voice-text-to-meme

---

name: voice-text-to-meme description: 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-4-5-251128 作为默认图片模型。

---

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。