技能介绍

被动听书的三个死结

读完一本书最难的不是"没时间"，而是三种典型困境：纯听书没有互动，走神了不知道哪里没听懂；让 LLM 直接读整本书，token 成本随章节长度线性膨胀；多人约读时，进度散落在各自设备上无法对齐。更现实的隐患是——edge-tts 走的是微软 Edge 浏览器的非官方接口，没有任何 SLA，接口一旦变更或封禁，整条免费朗读链路直接断掉。

把重活留在本地，LLM 只在该出现时出现

这个技能的核心思路是：解析、切章、摘要、TTS 合成、阅读记忆全部由本地脚本完成，LLM 只在出题和答疑时被调用一次。送进模型的 prompt 恒定在约 1200 token，无论章节是 3000 字还是 6 万字——代价是 token 成本封顶，而不是跟着书的厚度涨。

章节切分采用三级 fallback：PDF 依次尝试书签目录→字号聚类→标题正则→等长切分；EPUB 用 nav/ncx 目录；MD/TXT 按标题层级自动选择。解析结果缓存在本地，重读同一本书不会重复解析。

出题不是固定套路。技能会离线扫描章节前 8k 字，按线索词判定理论/案例/操作/叙事/综合五种类型，再按章节长度自动调题数——短章 3 题、中章 5 题、长章 7 题，叙事章各档减一题以保留情节流。理论章侧重"是什么/为什么/常见误解"，操作章侧重"步骤顺序/踩坑"，避免用一套模板套所有内容。

情感朗读用三层模拟。因为 edge-tts 已不支持 SSML 情感标签，技能改用角色分工（标题/正文/对话/强调各用不同音色）、独立韵律偏移、以及按标点和段落边界插入 120–900ms 的静音——第三点对"像人在读"的贡献最大。

离线保命机制。piper 作为备用 TTS，主引擎连续失败两段后永久切换，单段参数错误不误触发降级，备胎输出写入独立缓存槽位避免"串味"。播放支持暂停、跳句、重听、变速、书签，每章播到哪记到哪。

适用边界

piper 官方中文模型目前只有 huayan 一个女声，edge 那套 8 角色音色分工无法原样复现，只能靠音高和语速偏移造出可分辨的角色差异。交互式播放器依赖 ffplay 和真实终端，拿不到 tty 时自动退化为整段播放。扫描版 PDF 提取为空，需要先做 OCR。多人共读需要把同一个目录用网盘同步，没有自建服务器也能做到，但首次必须指定 --shared。