随机生成图像picsum.photos
https://picsum.photos/
1. Picsum Photos 的核心特点
- 无版权限制：所有图片均由摄影师自愿贡献，可免费用于商业 / 非商业场景（无需注明来源，具体可参考 官方协议）；
- 灵活的 URL 规则：通过调整 URL 中的参数，可以精准控制图片的「ID、尺寸、风格」等，满足不同需求；
- 稳定可靠：作为行业常用的占位图服务，无需担心链接失效或访问问题（国内访问也较稳定）。
2. 你代码中 URL 的参数解析
以
https://picsum.photos/id/237/500/300 为例，各部分含义如下：
| URL 片段 | 作用说明 |
|---|---|
https://picsum.photos |
服务根域名，固定不变； |
id/237 |
指定图片的唯一 ID（237 是具体 ID），同一 ID 对应固定图片（比如 id/237 固定是一只小狗的图）； |
500/300 |
指定图片的尺寸（宽 500px × 高 300px），顺序为「宽在前、高在后」； |
3. 如何自定义 Picsum 图片？
如果需要替换示例中的图片，只需按照规则修改 URL 即可：
- 随机图片：去掉
id/xxx，直接用https://picsum.photos/500/300（每次访问会返回不同图片）； - 指定风格 / 场景：通过 ID 间接控制（比如
id/1039是山脉、id/1062是暴雨，可在 Picsum 官网 浏览所有带 ID 的图片）； - 调整尺寸：直接修改末尾的数字，比如
https://picsum.photos/id/237/800/600（宽 800px × 高 600px）。
4. 为什么在 Gradio 示例中常用它？
你代码中的
gr.Examples 是 Gradio（快速构建 Web 交互界面的库）的「示例案例组件」，用于给用户展示「输入参数对应的效果」。使用 Picsum 图片的核心原因是：
- 无需手动准备图片资源：避免开发者为了演示而单独拍摄 / 下载图片，节省时间；
- 保证示例稳定性：所有示例图片链接永久有效，用户打开界面时能直接加载，不会出现「图片失效」的问题；
- 贴合场景需求：Picsum 提供自然风景、动物、人物、建筑等多种类型图片，能匹配「根据图片生成故事 / 音频」这类场景的示例需求（比如小狗图对应「温馨故事」、山脉图对应「冒险故事」）。
如果需要替换示例图片，可直接在 Picsum 官网 搜索需要的图片（比如搜索「cat」「ocean」），复制对应的带 ID 链接，替换代码中的 URL 即可。
代码中的应用：
import gradio as gr
from transformers import BlipProcessor, BlipForConditionalGeneration, AutoTokenizer, AutoModelForCausalLM, pipeline
import torch
from gtts import gTTS
import os
import uuid # 生成唯一音频文件名，防止覆盖
from datetime import datetime # 辅助清理旧文件
# 确保中文显示正常
os.environ["PYTHONUTF8"] = "1"
# ---------------------- 关键：创建音频持久化存储目录 ----------------------
AUDIO_SAVE_DIR = "./generated_audio_files"
os.makedirs(AUDIO_SAVE_DIR, exist_ok=True) # 目录不存在则自动创建
# ---------------------- 模型加载 ----------------------
# 图像描述模型（BLIP）
processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
# 适配 CPU/GPU 环境的 dtype（避免内存报错）
dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model = BlipForConditionalGeneration.from_pretrained(
"Salesforce/blip-image-captioning-base",
torch_dtype=dtype
)
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
# 故事生成模型（Qwen2-0.5B-Instruct，CPU 可稳定运行）
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-0.5B-Instruct", trust_remote_code=True)
story_model = AutoModelForCausalLM.from_pretrained(
"Qwen/Qwen2-0.5B-Instruct",
trust_remote_code=True,
torch_dtype=dtype # 减少 CPU 内存占用
).to(device)
# 确保 tokenizer 有 pad_token（避免生成时报错）
if tokenizer.pad_token is None:
tokenizer.pad_token = tokenizer.eos_token
# ---------------------- 核心功能函数 ----------------------
def generate_caption(image):
"""根据图片生成中文描述"""
if image is None:
return "请上传一张图片"
inputs = processor(image, return_tensors="pt").to(device, dtype=dtype)
out = model.generate(**inputs, max_length=50, num_beams=3) # Beam Search 提升描述质量
caption = processor.decode(out[0], skip_special_tokens=True)
# 确保描述为中文（BLIP 基础版可能输出英文）
if not any('\u4e00' <= c <= '\u9fff' for c in caption):
try:
translator = pipeline("translation", model="Helsinki-NLP/opus-mt-en-zh")
caption = translator(caption, max_length=50)[0]['translation_text']
except Exception as e:
print(f"翻译失败: {e}")
caption = "图片内容无法识别，请尝试另一张图片"
return caption
def generate_story(caption, max_length, style, creativity):
"""根据描述生成指定风格的中文故事"""
invalid_captions = ["请上传一张图片", "图片内容无法识别，请尝试另一张图片"]
if not caption or caption in invalid_captions:
return "请先上传有效图片生成描述"
# 创意值映射为 temperature（0→保守，10→奔放）
temperature = max(0.3, min(2.0, 0.3 + (creativity / 10) * 1.7))
# 优化提示词（适配 Qwen 模型，避免跑题）
prompt = f"""任务：根据图片描述写{style}风格故事
要求：1. 纯中文；2. 字数控制在{max_length}字左右；3. 符合风格特点，语句通顺
图片描述：{caption}
故事："""
inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=512).to(device)
outputs = story_model.generate(
**inputs,
max_length=len(inputs["input_ids"][0]) + max_length,
temperature=temperature,
do_sample=True,
top_p=0.9, # 平衡创意与逻辑
pad_token_id=tokenizer.pad_token_id,
eos_token_id=tokenizer.eos_token_id
)
story = tokenizer.decode(outputs[0], skip_special_tokens=True).replace(prompt, "").strip()
# 截断过长故事并补充结尾
if len(story) > max_length:
story = story[:max_length].rsplit('。', 1)[0] + "。（故事已截断以符合字数要求）"
return story
def text_to_speech(text):
"""将故事文本转为 MP3 音频（持久化存储，支持试听/下载）"""
if not text or text == "请先上传有效图片生成描述":
return None
try:
# 生成唯一文件名（避免多轮生成覆盖，格式：时间+随机ID.mp3）
unique_id = f"{datetime.now().strftime('%Y%m%d%H%M%S')}_{uuid.uuid4().hex[:8]}"
audio_path = os.path.join(AUDIO_SAVE_DIR, f"story_audio_{unique_id}.mp3")
# 生成中文音频（slow=False 语速正常，提升听感）
tts = gTTS(text=text, lang='zh-CN', slow=False)
tts.save(audio_path)
# 清理3天前的旧音频（避免目录占用过大）
clean_old_audio(days=3)
return audio_path # 返回文件路径，Gradio 自动识别并渲染控件
except Exception as e:
print(f"音频生成失败: {str(e)}")
return None
def clean_old_audio(days=3):
"""清理指定天数前的旧音频文件"""
now = datetime.now()
for filename in os.listdir(AUDIO_SAVE_DIR):
if filename.endswith(".mp3"):
file_path = os.path.join(AUDIO_SAVE_DIR, filename)
# 获取文件修改时间
file_mtime = datetime.fromtimestamp(os.path.getmtime(file_path))
# 超过指定天数则删除
if (now - file_mtime).days >= days:
os.remove(file_path)
print(f"已清理旧音频：{filename}")
def process_image(image, max_length, style, creativity):
"""端到端处理：图片→描述→故事→音频"""
try:
caption = generate_caption(image)
story = generate_story(caption, max_length, style, creativity)
audio = text_to_speech(story)
return caption, story, audio
except Exception as e:
error_msg = f"处理出错: {str(e)[:100]}" # 限制错误信息长度，避免界面混乱
return error_msg, "", None
# ---------------------- Gradio 界面（重点配置音频控件） ----------------------
with gr.Blocks(title="图片转故事与音频", theme=gr.themes.Soft()) as demo:
gr.Markdown("# 🌟 图片转故事与音频生成器")
gr.Markdown("上传图片 → 生成中文描述 → 定制风格故事 → 试听/下载音频")
with gr.Row():
# 左侧：输入与参数配置区
with gr.Column(scale=1, min_width=300):
image_input = gr.Image(
type="pil",
label="上传图片",
height=280, # 增大图片上传区域，提升体验
show_label=True,
interactive=True
)
# 参数配置折叠面板（更简洁）
with gr.Accordion("📝 故事参数设置", open=True):
max_length = gr.Slider(
minimum=50, # 最低字数调整为50，避免生成过短内容
maximum=1000,
value=300,
step=50,
label="故事最大字数",
info="建议 200-500 字（生成更快）"
)
style = gr.Dropdown(
choices=["搞笑", "武侠", "爱情", "动作", "科幻", "悬疑", "奇幻", "温馨", "恐怖", "冒险", "童话"],
value="温馨",
label="故事风格",
interactive=True
)
creativity = gr.Slider(
minimum=0,
maximum=10,
value=5,
step=1,
label="创意值（0-10）",
info="0=保守常规 | 10=脑洞大开"
)
generate_btn = gr.Button(
"🚀 生成描述+故事+音频",
variant="primary",
size="lg" # 增大按钮，提升辨识度
)
# 右侧：输出区（重点配置音频控件）
with gr.Column(scale=2, min_width=500):
caption_output = gr.Textbox(
label="🖼️ 图片描述",
lines=2,
interactive=False,
show_copy_button=True # 增加复制按钮，方便用户使用
)
story_output = gr.Textbox(
label="📖 生成的故事",
lines=12,
interactive=False,
show_copy_button=True
)
# 关键：配置音频控件支持试听和下载
audio_output = gr.Audio(
label="🎵 故事音频（可试听/下载）",
type="filepath", # 必须设为 filepath，Gradio 才能识别文件并渲染控件
interactive=True,
show_download_button=True, # 显式开启下载按钮
autoplay=False # 关闭自动播放，避免打扰用户
)
# 绑定生成按钮事件（显示进度条，提升体验）
generate_btn.click(
fn=process_image,
inputs=[image_input, max_length, style, creativity],
outputs=[caption_output, story_output, audio_output],
show_progress="full", # 显示完整进度条，告知用户处理状态
queue=True # 开启任务队列，支持多轮生成不卡顿
)
# 示例数据（帮助用户快速测试功能）
gr.Examples(
examples=[
["https://picsum.photos/id/237/500/300", 300, "温馨", 5], # 小狗→温馨故事
["https://picsum.photos/id/1039/500/300", 400, "冒险", 8], # 山脉→冒险故事
["https://picsum.photos/id/1062/500/300", 200, "搞笑", 7] # 暴雨→搞笑故事
],
inputs=[image_input, max_length, style, creativity],
outputs=[caption_output, story_output, audio_output],
fn=process_image,
label="💡 点击示例快速测试"
)
# ---------------------- 启动配置 ----------------------
if __name__ == "__main__":
# 本地运行：自动打开浏览器，端口 7860
demo.launch(
debug=False,
share=False, # 本地运行无需公网链接，部署到 Hugging Face 时会自动忽略
server_name="0.0.0.0",
server_port=7860
)
浙公网安备 33010602011771号