这种点读页面用一般怎么搞的？

小程序里的

这种我能想到是在 img 上画 div 或者 map->area 标签，然后写入对应的英文。
通过 api 转成语音。（或识别文字）

但就说画 div 这一步，几百本书。。每页的图位置都不一样。这也太苦力了吧？


可以用返回文字块坐标的 OCR API