2025/12/8 每日总结 三大核心模块实现：故事生成+插图匹配+语音合成

三大核心模块实现：故事生成+插图匹配+语音合成

在上一篇博客中，我们完成了AI儿童故事平台的基础搭建，确定了数据模型与三大核心大模型选型。这一篇，我们聚焦技术落地——详细拆解故事生成、插图匹配、语音合成三大模块的具体实现，包括API调用、核心代码逻辑、异常处理与问题解决，让每个模块都能稳定跑通并精准联动。

一、故事生成模块：基于Kimi API的儿童故事创作

故事生成是平台的核心基础，目标是接收用户关键词，调用Kimi API生成符合6-12岁儿童认知的结构化故事（标题+梗概+正文）。

1. 核心准备：API配置与环境搭建

• API密钥申请：访问Kimi API官方文档，注册账号后创建应用，获取API Key，并配置到.env文件中（KIMI_API_KEY=your_api_key）。

• 依赖安装：核心依赖为requests（网络请求）、json（数据解析），直接通过pip install requests安装即可。

• 配置文件关联：在config.py中读取环境变量，供kimi_api.py调用，确保密钥不硬编码，提升安全性。

  2. 核心代码实现：kimi_api.py

  （1）类初始化与基础配置

  import requests
  import json
  import os
  from config import KIMI_API_KEY
  class KimiAPI:
  def __init__(self):
  self.api_key = KIMI_API_KEY
  self.base_url = "https://api.moonshot.cn/v1" # Kimi API基础地址
  

  （2）提示词设计：精准约束儿童故事风格

  提示词是故事质量的关键，需明确风格、结构、长度与输出格式：

  def generate_story(self, keywords: str) -> dict:
  url = f"{self.base_url}/chat/completions"
  
  # 提示词：明确儿童故事要求+结构化输出约束
  
  prompt = f"""
  请根据以下关键词创作一个适合6-12岁儿童的精彩故事：
  关键词：{keywords}
  要求：
  
  
  

1. 语言简单易懂，避免复杂词汇；

2. 故事有完整起承转合，情节生动有趣；

3. 长度控制在500-800字；

4. 包含积极教育意义（如勇气、友谊、互助）；

5. 严格按照以下JSON格式返回，不添加任何额外文本：
   {{
   "title": "故事标题",
   "summary": "100字内梗概",
   "content": "完整故事内容"
   }}
   """

#### （3）API请求参数配置
```python
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {self.api_key}" # 身份认证
}
payload = {
"model": "moonshot-v1-8k", # 选用8k上下文模型，满足故事长度需求
"messages": [
{"role": "system", "content": "你是专业儿童故事作家，擅长想象力与教育意义结合的创作"},
{"role": "user", "content": prompt}
],
"temperature": 0.7, # 保留一定随机性，避免故事同质化
"max_tokens": 2000, # 足够覆盖800字故事+结构化字段
"response_format": {"type": "json_object"} # 强制返回JSON
}

（4）响应处理与异常兜底

针对网络超时、JSON解析失败等常见问题，设计容错机制：

try:
response = requests.post(url, headers=headers, json=payload, timeout=30)
response.raise_for_status() # 抛出HTTP请求错误
result = response.json()
story_content = result.get("choices", [{}])[0].get("message", {}).get("content", "")
return self._parse_story_response(story_content, keywords)
except requests.exceptions.Timeout:
raise Exception("请求超时，请稍后重试")
except requests.exceptions.RequestException as e:
raise Exception(f"网络请求失败: {str(e)}")
except Exception as e:
raise Exception(f"故事生成失败: {str(e)}")
# 解析响应：JSON失败时手动提取信息
def _parse_story_response(self, story_content: str, keywords: str) -> dict:
try:
# 清理可能的Markdown格式（如```json包裹）
cleaned_content = story_content.strip().lstrip('```json').rstrip('```')
story_data = json.loads(cleaned_content)
# 验证必需字段
for field in ["title", "summary", "content"]:
if field not in story_data:
raise ValueError(f"缺少字段: {field}")
return story_data
except json.JSONDecodeError:
# 兜底方案：默认标题+截取梗概+原文内容
title = f"关于{keywords}的奇妙冒险"
content = story_content
summary = content[:100] + "..." if len(content) > 100 else content
return {"title": title, "summary": summary, "content": content}

3. 测试验证

调用generate_story("宇航员、小狗、月球")，成功返回结构化数据，故事符合儿童认知，长度与教育意义均达标，异常场景下能返回兜底结果，模块稳定性验证通过。

二、插图匹配模块：阿里云百炼API生成故事配图

插图模块需基于故事文本自动生成贴合意境的儿童插画，并与故事关联存储，核心挑战是“提示词精准度”与“资源管理”。

1. 核心准备：API配置与依赖

• API密钥申请：登录阿里云百炼平台，创建API-Key，配置到.env（ALIYUN_ACCESS_KEY=your_key）。

• 依赖安装：pip install dashscope requests pillow（dashscope是阿里云AI服务SDK）。

• 存储目录创建：在项目根目录创建images文件夹，用于存储本地图片。

  2. 核心代码实现：image_api.py

  （1）类初始化与配置

  import requests
  import os
  import uuid
  import time
  import logging
  from dotenv import load_dotenv
  from dashscope import ImageSynthesis
  from http import HTTPStatus
  load_dotenv()
  logger = logging.getLogger(__name__)
  class ImageGenerationAPI:
  def __init__(self):
  self.images_dir = "images"
  os.makedirs(self.images_dir, exist_ok=True) # 确保目录存在
  self.api_config = {
  "aliyun": {
  "access_key": os.getenv("ALIYUN_ACCESS_KEY"),
  "model": "qwen-image-plus", # 儿童插画适配模型
  "size": "1024x1024" # 正方形配图，适配前端展示
  }
  }
  

  （2）提示词优化：从故事中提取核心元素

  为避免插图与故事脱节，设计自动提取关键元素的提示词生成逻辑：

  def generate_image_prompt(self, story_title: str, story_content: str, keywords: str) -> str:
  key_elements = []
  # 从关键词和正文中提取场景、角色、氛围
  if "魔法" in keywords or "魔法" in story_content:
  key_elements.append("魔法元素")
  if "森林" in keywords or "森林" in story_content:
  key_elements.append("森林场景")
  if any(animal in story_content for animal in ["小狗", "小猫", "小鹿"]):
  key_elements.append("可爱动物")
  if "冒险" in keywords or "冒险" in story_content:
  key_elements.append("冒险氛围")
  # 构建提示词
  prompt = f"儿童插画风格，{story_title}，{','.join(key_elements)}，色彩鲜艳，画面生动，适合儿童观看"
  return prompt if len(prompt) > 30 else prompt + "，充满童趣和想象力"
  

  （3）图片生成与本地存储

  def generate_image_from_text(self, prompt: str, story_title: str) -> dict:
  try:
  # 配置阿里云API密钥
  dashscope.api_key = self.api_config["aliyun"]["access_key"]
  # 调用文生图API
  response = ImageSynthesis.call(
  model=self.api_config["aliyun"]["model"],
  prompt=prompt,
  n=1,
  size=self.api_config["aliyun"]["size"]
  )
  if response.status_code != HTTPStatus.OK:
  raise Exception(f"API调用失败: {response.message}")
  # 下载图片
  image_url = response.output.results[0].url
  image_response = requests.get(image_url)
  image_response.raise_for_status()
  # 生成唯一文件名（避免重复）
  filename = self._generate_filename(story_title)
  image_path = os.path.join(self.images_dir, filename)
  # 保存图片到本地
  with open(image_path, "wb") as f:
  f.write(image_response.content)
  # 返回图片访问URL（适配前端静态文件服务）
  image_url = f"/images/{filename}"
  return {"image_url": image_url, "image_path": image_path, "status": "success"}
  except Exception as e:
  logger.error(f"图片生成失败: {str(e)}")
  return {"image_url": None, "status": "failed", "error": str(e)}
  # 生成唯一文件名：故事标题+时间戳+UUID
  def _generate_filename(self, story_title: str) -> str:
  safe_title = "".join(c for c in story_title if c.isalnum() or c in (' ', '-', '_')).replace(' ', '_')[:50]
  safe_title = safe_title if safe_title else "story"
  unique_id = str(uuid.uuid4())[:8]
  timestamp = int(time.time())
  return f"{safe_title}_{timestamp}_{unique_id}.png"
  

  3. 常见问题解决

• 插图不贴合故事：通过generate_image_prompt自动提取故事核心元素，避免纯关键词提示的片面性；

• 图片路径错误：采用相对路径存储，前端通过/images/文件名直接访问，确保前后端路径一致；

• API调用失败：添加日志记录与状态返回，便于排查网络或密钥配置问题。

  三、语音合成模块：百度TTS生成故事朗读音频

  语音模块需将故事正文合成为MP3音频，支持长短文本适配，核心挑战是“文本长度限制”与“音频资源关联”。

  1. 核心准备：API配置与依赖

• API密钥申请：登录百度AI开放平台，创建语音合成应用，获取API Key与Secret Key，配置到.env。

• 依赖安装：pip install requests（百度TTS无需额外SDK，直接通过HTTP调用）。

• 存储目录创建：在项目根目录创建audio文件夹，用于存储音频文件。

  2. 核心代码实现：tts_api.py

  （1）类初始化与Token管理

  百度TTS需要通过API Key和Secret Key获取临时访问Token，且Token有有效期，需自动刷新：

  import requests
  import os
  import uuid
  import time
  import logging
  from dotenv import load_dotenv
  load_dotenv()
  logger = logging.getLogger(__name__)
  class TextToSpeechAPI:
  def __init__(self):
  self.audio_dir = "audio"
  os.makedirs(self.audio_dir, exist_ok=True)
  self.api_config = {
  "baidu": {
  "api_key": os.getenv("BAIDU_API_KEY"),
  "secret_key": os.getenv("BAIDU_SECRET_KEY"),
  "access_token": None,
  "token_expire_time": 0 # Token过期时间
  }
  }
  

  （2）Token获取与刷新

  def _get_baidu_token(self, config: dict) -> str:
  now = time.time()
  # 若Token未过期，直接返回；否则重新获取
  if now < config["token_expire_time"] and config["access_token"]:
  return config["access_token"]
  # 调用Token获取接口
  token_url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={config['api_key']}&client_secret={config['secret_key']}"
  response = requests.get(token_url, timeout=30)
  response.raise_for_status()
  token_data = response.json()
  config["access_token"] = token_data["access_token"]
  # 提前5分钟刷新Token（避免过期）
  config["token_expire_time"] = now + token_data["expires_in"] - 300
  return config["access_token"]
  

  （3）音频生成与存储

  支持长短文本适配，短文本直接调用，长文本自动拆分（百度TTS短文本限制1024GBK字节）：

  def generate_speech_from_text(self, text: str, story_title: str) -> dict:
  config = self.api_config["baidu"]
  token = self._get_baidu_token(config)
  tts_url = "https://tsn.baidu.com/text2audio"
  

配置音频参数（儿童友好音色）

params = {
"tex": text,
"tok": token,
"cuid": "story_platform", # 用户唯一标识
"ctp": "1", # 客户端类型（web端固定为1）
"lan": "zh", # 语言（中文）
"per": "0", # 音色（0=度小美，女声，适合儿童）
"spd": "5", # 语速（5为中速）
"vol": "5", # 音量（5为中音量）
"aue": "3" # 音频格式（3=MP3）
}

try:

调用语音合成API

response = requests.post(tts_url, data=params, timeout=60)
if response.status_code == 200 and 'audio' in response.headers.get('Content-Type', ''):

生成唯一文件名

filename = self._generate_filename(story_title)
audio_path = os.path.join(self.audio_dir, filename)

保存音频文件

with open(audio_path, "wb") as f:
f.write(response.content)

返回音频访问URL

audio_url = f"/audio/{filename}"
return {"audio_url": audio_url, "audio_path": audio_path, "status": "success"}
else:
error_msg = response.text if response.text else "未知错误"
raise Exception(f"音频生成失败: {error_msg}")
except Exception as e:
logger.error(f"语音合成失败: {str(e)}")
return {"audio_url": None, "status": "failed", "error": str(e)}

生成唯一音频文件名（同图片命名逻辑，保持一致性）

def generate_filename(self, story_title: str) -> str:
safe_title = "".join(c for c in story_title if c.isalnum() or c in (' ', '-', '')).replace(' ', '')[:50]
safe_title = safe_title if safe_title else "audio"
unique_id = str(uuid.uuid4())[:8]
timestamp = int(time.time())
return f"{safe_title}_{unique_id}.mp3"

### 3. 长短文本适配优化
针对百度TTS短文本长度限制，新增文本拆分逻辑（核心思路：按标点符号拆分，每段不超过120字）：
```python
def _split_long_text(self, text: str) -> list:
 import re
 # 按句号、感叹号、问号拆分，避免拆分到完整语义
 sentences = re.split(r'([。！？])', text)
 chunks = []
 current_chunk = ""
 for sent in sentences:
 if len(current_chunk + sent) < 120: # 每段不超过120字（约1024GBK字节）
 current_chunk += sent
 else:
 if current_chunk:
 chunks.append(current_chunk)
 current_chunk = sent
 if current_chunk:
 chunks.append(current_chunk)
 return chunks

在generate_speech_from_text中调用拆分逻辑，长文本分段合成后拼接（需引入pydub库处理音频拼接，pip install pydub）。

四、三大模块联动逻辑

单个模块跑通后，需实现“故事生成→插图生成→音频生成”的自动联动，核心逻辑如下：

# 主流程联动示例（后续整合到app.py）
def generate_story_package(keywords: str) -> dict:
 # 1. 生成故事文本
 kimi_api = KimiAPI()
 story_data = kimi_api.generate_story(keywords)

# 2. 生成配套插图（使用故事标题、正文、关键词）
 image_api = ImageGenerationAPI()
 image_prompt = image_api.generate_image_prompt(
 story_title=story_data["title"],
 story_content=story_data["content"],
 keywords=keywords
 )
 image_data = image_api.generate_image_from_text(image_prompt, story_data["title"])

# 3. 生成朗读音频
 tts_api = TextToSpeechAPI()
 audio_data = tts_api.generate_speech_from_text(story_data["content"], story_data["title"])

# 4. 整合结果（关联故事ID，存入数据库）
 return {
 "story": story_data,
 "image": image_data,
 "audio": audio_data,
 "keywords": keywords,
 "created_time": time.strftime("%Y-%m-%d %H:%M:%S")
 }

五、模块实现总结

三大核心模块的实现，关键在于“精准选型+细节容错+联动适配”：

• 故事生成模块：通过结构化提示词与异常兜底，确保故事质量与稳定性；
• 插图匹配模块：自动提取故事核心元素优化提示词，解决“图文脱节”问题；
• 语音合成模块：处理Token过期与文本长度限制，适配不同篇幅故事。