一、温故知新

回顾前面几篇文章，我们分别对文生图的案例演示和RAG Query改写做了详细介绍，今天我们再趣味性的强化一下两者的应用途径，结合两个模型Qwen-Turbo和Qwen-Image同时使用，将自然语言处理与计算机视觉完美结合，发现两者的奥妙之处。

二、系统介绍

先看看展示界面：

示例关键词：北极光, 日出

示例生成的文案：极光在晨曦中缓缓舞动，淡绿色与紫色的光带如丝绸般飘荡在深蓝色的天空。太阳刚刚升起，金色的光芒从地平线洒下，照亮了覆盖着薄霜的雪原。冰湖倒映着绚丽的极光与初升的太阳，整个画面充满神秘与宁静，空气中弥漫着清冷而纯净的气息。

生成的图片：

看系统界面，清楚我们使用Gradio构建的一个演示界面，该界面将展示如何使用Qwen-Turbo生成提示词，然后使用Qwen-Image生成图像。我们将按照之前的设计，将流程分为两个主要步骤：先生成提示词，然后生成图像。在提示词生成成功之前，直接生成图像将会给出提示先生成提示词。

系统的核心在于三个主要功能模块：关键词管理、提示词生成和图像处理。关键词管理系统提供了结构化的选择方式，用户可以从多个类别中选择感兴趣的关键词，系统会自动将这些关键词组合成有意义的查询。

提示词生成引擎是系统的智能核心，它不仅简单拼接关键词，而是理解用户的创作意图，生成富有创意和细节的图像描述。图像处理模块则负责将文本描述转换为视觉内容，支持多种风格和尺寸的定制。

系统主要包含以下功能：

1. 关键词选择：使用选项卡和复选框组让用户选择关键词。

2. 参数设置：下拉菜单选择尺寸和风格，文本框输入负面提示词。

3. 生成提示词：点击按钮调用Qwen-Turbo生成提示词，并显示在文本框中。

4. 生成图像：只有在提示词生成后才可点击，调用Qwen-Image生成图像并显示。

5. 状态显示：显示操作的状态信息（成功、错误、进行中）。

6. 清除和下载功能：清除所有选择，下载生成的图像。

三、系统流程

实际操作过程简单直观：首先在界面左侧选择相关的关键词，这些关键词按主题分类，方便快速查找和选择。接着设置图像参数，包括尺寸、风格等可选设置。

点击"生成提示词"后，系统调用Qwen-Turbo生成详细的图像描述。获得满意的提示词后，可以点击"生成图像"按钮，系统将调用Qwen-Image创建最终的视觉作品。整个过程通常只需要几分钟，具体时间取决于图像复杂度和服务器负载。

1. 流程图

2. 流程介绍

2.1 应用启动与初始化

用户启动应用，加载Gradio界面
系统初始化API连接和参数设置
生成图像按钮初始状态为禁用

2.2 提示词生成

用户选择关键词和参数
点击生成提示词按钮
系统验证输入有效性
调用Qwen-Turbo API生成详细图像描述
处理API响应，显示生成的提示词或错误信息
成功生成提示词后启用生成图像按钮

2.3 图像生成

点击生成图像按钮
系统验证提示词存在且有效
调用Qwen-Image API生成图像
异步处理API响应
下载生成的图像并显示在界面

四、代码参考与解析

import dashscope
from dashscope import ImageSynthesis
import requests
import tempfile
import os
import time
from PIL import Image
import io
import base64
import json
import gradio as gr
# 设置您的 DashScope API Key
DASHSCOPE_API_KEY =  os.environ.get("DASHSCOPE_API_KEY", "")  # 请替换为您的实际API Key
# 初始化 DashScope
dashscope.api_key = DASHSCOPE_API_KEY
# DashScope Qwen-Image 支持的风格参数
SUPPORTED_STYLES = {
    "自动": "auto",
    "3D卡通": "<3d cartoon>",
    "动漫": "<anime>",
    "油画": "<oil painting>",
    "水彩": "<watercolor>",
    "素描": "<sketch>",
    "中国画": "<chinese painting>",
    "扁平插画": "<flat illustration>",
    "摄影": "<photography>",
    "肖像": "<portrait>"
}
# DashScope Qwen-Image 支持的尺寸参数
SUPPORTED_SIZES = {
    "正方形 (1024x1024)": "1024*1024",
    "横屏 (1280x720)": "1280*720",
    "竖屏 (720x1280)": "720*1280"
}
# 多组关键词选项
KEYWORD_GROUPS = {
    "自然": ["森林", "河流", "山脉", "星空", "湖泊", "海洋", "沙漠", "冰川", "草原", "瀑布", 
              "峡谷", "岛屿", "火山", "洞穴", "森林小径", "珊瑚礁", "热带雨林", "北极光", "温泉", "绿洲"],
    "城市": ["高楼", "街道", "公园", "夜景", "桥梁", "广场", "地铁", "商业区", "住宅区", "地标建筑",
              "咖啡馆", "博物馆", "美术馆", "火车站", "机场", "港口", "书店", "餐厅", "购物中心", "体育场"],
    "人物": ["儿童", "老人", "情侣", "家庭", "学生", "医生", "艺术家", "运动员", "上班族", "旅行者",
              "科学家", "教师", "音乐家", "舞蹈家", "演员", "作家", "摄影师", "厨师", "农民", "消防员", "解放军"],
    "动物": ["猫咪", "小狗", "熊猫", "老虎", "狮子", "大象", "海豚", "鸟类", "蝴蝶", "兔子",
              "猴子", "长颈鹿", "斑马", "企鹅", "考拉", "袋鼠", "熊", "狐狸", "狼", "马"],
    "植物": ["樱花", "玫瑰", "竹子", "松树", "向日葵", "仙人掌", "荷叶", "枫叶", "薰衣草", "郁金香",
              "百合", "牡丹", "菊花", "桂花", "茉莉花", "桃花", "杜鹃花", "梅花", "向日葵", "绿萝"],
    "物品": ["礼帽", "手杖", "书本", "咖啡杯", "吉他", "相机", "钟表", "花瓶", "雨伞", "背包",
              "眼镜", "围巾", "手套", "项链", "耳环", "戒指", "手表", "钱包", "手机", "笔记本电脑"],
    "天气": ["晴天", "雨天", "雪天", "雾天", "日落", "日出", "彩虹", "雷电", "阴天", "微风",
              "大风", "暴雨", "暴雪", "冰雹", "台风", "霜冻", "露水", "雾霾", "多云", "晴朗"],
    "场景": ["咖啡馆", "图书馆", "博物馆", "海滩", "山脉", "森林", "花园", "未来城市", "赛博朋克", "太空站", 
              "海底世界", "古代城堡", "乡村小屋", "豪华别墅", "小木屋", "沙漠帐篷", "雪山营地", "太空飞船", "阅兵式"]
}
def generate_prompt_with_qwen(keywords_dict, style=None):
    """
    使用通义千问Turbo模型根据关键词生成详细的图像描述提示词
    """
    url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation"
    
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {DASHSCOPE_API_KEY}"
    }
    
    # 构建风格提示
    style_prompt = ""
    if style and style != "自动":
        style_name = style
        style_prompt = f"，风格为{style_name}"
    
    # 从字典中提取所有选中的关键词
    all_keywords = []
    for group, keywords in keywords_dict.items():
        if keywords:
            all_keywords.extend(keywords)
    
    # 如果没有选择任何关键词，返回错误
    if not all_keywords:
        return None, "请至少选择一个关键词"
    
    # 将关键词列表组合成字符串
    keywords_str = "，".join(all_keywords)
    
    # 构建请求体
    payload = {
        "model": "qwen-turbo",
        "input": {
            "messages": [
                {
                    "role": "system",
                    "content": "你是一个专业的图像描述生成助手。你的任务是根据用户提供的关键词，生成一段150字以内的详细、生动、富有想象力的图像描述，用于AI文生图模型。描述应该包含场景、主体、动作、环境、光线、色彩、情绪等细节，使AI能够生成高质量的图像。"
                },
                {
                    "role": "user",
                    "content": f"请根据以下关键词生成一段详细的图像描述{style_prompt}，描述应该具体、生动，包含足够的细节，适合用于AI文生图：{keywords_str}。请直接给出描述文本，不要包含任何解释或其他内容。"
                }
            ]
        },
        "parameters": {
            "temperature": 0.8,
            "top_p": 0.8,
            "result_format": "message"
        }
    }
    
    try:
        print(f"发送请求到Qwen-Turbo API: {json.dumps(payload, ensure_ascii=False)}")
        response = requests.post(url, headers=headers, json=payload)
        response_data = response.json()
        
        print(f"Qwen-Turbo API响应: {json.dumps(response_data, ensure_ascii=False, indent=2)}")
        
        if response.status_code == 200 and "output" in response_data:
            # 提取生成的提示词
            generated_prompt = response_data["output"]["choices"][0]["message"]["content"]
            return generated_prompt, None
        else:
            error_msg = f"Qwen-Turbo API调用失败，状态码: {response.status_code}"
            if "message" in response_data:
                error_msg += f", 错误信息: {response_data['message']}"
            return None, error_msg
            
    except Exception as e:
        error_msg = f"调用Qwen-Turbo时发生异常: {str(e)}"
        print(error_msg)
        import traceback
        traceback.print_exc()
        return None, error_msg
def generate_image_direct(prompt, size, style=None, negative_prompt=None):
    """
    直接使用HTTP请求调用DashScope API，避免dashscope库的问题
    """
    if not DASHSCOPE_API_KEY or DASHSCOPE_API_KEY == "":
        return "请先设置您的 DashScope API Key"
    
    url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/text2image/image-synthesis"
    
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {DASHSCOPE_API_KEY}",
        "X-DashScope-Async": "enable"  # 启用异步调用
    }
    
    # 构建请求体
    payload = {
        "model": "wanx-v1",
        "input": {
            "prompt": prompt
        },
        "parameters": {
            "size": size,
            "n": 1
        }
    }
    
    # 添加风格参数（如果提供且不是"自动"）
    if style and style != "自动":
        # 将中文风格名称转换为API支持的格式
        style_code = SUPPORTED_STYLES.get(style, "auto")
        payload["parameters"]["style"] = style_code
        
    # 添加负面提示（如果提供）
    if negative_prompt and negative_prompt.strip():
        payload["parameters"]["negative_prompt"] = negative_prompt
    
    try:
        print(f"发送请求到DashScope API: {json.dumps(payload, ensure_ascii=False)}")
        response = requests.post(url, headers=headers, json=payload)
        response_data = response.json()
        
        print(f"API响应: {json.dumps(response_data, ensure_ascii=False, indent=2)}")
        
        if response.status_code == 200:
            # 检查是否为异步任务
            if "output" in response_data and "task_status" in response_data["output"]:
                task_id = response_data["output"]["task_id"]
                print(f"异步任务已创建，任务ID: {task_id}")
                
                # 轮询任务状态
                return poll_task_result(task_id)
            elif "output" in response_data and "results" in response_data["output"]:
                # 同步响应，直接获取结果
                if len(response_data["output"]["results"]) > 0:
                    image_url = response_data["output"]["results"][0]["url"]
                    return download_and_save_image(image_url)
                else:
                    return "API响应中未包含有效结果"
            else:
                return "API响应格式不正确"
        else:
            error_msg = f"API调用失败，状态码: {response.status_code}"
            if "message" in response_data:
                error_msg += f", 错误信息: {response_data['message']}"
            return error_msg
            
    except Exception as e:
        error_msg = f"发生异常: {str(e)}"
        print(error_msg)
        import traceback
        traceback.print_exc()
        return error_msg
def poll_task_result(task_id, max_attempts=30, delay=2):
    """
    轮询异步任务结果
    """
    if not DASHSCOPE_API_KEY or DASHSCOPE_API_KEY == "":
        return "请先设置您的 DashScope API Key"
    
    url = f"https://dashscope.aliyuncs.com/api/v1/tasks/{task_id}"
    
    headers = {
        "Authorization": f"Bearer {DASHSCOPE_API_KEY}"
    }
    
    attempt = 0
    
    while attempt < max_attempts:
        try:
            print(f"轮询任务状态，尝试 {attempt + 1}/{max_attempts}")
            response = requests.get(url, headers=headers)
            response_data = response.json()
            
            print(f"任务状态响应: {json.dumps(response_data, ensure_ascii=False, indent=2)}")
            
            if response.status_code == 200:
                if "output" not in response_data:
                    return "API响应格式不正确，缺少output字段"
                
                task_status = response_data["output"].get("task_status", "UNKNOWN")
                
                if task_status == "SUCCEEDED":
                    if ("output" in response_data and 
                        "results" in response_data["output"] and 
                        len(response_data["output"]["results"]) > 0):
                        
                        image_url = response_data["output"]["results"][0]["url"]
                        return download_and_save_image(image_url)
                    else:
                        return "任务成功但未包含有效结果"
                elif task_status in ["FAILED", "CANCELED"]:
                    error_msg = f"任务失败，状态: {task_status}"
                    if "message" in response_data["output"]:
                        error_msg += f", 错误信息: {response_data['output']['message']}"
                    return error_msg
                else:
                    # 任务仍在处理中，等待后再次尝试
                    time.sleep(delay)
                    attempt += 1
            else:
                return f"获取任务状态失败，状态码: {response.status_code}"
                
        except Exception as e:
            error_msg = f"轮询任务时发生异常: {str(e)}"
            print(error_msg)
            time.sleep(delay)
            attempt += 1
    
    return "任务处理超时"
def download_and_save_image(image_url):
    """
    下载图像并保存到临时文件
    """
    try:
        img_response = requests.get(image_url)
        if img_response.status_code == 200:
            # 创建临时文件保存图像
            with tempfile.NamedTemporaryFile(delete=False, suffix='.png') as f:
                f.write(img_response.content)
                image_path = f.name
            
            print("图像下载成功!")
            return image_path
        else:
            return f"下载图像失败，状态码: {img_response.status_code}"
    except Exception as e:
        return f"下载图像时发生异常: {str(e)}"
# 创建 Gradio 界面
def create_interface():
    with gr.Blocks(title="Qwen-Image 智能文生图演示", theme=gr.themes.Soft()) as demo:
        gr.Markdown("# 🎨 Qwen-Turbo 关键字生成文本 + Qwen-Image 智能文生图演示")
        gr.Markdown("使用通义千问Turbo模型将关键词转换为详细描述，再用通义万相生成图像  ")
        
        # 创建关键词选项卡
        keyword_components = {}
        
        with gr.Row():
            with gr.Column(scale=1):
                # 关键词选项卡 - 移除了不支持的label参数
                with gr.Tabs():
                    for group_name, keywords in KEYWORD_GROUPS.items():
                        with gr.Tab(group_name):
                            # 为每组关键词创建多选框，并存储在字典中
                            keyword_components[group_name] = gr.CheckboxGroup(
                                choices=keywords,
                                label=f"{group_name}类关键词",
                                interactive=True
                            )
                    
                # 使用gr.Row()将图像尺寸和图像风格合并成一行显示
                with gr.Row():
                    with gr.Column(scale=1):
                        # 使用支持的尺寸选项
                        size = gr.Dropdown(
                            choices=list(SUPPORTED_SIZES.keys()),
                            value="横屏 (1280x720)",
                            label="图像尺寸"
                        )
                    
                    with gr.Column(scale=1):
                        # 使用支持的风格选项
                        style = gr.Dropdown(
                            choices=list(SUPPORTED_STYLES.keys()),
                            value="自动",
                            label="图像风格"
                        )
                
                negative_prompt = gr.Textbox(
                    label="负面提示词 (可选)",
                    placeholder="请输入不希望出现在图像中的内容",
                    lines=1
                )
                
                with gr.Row():
                    generate_prompt_btn = gr.Button("Qwen-Turbo 生成提示词", variant="primary")
                    generate_image_btn = gr.Button("Qwen-Image 生成图像", variant="secondary")
                
                # 生成的提示词显示
                generated_prompt = gr.Textbox(
                    label="生成的详细提示词",
                    placeholder="这里将显示通义千问生成的详细提示词",
                    lines=3,
                    interactive=True
                )
                
            with gr.Column(scale=1):
                # 将已选关键词显示框移到生成的图像上方
                selected_keywords_display = gr.Textbox(
                    label="已选关键词",
                    placeholder="这里将显示所有已选择的关键词",
                    lines=1,
                    interactive=False
                )
                
                output_image = gr.Image(
                    label="生成的图像",
                    interactive=False
                )
                
                status_text = gr.Textbox(
                    label="状态信息",
                    interactive=False,
                    lines=1
                )
                
                with gr.Row():
                    download_btn = gr.Button("下载图像", variant="primary")
                    clear_btn = gr.Button("清除", variant="stop")
        
        # 将使用说明移到主Row外部，实现全屏显示
        with gr.Row():
            with gr.Column():
                gr.Markdown("### 使用说明")
                gr.Markdown("""
                __1.__ 在左侧选项卡中选择您想要图像的关键词，可以从多组不同类型中选择关键词&nbsp;&nbsp;&nbsp;&nbsp; __2.__ 选择图像尺寸和风格
                &nbsp;&nbsp;&nbsp;&nbsp;  __3. 可选：__ 在负面提示词框中输入不希望出现在图像中的内容        
                __4.__ 点击"生成提示词"按钮生成详细描述 &nbsp;&nbsp;&nbsp;&nbsp; __5.__ 点击"生成图像"按钮根据提示词生成图像
                &nbsp;&nbsp;&nbsp;&nbsp; __6.__  注意使用前必须先设置好 __DashScope API Key__。
                """)
                
        # 添加一个函数，用于即时更新已选关键词显示
        def update_selected_keywords_display(*args):
            # args包含所有关键词选择组件的当前值
            all_selected_keywords = []
            
            for selected in args:
                if selected:
                    all_selected_keywords.extend(selected)
            
            # 将已选关键词格式化为字符串显示
            keywords_display = ", ".join(all_selected_keywords)
            return keywords_display
        
        # 处理生成提示词按钮点击事件
        def on_generate_prompt_click(*args):
            # 前 len(KEYWORD_GROUPS) 个参数是每组关键词的选择结果
            selected_keywords_dict = {}
            all_selected_keywords = []
            
            for i, group_name in enumerate(KEYWORD_GROUPS.keys()):
                selected_keywords_dict[group_name] = args[i]
                # 收集所有已选关键词
                if args[i]:
                    all_selected_keywords.extend(args[i])
            
            # 下一个参数是尺寸，再下一个是风格
            style = args[len(KEYWORD_GROUPS) + 1]
            
            if not any(selected_keywords_dict.values()):
                yield None, "", "⚠️ 警告：请至少选择一个关键词！"
                return
                
            if not DASHSCOPE_API_KEY or DASHSCOPE_API_KEY == "您的API_KEY":
                yield None, "", "⚠️ 警告：请先设置您的 DashScope API Key！"
                return
                
            # 更新状态
            status = "正在使用通义千问生成详细提示词..."
            # 将已选关键词格式化为字符串显示
            keywords_display = ", ".join(all_selected_keywords)
            yield None, keywords_display, status
            
            # 使用通义千问生成详细提示词
            prompt, error = generate_prompt_with_qwen(selected_keywords_dict, style)
            if error:
                yield None, keywords_display, f"❌ 生成提示词失败: {error}"
            else:
                yield prompt, keywords_display, "✅ 提示词生成成功!"
        
        # 处理生成图像按钮点击事件
        def on_generate_image_click(prompt, size, style, negative_prompt):
            if not prompt.strip():
                yield None, "⚠️ 异常提醒：请先生成提示词！"
                return
                
            if not DASHSCOPE_API_KEY or DASHSCOPE_API_KEY == "您的API_KEY":
                yield None, "⚠️ 异常提醒：请先设置您的 DashScope API Key！"
                return
                
            # 更新状态
            status = "正在生成图像，这可能需要一些时间..."
            yield None, status
            
            # 将用户友好的尺寸名称转换为API格式
            api_size = SUPPORTED_SIZES.get(size, "1024*1024")
            
            # 调用API生成图像
            result = generate_image_direct(prompt, api_size, style, negative_prompt)
            
            # 检查结果是图像路径还是错误信息
            if isinstance(result, str) and result.endswith('.png') and os.path.exists(result):
                yield result, "✅ 图像生成成功!"
            else:
                yield None, f"❌ 生成图像失败: {result}"
        
        # 处理清除按钮点击事件
        def on_clear_click():
            # 清除关键词选择
            clear_keywords = [[] for _ in range(len(KEYWORD_GROUPS))]
            # 清除其他组件
            return clear_keywords + [None, "", "已清除图像和提示词"]
        
        # 准备输入参数列表：所有关键词组件 + [尺寸, 风格]
        generate_prompt_inputs = list(keyword_components.values()) + [size, style]
        generate_prompt_btn.click(
            fn=on_generate_prompt_click,
            inputs=generate_prompt_inputs,
            outputs=[generated_prompt, selected_keywords_display, status_text]
        )
        
        generate_image_btn.click(
            fn=on_generate_image_click,
            inputs=[generated_prompt, size, style, negative_prompt],
            outputs=[output_image, status_text],
            api_name="generate_image",
            show_progress=True
        )
        
        # 处理下载按钮点击事件
        def on_download_click(image):
            if image is None:
                return "没有可下载的图像"
            
            # 获取当前时间作为文件名
            timestamp = int(time.time())
            filename = f"qwen_image_{timestamp}.png"
            
            try:
                # 如果图像是文件路径
                if isinstance(image, str) and os.path.exists(image):
                    import shutil
                    shutil.copy2(image, filename)
                    return f"图像已保存为 {filename}"
                else:
                    return "无法保存图像：无效的图像路径"
            except Exception as e:
                return f"保存图像时发生错误: {str(e)}"
        
        download_btn.click(
            fn=on_download_click,
            inputs=output_image,
            outputs=status_text
        )
        
        # 准备清除按钮的输出参数
        clear_outputs = list(keyword_components.values()) + [output_image, generated_prompt, selected_keywords_display, status_text]
        clear_btn.click(
            fn=on_clear_click,
            inputs=None,
            outputs=clear_outputs
        )
        
        # 为每个关键词选择组件添加事件监听，实现即时更新已选关键词显示
        for component in keyword_components.values():
            component.change(
                fn=update_selected_keywords_display,
                inputs=list(keyword_components.values()),
                outputs=selected_keywords_display
            )
    
    return demo
# 启动 Gradio 应用
if __name__ == "__main__":
    # 检查API密钥是否已设置
    if not DASHSCOPE_API_KEY or DASHSCOPE_API_KEY == "您的API_KEY":
        print("警告: 请先设置您的 DashScope API Key")
        print("您可以在代码中设置 DASHSCOPE_API_KEY 变量")
    
    # 创建并启动 Gradio 界面
    demo = create_interface()
    demo.launch(
        server_name="0.0.0.0",  # 允许外部访问
        server_port=7861,       # 设置端口
        share=False,            # 不创建公开链接
        debug=True              # 启用调试模式
    )

结构分析：

1. 导入和初始化

import dashscope
from dashscope import ImageSynthesis
import requests
import tempfile
import os
import time
from PIL import Image
import io
import base64
import json
import gradio as gr
# 设置API密钥
DASHSCOPE_API_KEY = os.environ.get("DASHSCOPE_API_KEY", "")
dashscope.api_key = DASHSCOPE_API_KEY

导入必要的库，包括DashScope SDK、HTTP请求、文件处理、图像处理和Gradio界面库
从环境变量获取API密钥并进行初始化

2. 参数配置

# 支持的风格和尺寸参数
SUPPORTED_STYLES = {...}
SUPPORTED_SIZES = {...}
# 多组关键词选项
KEYWORD_GROUPS = {
    "自然": ["森林", "河流", ...],
    "城市": ["高楼", "街道", ...],
    # ... 其他类别
}

定义了API支持的图像风格和尺寸选项
创建了分类的关键词库，方便用户选择

3. 核心功能函数

3.1 提示词生成函数

def generate_prompt_with_qwen(keywords_dict, style=None):

使用Qwen-Turbo模型根据用户选择的关键词生成详细的图像描述
构建系统提示词，指导模型生成适合AI绘画的描述
处理API响应并提取生成的提示词
输入：用户选择的关键词和风格参数
处理：构建API请求，调用Qwen-Turbo模型
输出：生成的详细图像描述提示词

3.2 图像生成函数

def generate_image_direct(prompt, size, style=None, negative_prompt=None):

直接使用HTTP请求调用DashScope API生成图像
支持异步任务处理和轮询机制
处理风格、尺寸和负面提示词参数
输入：生成的提示词和用户设置的参数
处理：构建API请求，调用Qwen-Image模型
输出：图像URL或任务ID（异步任务）

3.3 辅助函数

def poll_task_result(task_id, max_attempts=30, delay=2):
def download_and_save_image(image_url):

实现异步任务状态轮询
下载生成的图像并保存到临时文件

4. Gradio界面构建

def create_interface():

创建多选项卡关键词选择界面
设计图像参数配置区域（尺寸、风格、负面提示词）
设置提示词生成和图像生成按钮
添加状态显示和结果展示区域

5. 事件处理逻辑

def on_generate_prompt_click(*args):
def on_generate_image_click(prompt, size, style, negative_prompt):
def on_clear_click():
def on_download_click(image):

处理用户交互事件
协调提示词生成和图像生成流程
实现状态更新和结果反馈

6. 函数的执行流程

这是一个简化流程图，清晰地展示了Qwen-Turbo和Qwen-Image协同工作的核心流程

五、应用场景与案例赏析

这一技术在实际应用中展现出巨大价值。在创意设计领域，设计师可以快速生成概念图、灵感素材；在内容创作方面，自媒体工作者能够为文章配图、制作吸引人的封面；在教育领域，教师可以创建教学插图、可视化教材。

商业应用案例同样丰富：电商企业可以用其生成产品展示图，营销团队可以创作广告素材，甚至房地产行业也能用于生成房产概念图。这些应用不仅提高了工作效率，更重要的是开启了新的创作可能性。

案例1

关键词：森林, 绿洲, 日落, 乡村小屋

生成的文案：夕阳西下，金色的余晖洒在宁静的森林中，一片绿洲悄然浮现。绿洲中央矗立着一座古朴的乡村小屋，屋顶覆盖着青苔，木窗透出温暖的灯光。小屋前的小径铺满落叶，微风轻拂，树叶沙沙作响。天空染上橙红与紫罗兰的渐变色彩，映照在绿洲的水面上，波光粼粼，宛如梦境。整个画面充满温馨与安宁，仿佛时间在此静止。

生成的图片：

案例2

关键词：山脉, 星空, 摄影师, 晴朗

生成的文案：摄影师伫立在巍峨的山脉之巅，夜空如墨，繁星点点，银河横跨天际，璀璨夺目。他专注地调整着相机参数，镜头对准那片神秘的星空，脸上带着沉静而兴奋的神情。四周寂静无声，只有微风轻拂山岩，月光洒落在雪峰之上，银白与深蓝交织，营造出宁静而壮丽的氛围。

生成的图片：

案例3

关键词：森林小径, 手机, 古代城堡

生成的文案：幽深的森林小径蜿蜒穿过茂密的树影，青苔覆盖的石板上残留着昨夜的露水。一位旅人手持老旧手机，神情专注地查看屏幕，仿佛在寻找某种指引。远处，一座古老的城堡矗立在薄雾中，尖顶刺破灰蓝色的天空，墙壁爬满藤蔓，散发着神秘与沧桑的气息。阳光透过树叶洒下斑驳光影，营造出一种静谧而略带忧郁的氛围。

生成的图片：

案例4

关键词：高楼, 暴雪, 赛博朋克

生成的文案：高楼在暴雪中闪烁着冷艳的霓虹光芒，赛博朋克风格的灯光在白色雪花中投下斑斓的光影。街道上行人稀少，穿着厚重羽绒服的影子在闪烁的广告屏下匆匆而过。巨大的全息投影在空中浮现，模糊的数字代码在风雪中若隐若现，整个城市仿佛被冻结在未来的梦境之中。

生成的图片：

六、总结

为了获得最佳效果，我们也应该掌握一些实用技巧：在关键词选择时，尽量选择相关性强、具体的词汇；在提示词生成后，可以适当编辑优化；对于图像生成，可以尝试不同的风格参数组合。

代码性能方面，通过合理的API调用策略和缓存机制，可以优化提高响应速度。同时，还应该了解各种参数对生成结果的影响，以便更好地控制输出质量。

随着AI技术的不断发展，这一领域仍有巨大提升空间。未来的版本可能会支持更复杂的提示词结构、更精细的风格控制、更快的生成速度。同时，应用场景也将进一步扩展，可能涵盖视频生成、3D模型创建等更复杂的视觉内容生产。

Qwen-Turbo与Qwen-Image的组合不仅是一次思维的风暴，也是AI内容创作的实际落地。双模型架构不仅技术先进，更重要的是实用性强，能够真正解决实际创作中的痛点。

构建AI智能体：二十二、双剑合璧：Qwen系列双模型在文生文、文生图中的搭配应用

一、温故知新

二、系统介绍

三、系统流程

1. 流程图

2. 流程介绍

2.1 应用启动与初始化

2.2 提示词生成

2.3 图像生成

四、代码参考与解析

1. 导入和初始化

2. 参数配置

3. 核心功能函数

3.1 提示词生成函数

3.2 图像生成函数

3.3 辅助函数

4. Gradio界面构建

5. 事件处理逻辑

6. 函数的执行流程

五、应用场景与案例赏析

六、总结

阿里云百炼

热门文章

最新文章

相关电子书