开发者针对 Kindle Cloud Reader 使用自定义加密字体导致传统 TTS 扩展失效的问题，提出了一种基于视觉的解决方案。该项目不依赖被混淆的 DOM 文本，而是直接捕获页面渲染像素，利用 tesseract-wasm 在浏览器本地进行 OCR 识别，提取文字及坐标信息，结合 Kokoro TTS 模型生成语音，并实现段落级高亮跟随。虽然首页识别需 2-3 秒，但通过自动翻页和预处理技术，保证了收听体验的流畅性。此外，该扩展还支持通过 Telegram 将音频推送到手机，实质上利用技术手段将 Kindle 电子书库转化为了免费的有声书资源。
