漫画脸描述生成实战：基于Qwen3-32B的AI绘图提示词生成教程

你是不是也遇到过这样的情况：想用AI画一个二次元角色，脑子里有大概的样子，但就是不知道怎么用文字描述出来？要么描述得太简单，生成出来完全不是那么回事；要么描述得太复杂，AI又理解不了。

我之前也是这样，直到我开始用大模型来帮我生成提示词。今天要跟你分享的，就是怎么用Qwen3-32B这个模型，快速生成高质量的漫画脸描述，让你能轻松画出想要的二次元角色。

这个教程特别适合刚开始接触AI绘画的朋友，不需要你有编程基础，跟着步骤走就行。我会带你从环境搭建开始，一步步教你用起来。

1. 准备工作：环境搭建

首先，你需要一个能运行Qwen3-32B模型的环境。我推荐用星图GPU平台，因为它已经预置了相关的镜像，省去了很多配置的麻烦。

1.1 创建实例

登录星图平台后，找到“创建实例”的选项。在镜像选择里，搜索“Qwen3-32B”相关的镜像。通常会有一些预置好的镜像，比如“Qwen3-32B-Chat”或者“Qwen3-32B-Instruct”，选一个最新的版本就行。

配置方面，建议选择至少16GB显存的GPU，因为32B的模型对显存要求比较高。内存选32GB以上，这样运行起来会更流畅。

1.2 启动服务

实例创建好后，等几分钟让它启动完成。然后通过SSH或者平台提供的Web终端连接到你的实例。

第一次连接时，可能需要安装一些依赖。不过如果用的是预置镜像，大部分依赖应该都已经装好了。你可以先检查一下Python环境：

python --version

如果显示Python 3.8或以上版本，就说明环境基本没问题。

2. 快速上手：第一个漫画脸描述

环境准备好了，咱们先来试试最简单的用法，看看这个模型能做什么。

2.1 安装必要的库

虽然预置镜像可能已经包含了一些库，但为了确保完整，我们还是安装一下transformers和torch：

pip install transformers torch

这个命令会安装运行模型需要的核心库。如果安装速度慢，可以加上国内的镜像源，比如清华源。

2.2 写一个简单的调用脚本

创建一个Python文件，比如叫generate_prompt.py，然后写入以下代码：

from transformers import AutoModelForCausalLM, AutoTokenizer

# 加载模型和分词器
model_name = "Qwen/Qwen3-32B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备一个简单的提示
prompt = "请生成一个二次元少女角色的详细描述，用于AI绘画。要求：蓝色长发，红色眼睛，穿着学院制服，表情温柔。"

# 编码输入
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

# 生成描述
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=200,
        temperature=0.7,
        do_sample=True
    )

# 解码输出
generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print("生成的描述：")
print(generated_text)

这段代码做了几件事：

1. 加载Qwen3-32B模型和对应的分词器
2. 准备一个简单的提示，告诉模型我们想要什么样的角色
3. 让模型根据提示生成更详细的描述
4. 把生成的结果打印出来

2.3 运行看看效果

在终端里运行这个脚本：

python generate_prompt.py

第一次运行会下载模型文件，可能需要一些时间，取决于你的网络速度。模型大小大概60多GB，所以耐心等一下。

下载完成后，你应该能看到类似这样的输出：

生成的描述：
请生成一个二次元少女角色的详细描述，用于AI绘画。要求：蓝色长发，红色眼睛，穿着学院制服，表情温柔。

角色描述：一位拥有飘逸蓝色长发的二次元少女，发丝在阳光下泛着淡淡的光泽。她的眼睛是鲜艳的红色，如同红宝石般璀璨，眼神温柔而清澈。她穿着标准的日式学院制服，白色衬衫搭配深蓝色西装外套，系着红色领结。制服裙是深蓝色的百褶裙，长度及膝。她微微笑着，表情温柔亲切，背景可以是樱花飘落的校园场景。整体画风偏向日系动漫风格，线条清晰，色彩明亮。

看到没？模型把我们简单的几句话，扩展成了很详细的描述，连背景、画风都考虑到了。这就是用大模型生成提示词的好处——它能帮你把模糊的想法具体化。

3. 进阶技巧：让描述更精准

刚才的例子比较简单，但实际使用时，你可能会有更具体的要求。下面我分享几个让描述更精准的技巧。

3.1 使用更详细的提示

模型的表现很大程度上取决于你给的提示。试试这个更详细的提示：

detailed_prompt = """你是一个专业的AI绘画提示词生成专家。请根据以下要求生成一个详细的二次元角色描述：

角色类型：魔法少女
外貌特征：
- 发色：粉色渐变到紫色
- 眼睛：金色，有星星形状的高光
- 服装：华丽的魔法少女服装，有大量蕾丝和蝴蝶结
- 配饰：手持魔法杖，头上有月亮形状的发饰

场景：夜晚的星空下，站在魔法阵中央
画风：精细的日系插画风格，背景有发光粒子效果

请生成一个完整、详细的描述，包含所有视觉细节，适合直接用于AI绘画。"""

inputs = tokenizer(detailed_prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=300,
        temperature=0.6,
        do_sample=True
    )

result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)

这种结构化的提示能让模型更好地理解你的需求。注意我用了具体的特征描述，还指定了场景和画风。

3.2 调整生成参数

生成结果的质量可以通过参数来调整。主要关注这几个：

• max_new_tokens：控制生成文本的长度。对于角色描述，200-500通常够用。
• temperature：控制随机性。值越低（如0.3-0.6），结果越确定和保守；值越高（如0.8-1.2），结果越有创意但也可能偏离要求。
• top_p：核采样参数，通常0.9-0.95效果不错。
• repetition_penalty：防止重复，可以设为1.1-1.2。

这里有个调整后的例子：

def generate_character_description(prompt, style="anime"):
    """生成角色描述的通用函数"""
    
    # 根据风格调整提示
    if style == "anime":
        style_note = "日系动漫风格，大眼睛，色彩鲜艳"
    elif style == "semi-realistic":
        style_note = "半写实风格，有一定真实感但保留动漫特征"
    else:
        style_note = "二次元插画风格"
    
    full_prompt = f"{prompt}\n画风要求：{style_note}\n请生成详细描述："
    
    inputs = tokenizer(full_prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=250,
            temperature=0.65,
            top_p=0.92,
            repetition_penalty=1.15,
            do_sample=True
        )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

# 使用示例
prompt = "生成一个酷炫的赛博朋克风格角色，有机械义眼和发光纹身"
description = generate_character_description(prompt, style="semi-realistic")
print(description)

3.3 处理常见问题

新手在用的时候可能会遇到一些问题，我整理了几个常见的：

问题1：生成的描述太笼统 解决：在提示里明确要求“详细描述”、“包含所有细节”、“具体到颜色、材质、光影”。

问题2：角色特征不符合要求 解决：把关键特征放在提示开头，用强调的语气，比如“必须包含：蓝色头发、红色眼睛”。

问题3：描述逻辑混乱 解决：让模型按顺序描述，比如“请按以下顺序描述：1. 外貌特征 2. 服装 3. 场景 4. 画风”。

这里有个处理这些问题的完整示例：

def generate_detailed_prompt(character_traits, scene, style):
    """生成详细提示词的函数"""
    
    prompt_template = """作为AI绘画提示词专家，请生成一个极其详细的角色描述。

必须包含以下特征：
{traits}

场景设定：{scene}
画风要求：{style}

请按此顺序详细描述：
1. 角色整体外观和气质
2. 面部特征细节（眼睛、鼻子、嘴巴、表情）
3. 发型和发色细节
4. 服装的每个部分（上衣、下装、鞋子、配饰）
5. 场景环境和背景元素
6. 光影效果和色彩搭配
7. 画面构图和视角

生成描述："""
    
    full_prompt = prompt_template.format(
        traits="\n".join([f"- {trait}" for trait in character_traits]),
        scene=scene,
        style=style
    )
    
    inputs = tokenizer(full_prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=400,
            temperature=0.6,
            top_p=0.9,
            do_sample=True
        )
    
    result = tokenizer.decode(outputs[0], skip_special_tokens=True)
    # 提取生成的描述部分
    if "生成描述：" in result:
        return result.split("生成描述：")[1].strip()
    return result

# 使用示例
traits = [
    "银色短发，有蓝色挑染",
    "异色瞳：左眼金色，右眼蓝色",
    "穿着未来风格的战斗服",
    "手持能量剑"
]

scene = "未来城市的屋顶，夜晚，霓虹灯闪烁"
style = "赛博朋克动漫风格，有光污染效果"

description = generate_detailed_prompt(traits, scene, style)
print("生成的详细描述：")
print(description)

4. 实际应用：批量生成和优化

学会了基本用法后，你可能需要批量生成多个角色的描述，或者对生成的描述进行优化。

4.1 批量生成不同角色

如果你需要一系列相关角色的描述，可以这样做：

def batch_generate_characters(character_types, base_scene, base_style):
    """批量生成多个角色描述"""
    
    results = []
    
    for char_type in character_types:
        prompt = f"""生成一个{char_type}的二次元角色描述。
角色特点要符合{char_type}的常见设定。
场景：{base_scene}
画风：{base_style}
请生成详细描述："""
        
        inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
        
        with torch.no_grad():
            outputs = model.generate(
                **inputs,
                max_new_tokens=200,
                temperature=0.7,
                do_sample=True
            )
        
        description = tokenizer.decode(outputs[0], skip_special_tokens=True)
        # 清理结果，只保留生成的部分
        if "请生成详细描述：" in description:
            description = description.split("请生成详细描述：")[1].strip()
        
        results.append({
            "type": char_type,
            "description": description
        })
        
        print(f"已生成：{char_type}")
    
    return results

# 示例：生成一个冒险队伍的角色
character_types = [
    "勇敢的剑士",
    "神秘的魔法师", 
    "敏捷的弓箭手",
    "治愈的牧师"
]

base_scene = "奇幻世界的冒险途中"
base_style = "日系幻想RPG风格"

team_descriptions = batch_generate_characters(character_types, base_scene, base_style)

# 保存结果
import json
with open("character_descriptions.json", "w", encoding="utf-8") as f:
    json.dump(team_descriptions, f, ensure_ascii=False, indent=2)

print("批量生成完成，结果已保存到character_descriptions.json")

4.2 优化已有描述

有时候你可能对生成的描述不太满意，想要调整某些部分。可以这样优化：

def optimize_description(original_desc, changes):
    """优化已有的角色描述"""
    
    prompt = f"""以下是某个角色的描述：
{original_desc}

请根据以下要求修改这个描述：
{changes}

请输出修改后的完整描述，保持相同的详细程度。"""
    
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=300,
            temperature=0.5,  # 温度低一些，让修改更准确
            do_sample=True
        )
    
    optimized = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return optimized

# 使用示例
original = """一位金发碧眼的骑士，穿着银色盔甲，手持长剑，站在城堡前。"""

changes = """1. 把金发改成银白色长发
2. 盔甲改成黑色带有金色纹路
3. 场景改成雨中的废墟
4. 增加一些悲伤的表情细节"""

optimized = optimize_description(original, changes)
print("优化后的描述：")
print(optimized)

4.3 提取关键信息

生成了描述后，你可能想从中提取一些关键信息，比如颜色、服装类型等：

def extract_character_info(description):
    """从描述中提取关键信息"""
    
    prompt = f"""请从以下角色描述中提取关键信息：

{description}

请提取：
1. 发色和发型
2. 眼睛颜色和特征
3. 服装的主要颜色和样式
4. 主要配饰
5. 场景环境
6. 整体色彩基调

用简洁的列表形式回答。"""
    
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=150,
            temperature=0.3,  # 低温度确保提取准确
            do_sample=False   # 贪婪解码，更确定
        )
    
    info = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return info

# 使用示例
sample_description = """一位拥有粉色双马尾的少女，眼睛是碧绿色，戴着星星形状的眼罩。她穿着粉白相间的洛丽塔连衣裙，裙摆有大量蕾丝。手持魔法少女手杖，顶端有月亮装饰。背景是星空下的魔法学校，整体色彩梦幻柔和。"""

info = extract_character_info(sample_description)
print("提取的关键信息：")
print(info)

5. 整合到工作流中

最后，咱们来看看怎么把这些功能整合到你的实际工作流中。

5.1 创建简单的Web界面

如果你想让非技术人员也能用，可以做个简单的Web界面。这里用Flask做个例子：

from flask import Flask, request, jsonify, render_template_string
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

app = Flask(__name__)

# 全局加载模型（实际生产环境要考虑内存管理）
model = None
tokenizer = None

def load_model():
    global model, tokenizer
    if model is None:
        print("正在加载模型...")
        tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-32B-Instruct")
        model = AutoModelForCausalLM.from_pretrained(
            "Qwen/Qwen3-32B-Instruct",
            torch_dtype="auto",
            device_map="auto"
        )
        print("模型加载完成")

@app.route('/')
def home():
    # 简单的HTML界面
    html = '''
    <!DOCTYPE html>
    <html>
    <head>
        <title>漫画脸提示词生成器</title>
        <style>
            body { font-family: Arial; max-width: 800px; margin: 0 auto; padding: 20px; }
            textarea { width: 100%; height: 100px; margin: 10px 0; }
            button { padding: 10px 20px; background: #007bff; color: white; border: none; cursor: pointer; }
            .result { background: #f5f5f5; padding: 15px; margin-top: 20px; border-radius: 5px; }
        </style>
    </head>
    <body>
        <h1>漫画脸提示词生成器</h1>
        <form id="generateForm">
            <label>角色描述要求：</label><br>
            <textarea name="prompt" placeholder="例如：生成一个傲娇的猫娘角色，有猫耳和尾巴"></textarea><br>
            
            <label>画风：</label>
            <select name="style">
                <option value="anime">日系动漫</option>
                <option value="semi-realistic">半写实</option>
                <option value="cartoon">美式卡通</option>
            </select><br><br>
            
            <button type="button" onclick="generate()">生成描述</button>
        </form>
        
        <div id="result" class="result" style="display:none;">
            <h3>生成的描述：</h3>
            <p id="generatedText"></p>
            <button onclick="copyToClipboard()">复制到剪贴板</button>
        </div>
        
        <script>
            async function generate() {
                const form = document.getElementById('generateForm');
                const data = new FormData(form);
                
                const response = await fetch('/generate', {
                    method: 'POST',
                    body: JSON.stringify({
                        prompt: data.get('prompt'),
                        style: data.get('style')
                    }),
                    headers: { 'Content-Type': 'application/json' }
                });
                
                const result = await response.json();
                document.getElementById('generatedText').textContent = result.description;
                document.getElementById('result').style.display = 'block';
            }
            
            function copyToClipboard() {
                const text = document.getElementById('generatedText').textContent;
                navigator.clipboard.writeText(text);
                alert('已复制到剪贴板！');
            }
        </script>
    </body>
    </html>
    '''
    return render_template_string(html)

@app.route('/generate', methods=['POST'])
def generate():
    load_model()
    
    data = request.json
    prompt = data.get('prompt', '')
    style = data.get('style', 'anime')
    
    # 构建完整提示
    full_prompt = f"根据以下要求生成二次元角色描述：{prompt}\n画风：{style}\n请生成详细描述："
    
    inputs = tokenizer(full_prompt, return_tensors="pt").to(model.device)
    
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=250,
            temperature=0.7,
            do_sample=True
        )
    
    description = tokenizer.decode(outputs[0], skip_special_tokens=True)
    # 清理结果
    if "请生成详细描述：" in description:
        description = description.split("请生成详细描述：")[1].strip()
    
    return jsonify({"description": description})

if __name__ == '__main__':
    # 注意：生产环境要用更专业的部署方式
    app.run(host='0.0.0.0', port=5000, debug=False)

这个简单的Web应用让你可以通过浏览器界面生成描述，不需要写代码。运行后，在浏览器访问 http://你的服务器IP:5000 就能用了。

5.2 保存和管理生成的描述

随着使用次数增多，你可能需要管理生成的描述。可以建个简单的数据库：

import sqlite3
from datetime import datetime

class PromptDatabase:
    def __init__(self, db_path="prompts.db"):
        self.conn = sqlite3.connect(db_path)
        self.create_table()
    
    def create_table(self):
        cursor = self.conn.cursor()
        cursor.execute('''
            CREATE TABLE IF NOT EXISTS prompts (
                id INTEGER PRIMARY KEY AUTOINCREMENT,
                original_prompt TEXT,
                generated_description TEXT,
                style TEXT,
                created_at TIMESTAMP,
                tags TEXT
            )
        ''')
        self.conn.commit()
    
    def save_prompt(self, original, generated, style, tags=None):
        cursor = self.conn.cursor()
        cursor.execute('''
            INSERT INTO prompts (original_prompt, generated_description, style, created_at, tags)
            VALUES (?, ?, ?, ?, ?)
        ''', (original, generated, style, datetime.now(), tags))
        self.conn.commit()
        return cursor.lastrowid
    
    def search_prompts(self, keyword=None, style=None, limit=50):
        cursor = self.conn.cursor()
        
        query = "SELECT * FROM prompts WHERE 1=1"
        params = []
        
        if keyword:
            query += " AND (original_prompt LIKE ? OR generated_description LIKE ?)"
            params.extend([f"%{keyword}%", f"%{keyword}%"])
        
        if style:
            query += " AND style = ?"
            params.append(style)
        
        query += " ORDER BY created_at DESC LIMIT ?"
        params.append(limit)
        
        cursor.execute(query, params)
        return cursor.fetchall()
    
    def close(self):
        self.conn.close()

# 使用示例
db = PromptDatabase()

# 保存生成的描述
original = "生成一个魔法学院的学生"
generated = "一位戴着尖顶帽的年轻魔法师，手持橡木法杖..."
style = "fantasy"
tags = "魔法,学生,学院"

prompt_id = db.save_prompt(original, generated, style, tags)
print(f"已保存，ID：{prompt_id}")

# 搜索描述
results = db.search_prompts(keyword="魔法", style="fantasy")
for row in results:
    print(f"ID: {row[0]}, 风格: {row[3]}")
    print(f"描述: {row[2][:100]}...")
    print("-" * 50)

db.close()

6. 总结

用Qwen3-32B生成漫画脸描述，整个过程其实没有想象中那么复杂。从环境搭建到实际使用，关键是要理解怎么给模型清晰的指令，以及怎么调整参数得到想要的结果。

我自己的使用感受是，刚开始可能需要多试几次，熟悉模型的“脾气”。但一旦掌握了方法，它真的能大大提升创作效率。特别是当你需要批量生成角色，或者对细节有特定要求时，用模型来辅助比完全自己想要快得多。

如果你刚开始接触，建议先从简单的例子开始，慢慢尝试更复杂的提示。遇到不满意的结果时，不要灰心，调整一下提示语或者参数，往往就能得到改善。

最后要提醒的是，虽然模型很强大，但它毕竟是个工具。最好的结果通常来自人和AI的合作——你提供创意和方向，AI帮你丰富细节。多尝试，多调整，你会找到最适合自己的使用方式。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。