Storytime

问题

爸爸妈妈每天晚上给孩子读同样的绘本，用同样的声音，一遍又一遍。这个声音会成为孩子记忆的一部分。可是父母会出差、会加班，不可能每晚都在。有声书用的是专业配音，语音合成听起来像机器人，都不是孩子熟悉的那个声音。

解决方案

Storytime 让家长在十分钟内把一本纸质绘本数字化，并用自己的克隆声音生成整本书的朗读。

1. 给每一页拍照并上传，Apple Vision OCR 自动识别文字。
2. 录 5–10 秒自己的声音，不需要专业设备。
3. 点“生成”，Storytime 在本机克隆你的声音，为每一页生成音频。
4. 把平板交给孩子，点一下播放，就能听你一页一页地读完整本书。

功能

• 全屏图片，左右滑动翻页、点一下播放，为 3–8 岁的孩子设计。
• 只需一小段参考录音就能克隆声音。
• 自动播放：一页读完，停顿 600 毫秒，自动读下一页。
• OCR 支持英文、简体中文、繁体中文等。
• 不需要账号，不收订阅费，数据不离开你的家。

技术实现

• 后端： FastAPI。没有数据库，书就是 JSON 文件，媒体存在磁盘上。生成音频时逐页推送进度。
• OCR： Apple Vision 在本机运行，不需要 API key。中文绘本会额外去掉 OCR 在字与字之间插入的空格，否则朗读时会有奇怪的停顿。
• 声音克隆： 通过 MLX 在 Apple Silicon 上运行 Qwen3-TTS，所有推理都在本地完成。
• 阅读界面： 原生 JS，按钮够大，方便小手点击。

最难的部分

克隆效果完全取决于参考录音。太短，模型抓不住语调；太吵，会把房间的噪音也学进去。最佳区间是 5–10 秒干净的语音，配上一字不差的文字稿，这花了很多次尝试才摸清楚。