voice-text-to-meme

根据输入法语音识别文本或润色后文本生成单张表情包图片。适用于用户想把一句话做成聊天可发送的表情包、meme 图、带字梗图或贴纸图时。支持原始语音文本和润色后文本两种输入，默认优先使用润色后文本；自动根据文本语气判断风格；默认直接生成带字图片，也支持生成无字图并同时给出配文模板；使用 doubao-seedream...

语音文本转表情包

概述

此 Skill 用于把输入法侧已经拿到的语音文本，转换成一张适合聊天发送的表情包图片。

默认处理目标：

• 输入可以是原始语音识别文本，也可以是已经润色后的文本。
• 默认优先使用润色后文本；如果没有润色后文本，则退回原始文本。
• 自动判断文本语气和意图，选择更合适的表情包风格。
• 默认生成一张直接带字的表情包图片。
• 如果用户明确要求，或判断带字图风险较高，也支持“生成无字图 + 单独给出上/下字幕文案模板”。

工作流

按以下顺序执行：

1. 选择输入文本

   • 若同时提供 polished_text 和 original_text，优先使用 polished_text。
   • 若只有一个文本字段，则使用该字段。
   • 若两个字段都很短或明显无意义，先让用户补充更完整文本。

2. 判断语气与意图 根据文本判断整体方向，常见类型包括：

   • 开心/得意
   • 无语/吐槽
   • 委屈/求助
   • 拒绝/婉拒
   • 催促/提醒
   • 敷衍/摆烂
   • 惊讶/震惊
   • 日常可爱/轻松

3. 生成表情包文案与视觉提示

   • 把输入文本压缩成适合上图的短文案。
   • 文案优先短、狠、准，通常不超过 12 个汉字；确有必要时可放宽，但避免长段落。
   • 构造适合图片模型的视觉提示词，包含：人物表情、动作、构图、风格、字幕位置、背景简洁程度。

4. 选择输出模式

   • 默认：带字图模式
     • 直接要求图片模型生成带字表情包。
   • 备选：无字图 + 文案模板模式
     • 生成无字图。
     • 同时给出上字幕/下字幕或单行字幕建议，便于 UI 或后处理叠字。
   • 当用户明确说“不要直接在图里写字”“我要自己后处理字幕”，必须使用备选模式。

5. 调用脚本生成图片

   • 使用 scripts/generate_meme.py。
   • 默认图片模型为 doubao-seedream-4-5-251128。
   • 默认通过 OpenAI 兼容接口调用，基地址从环境变量读取。

6. 返回结果

   • 若生成成功，返回图片文件路径，以及必要时的字幕模板。
   • 不要输出冗长解释；以可直接发送为目标。

文案规则

始终遵守：

• 保留原意，不凭空添加事实。
• 可以夸张语气，但不要把温和表达改成攻击性内容。
• 优先适合聊天场景，不要写成公文、海报文案或长标题。
• 口语梗可以保留，但要确保用户看得懂。
• 如果原文已经很适合做梗，不要过度改写。

建议的文案模式：

• 单行爆点文案：适合短句梗图
• 上下分行文案：适合反差类表情包
• 无字图 + 单独配文：适合 UI 统一叠字

风格选择规则

按语气自动选择合适视觉风格：

• 轻松/日常：可爱贴纸风、简洁聊天表情风
• 吐槽/无语：夸张 meme 风、表情反差强、近景大表情
• 委屈/求助：弱小可怜风、简洁背景、人物居中
• 得意/炫耀：夸张庆祝风、强表情、动作感
• 提醒/催促：指向性手势、强调字幕、简洁背景

除非用户明确指定，不要默认生成过于写实或复杂场景。优先：

• 单主体
• 清晰表情
• 干净背景
• 强可读性
• 聊天中一眼看懂

直接带字图模式

默认优先使用此模式。

要求：

• 让模型在图中直接呈现主要文案。
• 文案尽量短。
• 字体视觉要清晰，尽量留白，避免挤满画面。
• 若需要两段文案，优先“上短下短”，不要多段排版。

无字图 + 文案模板模式

以下情况优先使用：

• 用户说要自己加字。
• 目标平台有统一叠字样式。
• 文案较长，直接由模型渲染可能不清晰。
• 需要更稳定的排版控制。

此模式下：

• 生成无字图。
• 同时给出建议字幕，如：
  • top_text
  • bottom_text
  • 或 single_caption

配置

默认环境变量：

• MEME_MODEL_API_KEY：必填，图片模型 API token
• MEME_MODEL_BASE_URL：默认 https://models.audiozen.cn/v1
• MEME_MODEL_NAME：默认 doubao-seedream-4-5-251128
• MEME_OUTPUT_DIR：图片输出目录，可选

脚本

使用 scripts/generate_meme.py 生成图片。

常用参数：

• --text：输入文本
• --polished-text：润色后文本，可选
• --mode：direct-text 或 template
• --style：可选，手动指定风格
• --size：图片尺寸，默认 2K
• --output：输出文件路径

示例

示例 1：默认带字图

输入：

• original_text: “我真的会谢”
• polished_text: “我真的会谢。”

处理：

• 优先使用润色后文本
• 判断为吐槽/无语
• 生成单张带字 meme 图

示例 2：自己后处理字幕

输入：

• original_text: “你先忙 我不急”
• 用户要求：不要直接在图里写字

处理：

• 走无字图 + 文案模板模式
• 返回图片和建议字幕

注意事项

• 仅生成一张图，不返回多候选，除非用户明确要求。
• 不要把普通聊天内容做成过于冒犯、低俗或恐怖的图。
• 当文本缺少明显情绪时，优先走日常轻松风。