1. 少儿外教培训的“回家就忘”困局到底卡在哪一步如果你在做少儿英语启蒙大概率见过这个画面外教课上孩子跟着老师喊 “Good morning” 喊得挺响下课回家家长问“今天学了啥”孩子憋半天蹦出个 “morning”再问就摇头。不是孩子记性差是课堂那个“情景”没有被带回家。传统解法是课本加点读笔。点读笔能出声但孩子看不到“谁在什么场景下说这句话”画面感是缺的而且只有一个声音在念没有对话的来回感更麻烦的是更新成本一套教材录制动辄几周教学进度一变材料就废了。我试过用通用文生图工具补画面结果经常画出“两只动物各看各的”完全没有对话感老师还得手动裁图配字一个场景折腾半小时。所以真正卡住的不是“能不能生成图”而是三件事没打通第一画面里两个角色得有互动相视、挥手、递东西孩子才能理解“这是对话”第二每个角色得有独立音色A 说完 B 接节奏像真对话第三成品要能离线分发家长微信点开就能看能听不能要求装 App 或者连服务器。这篇就按这个思路用 SenseNova U1.5 Lite 做视觉引擎串上 Edge-TTS 配音和 PIL 排版最后打包成一个单 HTML 离线绘本。整条链路我按“教师只维护一份 JSON 场景配置”来设计出图、配音、排版、打包全自动。下面每个环节都给可复制的配置和代码你照着跑就能复现。先说清楚适合谁少儿外教机构的教研老师、做英语启蒙内容的独立开发者、想给孩子做定制绘本的家长。不需要 GPU一台普通 Windows 笔记本就能跑通因为出图走的是云端 API。2. 前置准备SenseNova U1.5 Lite 接入与 TaoToken 配置在动手写工作流之前得先把模型调用这条线打通。这里分两块一块是 SenseNova U1.5 Lite 本身的接入另一块是我实际项目里用来统一管理多模型调用的 TaoToken 配置。两块都讲清楚你按自己情况选。先说 SenseNova U1.5 Lite。它是商汤开源的 8B 参数文生图模型支持文生图和图像编辑两种能力走的是 OpenAI 兼容协议。这意味着你可以直接复用 OpenAI 的 Python SDK不用自己写 HTTP 请求。接入方式有两种本地部署下载权重 GPU 推理和云端 API。少儿教培场景我强烈建议走 API——机构不需要买 GPU 服务器按量计费免维护出图 22 到 28 秒一张4 张图两分钟出完。申请流程很直接打开 SenseNova 开放平台注册账号进控制台找到密钥管理创建一个 API Key。新用户有免费额度文生图和图像编辑都覆盖跑通整个项目绰绰有余。拿到 Key 之后项目根目录建一个.env文件SENSENOVA_API_KEYsk-xxxxxxxxxxxxxxxx SENSENOVA_BASE_URLhttps://token.sensenova.cn/v1 SENSENOVA_MODELsensenova-u1.5-lite代码里用python-dotenv自动加载绝对不要把 Key 硬编码进源码。核心调用封装成一个SenseNovaClient类底层直接用 OpenAI SDKfrom openai import OpenAI client OpenAI( api_keysk-xxxxxxxx, base_urlhttps://token.sensenova.cn/v1 ) resp client.images.generate( modelsensenova-u1.5-lite, prompt一只穿黄色背心的小熊 and 穿粉色连衣裙的小兔子 in 温馨的儿童卧室..., size2048x2048, n1, ) image_data resp.data[0].b64_json关键理解就一句base_url决定请求发到哪模型名sensenova-u1.5-lite决定用哪个模型处理。把这两行配对SDK 就自动路由过去了。再说 TaoToken。我项目里同时要调文生图模型和对话模型用来生成老师讲解文案如果每个模型都单独配一套 Key 和 base_url代码里到处是分支维护起来很烦。TaoToken 的作用就是把这些调用统一到一个入口用一套 OpenAI 兼容协议管理多个模型。它的 API 地址是https://taotoken.net/api控制台在https://taotoken.net/consoleAPI Key 在https://taotoken.net/api-keys创建。配置方式还是 OpenAI SDK 那套只是 base_url 换成 TaoToken 的from openai import OpenAI client OpenAI( api_key你的TaoToken Key, base_urlhttps://taotoken.net/api )这样你调文生图、调对话模型都走同一个 client只是 model 参数不同。对于要长期跑编码类任务或者搭 Agent 的场景TaoToken 还有个 Coding Plan 可以看地址是https://taotoken.net/coding-plan。如果你只是想先验证模型效果可以直接用模型对话页面https://taotoken.net/chat试不用写代码。这里要提醒一句TaoToken 是合规的 API 聚合入口不是那种灰色中转你按正常开发者工具用就行。接入文档在https://taotoken.net/doc遇到配置问题先翻文档。两块配置讲完你至少有了一个能调通的模型入口。接下来进入正题把出图、配音、排版、打包串起来。3. 可复制配置从 JSON 场景到出图、配音、PIL 排版全链路这一节是整篇的核心我把每个环节的配置和代码都摊开。你复制过去改改路径就能跑。3.1 场景配置层教师只填这一份 JSON整个工作流的输入是一份场景配置。我用 dataclass 描述字段设计完全对齐教学逻辑from dataclasses import dataclass dataclass class Scene: id: str # 场景唯一标识如 greeting_morning title_en: str # 英文标题如 Good Morning! title_zh: str # 中文标题如 早上好 speaker_a: str # 角色A视觉描述给 SenseNova 出图用 speaker_b: str # 角色B视觉描述 line_a: str # 角色A台词 line_b: str # 角色B台词 scene_setting: str # 场景环境描述 teacher_notes: str # 老师讲解发音重点、用法说明 follow_up: str # 跟读教学设计 question: str # 课后小问题 voice_a: str # 角色A的 TTS 音色 voice_b: str # 角色B的 TTS 音色一个不懂代码的外教老师只要会写 JSON就能生成自己的教学材料。这是整个设计里我最满意的一点——把技术复杂度全部收进工作流暴露给教师的只有一份结构化文本。3.2 出图模块提示词模板是成败关键把 Scene 转成出图 prompt 的函数STYLE_PROMPT ( Childrens picture book illustration, warm pastel colors, rounded soft shapes, large expressive eyes, friendly and educational tone, no text in image, no watermark, 4K, high detail ) def _build_scene_prompt(scene: Scene) - str: return ( f{scene.speaker_a} and {scene.speaker_b} in {scene.scene_setting}. fThe two characters are facing each other, smiling, with friendly body flanguage — one is waving or extending hand. {STYLE_PROMPT} )这里有个我踩了 20 多次坑才总结出来的点prompt 里必须强制写facing each other, smiling, friendly body language。不加这句双角色互动成功率大概 50%经常画出“两只动物各看各的”加上之后成功率提到 85% 以上。原因也好理解文生图模型默认会把多个主体平铺在画面里你不明确要求“相视、互动”它就不知道这俩角色是在对话。STYLE_PROMPT统一控制画风no text in image和no watermark一定要加否则模型会在图里乱塞文字后面 PIL 排版时你还要裁掉。3.3 TTS 配音模块双引擎加音色降级链这是整个工作流里踩坑最多的部分。Edge-TTS 的在线真人音色质量很好但微软的服务偶尔会返回空音频报 “No audio was received”不报错但给你一个 10KB 的机械音文件。我设计了一套三级降级策略def synth(text: str, out, voice: str en-US-AnaNeural, rate: str 0%) - Path: 先尝试 Edge-TTS失败再降级到 pyttsx3。 for engine in [edge, pyttsx3]: try: if engine edge: _edge_tts(text, out, voice, rate) if out.exists() and out.stat().st_size 1000: return out elif engine pyttsx3: _pyttsx3_tts(text, out, voice) if out.exists() and out.stat().st_size 1000: return out except Exception: continue raise RuntimeError(fTTS 全部引擎失败{text[:60]})音色选型直接对应教学角色女童用en-US-AnaNeural温柔外教用en-US-MichelleNeural标准清晰。降级链是主音色失败切备选音色每个音色重试 2 次加指数退避全失败才回退到 pyttsx3 离线引擎。实测 8 段配音全部走 Edge-TTS 真人音色单段 70 到 120KB音质清晰。3.4 PIL 排版模块对话卡自动渲染把 SenseNova 出的图做成卡通单元式学习卡片def render_scene_card(scene: Scene, base_img_path: Path, out_path: Path): img _crop_watermark( Image.open(base_img_path).convert(RGB) ).resize((1024, 1024)) canvas Image.new(RGB, (1280, 1600), (252, 248, 240)) canvas.paste(img, (128, 80)) d ImageDraw.Draw(canvas) _draw_text(d, (128, 1216), f {scene.title_en}, f_title, fill(28, 36, 56), emoji_fontf_emoji) d.text((128, 1284), scene.title_zh, fill(56, 189, 248), fontf_zh) bubble_a _make_bubble(scene.line_a, left, f_en) bubble_b _make_bubble(scene.line_b, right, f_en) canvas.paste(bubble_a, (24, 720), bubble_a) canvas.paste(bubble_b, (canvas.width - bubble_b.width - 24, 880), bubble_b) _draw_wrapped(d, (BOX_X1 PAD, BOX_Y1 PAD f_zh.size 8), scene.teacher_notes, f_small, fill(51, 65, 85), max_widthtext_w) canvas.save(out_path, quality92)对话气泡左右分布模拟真实对话的来回感。老师讲解框用_draw_wrapped自动换行因为 PIL 的d.text不会自动换行中文讲解一长就溢出边框。3.5 HTML 绘本打包base64 内嵌实现离线分发最后把所有资源内嵌进单个 HTMLdef build_html(scenes: List, out_path: Path): items_js [] for s in scenes: items_js.append({ card: _to_data_url(runs_kids_en/ s.id _card.jpg, image/jpeg), audio_a: _to_data_url(runs_kids_en/ s.id _a.mp3, audio/mpeg), audio_b: _to_data_url(runs_kids_en/ s.id _b.mp3, audio/mpeg), teacher_notes: s.teacher_notes, follow_up: s.follow_up, question: s.question, }) js JS_TEMPLATE.replace(ITEMS_JSON_PLACEHOLDER, json.dumps(items_js)) out_path.write_text(html_content, encodingutf-8)最终产物是一个 2.7MB 的单 HTML 文件图片和音频全部 base64 内嵌。发家长微信群、当邮件附件、拷 U 盘、放公众号下载页都行不需要服务器、不需要联网、不需要装 App打开浏览器就能用。3.6 ComfyUI 自定义节点让设计师也能用对不写代码的教学设计师我封装了标准 ComfyUI 节点class SenseNovaU1LiteT2I: classmethod def INPUT_TYPES(cls): return { required: { prompt: (STRING, {multiline: True}), size: ([1024x1024, 2048x2048, 4K], {default: 1024x1024}), seed: (INT, {default: 0, min: 0, max: 2**31 - 1}), }, optional: { negative_prompt: (STRING, {multiline: True, default: }), }, } RETURN_TYPES (IMAGE, STRING) RETURN_NAMES (image, revised_prompt) FUNCTION generate CATEGORY SenseNova/U1.5 Lite把workflows/report_with_cover.json拖进 ComfyUIFile → Import就能看到完整节点图设计师直接拖拽使用。4. 验证请求跑通第一组问候类教学材料配置写完得验证整条链路真的能跑。我按“先最小验证再全量跑”的顺序来。第一步先在浏览器里打开模型对话页面手动试一次出图确认 API Key 有效、额度充足。这一步别省很多人卡在 Key 没生效上。第二步写一个最小脚本只用 10 行代码调一次images.generate打印返回的 base64 长度from openai import OpenAI client OpenAI(api_keysk-xxx, base_urlhttps://token.sensenova.cn/v1) resp client.images.generate( modelsensenova-u1.5-lite, prompta bear and a rabbit facing each other, smiling, childrens book style, size1024x1024, n1, ) print(len(resp.data[0].b64_json))返回一个几万长度的字符串说明网络通了、鉴权过了。第三步跑完整工作流。我用 4 个问候类场景做验证这也是“英语启蒙 Level 1”前 4 节课的核心内容# 1) 克隆仓库 git clone https://atomgit.com/wdracky/nova.git cd nova # 2) 安装依赖 pip install -r requirements.txt # 3) 配置 API Key cp .env.example .env # 编辑 .env 填入 SENSENOVA_API_KEYsk-xxx # 4) 生成 4 张情景对话卡出图 配音 python -m pipelines.english_kids # 5) 生成可点击的离线 HTML 绘本2.7 MB python -m pipelines.english_kids_html # 6) 启动 Web UIhttp://127.0.0.1:7865 python -m webui.app跑完看输出目录应该拿到 4 张对话卡加 8 段配音。出图参数modelsensenova-u1.5-lite, size2048x2048, n1单张耗时约 28 秒4 张图总共约 2 分钟。本地处理PIL 排版加 TTS 配音只要 10 秒主要等待时间在 API 推理。生成的第一组材料长这样场景一 “Good Morning!”小熊学生角色说 “Good morning!”小兔子外教角色回 “Good morning!”。发音重点标注 morning 的 /ɔː/ 要圆唇句尾语调上扬跟读设计是老师领读两遍、孩子跟读、角色互换。场景二 “How are you? — Fine, thank you.”小狐狸老师问小男孩答。回答拓展给了 Fine, thank you. / Im good. / Not bad. 三种发音重点 thank 的 /θ/ 要咬舌送气。场景三 “Whats your name? — My name is…”小鸟问小熊猫答 “My name is Pipi.”。发音重点 name 的 /eɪ/ 双元音要饱满跟读设计让孩子给自己起英文名轮流上台。场景四 “Nice to meet you!”小女孩和小男孩互相说 “Nice to meet you!” 和 “Nice to meet you, too!”。发音重点 meet 的 /iː/ 要拖长too 句尾语调略降跟读时加入握手动作。HTML 绘本的交互功能点击图片A 角色说完自动播 B 角色间隔 400ms 模拟真实对话节奏键盘左右键翻页空格键触发连读模式睡前复习单独播放 A 或 B 按钮可以只听某一角色。实际教学用法课前 5 分钟老师在教室大屏打开绘本带孩子过一遍课后作业家长在手机上打开文件让孩子跟读 3 遍周末复习孩子自己翻看点击听发音。这种“看图加听音加跟读”的三感联动比单纯放录音效果好得多因为孩子不是在“听”英语而是在“参与”一段情景对话。5. 本篇常见错排查401、空音频、文字溢出、emoji 方框跑这条工作流我踩过的坑基本集中在四类。你对照真实报错看。第一类401 Unauthorized 或鉴权失败。报错长这样openai.AuthenticationError: Error code: 401 - {error: {message: Invalid API key}}。原因通常是.env没被加载或者 Key 复制时带了空格。排查动作先确认python-dotenv在代码入口处调用了load_dotenv()再打印os.getenv(SENSENOVA_API_KEY)[:8]看前 8 位对不对。如果你走的是 TaoToken 统一入口检查 base_url 是不是https://taotoken.net/apiKey 是不是在https://taotoken.net/api-keys创建的那个。三件套要配对Base URL、Key、Model ID缺一个都会 401。第二类Edge-TTS 返回空音频一半变机械音。现象是 4 段里有 2 段 MP3 只有 10KB打开是机械音。这是 Edge-TTS 偶发的 “No audio was received” 错误微软的 voice 服务对某些组合会静默失败不报错但返回空数据。解决方案就是前面写的三级降级策略。另外建议在生成前先跑edge-tts --list-voices缓存可用音色列表避免运行时才发现某个音色不可用。每次降级切换时打印日志并记录到清单文件的tts_status字段方便排查哪些音色组合容易触发失败。第三类老师讲解文字溢出边框。第一版我直接用d.text(...)画中文讲解结果“发音重点morning 的 /ɔː/ 要圆唇句尾语调上扬”超出卡片右边界。PIL 的d.text不会自动换行。解决是写_wrap_text函数按像素宽度逐字符累加。但这里有个细节纯按字符累加会把英文长单词从中间截断所以断行逻辑里要加“遇到空格优先在空格处断行”的判断只有单个单词本身就超宽时才强制切断。容器宽度也别硬编码改成相对画布宽度的百分比适配不同尺寸卡片。第四类emoji 显示成方框。PIL 默认的msyh.ttc不带 emoji 字体画 和 出来都是 □。Windows 自带彩色 emoji 字体seguiemj.ttf但需要按 Unicode 码位逐字符判断并切换字体。这里也有个坑只判断 0x1F000覆盖不全emoji 码位范围更广比如 U2600 到 U27BF 的杂项符号、U1F900 到 U1F9FF 的补充符号。稳妥做法是用 regex 库的\p{Emoji}属性精确匹配或者维护一个 emoji 码位区间表。第五类图像编辑换背景失败。我一开始只写 “把背景换成傍晚场景”结果模型把原图内容也改了。原因是图像编辑的 prompt 需要带上原图内容描述不能只写改动部分。正确写法是把原场景描述加改动指令一起给比如 “一只穿黄色背心的小熊和穿粉色连衣裙的小兔子在儿童卧室把背景换成傍晚场景”。走的是/v1/images/edits端点因为 OpenAI SDK 的images.edit()参数格式和 SenseNova 不完全一致项目里用 requests 直接发 HTTP POSTimport requests url https://token.sensenova.cn/v1/images/edits headers {Authorization: fBearer {api_key}} body { model: sensenova-u1.5-lite, images: [{image_url: fdata:image/png;base64,{img_b64}}], prompt: 把背景换成傍晚场景, size: 1024x1024, n: 1, } resp requests.post(url, jsonbody, headersheaders, timeout120)第六类超长指令被网关截断。测试发现 API 网关对 prompt 长度有限制400 到 800 字符内稳定超过就可能被截。所以场景描述别写太长把核心信息角色、场景、互动指令、画风压进 400 字符内最稳。排障时如果遇到配置类问题先翻接入文档https://taotoken.net/doc如果是 Key 或额度问题去https://taotoken.net/api-keys和https://taotoken.net/console看。验证模型本身能不能出图用https://taotoken.net/chat最快。6. 长期跑这条工作流我的 CTA 分流建议这条工作流跑通之后你大概率会想扩展加更多场景、接对话模型自动生成老师讲解、或者把它做成机构内部的教学材料生产工具。这时候模型调用的稳定性和成本就变成长期问题。我的建议是按用途分流。如果你主要是排障和接入调试先把 API Key 和接入文档这两个入口存好API Key 在https://taotoken.net/api-keys接入文档在https://taotoken.net/doc。这两个是基础配置类问题九成能在这找到答案。如果你只是想快速验证某个模型出图效果、试提示词直接用模型对话页面https://taotoken.net/chat不用写代码改提示词看结果最快。如果你要长期跑编码类任务、搭 Agent 自动生成教学讲解或者把这条工作流做成机构的生产管线那 Coding Plan 更合适地址是https://taotoken.net/coding-plan。它针对的是持续性的开发任务比按次调用更划算。回到这条工作流本身它的核心价值是把教学材料生产从“周”压到“分钟”。教师写好 SCENES 配置一条命令自动出图加配音加排版加打包一组材料约 5 分钟主要等待在 API 出图。这不是“AI 替代老师”AI 替代的是找图、录音、排版、打包这些重复性机械工作。老师的创造力应该用在教学设计、课堂互动、个性化辅导上。SenseNova U1.5 Lite 在这条链路里承担视觉引擎的角色负责把教师脑海里的教学场景变成孩子看得到的画面。8B 参数、单卡可跑、中英双语理解、双角色对话感好这些特性让它在少儿教学材料生成场景里很能打。你把这套配置跑一遍改改 SCENES 里的文字一个周末下午就能生成一整个学期的教学材料。