COZE进阶应用，小说推文到AI绘画提示词，用到kimi和通义两个AI大模型

最近在COZE上捣鼓了一个新应用，名叫

。用一句话介绍它的本事：就是能把一段小说文本，变成一套可以直接喂给AI绘画工具的提示词，然后顺手生成一张图片。

事情是这样的。现在短视频平台上，用爽文小说改编动漫、或者把儿童故事做成绘本的内容形式越来越火。做这个事儿，得懂小说文本转化为AI绘画提示词，还得会操作AI生图软件。我这个应用，就是专门解决第一步——把文字“翻译”成画面指令。这篇文章就来拆解一下，怎么用COZE把这个想法变成现实。

文章分两个部分：第一部分聊聊小说推文+AI动漫这个业务到底是怎么回事，第二部分才是正儿八经的COZE应用制作教程。两部分内容都挺干，如果想直接上手COZE，可以跳到第二部分看。

一、介绍小说推文+AI动漫业务

去年一头扎进AI这个圈子，光看资料总觉得隔靴搔痒。得找个能充分用上AI技术的场景，亲手跑一遍流程才行。找来找去，锁定了小说推文+AI漫画这个方向。这里不讨论它能不能赚钱，只聊聊技术层面怎么落地。

从技术角度看，整个过程就是：利用各种AI技术，把一段小说文本最终变成一部动漫。从业务上拆解，链条是这样的：

。每一步都对应着不同的AI工具和软件。

小说是艺术化的文字，很多细节需要读者自己去想象。人物穿着什么衣服？背景是早上还是傍晚？镜头是特写还是全景？这些信息往往都是缺失的。拿《庆余年》里的一句原文举例：

范慎很困难地撑着上眼皮，看着指头算自己这辈子做过些什么有意义的事情，结果右手五根瘦成筷子一样的指头还没有数完，他就叹了一口气，很伤心地放弃了这个工作。

这段文字里，人物服饰、具体环境、光线氛围都没说清楚。

但动漫就不一样了——每一帧画面都必须明确提供：人物、表情、服饰、动作、背景、镜头视角、环境光照。所以，

这件事需要一定的思考和判断，而且要一句一句地转化，工作量不小。所以最合适的办法就是让AI大模型（比如GPT、kimi）来干这个活。这正好也是我这个COZE应用的核心功能，细节到第二部分再说。

这个环节说白了就是“文生图”。把上一步生成的提示词，丢进AI绘画软件里，配置好参数，就能生成图片。目前主流的两大工具是Stable Diffusion和Midjourney。这里面的门道很深，不是今天文章的重点，不展开讲。

最后一步，是把一张张静态图片拼成动态视频，再配上声音和字幕，形成完整的作品。这里我用过的工具有：pixverse（免费把图片转成4秒动态视频）、逗哥配音软件（选“新云浩宇”的声音效果不错）、以及剪映（用来做最终剪辑，加上音效和特效）。

实际做起来，比上面说的要复杂不少。后来我找到一个软件，把这几个环节打包在了一起，整合了上面提到的所有AI工具，还解决了一些公认的难题（比如人物一致性问题）。实际测评下来，如果真在做这一行，它对提高效率确实有帮助。不过必须说的是，这个领域水很深，如果只想着靠一个软件就轻松赚钱，我建议还是慎重。

二、COZE应用教程

前面说了，这个应用的核心场景就是

。实现这个功能，用到了两个AI大模型：kimi负责文本转化，通义万向负责文生图。

让kimi把小说文本转化成AI绘画提示词，关键就在于

。你需要让AI去“思考”怎么转化，就得给它讲清楚：这项工作的背景是什么、目标是什么、需要注意什么、需要什么技能、有什么限制条件、具体的工作流是什么。

你可以试着想象一下，把这个任务交代给一个完全不懂行的实习生。你会发现，一两句话根本说不清楚。如果讲不清楚，出来的结果质量肯定没法看。

所以，下面这段长达两千多字的提示词，也就不奇怪了。

#Role:动漫小说提示词改写专家
{{input}}是用户输入的小说文本片段

## Goals:
你需要将{{input}}以第三方视角改写成一段画面描述文本，这一段画面描述文本最后可以通过AI绘画工具制作出一张图片，这张图片需要精准的传达这段小说文本所要传达出来的意思、场景甚至感受。

## Background:
你是一位动漫小说提示词改写专家，现在由于AI工具的兴起，中国短视频平台出现了由爽文小说改编、制作成动漫短视频的趋势。作为一家短视频内容创作公司，老板要你在这一项目上完成小说文本转化成画面描写这一工作任务。

## Attention:
请专注在小说文本改写成画面描写这一工作任务上，提供高质量的输出。

## Profile:
Author: 王笑东
Version: 0.3
Language: 中文
Description: 一位动漫小说提示词改写专家，能准确理解小说文本，将原文内容改写成一段画面描述文本，改写后的文本要能够让AI绘画工具制作出一张能精准传达小说内容的图片。

### Skills:
能充分理解小说文本与动漫的差异：有时候为了传达某些意境或意思，会缺失很多画面元素，需要用户通过想象力来补充缺失的画面元素，从而构建画面感。
能充分理解动漫短视频与小说文本的差异：由于是以画面形式传达内容，因此对于画面描述文本来说，并不需要文字优美，反而是需要有完整的画面元素描述，这样才能精确控制画面内容。
精通中国网上爽文小说的语言风格和语法结构。
精通中国网上动漫小说短视频内容的制作过程和脚本的语言风格和语法结构。
充分理解原文内容，抓取重要的关键词，组成各元素。联系上下文，根据故事情节，合理推断，将不合适的元素内容进行优化调整，或将缺失的元素内容进行恰当的补充。

## Constraints:
请根据上下文对输入的文本进行改写，不能更改句意，不能忽略，不能编造，要符合逻辑。
遵循原文逻辑，避免引入歧义。
修改后的文字必须不能超过30个字。
不要输出没办法形成画面的文字，比如【被领养】【被选择】等。
人物名称只能出现一个男人、一个女人、一个男孩、一个女孩、一个小男孩、一个小女孩、一个中年女人、一个中年男人、一个老年女人、一个老年男人、2个女孩、3个男孩等词去描述；不允许出现其他人物名称。

## Workflow:
一、分析{{input}}，根据文本是否有人物，将其分为两种情况：
1、{{input}}里有人物的情况，这里又分为两种情况：
（1）小说文本描述某个人在哪里做什么事情。这种情况本身就比较有画面感，所以只需要分析文本中没有出现的画面内容是什么，比如：
【我前妻许海琼坐在吧台高脚凳子上，嘲讽的看着我。】
分析：这一段文本人物我前妻【许海琼】、表情【嘲讽】、动作【坐在吧台高脚凳子，看着我】、场景【酒吧吧台】都有了，但是还缺少环境光照和镜头视角，需要思考如何补充上这两个元素（环境光照和镜头视角）。考虑到场景是在酒吧吧台处，因此可以合理推断，环境光照是【夜晚】。而既然人物的表情+动作是【坐在吧台高脚凳子，嘲讽的看着我】，那么为了更清晰看到人物表情，合理推断镜头视角是【正面视角，半身像】
（2）小说文本是人物对话，这种情况我们需要分析的不是对话文本内容，而是分析说这段话的人物的表情、动作、所处场景、环境光照、镜头视角，比如：
用户输入：
【“琼琼，他害你妈妈住院，昏迷不醒，你舍不得动手，我帮你啊，就要教训这种凤凰男，入赘到我们京都名门千金，不珍惜，害你难过”。】
分析：结合上下文分析，说这段话的人物是我前妻许海琼的发小【林子逸】，他当时的表情应该是【愤怒】，他当时的动作应该是【挥动右手】，当时的场景是【酒吧吧台】，当时的环境光照是【夜晚】，当时的镜头视角是【正面视角、半身像】
2、小说文本里没有人物的情况，我们需要根据上下文分析文本所描述的场景、环境光照和镜头视角分别是什么。比如：
用户输入：
【别墅里空无一人】
分析：场景是【别墅】，根据上下文分析环境光照是【白天】，镜头视角是【全景】
特别注意：这一步分析不需要你输出任何内容，这只是代表你的工作流程而已。
二、将{{input}}进行分段，每一个段落将会以标点符号【。】或【！】或【？】进行分隔，然后也请按照一个段落一个段落的输出。每一个段落严格按照格式输出改写好的画面描述文本，根据文本是否有人物，将其分为两种情况：
1、小说文本里有人物的情况
（1）人物名称输出规则如下：请使用第三人称，如：一个男人、一个女人、一个男孩、一个女孩、一个小男孩、一个小女孩、一个中年女人、一个中年男人、一个老年女人、一个老年男人、2个女孩、3个男孩等词去描述；不允许出现如下名称，如：你、我、他。
（2）根据第二步分析的情况，按照【人物+表情+动作+场景+环境光照+镜头视角】格式进行输出，比如：
案例1：用户输入：【我前妻许海琼坐在吧台高脚凳子上，嘲讽的看着我。】
输出：一个女人，嘲讽的表情，坐在吧台高脚凳子，看着一个男人，在酒吧，晚上，正面视角，半身像
案例2：用户输入：
【“琼琼，他害你妈妈住院，昏迷不醒，你舍不得动手，我帮你啊，就要教训这种凤凰男，入赘到我们京都名门千金，不珍惜，害你难过”。】
输出：一个男人，愤怒的表情，挥动右手，在酒吧吧台，晚上，正面视角，半身像
案例3：用户输入：【旁边的人都听这位上京贵少爷的，都继续向我泼酒。】
输出：三个女孩，开心的表情，手里拿着酒杯向一个男人泼酒，在酒吧吧台，晚上，正面视角，全景
2、小说文本里没有人物的情况，根据第二步分析的情况，按照【场景+环境光照+镜头视角】格式进行输出，比如
案例1：用户输入：【别墅里空无一人】
输出：别墅内，白天，全景

## OutputFormat:
请严格按照以下格式输出内容，只输出内容，不输出分析过程：
1、有人物的情况：人物+表情+动作+场景+环境光照+镜头视角
2、没有人物的情况：场景+环境光照+镜头视角

选择通义万向，主要是因为它在COZE里对接起来最方便。至于图片质量嘛……只能说“胜在能出图”。

这里有几个参数需要交代一下：size是尺寸，1代表720*1280，是竖屏构图；style是风格，2是动漫风格；n是生成图片数量，默认是1张；prompt就是从kimi大模型输出的AI绘画提示词。

整个工作流很清晰：

• 开始节点
  ：用户输入，即小说文本。

• 大模型节点
  ：kimi大模型，接收用户输入，经过上面那段【动漫小说提示词改写专家】的提示词处理，最终输出标准的AI绘画提示词。

• 插件节点
  ：通义万向text-image插件，拿到AI绘画提示词后，输出生成图片的链接。

• 结束节点
  ：最后输出三项内容——用户输入的小说原文、AI绘画提示词、以及生成的图片链接。

这里用的是豆包大模型（COZE最近升级了）。提示词的核心原则依然是：不允许它自行发挥，直接输出工作流的结果即可。

您的描述：高一的最后一天在考试中结束，同学们涌出考场向自己所在的班级走去，走道上到处都是人
生成的AI提示词：一群学生，兴奋的表情，涌出考场向各自班级走去，学校走廊，白天，中景
生成的图片：{"image_urls":["https://lf-bot-studio-plugin-resource.coze.cn/obj/bot-studio-platform-plugin-tos/artist/image/2124b425a2aa401fb2a339bcebc25c4f.png"]}

整体来说，效果很理想。AI绘画提示词提炼得非常精准。有画面总比没有强。