Hi V2EX 的朋友们，
我是 CastReader 的独立开发者。今天想向大家介绍一下我最近折腾的一个产品，顺便求一波内测反馈。
于是我就想：能不能用 LLM 把书“重构”一下，让它不仅能被“听”，还能被“看”？
它和传统 TTS 的区别在于：
🎭 它是“演”出来的： 不是单纯的音频流，而是会生成带有动画人物的视频。你可以看到角色在屏幕上对口型“说话”，增强沉浸感。
🗣️ 智能分角 (Speaker Diarization)： 利用 LLM 分析上下文，识别当前是谁在说话，并自动分配符合人设的声音（比如给反派分配低沉的嗓音，给主角分配激昂的嗓音）。
🕸️ 自动人物关系图 (Entity Extraction)： （这是我个人最喜欢的功能） 读长篇小说时，AI 会实时分析并生成人物关系图谱。再也不用担心读到一半忘记“这人是谁的二大爷”了。
技术实现 (The How)目前后端主要用了 [Python/Next.js]主要还是用 vibe coding ，通过 LLM 做文本的语义分析和实体提取，然后对接了 kokoro 的语音生成的 pipeline ，最后通过 banana pro 渲染动画层。 目前的难点主要在于由文字转动画的口型同步率，还在持续优化中。
现状与不足 目前产品还是 MVP 阶段：
动画的流畅度可能还不够完美。
有时候 LLM 对情绪的判断会有点偏差。
目前主要支持 PDF 和 EPUB 。
非常期待大家的反馈，无论是由于 Bug 还是对功能的吐槽，我都照单全收！ 感谢！🙏
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。