首页 文章 精选 留言 我的

精选列表

搜索[WorkBuddy],共4431篇文章
优秀的个人博客,低调大师

#Workbuddy#让绘本说"妈妈的话":AI自制 JOJO 点读笔点读材料全流程

# 让绘本说"妈妈的话":自制 JOJO 点读笔点读材料全流程实战 > **一句话摘要**:把任意绘本变成 JOJO 点读笔可点读的内容——用 AI 从网盘取音频、STT 定位、克隆家人声音、批量合成、对齐音量、写入笔内 DIYrec 文件夹。本文给出完整可复现的流程、接口参数和踩坑记录。 ## 一、背景:点读笔为什么能"自制" 市面上的点读笔分两类: - **封闭式**:只能点官方配套书(绑死教材) - **开放式/DIY**:支持自制点读包——**JOJO(宝宝巴士)就属于这类** [S1][S2] JOJO 的 DIY 原理非常朴素: > **贴纸编号 = 音频文件名 = 笔内 `DIYrec` 文件夹里的文件** 笔靠"文件名匹配贴纸编号"播放音频。关键点: 1. 音频存在**笔的内存**里,贴纸只是一张带编号的无源标签 → **同一张贴纸换掉同名音频文件,就等于换了内容**,一套贴纸可以反复做很多本书 2. 编号位数必须和贴纸印的一致(⚠️ 本文实测:JOJO 贴纸是 **5 位编号**,码段从 **02641** 起;网上很多教程写的"4 位 0001"来自其他品牌,别照抄 [S1][S2]) ## 二、整体流程 ``` 资源获取 → STT 定位内容 → 设计点读脚本 → 克隆家人声音 → 批量 TTS 合成 → 音量对齐官方基准 → 按编号写入 DIYrec → 贴贴纸 → 逐点测试 ``` ## 三、关键步骤与参数 ### 1. 资源获取(以夸克网盘为例) - **读文件清单不需要登录**: - `POST https://drive.quark.cn/1/clouddrive/share/sharepage/token`,body `{"pwd_id":"","passcode":""}` → 返回 `stoken` - `GET .../share/sharepage/detail`(参数 `pwd_id`/`stoken`/`pdir_fid`/`_size=100` 等)→ 文件清单(含 fid、大小、是否文件夹) - **下载文件需要登录态(Cookie)**: - 列自己网盘:`GET .../file/sort`(⚠️ 不是 `/file/list`,后者 404) - 拿下载地址:`POST .../file/download`,body `{"fids":[...]}` → 返回 `download_url` - **下载时请求头必须带 Cookie + `Referer: https://pan.quark.cn` + 夸克 Electron UA**,否则 403 ### 2. STT 定位:不知道音频内容怎么办 绘本点读包文件名常常是"兜1.mp3""把2.mp3"这种没信息的名字。用语音转写把每段音频变成文字: - 端点:`POST https://api.boson.ai/v1/audio/transcriptions`(OpenAI Whisper 兼容) - 模型:**`higgs-stt-3.1`**(注意不是 `higgs-stt-3`,也不是 `whisper-1`;不确定时先 `GET /v1/models` 列账号可用模型)[S6] - 语言参数必须用 ISO 码 **`zh`**(传 `Chinese`/`auto` 会报 400) ### 3. 设计点读脚本(1.5 岁宝宝适用) 按儿童发展心理学/教育学原则(本项目的取值依据): - 单点音频 **5~15 秒**,30 秒是上限——1~2 岁婴幼儿持续注意以秒计 - 中文绘本语速 ~150-180 字/分 → 10 秒 ≈ 25~30 字、15 秒 ≈ 40~45 字 - 句式**重复**、结尾**留白**(TPR 全身反应法需要孩子有反应时间) - 结构:封面 1 张 + 每个场景"问句贴 + 答句贴" + 结尾 1 张;可选**双语单词贴**(贴人物图上,点人物出中英单词) ### 4. 克隆家人声音(Higgs 语音克隆) 想让点读内容用妈妈/爸爸的声音读: - 克隆:`POST https://api.boson.ai/v1/audio/voices`(multipart 字段:`name` + `ref_text`(参考音频的**逐字稿**)+ `audio` 文件)→ 返回 `voice_id` [S6] - 参考音频要求:**10~30 秒、清晰、无回声**;克隆前**先用 STT 验证音频内容和逐字稿一致**,避免"文不对音" - 克隆后**先合成 1~2 句试听**(至少包含一句参考音频里没有的句子,验证泛化能力),用户确认音色后再铺全量 ### 5. 批量合成 + 音量归一化(最容易被坑的一步) - 合成:`POST https://api.boson.ai/v1/audio/speech`,body `{"model":"higgs-tts-v3","input":"文本","voice":"","response_format":"mp3"}` - ⚠️ **Higgs 克隆声音量极低**(原始 mean_volume 约 -40 dB),直接写入笔会非常小声 - **实测基准**:JOJO 官方音频(`E:/audio/download/`)mean_volume 平均 **-17.9 dB**(范围 -17.3~-18.4,非常统一) - 归一化做法(ffmpeg):每条先测当前 RMS,然后 `volume={目标-当前}dB,alimiter=limit=-0.5dB`,把全部文件拉到 -18 dB 附近,与官方音频音量一致 ### 6. 写入笔 - 按贴纸编号命名(`02651.mp3`…)复制进 `DIYrec/` - 格式:WAV/MP3 均可(官方缓存就是 mp3) - 写完拔插一次,逐点测试:①音量 ②不串音 ③时长不截断 ## 四、踩坑记录(都是真金白银) | 坑 | 现象 | 解决 | |---|---|---| | 编号位数错 | 点贴纸不出声/串音 | 位数必须与贴纸一致(本文实测 5 位 02641 起) | | 下载 403 | 夸克下载 URL 裸请求被拒 | 必须带 Cookie + Referer + 夸克 UA | | STT 400 | 模型名/语言参数不对 | 模型 `higgs-stt-3.1`,语言 `zh`(ISO 码) | | 克隆声太小 | 笔里听不清 | 归一化到官方基准 -18 dB | | Excel 二次保存 CSV | .csv 文件变成二进制(zip) | 台账直接给 .xlsx,别用 .csv 来回存 | | ffmpeg 写中文路径失败 | "No such file or directory" | 用 ASCII 临时目录中转 | | 贴纸"贴哪" | 模型看不到图片画面 | 只能给"文字旁/人物旁"建议,需人工对照实体书确认 | ## 五、可复用提示词(给任何 AI 助手) > 下面是可直接复制给 AI 助手(Claude / ChatGPT / 其他)的完整任务提示词,它会按此流程帮你做自制点读材料: ```text 你是一个"自制点读笔点读材料"专家。JOJO 点读笔 DIY 原理:贴纸编号=音频文件名=笔内 DIYrec 文件夹文件,音频存在笔内存里,贴纸可换内容复用。 请帮我完成以下任务: 1. 我提供(任选):绘本 PDF/图片、或网盘分享链接、或现成音频文件夹 2. 用 STT(如 higgs-stt-3.1,语言用 ISO 码 zh)把音频转文字,定位每段内容 3. 设计点读脚本:1.5 岁宝宝,单点 5~15 秒(中文 10~25 字),句式重复+结尾留白,结构=封面+每场景(问句+答句)+结尾,可选双语单词贴 4. 克隆家人声音:提供 10~30 秒参考音频+逐字稿 → 克隆 → 先试听 1-2 句(含参考音频里没有的句子)确认音色 5. 批量 TTS 合成(中文句子+双语单词),统一归一化音量到 -18 dB(官方基准) 6. 按贴纸编号(5 位,如 02641)命名,写入笔的 DIYrec 文件夹 7. 输出:贴纸对照表(编号|位置|文本)+ 台账(.xlsx) 约束:文件名位数必须与贴纸一致;下载网盘文件需 Cookie;沙盒删除受限时保留中间文件让用户手动删;看不到图片画面时必须如实说明,位置建议需用户对照实体书确认。 ``` ## 六、成果示例 以巧虎绘本《大家都喜欢谁》为例(20 张贴纸,方案 B): - 封面 1 + 6 个场景(换尿布→妈妈、洗澡→爸爸、散步→奶奶、煮汤→爷爷、洗衣服→外婆、讲故事→外公)各"问句+答句" + 结尾 1 - 6 张双语单词贴(妈妈/Mommy、爸爸/Daddy、奶奶/Grandma、外婆/Granny、爷爷/Grandpa、外公/Grandpa) - 全部用"妈妈克隆声"朗读,音量对齐官方基准,写入笔后逐点测试通过 ## 七、成本与边界 - **成本**:Higgs TTS/STT 按量计费;edge-tts 免费(微软);贴纸是唯一实体耗材 ## 参考来源 - [S1] 什么值得买《Jojo点读笔、小鸡球球点读笔万能用法》:DIY 贴纸 + WAV 音频命名规则 - [S2] 妈妈网《自制点读贴--保姆级教程》:DIYrec 文件夹 + 编号命名流程 - [S3] 百度新闻《如何自制宝宝巴士Jojo点读笔录音贴》:DIY 文件夹 + 批量重命名 - [S4] 淘宝知识库《Jojo点读笔录音贴纸怎么用》:录音贴纸 30 秒/张、可擦写 1000 次 - [S5] 郑静宜《點讀筆於特殊教育教學的應用》:OID 点读码原理与码段 - [S6] Boson AI《Higgs STT 3》模型说明:STT 模型与 Whisper 兼容接口 - [S7] lobehub/mcpworld:quark-nd-mcp 夸克网盘 MCP(分享接口参数参考) - [实测] 本文所有 dB 值、接口参数、编号规则均为本项目实测数据 --- *本文为实战经验分享。点读笔自制仅限自用/家庭场景,请尊重绘本版权,勿商用盗版内容。*

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

用户登录
用户注册