用 Stable Diffusion 量产英语单词闪卡配图

背单词这件事，配图的价值常被低估。认知心理学里有个经典说法叫「双重编码」：一个词如果同时绑定图像和语音，回忆时就多了一条通路。道理不难懂，难的是执行——给一百个单词各配一张风格统一的插图，靠搜图引擎基本是灾难：尺寸不一、画风混杂，还随时可能踩版权。文生图模型恰好补上这块：提示词写对，一张卡片配图的成本可以压到几秒钟。

为什么选 Stable Diffusion？它自 2022 年开源以来一直是应用最广的文生图模型之一：可以本地部署，有庞大的社区模型与插件生态，提示词玩法成熟。而做「固定风格、批量出图」这类任务，正好是它的主场——本文就用一套英语单词闪卡的实际场景，把这条链路走通。

本文整理一条经过实际验证的路线：先用四段式结构写出能用的提示词，再用一张参考图把风格钉死成模板，最后用脚本批量替换变量，把「一张一张画」变成「一条流水线」。

一、四段式：提示词的通用骨架

给 Stable Diffusion 写提示词，最稳的入门结构是四段式：

[主题]，[详细描述]，[风格]，[其他相关细节]

四段各司其职。主题回答「画什么」，最好具体到一个名词；详细描述回答「长什么样」，补颜色、姿态、材质这些视觉属性；风格段决定「像谁画的」，photorealistic 和 digital illustration 是两个完全不同的世界；其余细节负责环境与光，比如背景、布光。

举几个实测效果稳定的写实风格例子：

• 苹果："A red apple, realistic, detailed, on a white background, studio lighting"
• 猫："A cute fluffy cat, sitting, big eyes, whiskers, photorealistic, soft lighting"
• 书："Open hardcover book, pages with text, on wooden table, soft ambient lighting, detailed"
• 海滩："Tropical beach, clear blue water, white sand, palm trees, sunny day, photorealistic"

还有一个实用细节：文本编码器对词序敏感，排在前面的词权重更高，所以四段的先后不是随意的——主体和风格放前，光效细节放后。

注意苹果这条：白色背景加棚拍布光，生成的是「词典插画」而不是「果园随手拍」。对闪卡这种用途，背景本身就是提示词的一部分——越干净，单词和图像的绑定越牢。

二、参考图锚定：把风格钉进模板

四段式解决了「单张能不能用」，批量生产要的是「张张像一套」。这一步的关键，是找一张目标风格的参考图，把它的视觉特征逐项翻译成风格词。参考图怎么挑？三条标准：构图是否可复制（最好是单主体居中）、信息密度是否够低、配色是否有辨识度。

以儿童农场主题闪卡为例，拆出来的模板长这样：

Cute cartoon [subject], on a farm,
children's flashcard style, colorful,
simple background, white border,
word 'X' underneath, digital illustration

这段模板里每个风格词都有明确分工：

• cute cartoon + digital illustration：钉住画风，避免滑向写实照片；
• children's flashcard style：钉住构图与用途，模型会倾向居中、留白、低信息密度；
• colorful：儿童插画需要的高饱和配色；
• simple background：背景干净，主体突出；
• white border：直接画出卡片白边，出图即成品；
• word 'X' underneath：把单词本身写进画面。

套上三个单词，得到完整提示词：

1. 农夫："Cute cartoon farmer in overalls and straw hat, holding pitchfork, on a farm, children's flashcard style, colorful, simple background, white border, word 'farmer' underneath, digital illustration"
2. 绵羊："Cute cartoon fluffy sheep, smiling, on green grass, farm setting, children's flashcard style, colorful, simple background, white border, word 'sheep' underneath, digital illustration"
3. 拖拉机："Cute cartoon yellow tractor, big wheels, in a farm field, children's flashcard style, colorful, simple background, white border, word 'tractor' underneath, digital illustration"

留意每个例子在模板之外都补了「这个单词特有的视觉锚点」：农夫的背带裤、草帽和干草叉，绵羊的绒毛与微笑，拖拉机的黄色大轮子。模板保证统一，锚点保证辨识度，两者缺一不可。

模板还可以「换壳」：把 on a farm 换成 under the sea 或 in the jungle，风格段原封不动，就能得到同一画风的不同主题系列。这是模板化相比逐条写提示词的真正优势——风格成了一种可复用的资产。另外，新模板定稿前先拿三个词试产一轮，对照参考图逐项检查：画风对不对、背景干不干净、白边有没有出来，全部达标再谈量产。

三、从一张到一百张：变量替换

模板成型后，剩下的是工程问题。做法很朴素：一张词表，两列——单词和视觉锚点，脚本负责拼接提示词、调用接口、落盘。十几行 Python 就够：

import csv, requests

TEMPLATE = ("Cute cartoon {detail}, {setting}, children's flashcard style, "
            "colorful, simple background, white border, "
            "word '{word}' underneath, digital illustration")

for row in csv.DictReader(open("words.csv")):
    prompt = TEMPLATE.format(**row)
    img = call_sd_api(prompt, negative_prompt=NEG, seed=42, steps=30)
    img.save(f"cards/{row['word']}.png")

几条工程建议：词表用 CSV 或 JSON 管理，「锚点」列让每个词的插图有辨识度；文件名直接用单词本身，后面导入 Anki 时可以一一对应；同一主题的一批词一次跑完，中途别改模板。

如果本地跑的是 Automatic1111 或 ComfyUI，两者都带 HTTP API，用 requests 就能调；不想管显卡，用 diffusers 库起一个本地 pipeline 也是常见做法。图片文件到手后，导入 Anki 只差一步：建一个单词在正面、图片在背面的笔记模板，批量导入时把文件名字段映射上即可，整个闭环不需要任何手工排版。

四、风格一致性的三道保险

批量出图最大的敌人是「漂移」：第 30 张和第 3 张画风对不上。三道保险能压住大部分漂移。

固定种子。 同一个 seed 配同一个模板，构图波动会小很多。做系列插图时把 seed 写进脚本常量，而不是每次随机。

负面提示词。 正面提示词说「要什么」，负面提示词说「别出现什么」。闪卡场景的常用负面词：photo, realistic, blurry, watermark, text errors, deformed。它和模板是一套组合拳，只调正面往往事倍功半。另外可以调一调 CFG（提示词遵循强度）：闪卡模板词多且互相配合，CFG 设在 7 到 9 通常更听话，再高容易出现过饱和的「烧图」感。

LoRA。 现成风格词压不住时，可以挂一个现成的卡通或贴纸风 LoRA，权重从 0.6 到 0.8 起步试；更讲究的做法是拿十几张目标风格的图自己训一个小 LoRA。相比训练整模的 DreamBooth，LoRA 只往模型里注入低秩增量，样本少、收敛快，是批量风格一致性的性价比之选。

五、几个坑

文内文字不可信。 word 'X' underneath 很诱人，但 SD 1.5 时代的文字渲染基本靠运气，拼错是常态；SDXL 之后好了不少，仍建议小批量验证，或者出图后用绘图工具补字。

细节要适度。 提示词不是越长越好：细节太多，模型顾此失彼、属性互相冲突；太少又落回「随便画一个」。每个视觉属性只说一遍，说清就走。

先试产再放量。 新模板先跑三到五张，确认风格收敛了再上全量词表。模板改动晚于批量生成，是返工的最大来源。

尺寸先定死。 闪卡通常是 1:1 或 4:3，批量生成前把分辨率写进脚本参数；跑完几百张再统一裁剪，纯属重复劳动。

写在最后

这套「四段结构、模板锚定、变量替换」的流水线，远不止做单词卡。同一思路可以直接迁移到其他教育素材：科学概念插图（水循环、太阳系）、历史场景再现、数学概念的图形化解释——本质都是「同一风格、不同主体」的批量出图。

更普适的一点是方法论：把提示词当代码来管理——有模板、有词表、有版本、可重跑——AIGC 才能从「抽卡玩具」变成生产线上的一环。