AI 绘本怎么做：故事、插图和配音合成有声绘本

想把一个科学知识做成孩子愿意听完的小故事，可以把工作拆成四步：先定知识边界，再让模型写短故事；按页生成无字插图；最后排成绘本并配上旁白。先审内容再做成品，能减少把模型编出来的知识直接交给孩子的风险。

本篇用“小雨滴的旅行”做四页样例。下载完整练习包，解压后可看四页 PDF、55 秒旁白 WAV、故事 JSON、Qwen 提示词和原始输出、四张插图，以及排版与配音脚本。

第一步：给故事画出事实边界

先写清楚读者年龄、知识来源、故事允许说什么，以及哪些话不能说。这次只围绕水的状态变化：液态水可以变成水蒸气，水蒸气在合适条件下凝结成小水滴；云中的水滴长大后可能降水，水回到地面。教育部小学科学课程标准列有水的三种状态，以及观察生活中蒸发、凝结现象的学习要求；USGS 儿童版水循环说明还讲了云滴聚合、降水和地表径流，可对照核实本例故事。查看课程标准原文 · 查看 USGS 水循环说明

我把篇幅定为四页，每页 45–70 个汉字，主角“小滴”始终是透明、圆润的小水滴。结尾提醒孩子：水的旅程有很多种，不是每一滴都走同一条路线；观察问题也不需要碰热水或做危险实验。

第二步：让 Qwen 写初稿，再逐页校对

本机用 Ollama 的 Qwen3.8-27B 生成四页故事，API 单次推理约 24.5 秒。初稿虽然有四页，但每页只有 21–42 个汉字，没有达到提示词要求的长度；也没有清楚讲出水蒸气凝结的过程。我据课程标准扩写故事，补足“水蒸气凝成小水滴”，并把“云里的水滴长大后会下雨”改成“可能落下”，避免说成必然结果。原始输出与修订稿都在练习包里，正文展示的是修订后的版本。

提示词要求 JSON、每页长度、角色特征和可用事实范围。结构化输出方便后续脚本读取；但 JSON 正确不代表科学内容正确，仍要对照来源核每句话。完整提示词在 ZIP 的 Qwen绘本提示词.md。

第三步：按页做无字插图

使用本机 ComfyUI 的 Z-Image-Turbo，为每页分别生成一张横向插图。提示词里重复主角的颜色、形状和材质描述，并明确不生成文字；故事文字后续用排版脚本绘制，避免让图像模型直接写中文。插图风格和角色是否连贯，仍需把四页放在一起检查。

四页绘本插图预览：小滴从溪流升向天空、凝成云、随雨回到水边

这次四张插图都在本机生成，没有调用按张计费的在线生图服务。若角色在不同页面变化明显，优先固定同一张参考图并重新生成不一致页面；不要为了追求相似度把未经许可的真人照片作为参考。

第四步：排版成 PDF 并生成旁白

练习包中的 render_book.py 会把每张图放在上半页、故事文字排在下方，并输出四页 PDF。安装 Pillow 后运行：

python3 render_book.py --story story.json --images images \
  --font /你的中文字体路径/SourceHanSansSC-Regular.otf \
  --output 小雨滴的旅行.pdf

旁白使用 Fun-CosyVoice3-0.5B，并按官方示例调用仓库自带的 asset/zero_shot_prompt.wav 演示样音做零样本合成；不需要提供自己的录音。先按 CosyVoice 官方仓库安装依赖并下载模型，再在 CosyVoice 的 Python 环境中运行：

python make_audio.py --cosyvoice-dir /你的路径/CosyVoice \
  --output 小雨滴的旅行.wav

本机实测生成了约 1 分钟的旁白 WAV；脚本按页合成，并在页间留出短暂停顿。商业使用、发布或换成家人/儿童的声音样本前，应先核对样音授权、声音权益和儿童个人信息要求。本篇使用仓库演示样音，不包含用户提供的真人录音。

第五步：交付前检查

故事每页是否都在事实范围内，拟人化表达有没有被误读成科学因果。
角色外形、插图顺序、文字和旁白是否一致；PDF 中文字体有没有缺字或溢出。
播放整段旁白，检查漏字、错读、音量和页间停顿；这次只完成本机生成和文件检查，不把自动合成等同于人工听审。
家长或教师再按孩子年龄、阅读能力和当地教材做适龄性检查。

本次实测

Qwen3.8-27B 用约 24.5 秒生成故事结构；本机 ComfyUI / Z-Image-Turbo 生成四张插图；Pillow 脚本输出四页 PDF；CosyVoice3 用仓库自带演示样音做零样本配音。FunASR 自动识别旁白时，对“小滴/高滴”“水会/谁会”等近音字出现差异；我没有人工听审，因此音频保留为试听样例，正式给孩子使用前请先听一遍。全文、提示词、原始输出、插图、脚本和生成记录都放在练习包中，便于复跑和修改。