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？ 
