用 Stable Diffusion 批量生成虚拟女友：TaoToken 统一 API 配置与提示词工程实战

1. 批量生成虚拟女友卡点从来不是模型而是流程如果你已经能用 Stable Diffusion 稳定出一张好看的虚拟女友图下一步大概率会想能不能一次跑几十张把表情、服装、场景都换一遍这个需求听起来简单真正动手时会发现三个卡点一是提示词每次都要手动改改到后面自己都乱了二是 API Key 和接口地址散落在不同工具里换台机器就得重新配三是批量任务跑起来之后出图一致性没法验证同一组参数两次结果差很多。这篇内容就是围绕这三个卡点展开的。我会用 TaoToken 作为统一的 API 通道把 Stable Diffusion 的接入配置、提示词模板设计、批量生成脚本编排串成一条可复制的流程。适合已经装好 SD WebUI 或准备用 API 方式调用的朋友也适合想把 AI 绘画接进自己工作流的人。核心检索词就三个Stable Diffusion、AI 绘画、批量生成。读完你能拿到一份 config.toml / settings.json 配置骨架、一张批量生成参数表以及用固定种子加提示词矩阵验证出图一致性的具体动作。先说清楚一件事批量生成不是把同一句提示词复制 60 遍。真正有效的批量是让变量可控。比如表情是一个变量服装是一个变量场景是一个变量每次只动一个维度其余维度锁死。这样你才能判断到底是哪个词在影响出图。下面从接入配置开始一步步来。2. TaoToken 前置统一 Key 与 API 通道2.1 为什么需要统一通道Stable Diffusion 本身是本地跑的但很多辅助环节需要调模型接口比如提示词扩写、批量任务调度、出图后的质量筛选。如果每个环节都单独配一套 Key 和地址维护成本会很高。TaoToken 的作用就是把这些调用收敛到一个 API 通道上你只需要维护一份 Key换工具时改配置就行。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基础地址是 https://taotoken.net/api 注意 API 地址后面不加 UTM 参数。这两个地址建议先记下来后面配置文件里会用到。2.2 拿 Key 和确认模型入口进入控制台后在 API Keys 页面创建一个新 Key。创建时建议按用途命名比如 sd-batch-prod这样后面如果要做多环境区分不会混。Key 只显示一次复制后先存到本地环境变量里不要直接写进代码仓库。模型对话入口在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 你可以在这里确认当前可用的模型列表。如果你后面要做长期编码或者 Agent 类的批量任务可以看 Coding Plan 页面 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 它更适合持续性的任务编排。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置字段有疑问时以文档为准。注意Key 不要写进前端代码或公开的 notebook 里。批量脚本建议用环境变量读取下面配置骨架里会体现这一点。3. 可复制配置config.toml 与 settings.json 骨架3.1 config.toml 配置骨架如果你用的是支持 TOML 的工具链可以直接用下面这份骨架。重点是把 base_url 指向 TaoToken 的 API 地址api_key 从环境变量读模型名按你实际用的填。# config.toml [api] base_url https://taotoken.net/api api_key ${TAOTOKEN_API_KEY} timeout 120 max_retries 3 [generation] model your-model-name default_steps 28 default_cfg_scale 7.0 default_sampler DPM 2M Karras default_width 512 default_height 768 [batch] seed_mode fixed output_dir ./outputs/virtual_girl prompt_file ./prompts/matrix.csv concurrency 1这里 concurrency 先设成 1因为本地显卡跑图本身就是串行的设太高反而会爆显存。等流程跑通之后如果你用的是远程推理服务再考虑调高。3.2 settings.json 配置骨架如果你用的是 JSON 配置的工具下面这份可以直接改。字段含义和上面 TOML 一一对应注意 JSON 里不能写注释我把说明放在表格里。{ api: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, timeout: 120 }, generation: { model: your-model-name, steps: 28, cfg_scale: 7.0, sampler: DPM 2M Karras, width: 512, height: 768 }, batch: { seed_mode: fixed, output_dir: ./outputs/virtual_girl, prompt_file: ./prompts/matrix.csv, concurrency: 1 } }字段作用建议值base_urlAPI 基础地址https://taotoken.net/apiapi_key_env环境变量名TAOTOKEN_API_KEYseed_mode种子模式fixed 用于一致性验证concurrency并发数本地显卡填 1steps采样步数20 到 30 之间cfg_scale提示词引导强度6 到 8 之间配置写完之后先在终端里导出环境变量再跑一次最小请求确认通道是通的。export TAOTOKEN_API_KEY你的Key4. 提示词模板设计与批量生成脚本编排4.1 提示词矩阵怎么设计批量生成的核心是把提示词拆成固定部分和变量部分。固定部分包括画质词、人物基础描述、镜头和构图变量部分就是你要批量替换的维度比如表情、服装、场景。下面这张表是我实际用过的矩阵结构你可以直接照着建 CSV。列名类型示例说明id固定001任务编号expression变量smile表情词outfit变量black jacket服装词scene变量streets场景词seed固定123456固定种子weight固定0.66LoRA 权重表情词可以从这些里挑smile、blink、surprise、cute、shyness、happiness、calmness、confidence、worry、boredom。不要一次全上先选 5 到 8 个跑通再扩。服装和场景同理每次只动一个维度。4.2 提示词拼接脚本下面这段 Python 脚本读取 CSV把固定模板和变量拼成完整提示词然后逐条调用生成接口。注意 seed 是固定的这样同一行参数两次跑出来的图应该高度接近方便你验证一致性。import csv import os import requests API_BASE https://taotoken.net/api API_KEY os.environ[TAOTOKEN_API_KEY] TEMPLATE ( best quality, ultra high res, (photorealistic:1.4), 1girl, loose and oversized black jacket, white sports bra, (green yoga pants:1), (Kpop idol), (aegyo sal:1), (light brown short ponytail:1.2), looking at viewer, full body, {scene}, outdoors, (({expression})) ) def build_prompt(row): return TEMPLATE.format( scenerow[scene], expressionrow[expression] ) def generate(prompt, seed): payload { prompt: prompt, seed: int(seed), steps: 28, cfg_scale: 7.0, width: 512, height: 768 } headers {Authorization: fBearer {API_KEY}} resp requests.post( f{API_BASE}/v1/images/generations, jsonpayload, headersheaders, timeout120 ) resp.raise_for_status() return resp.json() with open(./prompts/matrix.csv, newline, encodingutf-8) as f: reader csv.DictReader(f) for row in reader: prompt build_prompt(row) result generate(prompt, row[seed]) print(row[id], row[expression], done)这段脚本跑起来之后你会看到每个表情对应一张图文件名建议用 id 加 expression 命名方便后面比对。4.3 固定种子与提示词矩阵验证一致性一致性验证的做法是同一行参数跑两次比较两张图的差异。如果差异很小说明种子和参数锁得住如果差异很大检查是不是采样器或步数被改了。下面这个对比表可以帮你记录。任务 id表情第一次种子第二次种子差异程度结论001smile123456123456低一致002worry123456123456低一致003boredom123456654321高种子变了只要种子不变同一组提示词和参数应该稳定复现。如果你发现种子没变但结果差很多优先检查 cfg_scale 和 sampler 有没有被默认值覆盖。5. 验证请求与成功结果5.1 最小请求验证在跑批量之前先用一条最小请求确认通道是通的。下面这段 curl 可以直接复制把 Key 换成你自己的。curl -X POST https://taotoken.net/api/v1/images/generations \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { prompt: best quality, 1girl, smile, streets, outdoors, seed: 123456, steps: 28, cfg_scale: 7.0, width: 512, height: 768 }如果返回里带有图片地址或 base64 数据说明通道正常。如果返回 401检查 Key 有没有导出成功如果返回 404检查 base_url 后面有没有多写路径。5.2 批量跑通后的结果检查批量跑完之后建议按表情分组看一遍。重点看三件事表情词有没有生效、人物基础特征有没有跑偏、场景词有没有被忽略。如果表情词权重不够可以把 ((smile)) 再加一层括号变成 (((smile)))权重会再乘 1.1。如果场景词被忽略把它往前挪放在提示词靠前的位置。实测下来固定种子加固定参数的情况下同一行任务两次出图的构图和人物特征基本一致表情差异也能稳定体现。这就说明你的批量流程是可控的后面扩到 30 张、60 张只是时间问题。6. 本篇常见错排查6.1 报错 401 或 403优先检查环境变量有没有生效。在终端里执行 echo $TAOTOKEN_API_KEY如果输出为空说明导出没成功。另一个常见原因是 Key 复制时带了空格建议重新复制一次。如果确认 Key 没问题检查请求头里的 Authorization 格式是不是 Bearer 加空格加 Key。6.2 出图全部一样表情没变化这种情况通常是提示词拼接时变量没替换进去。检查 CSV 里的列名和脚本里的 row[expression] 是否一致大小写也要对。另一个原因是表情词权重太低被画质词盖住了把表情词加括号提权或者往前挪。6.3 批量跑到一半中断本地显卡跑图时显存占用会累积。如果跑到一半中断先把 concurrency 降到 1然后在每张图之间加一个短等待。如果你用的是远程服务检查 timeout 是不是设得太短120 秒一般够用复杂参数可以调到 180。6.4 种子固定但结果不一致检查采样器和步数有没有被工具默认值覆盖。有些工具在批量模式下会忽略你传入的 sampler改用默认值。解决办法是在配置文件里显式写死 sampler 和 steps不要依赖默认。6.5 图片保存路径找不到output_dir 建议用绝对路径相对路径在不同工作目录下会跑到别的地方。跑之前先手动创建目录或者脚本里加一行 os.makedirs(output_dir, exist_okTrue)。7. 接入与排障入口如果你在配置 TaoToken 通道时遇到问题先去 API Keys 页面确认 Key 状态地址是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。配置字段不确定的对照接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 逐项核对。想先验证模型对话是否正常可以用模型对话入口 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 发一条测试消息。如果你打算把批量生成做成长期任务或者接进 Agent 工作流Coding Plan 页面 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 里有更适合持续调用的方案说明。最后补一个实用技巧批量生成时先把表情维度跑通再加服装最后加场景。每次只加一个变量出问题容易定位。我试过一次性把三个维度全打开结果排查了半天才发现是场景词权重太低被忽略了。慢一点反而快。