列在螢幕上。哪一塊拍糊了，它會直接說是哪一塊。
3. **念出來**：AI 把文字交給朗讀程式，用一個叫 ryan 的美式男聲念。速度預設放慢三成多，每句之間停半秒多，剛好夠小朋友在心裡跟一遍。

![兩條時間軸上下對照，上面三個短句塊緊緊相連，下面同樣三句的塊變長、塊與塊之間多出一段空白，整條軸因此延伸到右邊更遠處](/figures/read-aloud-slower-pace-gap.svg)

![那天晚上的實景：舊筆電螢幕上方夾著網路攝影機，右邊視窗的 AI 正在用慢速念課文，筆電前面攤著那本古埃及讀本](/figures/read-aloud-desk-photo.jpg)

那天晚上先念的是一張文法練習卷，十題附加問句（She is collecting stickers, isn't she? 這種），空格的地方它念成 blank。接著換成一本講古埃及的讀本，翻到法老 Amenhotep 改變畫風的那兩頁。我跟 AI 說「再念十次」，它就在背景用慢速連念十遍、每遍中間停兩秒，前後大約十分鐘；念的同時我還能繼續跟它講話，做別的事。

## 這一個小時裡實際撞到的事

**第一張照片什麼都沒拍到。** 我說「拍照念吧」，它拍回來的是鍵盤和我的手。鏡頭夾在螢幕上方，視角比想像中窄，紙要拿到鏡頭正前方二、三十公分、光線亮一點才拍得清楚。後來我們乾脆把書攤在鍵盤前、讓鏡頭往下看。

![側視圖兩格對照，鏡頭從螢幕上方射出一個往下的窄錐，左格紙舉在錐的外側落在空白區，右格書平攤在鍵盤前方正好落在錐覆蓋的地面範圍內](/figures/read-aloud-webcam-cone.svg)

**第一版的聲音太難聽，被我退貨。** 電腦裡原本沒有任何朗讀程式，AI 先裝了 espeak-ng，這是 Linux 上最常見的一套，裝起來最快。結果一念出來，平板、生硬，像老電影裡的機器人。我直接跟它說：「你的語音真的太爛了，找找看有沒有聽起來比較自然的。」它改裝 Piper，一個開源、完全在自己電腦上跑的語音引擎，聲音是用真人錄音訓練出來的。它下載了三種美式聲音，用同一句練習卷的句子各念一次讓我比，我選了 ryan 這個男聲。聽完我又嫌太快，它把速度從 1.0 調成 1.35、每句之間多停 0.6 秒，這兩個數字後來就成了預設值。

**同一台電腦上的另一個 AI 說它「開不了鏡頭」。** 我在旁邊同時開著 Gemini 的對話工具，問它能不能看鏡頭，它回答這個對話介面不支援視訊，請我用手機拍照傳給它。它說的沒錯，但問題不在 AI 看不看得懂，而在它手上有沒有「拍一張照」這個動作。只要給它一支會拍照、會把照片存成檔案的小程式，再告訴它照片在哪裡，看照片它本來就會。我把這段說明寫成一個 AGENTS.md 檔案，Claude、Codex、Gemini 這類工具都會讀它。

**網路攝影機拍出來的字是左右顛倒的。** 很多鏡頭為了讓你視訊時像照鏡子，預設把畫面左右翻過來。人臉看不出差別，課文就變成鏡像字。

![兩張紙的輪廓並排，左邊摺角在右上、文字行靠左對齊右端參差，右邊摺角跳到左上、文字行靠右對齊左端參差，整張紙像照鏡子一樣被翻過來](/figures/read-aloud-mirror-flip.svg)

拍照程式裡多了一個翻轉的步驟，就是在處理這件事。另外鏡頭剛打開時亮度還沒調好，前幾格畫面會偏暗，所以程式等到第二十格才存檔。

**想省額度改叫 Codex 來念，卡在安全設計。** 我想讓比較便宜的 Codex 接手朗讀，試了才發現它預設把指令關在一個隔離環境裡跑，連暫存資料夾都不能寫，所以朗讀程式改成不存檔、直接把聲音送到喇叭。但隔離環境裡還是摸不到攝影機。

![一個虛線大框代表隔離環境，框裡放著可執行的指令，框外是攝影機與暫存資料夾，兩條從框內伸向框外的線都被叉號截斷](/figures/read-aloud-sandbox-boundary.svg)

要讓 Codex 用這套程式，得讓它在隔離環境外面執行；Claude Code 也不肯替我啟動一個拿掉防護的 Codex，這一步只能自己在終端機打。我覺得這樣擋是對的，只是要知道有這道門。

**老筆電念得動，而且不必連網。** Piper 在這台十年前的 HP 筆電上跑得很順，念一頁不用等。整個過程聲音都在自己電腦裡產生，小朋友的課本內容不會被傳到任何地方。

## 和其他辦法比一比

| 辦法 | 發音是否正確 | 能放慢、能重複 | 要不要連網 | 缺點 |
|---|---|---|---|---|
| 原本的課文 CD | 最標準，老師要的就是這個 | 要自己倒帶 | 不用 | 找不到就沒轍 |
| 上網找出版社音檔 | 跟 CD 一樣 | 看播放器 | 要 | 不一定有公開，要花時間找 |
| 手機拍照翻譯 App 的朗讀 | 單字大致正確，語調偏平 | 多半只能一次念一段 | 多半要 | 要一段一段按，不適合連念十遍 |
| 這套鏡頭朗讀機 | 自然人聲，但不是課本原聲 | 速度、遍數都能用一句話指定 | 不用 | 需要一台 Linux 電腦和一點設定 |

所以 CD 還是第一選擇。如果老師在意的是課本原聲的口音和停頓，這台朗讀機只能當替身。它贏在「臨時要用、要念很多遍、要慢一點」這種情境。

## 小朋友聽了 AI 念的，會不會學到錯的？

這是我自己最擔心的事。有兩個地方可能出錯：AI 把字看錯，或是朗讀引擎把字念錯。

前者比較好防。AI 會把它讀到的句子列在螢幕上，大人掃一眼就知道有沒有漏句、看錯字。課本上如果有小朋友用鉛筆寫的註解，記得提醒 AI 只念印刷的英文。後者比較少見，但遇到人名、地名這類專有名詞，引擎偶爾會念得怪怪的。我的做法是第一遍自己跟著聽，覺得哪個字怪就查一下字典的發音，請 AI 把那個字換成拼法相近的寫法再念。

還有一件事它做不到：它只負責示範，不會聽小朋友念得對不對。跟著念、錄下自己的聲音、和示範比一比，這一段還是要大人陪。

## 想自己做一台？程式全在這裡

程式放在 GitHub：[github.com/bockybocky/read-aloud](https://github.com/bockybocky/read-aloud)，可以自由取用。它是寫給 Linux 用的（我用的是 Arch Linux 加 Omarchy 桌面），需要 python3、ffmpeg 和 pacat 這三個常見工具。Mac 或 Windows 要改拍照和播音的那兩行才能用。

安裝只要在終端機裡打這三行：

```bash
git clone https://github.com/bockybocky/read-aloud
cd read-aloud
./install.sh
```

裝好後打 `say-en "Hello there."`，聽到一個男生說 Hello there 就成功了。

**拍照程式 `snap-paper`**：從鏡頭拍一張照，左右翻正，存成檔案。

```bash
#!/bin/bash
# Take one photo from the webcam (un-mirrored). Usage: snap-paper [output.jpg]
OUT=${1:-/tmp/paper.jpg}
ffmpeg -y -loglevel error -f v4l2 -video_size 1280x720 -i /dev/video0 -vf "select=gte(n\,20),hflip" -frames:v 1 "$OUT" && echo "$OUT"
```

**朗讀程式 `say-en`**：把英文交給 Piper 念出來。`-v` 換聲音，`-r` 調速度，數字越大越慢。

```bash
#!/bin/bash
# Speak English text with Piper. Usage: say-en [-v voice] [-r slowness] "text"   (or pipe text in)
# slowness: 1.0 = normal speed, bigger = slower
set -o pipefail
V=en_US-ryan-high
R=1.35
while [ "$1" = "-v" ] || [ "$1" = "-r" ]; do
  [ "$1" = "-v" ] && V=$2
  [ "$1" = "-r" ] && R=$2
  shift 2
done
D=~/.local/share/piper-tts
RATE=$(grep -o '"sample_rate": *[0-9]*' "$D/voices/$V.onnx.json" | grep -o '[0-9]*$')
{ [ $# -gt 0 ] && echo "$*" || cat; } |
  "$D/bin/piper" -m "$D/voices/$V.onnx" --length-scale "$R" --sentence-silence 0.6 --output-raw 2>/dev/null |
  pacat --raw --format=s16le --channels=1 --rate="$RATE"
```

安裝程式會一起下載三個聲音：ryan（男聲）、lessac 和 amy（女聲）。想換女聲，就跟 AI 說「換 amy 念」，或自己打 `say-en -v en_US-amy-medium "..."`。

最後把 repo 裡的 AGENTS.md 放在你開 AI 助手的資料夾，它就知道「看課本」該先拍照、「念出來」該用哪個聲音。之後只要對它說一句「拍照念吧，每句念三遍」就好。

## 帶得走的一件事

工具不見的時候，先問自己：它真正替我做的是哪一件事？那片 CD 真正提供的，是「有人用正確的發音、慢慢地、一遍又一遍念給孩子聽」，光碟本身不重要。把需求拆到這一層，替代品往往就在手邊。

![兩個同樣大小的實心核並排，核裡寫著同一組功能，左邊套著圓形薄殼代表光碟，右邊換成方形邊框代表筆電，殼換了核沒變](/figures/read-aloud-shell-and-core.svg)

下次有東西壞了或找不到，試著用一句話寫下「它替我做的那一件事」，再看看家裡有沒有別的東西能做到同一件事。