如何用扣子工作流自动化生成儿童绘本并发布到主流平台

1次阅读

没有评论

共计 1964 个字符，预计需要花费 5 分钟才能阅读完成。

近年来儿童数字内容市场快速增长，据统计 2022 年全球儿童数字教育市场规模已达 120 亿美元。但传统绘本创作面临三个核心痛点：

创作周期长：从故事构思到插画完成通常需要 2 - 4 周
多平台适配成本高：不同平台的图片尺寸、文字排版要求各异
内容安全压力大：需要严格过滤暴力、不当语言等敏感内容

采用两阶段生成模式：

文本生成阶段
使用 GPT-3.5 微调模型进行故事生成
关键参数：temperature=0.7，max_tokens=500

提示工程示例：

prompt = "生成一个适合 3 - 6 岁儿童的动物主题故事，包含以下要素：\n"
        "1. 主角是兔子和小熊 \n"
        "2. 包含友谊主题 \n"
        "3. 结尾有教育意义"

图像生成阶段
使用 Stable Diffusion v1.5 进行插画生成
关键参数：steps=50，cfg_scale=7

提示词优化技巧：

"cartoon style, bright colors, simple shapes, friendly animals, 
children's book illustration, happy atmosphere"

开发通用转换层处理不同平台要求：

小红书适配器：
图片尺寸：1242x1660px
文字限制：1000 字符以内
添加平台特有标签
微信公众号适配器：
封面图尺寸：900x500px
支持图文混排
自动生成摘要

flowchart TD
    A[触发生成] --> B[故事文本生成]
    B --> C[敏感词过滤]
    C --> D[分页处理]
    D --> E[逐页生成插画]
    E --> F[平台格式适配]
    F --> G[自动发布]

def generate_story(theme: str, age_range: tuple) -> dict:
    """
    生成儿童故事内容

    参数：theme: 故事主题
        age_range: 目标年龄区间

    返回：{
            "title": str,
            "pages": [{"text": str, "image_prompt": str}]
        }
    """
    # 构造年龄适配提示
    age_hint = f"适合 {age_range[0]}-{age_range[1]} 岁儿童"

    # 调用 GPT 模型
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "system", "content": "你是一位专业的儿童文学作家"},
            {"role": "user", "content": f"创作一个关于 {theme} 的故事。{age_hint}"}
        ],
        temperature=0.7,
        max_tokens=500
    )

    # 解析并分页
    raw_text = response.choices[0].message.content
    return split_into_pages(raw_text)

class ContentFilter:
    BAD_WORDS = [...] # 敏感词库

    @classmethod
    def check_text(cls, text: str) -> bool:
        """检查文本是否包含不良内容"""
        text_lower = text.lower()
        return any(bad_word in text_lower for bad_word in cls.BAD_WORDS)

    @classmethod
    def check_image(cls, image_path: str) -> bool:
        """使用 CV 模型检查图像安全性"""
        model = load_model('safety_checker.h5')
        img = preprocess_image(image_path)
        prediction = model.predict(img)
        return prediction[0] < 0.5  # 安全阈值