上传清晰原图触发天工ai多模态识别，自动提取画面内容后生成三段式早教文案（情境导入、互动对话、认知延伸），支持指令约束与实时重写，并需通过图文声三端一致性校验确保教育可信度。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要用一张儿童绘本插图自动生成配套的早教文案，不用手动写故事梗概、角色对话和教育提示，直接让AI理解画面内容并输出结构化文字内容。
上传图片触发多模态识别
打开天工AI官网或App，点击首页【图片识别】图标，或直接拖拽PNG/JPEG格式的插图到上传区。
这一步必须用清晰无遮挡的原图，截图带UI边框、手机拍摄反光、扫描件带阴影的图片会导致文字识别率暴跌——系统会把“小熊举着苹果”误判成“小熊举着模糊色块”，后续文案完全跑偏。
上传后等待3～5秒，页面自动显示“已识别图像内容”，下方出现文字摘要预览。
调用AI写作生成适配文案
在识别结果页，点击【生成文案】按钮→选择【儿童早教故事】模板→点击【开始生成】。
天工AI (iOS) 5.2.1版本新增 PPT 生成页数配置、十余种专业视频模板，并且支持设置视频比例与时长；定时任务可指定模型并推送到 IM 渠道。修复了下载失败等问题，提升了稳定性与内容创作体验，让创作更自由、更高效。
系统会基于图像中识别出的角色、动作、场景、色彩倾向，自动构建三段式结构：开头情境导入（如“阳光洒在森林小路上…”）、中间互动对话（如“小兔子问：‘这个红红的果子能吃吗？’”）、结尾认知延伸（如“苹果是富含维生素C的水果，每天一个身体棒！”）。
若生成文案中出现“机器人”“飞船”等图中根本不存在的元素，说明图片信息提取有噪声，此时不要直接修改文案，先点【重新识别图片】再试一次——强行编辑会破坏多模态对齐逻辑，导致后续语音合成口型错位。
精细化控制输出风格与长度
方法一：在生成前输入指令框里加约束条件
比如写：“请用3岁儿童能听懂的短句，每段不超过12字，加入拟声词‘咔嚓’‘咕噜噜’，避免使用‘因此’‘然而’等连接词。”
方法二：生成后用编辑器实时重写
选中某一段文案→右键→【换种说法】→从弹出的3个选项中挑一个更口语化的版本；反复操作直到所有段落都符合早教音频录制要求。
注意：调整时别删掉系统自动插入的【教育提示】标签，那是后续对接PPT自动排版和语音合成节奏的关键锚点，删掉会导致生成的幻灯片缺页、TTS语调平直无起伏。
导出并验证多模态一致性
第一步：点击【导出为Word】→保存本地；
第二步：在新页面打开【AI语音合成】→粘贴刚导出的文案→选择“女童声+轻快节奏”→生成MP3；
第三步：把原图、Word文档、MP3文件三者并排打开，逐句核对：图中画的是“小鸭子踩水坑”，文案写的是“小鸭子跳水坑”，语音读出来是“小鸭子——扑通！”，三者动作动词必须严格一致。
只要有一处不匹配，就退回第一步重新上传原图——多模态链路里任意一环断裂，整套早教素材就失去可信度。
