这个产品的起源，来自于自家小朋友英语老师布置的一项日常作业：课本点读。

坦白说，对于没有额外参加课外辅导的孩子，想让他们仅凭学校课堂的一点记忆，就回家独立完成课本点读练习，几乎是一项“不可能完成的任务”。

如何才能完成这个作业？我能想到的无外乎下面几种方法。

方法1：家长亲自上阵

这是最直接的办法。但现实是：有多少家长既有标准的英语发音，又有稳定的情绪和充裕的时间？更何况，现在很多家庭是老人在带娃，这种方案的普适性要打一个大大的问号。

方法2：官方点读 App

我们用的是人教版教材，官方有一个配套的点读App，人教点读。

此外，还有很多通过向人教App授权使用的小程序。这些应用确实做到了内容同步，发音也标准，但实际体验下来，也有部分问题：

颗粒度太粗

课本中常有连在一起的段落，软件往往将其作为一个整体朗读。对于初学者来说，一长串句子听下来，根本无从跟读。其中，只有人教官方的App可以将长句拆分成单句，但无法细化到单词。一旦单句太长或者生僻词太多，孩子听完还是只能糊弄过去。

无效干扰多

App中很多录音自带很长的前奏音乐，听一句词要先等半天 BGM，既浪费时间又影响学习。

付费成本高

单从课本点读这一个功能来说，人教版功能最全，收费也最低，一本教材38块钱一年。

其他授权的小程序增加了点读之外的很多功能，年费动辄160元以上，相当于可以买4本人教版教材。

此外还有一些盗版小程序，虽然点读功能免费使用，但会故意让你反复在多个不同的小程序之间来回跳转看广告，既浪费时间，也容易因为点错跳转到学习之外的其他小程序中。

看似免费的东西，往往都是最贵的。

方法3：拍照点读类 App

从技术的角度出发，要完成一个课本点读功能，第一反应就是对着课本拍张照，哪里不会点哪里。

于是我问豆包了解了几个现成的App进行试用，它们都满足了基础的拍照点读功能，其中一个App整体交互做的最好，也支持单词拆分。但同样动辄过百的订阅费，对于我们这种只需要“点读”功能的使用者来说，性价比实在太低。

于是我很快便决定，开启今年的第二个开发项目。

与第一个极简阅读App类似，这个产品的开发过程依然完全由 AI 主导。

核心逻辑很明确：拍照/选图 -> OCR 识别文字及坐标 -> 点击文字 -> 调用 TTS 接口朗读。

实验与迭代

为了快速验证可行性，我没有先写小程序，而是花了 2 小时搓出了一个 Web 版 Demo。逻辑跑通后，才正式开始小程序版的移植。

在测试过程中，我遇到了两个很有意思的挑战：

OCR 框位移问题

很多 OCR 模型在识别多行文字时，给出的坐标框并不精准，如果按照OCR的识别结果画框，会出现框与文字不匹配的情况。

特别是多行句子挨在一起时，OCR会将多行句子识别为一个整体，如果再对每句话进行切分，框的位置会偏移的更多。

解决方案： 我放弃了“画框”的执念，改用浮窗显示当前朗读句子，并配合简单的切换按钮使用。

TTS 的“语境”尴尬

测试过程中，我发现不是所有TTS接口都可以朗读单个单词，并且某些单词的发音会发生变化。

比如 "I have a coat" 里的 "a"，单独调用接口时会读成字母音 [eɪ] 而不是 [ə]。

解决方案： 通过测试不同的 TTS 服务商接口，并针对这类特殊单词进行逻辑处理，算是解决了这个细节坑。

在反复调优过程中，我又顺手加入了翻译和生词本功能，第一版小程序正式收工。

一点关于开发的“避坑”体会

在经历了极简阅读和灵动工具箱小程序这两个项目的开发后，我产生了一个深刻的体会：

如果你只是想做一个方便自己使用的应用，Web 可能是目前最好的选择。

无论是 iOS 还是小程序，都绕不开备案、审批以及各种生态规则的限制，开发复杂度也比纯 Web 应用高得多。

如果你正准备利用 AI 开发自己的第一款应用，我建议优先考虑 Web 形式。

以上就是灵动工具箱的诞生全过程。

如果你也正为孩子的英语点读作业头疼，欢迎尝试这个小工具。没有冗余的功能，只有纯粹的效率。