英文課文 CD 找不到，我用鏡頭和 AI 做了一台朗讀機

讀書百遍，而義自見。
—— 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〉），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。

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。

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。

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。

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

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，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：

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。

#!/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。

#!/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。

Markdown 原文