企业官网建设流程全解析

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_KEY=sk-xxxxxxxxxxxxxxxx SENSENOVA_BASE_URL=https://token.sensenova.cn/v1 SENSENOVA_MODEL=sensenova-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 SDK：

from openai import OpenAI client = OpenAI( api_key="sk-xxxxxxxx", base_url="https://token.sensenova.cn/v1" ) resp = client.images.generate( model="sensenova-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...", size="2048x2048", n=1, ) 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/console，API 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_url="https://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 = ( "Children's 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}. " f"The two characters are facing each other, smiling, with friendly body " f"language — 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(f"TTS 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_font=f_emoji) d.text((128, 1284), scene.title_zh, fill=(56, 189, 248), font=f_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_width=text_w) canvas.save(out_path, quality=92)

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 HTML：

def 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, encoding="utf-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 ComfyUI（File → 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_key="sk-xxx", base_url="https://token.sensenova.cn/v1") resp = client.images.generate( model="sensenova-u1.5-lite", prompt="a bear and a rabbit facing each other, smiling, children's book style", size="1024x1024", n=1, ) 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_KEY=sk-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 UI（http://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model=sensenova-u1.5-lite, size=2048x2048, n=1，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. / I'm good. / Not bad. 三种，发音重点 thank 的 /θ/ 要咬舌送气。

场景三 “What's 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/api，Key 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 U+2600 到 U+27BF 的杂项符号、U+1F900 到 U+1F9FF 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 POST：

import requests url = "https://token.sensenova.cn/v1/images/edits" headers = {"Authorization": f"Bearer {api_key}"} body = { "model": "sensenova-u1.5-lite", "images": [{"image_url": f"data:image/png;base64,{img_b64}"}], "prompt": "把背景换成傍晚场景", "size": "1024x1024", "n": 1, } resp = requests.post(url, json=body, headers=headers, timeout=120)

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。