ai-image-generator

name

ai-image-generator

description

AI 图片与视频异步生成技能，调用 AI Artist API 根据文本提示词生成图片或视频，自动轮询直到任务完成。 ⚠️ 使用前必须设置环境变量 AI_ARTIST_TOKEN 为你自己的 API Key！ 获取 API Key：访问 https://ai.deepsop.com/ 注册登录后创建。 支持图片模型：**3.1Nano2-Evo（默认）**、S5.0L、N2、W2.7、W2.7Pro、Nano2-Beta-Evo。 支持视频模型：**V3.1FB（默认）**、S1.5Pro、V3.1PB、V3.1Fast、W2.6t / W2.6i / W2.6r、klingV3Omni、W2.7t / W2.7i / W2.7r。 查看当前服务端激活的模型请运行：`python3 scripts/generate_image.py --list-models`。 触发场景： - 用户要求生成图片，如"生成一匹狼"、"画一只猫"、"风景画"、"帮我画"等。 - 用户要求生成视频，如"生成视频"、"文生视频"、"图生视频"、"生成一段...的视频"等。 - 用户指定模型：N2、S5.0L、W2.7、W2.7Pro、3.1Nano2-Evo、Nano2-Beta-Evo、S1.5Pro、V3.1FB、V3.1PB、V3.1Fast、W2.6t、W2.6i、W2.6r、klingV3Omni、W2.7t、W2.7i、W2.7r。 - 用户上传参考图/参考视频时，自动先调用文件上传 API 转换为可访问 URL。

AI Image Generator

异步生成 AI 图片与视频的技能。

⚠️ 首次使用必读

1. 获取 API Key

访问 https://ai.deepsop.com/ 注册并登录，然后创建你的 API Key。

2. 设置环境变量

在使用前，你必须先设置自己的 API Key：

# Linux/macOS/Git Bash (Windows)
export AI_ARTIST_TOKEN="sk-your_api_key_here"

# Windows PowerShell
$env:AI_ARTIST_TOKEN="sk-your_api_key_here"

或在项目根目录放一个 .env 文件（需 pip install python-dotenv，脚本会自动加载）：

AI_ARTIST_TOKEN=sk-your_api_key_here
FEISHU_WEBHOOK_URL=  # 可选，用于结果通知

3. 验证配置

验证配置是否正确：

python3 scripts/test_config.py

详细配置说明请查看下方"环境配置"章节。

快速开始

python3 scripts/generate_image.py "提示词"

意图澄清指南（重要）

调用前必须做的事：当用户的请求涉及参数复杂的模型，或关键信息缺失时，先向用户提问确认意图，再执行生成，避免浪费配额生成不符合预期的作品。

通用判断流程

1. 先分辨媒介：图片 vs 视频（关键词："画/生成图片/海报/插画" → 图片；"视频/动画/片段/动起来" → 视频）。
2. 判断输入材料：
   • 纯文字 → 文生模式（TEXT）
   • 有一张首帧图 → 首帧图生视频（FIRST&LAST）
   • 有首尾两张图 → 首尾帧控制（FIRST&LAST，需首帧+尾帧）
   • 有参考视频 → 续写（CONTINUATION）、编辑（EDIT）、参考生成（FEATURE/REFERENCE）
   • 有多张参考图（要求角色/元素一致性） → 参考图模式（REFERENCE）
3. 若用户意图不明确或关键材料缺失，必须提问，不要擅自假设。

按模型列出"必须澄清的关键点"

所有视频模型通用：

• 时长（秒）？ 比例？（16:9 横屏 / 9:16 竖屏 / 1:1 正方）
• 是否需要生成声音 / 配音 / 音乐？
• 提示词含有人物时，是否希望保持角色一致性？

klingV3Omni（最复杂）：5 种生成类型 + 多镜头模式，务必确认：

• 生成类型：文生（TEXT）/ 首尾帧（FIRST&LAST）/ 参考图生视频（REFERENCE）/ 编辑已有视频（EDIT）/ 参考视频再创作（FEATURE）？
• 镜头模式：单镜头（single）/ 智能多镜头（multi）/ 自定义分镜（customize，需要用户给出每个分镜的描述 + 时长）？
• 生成模式：std 标准 / pro 专家级？
• 若是 EDIT/FEATURE：需要参考视频 URL，并确认"是否保留原音"（keep_original_sound yes/no）

W2.6r / W2.7r（参考视频模式）：

• 参考图片 + 参考视频的总数 ≤ 5，询问用户是否都准备好了 URL / 本地文件
• 是否想保留原视频的角色音色？
• 希望迁移到什么场景？迁移的主体是什么？（让用户把场景描述写进 prompt）

W2.7i（图生视频，支持续写）：

• 输入是"一张首帧图"要让它动起来？→ FIRST&LAST（可选提供尾帧，让首尾过渡更可控）
• 输入是"一段已有视频"要让它继续播？→ CONTINUATION（需要 first_clip_url）
• 动作/运镜希望如何展开？请用户描述（写进 prompt）

W2.6t / W2.7t（文生视频）：

• 是否需要多镜头叙事？若是 → shot_type="multi"（智能分镜）
• 是否有反向提示词（不希望出现的内容）？
• 是否需要智能改写提示词（prompt_extend=True，默认 false）？
• 是否需要传入自定义音频？

V3.1Fast（V3.1 系列的复杂款）：

• 是否需要翻译为英文提示词（enhance_prompt）？
• 是否允许生成人物（personGeneration=allow_adult/dont_allow）？
• 图像缩放模式（resize_mode=pad/crop）？
• 时长 4 秒还是 8 秒？

V3.1FB / V3.1PB：时长固定 8 秒，不必问；但要确认比例 / 分辨率。

S1.5Pro（影视级）：

• 是否追求"音画同步 + 口型对齐"？（说明场景是否包含对话）
• 时长在 4-12 秒之间，默认 10 秒，可问用户。

图片复杂款 W2.7 / W2.7Pro / N2 / 3.1Nano2-Evo：

• 有无参考图？做"风格迁移"、"角色一致性"、"文字渲染"时参考图能显著提升质量。
• 是否需要特定比例？（默认 1:1，横图/竖图需指定）
• 质量档位（1K/2K/4K，详见每个模型表）

提问姿态（给 Claude 的指令）

• 一次最多问 2-3 个最关键的问题，别堆 10 个选项让用户懵。
• 优先问对画面/成本影响最大的参数（生成类型 > 时长 > 分辨率 > 次要参数）。
• 提供默认建议，让用户说"就这样"也能继续，不要强制用户全部自选。 示例："我打算用 klingV3Omni 做参考图生视频，比例 16:9、时长 10s、生成声音。你有几张想作为参考的图片吗？要不要保留原音？"
• 材料缺失时必须停下来要素材（URL / 本地文件路径），不要用占位符或假 URL 代替。
• 用户若说"随便/都行"，按默认值直接执行，并在生成后告知用了哪些默认。

何时可以不提问直接执行

• 用户请求非常明确（提示词清晰 + 指定了模型 + 提供了必要的参考材料 URL）
• 用户明确说"快速来一张就行" / "随便出个视频"：用默认模型与默认参数，生成后告知用了什么。
• 用户只要一张插画/头像/风景图 → 直接用默认 3.1Nano2-Evo 图片模型。

参考图/视频上传流程

当用户提供本地文件作为参考图或参考视频时，需要先调用文件上传 API 转换为可访问的 URL：

文件上传 API

curl --location --request POST 'https://ai.deepsop.com/prod-api/system/fileUpload/upload' \
--header 'x-api-key: sk-your_api_key_here' \
--form 'file=@"C:\\Users\\admin\\Downloads\\image.png"'

返回结果：

{
  "msg": "操作成功",
  "fileName": "image.png",
  "code": 200,
  "url": "https://kocgo-ai-sales-test.oss-cn-hangzhou.aliyuncs.com/material/100/xxx.png"
}

使用上传后的 URL

获取到 url 后，可作为 firstImageUrl、lastImageUrl 或其他图片参数传入生成接口。

在对话中直接返回图片

方式 1: Markdown 图片语法（推荐）

生成图片后，直接在回复中使用 Markdown 语法：

![描述](图片URL)

平台支持情况：

• ✅ WebChat、Discord、Telegram：完全支持
• ✅ 飞书：支持（需公开 URL）
• ❌ WhatsApp：不支持

方式 2: 下载后发送（需要 message 工具）

使用 --download 参数下载图片，然后通过 message 工具发送：

python3 scripts/generate_image.py "风景画" --download

然后在代码中读取图片并发送：

from scripts.generate_image import generate_image
import base64

result = generate_image(prompt="风景画", download=True)

if result and result["status"] == "SUCCESS":
    # 方式 A: 使用 data URI
    image_uri = result["data_uri"]  # data:image/png;base64,...
    
    # 方式 B: 读取本地文件
    with open(result["local_path"], "rb") as f:
        image_data = f.read()
        base64_data = base64.b64encode(image_data).decode()

参数说明

通用参数

参数	默认值	说明
prompt	必填	生成提示词（图片或视频描述）
--model	自动推断	生成模型。未指定时根据 prompt 关键词自动推断：包含 视频/动画/短片/动起来/镜头/clip/motion/video 等 → V3.1FB；其余 → 3.1Nano2-Evo。图片：3.1Nano2-Evo、S5.0L、N2、W2.7、W2.7Pro、Nano2-Beta-Evo；视频：V3.1FB、S1.5Pro、V3.1PB、V3.1Fast、W2.6t、W2.6i、W2.6r、klingV3Omni、W2.7t、W2.7i、W2.7r
--list-models	-	列出当前服务端激活的模型（hiddenState=0）后退出，不需 prompt
--dry-run	-	仅构建并打印最终 payload，不提交任务（调试用）
--json-output	-	以单行 JSON 向 stdout 输出最终结果 {status,url,message,local_path?}，便于 openclaw 等编排器解析
--interval	5	轮询间隔(秒)
--max-wait	图片 600 / 视频 1200	任务轮询最长等待秒数

输出契约（给编排器/openclaw）

• stdout：任务完成后恰好一行最终结果
  • 默认：成功时输出 URL，失败时留空
  • --json-output：始终输出一行 JSON，形如 {"status":"SUCCESS","url":"https://...","message":"..."}
  • --markdown-output：成功时输出 ![prompt](url)
• stderr：所有人类可读进度日志（[auto]、[upload]、预估费用、任务 ID、轮询状态变化、⚠️ 警告、错误说明）
• 退出码：0 = 成功，1 = 失败/超时

脚本会始终轮询到终态（SUCCESS / FAILED / TIMEOUT）才退出，无需调用方自己再查询结果。

图片专属参数

参数	默认值	说明
--quality	2K	图片质量 (2K/4K)
--size	模型默认值	图片尺寸。S5.0L / W2.7 / W2.7Pro: 2048x2048，N2 / 3.1Nano2-Evo / Nano2-Beta-Evo: 1:1
--download	-	下载图片到本地
--output-dir	workspace/images	图片保存目录
--markdown-output	-	以 Markdown 格式输出图片链接
--reference-image	-	参考图本地路径，自动上传后作为 image-to-image 参考
--reference-image-url	-	已上传的参考图 URL（跳过上传流程）
--web-search / --no-web-search	-	启用/关闭联网搜索（仅 S5.0L、3.1Nano2-Evo）

视频专属参数

参数	默认值	说明
--ratio	16:9	画面比例，如 16:9、9:16、1:1
--resolution	720p	视频分辨率，如 720p、1080p
--duration	10	视频时长（秒）
--first-image-url	-	首帧参考图 URL
--last-image-url	-	尾帧参考图 URL
--first-image	-	首帧参考图本地路径，自动上传后转换为 URL
--last-image	-	尾帧参考图本地路径，自动上传后转换为 URL
--generate-audio	-	开启音频生成（按模型能力生效）
--no-audio	-	关闭音频生成（按模型能力生效）

支持的模型

图片模型

模型	sourceName	methodType	默认尺寸	特点
S5.0L	DeepSop·S5.0L	4	2048x2048	默认模型，质量 2K/3K，支持联网，像素尺寸 WxH
N2	DeepSop·N2	2	1:1	多模态输入，精细参数调节，卓越文字渲染与角色一致性（比例格式）
W2.7	DeepSop.W2.7	6	2048*2048	文生图/图生图多模态输入，质量 1K/2K，size 用 * 分隔
W2.7Pro	DeepSop.W2.7Pro	7	2048*2048	精准控图与风格迁移，质量 1K/2K，size 用 * 分隔
3.1Nano2-Evo	DeepSop·3.1Nano2-Evo	8	1:1	N2 Evo 版，多模态输入、文字渲染与角色一致性
Nano2-Beta-Evo	DeepSop·Nano2 Beta-Evo	9	1:1	N2 Beta Evo 版，多模态输入、文字渲染与角色一致性

视频模型

模型	sourceName	methodType	默认比例	默认分辨率	默认时长	特点
S1.5Pro	DeepSop·S1.5Pro	2	16:9	720p	10s	影视级连贯叙事，音画同步与精准口型对齐
V3.1FB	DeepSop·V3.1FB	3	16:9	1080p	8s	快速生成，时长固定 8 秒
V3.1PB	DeepSop·V3.1PB	4	adaptive	720p	8s	V3.1Pro 多图参考，时长固定 8 秒
V3.1Fast	DeepSop·V3.1Fast	5	16:9	720p	8s	快速生成，音画同步，时长 4s/8s
W2.6t	DeepSop·W2.6t	7	16:9	720p	10s	文生视频，3-15s，size 用 * 像素，15s 1080P
W2.6i	DeepSop·W2.6i	8	16:9	720p	10s	图生视频，3-15s，size 用 ratio，无尾帧支持
W2.6r	DeepSop·W2.6r	9	16:9	720p	10s	参考视频，3-10s，size 用 * 像素
klingV3Omni	DeepSop.klingV3Omni	10	16:9	720p	10s	多模态融合，3-15s，按张计费，支持分镜
W2.7i	DeepSop·W2.7i	14	16:9	720p	10s	图生视频，首尾帧平滑过渡，动作延展与视频续写
W2.7t	DeepSop.W2.7t	15	16:9	720p	10s	文生视频，智能多镜头剪辑，自动配音，2K 高清
W2.7r	DeepSop.W2.7r	16	16:9	720p	10s	参考视频生成，保留角色音色，多模态融合编辑

V3.1 系列时长（来自前端 matchVideoDurationInfo）：

• V3.1FB / V3.1PB：时长固定为 8 秒
• V3.1Fast：4 秒 或 8 秒
• 分辨率可选：720p / 1080p / 4K；比例 16:9 / 9:16 / adaptive

WAN2.6 / WAN2.7 / klingV3Omni 系列：

• *t：纯文生视频 · *i：首帧图生视频 · *r：参考图/视频生成
• 时长范围：W2.6r 为 3-10s；其余（包含 klingV3Omni）为 3-15s
• size 序列化规则：仅 W2.6t / W2.6r 使用 宽*高 像素格式；W2.6i / W2.7t/i/r / klingV3Omni 的 size 为比例字符串（如 16:9）
• 分辨率可选：720p / 1080p（klingV3Omni 无分辨率选项）
• 比例：W2.6t / W2.6r / W2.7t / W2.7r 支持 1:1 / 3:4 / 4:3 / 16:9 / 9:16；W2.6i / W2.7i 不可选比例（由首帧决定）；klingV3Omni 仅 1:1 / 16:9 / 9:16
• W2.6i / Sora2 系列不支持尾帧图片（仅 W2.7i 支持）
• W2.6t / W2.6i / W2.7* 支持传入自定义音频（audioUrl）

使用示例

# 查看当前服务端激活的模型
python3 scripts/generate_image.py --list-models

# 基础用法 - 默认图片模型 3.1Nano2-Evo
python3 scripts/generate_image.py "一匹狼"

# 使用 N2 模型（比例尺寸）
python3 scripts/generate_image.py "生成一只狗" --model N2 --size "16:9"

# W2.7 图片模型
python3 scripts/generate_image.py "复古海报" --model W2.7 --quality "4K"

# W2.7Pro 精准控图
python3 scripts/generate_image.py "角色三视图" --model W2.7Pro

# 3.1Nano2-Evo / Nano2-Beta-Evo（N2 进化版）
python3 scripts/generate_image.py "赛博朋克街景" --model 3.1Nano2-Evo --size "16:9"
python3 scripts/generate_image.py "少女肖像" --model Nano2-Beta-Evo --size "3:4"

# 下载图片
python3 scripts/generate_image.py "风景画" --download

# 高质量生成（S5.0L）
python3 scripts/generate_image.py "风景画" --quality "4K" --size "4096x4096"

# 直接输出 Markdown 图片链接
python3 scripts/generate_image.py "一只可爱的猫" --markdown-output

# 使用参考图生成（自动上传本地图片并转换为 URL）
python3 scripts/generate_image.py "基于这张图生成变体" --reference-image "./reference.png"

# 生成视频 - 默认 V3.1FB（快速、固定 8 秒）
python3 scripts/generate_image.py "现代轻奢吊灯" --model V3.1FB

# 生成视频 - S1.5Pro（默认 16:9 / 720p / 10s）
python3 scripts/generate_image.py "小骏马祝福大家新年快乐" --model S1.5Pro

# 生成视频 - 指定比例和分辨率
python3 scripts/generate_image.py "海边日落风景" --model S1.5Pro --ratio "9:16" --resolution "1080p"

# V3.1FB - 快速基础（8 秒）
python3 scripts/generate_image.py "现代轻奢吊灯" --model V3.1FB --ratio "16:9" --resolution "1080p" --duration 8

# V3.1PB - 自适应比例（8 秒）
python3 scripts/generate_image.py "水晶灯特写" --model V3.1PB --ratio "adaptive" --resolution "720p" --duration 8

# V3.1Fast - 首帧图生视频（4 秒）
python3 scripts/generate_image.py "灯具展示" --model V3.1Fast --first-image "./lamp.jpg" --duration 4

# klingV3Omni - 多模态融合（按张计费）
python3 scripts/generate_image.py "多模态融合镜头" --model klingV3Omni --ratio "16:9" --duration 8

# W2.6t / W2.7t - 文生视频（10 秒）
python3 scripts/generate_image.py "现代轻奢吊灯宣传" --model W2.6t --ratio "16:9" --resolution "1080p" --duration 10
python3 scripts/generate_image.py "品牌短片自动配音 2K" --model W2.7t --ratio "16:9" --resolution "1080p" --duration 10

# W2.6i / W2.7i - 首帧图生视频（8 秒）
python3 scripts/generate_image.py "水晶灯展示" --model W2.6i --first-image "./lamp.jpg" --ratio "9:16" --resolution "720p" --duration 8
python3 scripts/generate_image.py "角色动作延展" --model W2.7i --first-image "./char.jpg" --last-image "./char_end.jpg" --duration 8

# W2.6r / W2.7r - 参考视频生成（CLI 需传已上传 URL，或使用程序化调用）
python3 scripts/generate_image.py "参考素材风格生成" --model W2.6r --ratio "16:9" --resolution "720p" --duration 10
python3 scripts/generate_image.py "保留角色音色迁移场景" --model W2.7r --ratio "16:9" --resolution "720p" --duration 10

程序化调用

from scripts.generate_image import generate_image, generate_video

# 图片 - 默认 3.1Nano2-Evo
result = generate_image(prompt="一只可爱的猫咪")

# 查询当前激活模型（预览用）
from scripts.generate_image import list_active_models
print(list_active_models())

# 图片 - N2（比例尺寸）
result = generate_image(prompt="生成一只狗", model="N2", size="16:9")

# 图片 - W2.7Pro 精准控图
result = generate_image(prompt="角色三视图", model="W2.7Pro", quality="4K")

# 图片 - 下载到本地
result = generate_image(prompt="风景画", model="S5.0L", download=True, output_dir="./images")

# V3.1FB - 文生视频
result = generate_video(
    prompt="现代轻奢吊灯",
    model="V3.1FB",
    ratio="16:9",
    resolution="1080p",
    duration=8
)

# V3.1Fast - 首帧图生视频
result = generate_video(
    prompt="灯具展示",
    model="V3.1Fast",
    first_image_url="https://example.com/lamp.jpg",
    ratio="9:16",
    resolution="1080p",
    duration=8
)

# V3.1PB - 首尾帧控制
result = generate_video(
    prompt="灯具变形动画",
    model="V3.1PB",
    first_image_url="https://example.com/start.jpg",
    last_image_url="https://example.com/end.jpg",
    ratio="16:9",
    resolution="1080p",
    duration=8
)

# W2.7r - 参考视频生成（多模态融合）
result = generate_video(
    prompt="保留角色音色迁移到新场景",
    model="W2.7r",
    image_url_list=["https://example.com/ref1.jpg", "https://example.com/ref2.jpg"],
    video_url_list=["https://example.com/ref.mp4"],
    ratio="16:9",
    resolution="720p",
    duration=10
)

# klingV3Omni - 多模态融合（按张计费）
result = generate_video(
    prompt="镜头一致性多图融合",
    model="klingV3Omni",
    image_url_list=["https://example.com/scene1.jpg", "https://example.com/scene2.jpg"],
    ratio="16:9",
    duration=8
)

if result and result["status"] == "SUCCESS":
    print(f"链接: {result['url']}")

# 视频 - 默认 V3.1FB
result = generate_video(prompt="小骏马祝福大家新年快乐")

# 视频 - 指定比例、分辨率、时长
result = generate_video(
    prompt="海边日落风景",
    model="S1.5Pro",
    ratio="9:16",
    resolution="1080p",
    duration=5
)

if result and result["status"] == "SUCCESS":
    print(f"视频链接: {result['url']}")

返回字段

字段	说明
status	SUCCESS / FAILED / TIMEOUT
url	图片URL
message	状态描述
local_path	本地保存路径（需 --download）
data_uri	Base64 Data URI（需 --download）
image_data	原始图片字节（需 --download）

环境配置

必需配置 - API Key

重要：使用前必须设置你自己的 API Key！

获取 API Key

1. 访问 https://ai.deepsop.com/
2. 注册并登录账号
3. 在控制台创建你的 API Key
4. 复制生成的 API Key（格式：sk-xxxxxx...）

方式 1：使用 .env 文件（推荐）

1. 复制 .env.example 为 .env：

   cp .env.example .env
   

2. 编辑 .env 文件，填入你的 API Key：

   AI_ARTIST_TOKEN=sk-your_api_key_here
   

3. 在运行脚本前加载环境变量：

   # Linux/macOS/Git Bash
   source .env
   
   # 或使用 export
   export $(cat .env | xargs)
   

方式 2：直接设置环境变量

Linux / macOS / Git Bash (Windows)

export AI_ARTIST_TOKEN="sk-your_api_key_here"

为了永久生效，将上述命令添加到 ~/.bashrc 或 ~/.zshrc 文件中。

Windows PowerShell

$env:AI_ARTIST_TOKEN="sk-your_api_key_here"

永久设置（系统级）：

[System.Environment]::SetEnvironmentVariable('AI_ARTIST_TOKEN', 'sk-your_api_key_here', 'User')

Windows CMD

set AI_ARTIST_TOKEN=sk-your_api_key_here

验证配置

运行以下命令验证 API Key 是否设置成功：

# Linux/macOS/Git Bash
echo $AI_ARTIST_TOKEN

# Windows PowerShell
echo $env:AI_ARTIST_TOKEN

# Windows CMD
echo %AI_ARTIST_TOKEN%

如果输出为空或显示默认值，说明环境变量未正确设置。

测试配置（推荐）

运行配置测试脚本，验证 API Key 是否正确设置：

python3 scripts/test_config.py

该脚本会检查：

• API Key 是否已设置
• 是否使用了默认 Key（需要替换为你自己的）
• 配置是否可以正常使用

可选配置 - 飞书通知

export FEISHU_WEBHOOK_URL="https://open.feishu.cn/open-apis/bot/v2/hook/xxx"

相关文件

• scripts/generate_image.py - 主脚本
• references/api.md - API 详细文档