AIGC赋能儿童古诗词绘本：从提示词工程到自动化工作流实战

李晓舟

263人浏览 · 2026-08-06 14:30:57

李晓舟 · 2026-08-06 14:30:57 发布

1. 项目缘起：当古诗词遇见AIGC，一场教育内容的“供给侧改革”

最近和几位做儿童教育产品的朋友聊天，大家都在感慨，传统内容生产的“产能”跟不上了。尤其是古诗词绘本这类产品，从选题、配图到排版，周期长、成本高，而且很难做到个性化。一个“江南可采莲”的页面，画师画出来可能是一个样子，但每个孩子脑海里的“莲叶何田田”可能千差万别。就在大家为创意和效率发愁的时候，AIGC（人工智能生成内容）这股风，实实在在地吹到了我们面前。

这不仅仅是“用AI画张图”那么简单。我理解的“儿童古诗词绘本AIGC”，是一个系统工程：它利用大语言模型（LLM）和文生图模型（如Stable Diffusion、Midjourney），将一首首经典古诗词，自动化、批量化、个性化地转化为图文并茂、适合儿童阅读的绘本页面。核心解决的痛点，是优质儿童教育内容生产的“效率”与“个性化”之间的矛盾。它适合谁？适合像我一样的内容创作者、教育行业的创业者、甚至是有心的家长老师，想为孩子定制独一无二的学习材料，但又受限于时间和专业技能。

市面上已经有不少尝试，但大多停留在单点应用，比如用AI生成一张配图。而我想探讨的，是如何构建一个从“诗”到“书”的完整工作流。这背后涉及提示词工程、图像风格控制、版面自动化设计、内容安全过滤等一系列技术点的串联。更重要的是，如何确保生成的内容不仅“像”，而且“好”——符合儿童认知，传递诗词意境，且绝对安全可靠。这就像一位经验丰富的绘本编辑，现在有了AI作为超级助手，但核心的审美把控和教育理念，依然需要人来主导。

2. 核心思路拆解：从单点生成到系统化工作流

刚开始接触这个想法时，很容易陷入一个误区：找一首诗，扔给ChatGPT写个故事，再扔给Stable Diffusion生成配图，拼起来就完事了。实际动手后才发现，这样出来的东西支离破碎，图文割裂，完全达不到绘本应有的叙事连贯性和视觉美感。一个合格的儿童古诗词绘本AIGC项目，其核心思路必须超越简单的工具叠加，转向系统化的流程设计。

2.1 工作流全景图：四步走策略

我经过多次试验和调整，总结出一个相对稳定高效的“四步走”工作流，它构成了整个项目的骨架：

诗词解析与儿童化转译 ：这是所有工作的起点。输入一首古诗，首先需要大语言模型（我主要用GPT-4或国内的同级别模型）对其进行深度解析。但这解析不是学术性的，而是“儿童化”的。模型需要提取核心意象（如“孤舟蓑笠翁”中的“舟”、“蓑笠”、“雪”）、基本情感基调（孤独、静谧），然后将其转译成一个3-5句话的、有简单情节的儿童故事片段。这一步的关键提示词（Prompt）需要明确指令：“请将这首古诗转化为一个适合5-8岁儿童理解的、富有画面感的简短故事。请使用简单句式和具体名词，避免抽象词汇。”
分镜与画面描述生成 ：有了故事片段，下一步就是为绘本分镜。我们需要决定一页放多少内容，以及每个画面对应什么描述。这里，大语言模型再次发挥作用。我会要求模型：“将上面的故事分解为3个连续的绘本画面，并为每个画面撰写一段详细的、适合AI绘画的文生图提示词。提示词需包含：主体描述、环境背景、色彩风格（如明亮、水彩）、画面构图（如全景、特写）、以及‘儿童绘本插图’这样的质量限定词。” 例如，针对“床前明月光”，生成的提示词可能是：“一个可爱的古代小男孩，穿着睡衣，坐在床沿，双手托腮，望着窗外。窗外有一轮巨大的、皎洁的圆月，月光如轻纱般洒进房间，照亮了木质地板。温馨的夜晚氛围，柔和的淡蓝色和暖黄色调，迪士尼卡通风格，儿童绘本插图，4K高清。”
高质量图像生成与迭代 ：这是最直观也最需要耐心的一步。将上一步得到的画面描述，输入到文生图模型。我主要使用Stable Diffusion WebUI搭配特定的儿童插画风格模型（如“XX儿童绘本风格Lora”）。这一步不是一蹴而就的，需要反复调整提示词、负面提示词（用于排除不想要的元素，如“恐怖、写实、血腥”），以及采样参数。通常，一个画面需要生成5-8个批次，从中挑选最符合意境和儿童审美的版本。 一个核心技巧是使用“角色一致性”技术 ，通过LoRA模型或Reference Only等方法，确保同一主角（如诗中的“小孩”、“诗人”）在不同页面中形象基本稳定。
版面合成与内容安全审查 ：图像生成后，使用设计工具（如Canva、Figma，或通过Python的PIL库自动化）将图片与对应的诗句、译文或故事文字进行排版。排版时需注意留白、字体大小和色彩搭配，确保适合儿童阅读。 但在此之前，有一个绝对不能省略的步骤：人工安全审查。 尽管我们在提示词中加入了安全限制，但AI生成仍有小概率出现怪异、不当或不符合教育导向的内容。每一张图、每一段AI生成的文字，都必须经过人工仔细核查，确保其积极、健康、无误导性。这是AIGC应用于儿童内容的生命线。

2.2 技术栈选型背后的考量

为什么选这些工具？这里有一些实战后的思考：

大语言模型选型 ：GPT-4在理解古诗意境和创造性转译上表现最佳，但成本高且存在网络问题。国内如文心一言、通义千问、Kimi等模型在中文古诗理解和生成上已非常出色，且更稳定。 我的策略是“混合使用” ：用国内模型做初稿生成和批量处理，用GPT-4对关键或复杂诗句进行优化和润色，兼顾效率与质量。
文生图模型选型 ：Midjourney在艺术感和“开箱即用”上无敌，但定制性差、成本高，且角色一致性控制难。Stable Diffusion开源免费，本地部署，拥有海量的社区模型和LoRA，可以精细地训练或微调出独一无二的“儿童绘本风格”，是实现项目个性化与可控性的基石。因此， 我最终以Stable Diffusion为主力 ，辅以一些针对性的优质Checkpoint和LoRA模型。
自动化脚本 ：当处理数十上百首诗词时，手动操作是不可想象的。我使用Python编写了串联整个流程的脚本：调用LLM API、解析返回的JSON、批量调用Stable Diffusion的API、重命名和归类图片文件。这构成了项目的“生产线”。

注意：关于“免费的AIGC降重软件”热词 ：在成人内容领域，这可能是个需求。但在儿童教育绘本创作中， “降重”不是核心关切，甚至是要避免的 。我们追求的是在正确理解诗词基础上的、富有创意的“转译”，而不是对现有内容的改写以避免重复。核心价值在于生成的新颖、恰当的视觉化表达，而非文本本身的“查重率”。盲目使用降重工具，可能会损害内容的准确性和儿童适宜性。

3. 实操深水区：提示词工程与风格控制

系统流程搭建好后，真正的挑战在于细节的实现。AIGC领域有句话叫“Garbage in, garbage out”（垃圾进，垃圾出），在绘本生成中体现得淋漓尽致。提示词的质量直接决定了最终作品的成败。

3.1 儿童绘本提示词的核心要素

一个高效的儿童绘本图像提示词，不是形容词的堆砌，而是有结构的蓝图。我总结了一个“五层结构法”：

主体与动作层（核心） ：清晰定义画面主角（谁）在做什么（干什么）。例如：“一个扎着两个发髻的小女孩，踮起脚尖，伸手去摘树上的红苹果。”
环境与细节层（丰富） ：描述场景、时间、天气及关键细节。例如：“在阳光明媚的果园里，秋天，树叶有些泛黄，草地上有一个小竹篮。”
风格与质量层（定调） ：这是决定画面“感觉”的关键。必须明确：“儿童绘本插图，水彩手绘风格，柔和线条，圆润造型，温暖明亮色彩，2D卡通，高细节，4K分辨率。” 负面提示词则要加入：“恐怖，暗黑，写实照片，成人内容，文字，水印，变形的手脚。”
构图与镜头层（引导） ：告诉AI你想要的视角。例如：“全景视角，微微俯视，主体位于画面中央。”
技术参数层（控制） ：在Stable Diffusion中，这包括采样方法（如DPM++ 2M Karras）、步数（20-30）、尺寸（建议512x768或768x512以适应绘本竖版）。 一个关键技巧是使用较低的CFG Scale（如7-9） ，这能让画面更柔和，更符合儿童审美，避免AI因为过度遵循提示词而产生生硬感。

3.2 实现角色与风格一致性

这是绘本，不是画册。如果每一页的主角长得都不一样，故事就碎了。实现一致性有几种主流方法：

LoRA训练法（推荐，成本适中） ：为自己设定的主角（例如一个叫“童童”的通用古代儿童形象）准备20-30张多角度、多表情的设定图，在Stable Diffusion中使用LoRA训练方法进行训练。训练完成后，得到一个几十兆的小模型文件。在生成任何页面时，在提示词中加入“ lora:TongTong:0.8 ”这样的触发词，就能稳定地召唤出“童童”的形象。权重（0.8）可以微调以平衡角色一致性和场景适应性。
Reference Only或IP-Adapter法（快速，但控制力稍弱） ：这些是SD的新插件或功能。你只需上传一张角色参考图，AI就会在生成新图时尽力模仿该角色的面部和大致风格。这种方法无需训练，适合快速测试或角色设定尚未完全固定的情况，但在复杂场景和多人物互动中，稳定性不如训练好的LoRA。
固定随机种子法（基础，但有限） ：在Stable Diffusion中，使用相同的正面/负面提示词、相同的模型和相同的随机种子（Seed），可以生成高度相似的图像。但这通常用于生成同一场景的不同变体，对于跨越不同诗词、不同场景的角色一致性，作用非常有限。

我的实操心得是：对于长期项目，花时间训练一个高质量的专属角色LoRA是值得的。 它像是一个定制的演员，随时听候调遣，极大提升了后续批量生产的效率和质量稳定性。

4. 从诗到书：一个完整的《静夜思》页面生成实录

理论说了很多，我们来看一个完整的实操例子，以李白的《静夜思》为例，生成一个对开页（两页）。

4.1 第一步：LLM解析与故事化

我向大语言模型（以文心一言为例）发送如下Prompt：

你是一位资深的儿童绘本编辑。请将李白的《静夜思》（床前明月光，疑是地上霜。举头望明月，低头思故乡。）转化为适合5岁儿童的理解。
请按以下步骤输出JSON格式：
1. 用一句话解释这首诗在讲什么（儿童能懂的语言）。
2. 将这首诗扩展成一个有3个场景的、非常简短的小故事（每个场景2-3句话）。
3. 为这3个场景分别写一段详细的AI绘画提示词，用于生成儿童绘本插图。提示词需包含：时间、地点、人物动作、环境细节、色彩风格（温馨、柔和）、以及“儿童绘本插图”这个关键词。

模型的返回结果（经整理）：

{
  "poem_explanation": "这首诗讲的是一个古代的小朋友，晚上看到床前明亮的月光，以为是地上结了霜，他抬头看看月亮，又低下头想念远方的家乡。",
  "story_scenes": [
    {
      "scene_number": 1,
      "description": "晚上，一个叫小宝的古代小男孩准备睡觉了。他坐在床边，忽然发现地上有一片亮亮的白光，像冬天看到的霜一样。",
      "image_prompt": "夜晚，古代中式风格的儿童卧室，一个约5岁、穿着白色睡衣的可爱小男孩（小宝）坐在木床边缘，睁大眼睛好奇地看着地板。银白色的月光从雕花木窗斜照进来，在地板上形成一片明亮的光斑，像一层薄薄的霜。室内光线昏暗而温馨，点着一盏小油灯，暖黄色和月光的冷白色交织。水彩手绘风格，儿童绘本插图，柔和线条。"
    },
    {
      "scene_number": 2,
      "description": "小宝觉得很奇怪，他抬起头，看向窗外。哇，原来是一轮又大又圆的月亮挂在夜空中，月光正是从那里来的。",
      "image_prompt": "视角从小宝的肩后看向窗外。夜晚，深邃的蓝色夜空，挂着一轮巨大的、皎洁的圆月，月亮上隐约有图案。月光如轻柔的纱幕洒向大地。小宝仰着头，侧脸露出惊讶和开心的表情。窗台上可能有一小盆植物。迪士尼卡通风格，儿童绘本插图，色彩明亮柔和。"
    },
    {
      "scene_number": 3,
      "description": "看着月亮，小宝想起了远方的爷爷奶奶。他低下头，小手放在胸前，心里觉得暖暖的，又有点想念。",
      "image_prompt": "小宝坐在床边，微微低下头，双手轻轻交握放在腿上，表情安静，带着一点点思念的微笑。月光温柔地笼罩着他。房间里很安静，可能有一个小布偶放在枕头边。画面充满宁静、温馨和淡淡的思念情绪。吉卜力动画风格，儿童绘本插图，高细节。"
    }
  ]
}

4.2 第二步：SD生成与迭代优化

以第一个场景的提示词为例，我将其输入Stable Diffusion WebUI。我使用的底模是经过筛选的、擅长亚洲卡通风格的模型，并加载了我事先训练好的“古代儿童-小宝”LoRA（权重0.7）。

正面提示词 ： (best quality, masterpiece, ultra-detailed), (a cute 5-year-old ancient Chinese boy:1.2), wearing white pajamas, sitting on the edge of a wooden bed, looking at the floor with curious eyes, silver moonlight shines through the carved window, forming a bright patch on the floor like frost, dim and warm room, a small oil lamp, warm yellow and cold white moonlight, watercolor hand-painted style, children's picture book illustration, soft lines, <lora:XiaoBao_v1:0.7>
负面提示词 ： (worst quality, low quality:1.4), (monochrome), zombie, (ugly face), (bad hands), (extra fingers), text, signature, watermark, realistic, photo, adult, scary, dark
参数：采样器 DPM++ 2M Karras，步数 28，尺寸 512x768，CFG scale 8。

点击生成。第一轮结果可能不尽如人意：也许月光太刺眼，也许孩子表情太呆板，也许构图太满。这时就需要“迭代优化”：

调整提示词 ：如果月光不像“霜”，可以加强“like frost, shimmering”的描述；如果画面太暗，可以增加“soft glow”、“bright moonlight”等词。
调整LoRA权重 ：如果孩子形象不够突出，将LoRA权重从0.7提高到0.8；如果风格被LoRA带偏太多，则降至0.65。
使用ControlNet ：如果构图始终不理想，可以启用ControlNet的“Canny”或“Scribble”功能，手绘一个简单的草图（床、窗、人物的位置），让AI基于此线稿上色和细化，能极大提升构图可控性。

经过3-5轮调整，我得到了满意的场景一图片。然后，用同样的逻辑（保持相同的LoRA触发词和大致风格描述），生成场景二和场景三的图片。 关键点在于，通过LoRA和相对一致的风格提示词，确保三个场景中的“小宝”是同一个孩子，且画风统一。

4.3 第三步：排版与成书

三张图生成后，我使用Figma进行排版。

左页：放置场景一的图片，下方用大号、圆润的字体（如“方正少儿体”）印上“床前明月光，疑是地上霜。”诗句旁可配以小字拼音和极简的儿童化解释。
右页：上半部分放场景二的图片，下半部分放场景三的图片。对应诗句“举头望明月，低头思故乡。”排版时注意图文对应关系，留出足够的呼吸空间。
整体检查 ：检查色彩是否协调，文字是否清晰易读，确保没有任何AI生成的诡异细节（如扭曲的家具纹理、奇怪的光影）。确认无误后，导出为PDF或高清图片，一页精美的《静夜思》儿童绘本对开页就完成了。

5. 避坑指南：那些我踩过的“雷”与解决方案

AIGC创作充满惊喜，也遍布陷阱。尤其在儿童内容领域，有些坑一旦踩中，后果可能很严重。以下是我在实践中总结出的核心问题与解决方案，希望能帮你省下大量试错时间。

5.1 内容安全与价值观把控

这是最高优先级的红线。

问题1：AI生成不当或恐怖图像 。即使在提示词中加入了大量负面词，SD模型在理解“不画什么”时仍有局限，特别是当使用了一些融合模型时，可能触发底模中不合适的元素。
- 解决方案 ：
  1. 使用经过筛选的安全模型 ：优先使用社区推荐的、专为安全内容训练过的模型，避免使用来源不明或融合了过多元素的“万能”模型。
  2. 开启安全过滤器 ：在Stable Diffusion WebUI的设置中，启用“Safety Checker”。
  3. 人工审查，无一例外 ：生成每一批图片后，必须人工逐张快速浏览。建立条件反射，一旦看到任何怪异、惊悚或成人化的苗头，立即删除该图片并调整提示词（通常需要加强负面提示词，或更换模型）。
  4. “白名单”思维 ：与其告诉AI“不要什么”，不如在正面提示词里更精确地描述“要什么”。例如，明确“happy expression”（快乐表情）、“safe environment”（安全环境）。
问题2：文化细节错误 。AI可能混淆朝代服饰、建筑风格。例如，生成唐代故事却出现了明清家具。
- 解决方案 ：在提示词中加入明确的时代和风格限定词，如“Tang dynasty style clothing”（唐代风格服饰）、“ancient Chinese architecture”（中国古代建筑）。对于重要项目，需要准备一些参考图，使用图生图（img2img）功能或ControlNet的Reference模式进行引导。

5.2 技术实现中的稳定性问题

问题3：角色“崩坏”与不一致 。这是多页面绘本最大的挑战。即便使用了LoRA，在动作幅度大、角度特殊的场景中，角色脸部或身体也可能变形。
- 解决方案 ：
  1. 高质量LoRA训练集 ：训练LoRA时，准备的角色图片要涵盖正面、侧面、半身、全身、微笑、惊讶等多种角度和表情，背景尽量干净单一。
  2. 分部位控制 ：在生成复杂动作时，可以尝试使用Regional Prompter这类插件，将提示词分为“脸部区域：描述稳定面容”和“身体区域：描述动作”，分别控制。
  3. 局部重绘（Inpainting） ：如果生成的整体图很好，只是脸部稍微变形，可以使用SD的“局部重绘”功能，只对脸部区域进行重新生成，同时使用高重绘强度并固定种子，以修正细节。
问题4：批量生成效率低下 。手动操作几百首诗是不可想象的。
- 解决方案 ：必须使用自动化脚本。学习使用Stable Diffusion的API（如通过 webui-api 项目）或Auto1111的脚本功能。用Python编写脚本，读取一个包含所有诗词和分镜提示词的CSV或JSON文件，循环调用API进行生成，并自动按诗名和场景编号保存图片。这将效率提升数十倍。

5.3 审美与教育性平衡

问题5：画面精美但偏离诗意，或过于幼稚 。AI可能生成一幅非常卡通、色彩斑斓的画，但却完全失去了原诗“静夜思”的静谧和淡淡乡愁。
- 解决方案 ： 提示词是传达“意境”的桥梁 。不要只描述物体，要描述情绪和氛围。在提示词中加入如“quiet and peaceful night atmosphere”（宁静平和的夜晚氛围）、“a sense of gentle longing”（淡淡的思念之情）、“soft and dreamy”（柔和而梦幻）等描述整体感觉的词汇。同时，在风格限定上，可以尝试“Ghibli style background with simple character”（吉卜力风格的背景搭配简单人物），既能保证艺术性，又不失童真。
问题6：文字与图结合生硬 。AI生成的文字解释可能过于复杂或存在事实性错误。
- 解决方案 ： LLM生成的内容永远是初稿 。必须由具备教育背景或文学常识的人进行审核和润色。将AI生成的儿童化解释，与权威的诗词赏析对照，确保核心意象和情感传达准确无误，同时语言保持在目标年龄段的认知水平。

6. 进阶可能：让绘本“活”起来

当静态绘本的流水线跑通后，我们可以探索更丰富的形态，这也是AIGC的潜力所在。

6.1 生成互动元素与延伸内容

利用LLM的多模态和代码能力，我们可以轻松为每首诗生成配套内容：

趣味问答 ：让AI针对绘本故事生成3-5个互动问题（如“小宝为什么觉得地上有霜呀？”），附上答案，可以做成书后的“亲子问答”环节。
简笔画教程 ：提示AI：“将画面中的主要元素（如月亮、床、小孩）分解为3步简笔画步骤，用文字描述出来。” 这能增加绘本的动手乐趣。
配套儿歌或童谣 ：让AI模仿儿童儿歌的韵律，创作一首与诗词主题相关的短歌，丰富阅读体验。

6.2 动态绘本与有声书

这是AIGC的“升级玩法”。

生成动态效果 ：使用AI动画工具（如Stable Diffusion的AnimateDiff扩展，或Runway ML、Pika等），将关键的绘本页面转化为2-3秒的轻微动画——月光流淌、小孩抬头、树叶飘动。这种轻微的动效能极大地吸引儿童的注意力。
AI配音与配乐 ：使用文本转语音（TTS）技术，如微软Azure、谷歌TTS或 ElevenLabs，选择一款亲切的儿童音色或故事讲述者音色，为整个绘本配音。甚至可以提示AI生成一段简单的背景音乐描述（如“宁静的、带有古筝音色的睡前音乐”），然后利用AI音乐生成工具（如Suno AI）生成一小段配乐。最终合成一个有声动态绘本视频。

6.3 个性化定制与规模化

这才是AIGC绘本的终极优势。你可以构建一个简单的界面，让家长或老师输入孩子的名字、选择喜欢的颜色或动物。后端流程中，LLM在生成故事时会将主角名字替换为定制名称，文生图提示词中也会加入“穿着蓝色衣服”（如果孩子喜欢蓝色）或“身边有一只小猫”这样的元素。虽然每本书都不同，但得益于自动化流程，其边际成本极低，真正实现了“千人千面”的个性化教育产品。

这条路走下来，我的体会是，AIGC不是要取代绘本作家和画师，而是成为他们手中一支前所未有的、充满想象力的“智能画笔”。它把创作者从重复性的体力劳动中解放出来，让我们能更专注于最核心的部分：创意策划、审美把控和教育理念的融入。技术会不断迭代，今天觉得难如登天的角色一致性，明天可能会有更简单的解决方案。但无论工具如何变化，对内容品质的坚持、对儿童心理的尊重、对教育初心的守护，才是我们使用这支“画笔”时，最不能忘记的“手”。