批量 AI 配图：生成、缩放、查字

这篇适合谁，读完能做到什么

适合需要一组看起来像同一系列的插图，并且想要一条能反复使用的路径、从文字提示走到小体积网络图片的人。读完你应该能维护自己的提示词文件，用 sips 和 cwebp 做转换，用苹果的 Vision 框架写一个查图中文字的小程序，并明白上传顺序为什么重要。

这条流水线是什么

我们的流程有五步：提示词文件、生成图片、缩放并转为 WebP、检查文字、上传。其中检查文字是不常见的一步。提示词里已经禁止出现文字，但模型仍可能在图里写出字母。我们用一个基于苹果 Vision 框架的小型 Swift 程序检查每张图，有字的图会被重新绘制。^[1]Vision 的文字识别请求 VNRecognizeTextRequest 文档中的说明是「在图像中查找并识别文字的图像分析请求」，可用于 macOS 10.15 及以上，以及 iOS 13.0。^[2]

转 WebP 这一步是因为原图太大。2026 年 11 月 13 日，约 1.8 MB 的 PNG 文件被转成了 36 到 49 KB 的 WebP 文件。^[1]WebP 是面向网络的图片格式，同时提供无损和有损压缩。官方说明中，无损 WebP 比 PNG 小 26%，有损 WebP 在同等 SSIM 质量指标下比可比的 JPEG 小 25-34%。^[14]

准备

需要 cwebp 编码器。libwebp 软件包包含库以及命令行工具 cwebp 和 dwebp；Linux、Windows 或 macOS 上也可以下载预编译好的 cwebp。^[18][14]缩放用的是 sips。

Vision 是苹果的框架。我们使用的 VNRecognizeTextRequest 通过 VNImageRequestHandler 运行，后者负责处理针对同一张图片的一个或多个请求。^[11]

上手步骤

1. 把每个事件的画面描述写进 content/media/prompts.json，每个事件一个对象，包含 subject、alt_en、alt_zh 和 source 字段。^[1]

1. 给每条提示词都加上同一段风格串。这是封面看起来像一个系列的原因。风格串是 "conceptual 3D render, soft studio lighting, matte materials, dark navy background with cool cyan rim light, minimal composition, shallow depth of field"。^[1]

1. 加上禁止项：提示词禁止出现文字、字母、数字、商标、人脸和旗帜。^[1]

1. 按提示生成图片，然后用 sips -z 720 1280 缩放到 720×1280，再用 cwebp -quiet -q 80 转换。^[1]cwebp 手册给出的示例调用如下，可以看出选项的写法：^[13]

cwebp -q 50 -lossless picture.png -o picture_lossless.webp
cwebp -q 70 picture_with_alpha.png -o picture_with_alpha.webp
cwebp -sns 70 -f 50 -size 60000 picture.png -o picture.webp
cwebp -o picture.webp -- ---picture.png

1. 检查图里有没有字。写一个小型 Swift 程序，对每张图运行 VNRecognizeTextRequest。几个属性决定检查的方式：recognitionLevel 设为 VNRequestTextRecognitionLevel.fast 时优先速度，设为 VNRequestTextRecognitionLevel.accurate 则用于更长、计算量更大的识别。^[3]usesLanguageCorrection 为 true 时会做语言纠错；设为 false 则返回原始结果，速度更快，但准确性更低。^[4]minimumTextHeight 相对于图片高度计算，默认值是 0.03125，即 1/32。^[5]

1. 先把图片上传到对象存储，再登记到生产数据库。^[1]

1. 选出需要配图的条目。只为重要度 4 及以上、还没有封面的新闻事件配图，每次导入后用一条数据库查询找出它们。^[1]

我们的做法

我们只给需要封面的事件配图。查询在每次导入之后运行，所以列表总是最新的。^[1]所有提示词使用同一段风格串，正是这一点让封面看起来像一个系列。^[1]到 2026 年 11 月 13 日，媒体库里有 642 张 AI 生成图和 25 张照片。^[1]

我们先上传，再登记。2026 年 11 月 8 日，顺序曾经反过来，线上网站有一段时间显示破图。从那以后，图片先进对象存储，数据库记录后写入。^[1]

我们选的尺寸是 720×1280，输出为质量 80 的 WebP，就是上面那两条命令的结果。^[1]这些是我们网站的选择，不是对所有配图的通用标准。

限制和常见问题

• usesLanguageCorrection 为 false 时，customWords 会被忽略。开启纠错时，customWords 优先于标准词典。^[8]
• automaticallyDetectsLanguage 在 iOS 16.0、iPadOS 16.0、macOS 13.0、tvOS 16.0 和 visionOS 1.0 上可用，用于决定是否检测语言，以便使用合适的识别模型。^[7]
• recognitionLanguages 接受 ISO 语言代码，顺序即优先级。^[6]supportedRecognitionLanguages() 返回请求支持的语言标识符。^[9]
• 小于 minimumTextHeight 的文字会被忽略。调大这个值可以减少内存占用、加快识别，代价是漏掉小字。^[5]
• perform(_:) 在所有请求完成或失败后才返回，所以要逐个检查每个请求的成功或失败。^[12]
• WebP 的最大尺寸是 16383 x 16383 像素。^[15]有损 WebP 只处理 8 位 Y'CbCr 4:2:0 图像，无损 WebP 只处理 RGBA。^[15]
• 从有损源转换后，如果文件大小一直超出预期，就降低质量。FAQ 还建议用 -size 指定目标大小来代替质量设置，并写道「targeting 80% of the original file size might prove more robust」。^[15]
• cwebp 不支持动画 PNG 或动画 WebP 作为输入。^[13]
• -preset 应放在参数的最前面，因为它会覆盖其他参数的值，只有 -q 例外。^[13]
• Vision 只负责读文字，判断一张图是不是好的配图仍然要靠人。

下一步

先读 Vision 的 VNRecognizeTextRequest 文档^[2]和 cwebp 手册。^[13]要了解格式本身，读 WebP 的 FAQ。^[15]先用一张图跑通，肉眼看一遍，再让整组图都经过同一个脚本。