AI一键将小说文字转成漫画视频（附安装包/大模型）

原创 最新推荐文章于 2026-03-01 11:14:10 发布 9.8k 阅读 AI写同款
大模型产品经理
大模型产品经理 博客等级 码龄3年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 9.8k累计阅读 9.8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
1万+粉丝1120篇原创
关注
揭秘！我用AI写了一部精彩小说；搭建AI视频创作工作流；一键生成摘要工具清单；大模型创业生死5问 | ShowMeAI日报 大型语言模型 (LLM) 进化树；IBM / Google / Apple / Amazon新动态；人人都能用好 AI 的详细教程……点击阅读全文 阅读详情
AI摘要

本文介绍了AI技术驱动的创绘工具，可自动关联上下文，实现一键智能绘图，包括SD模型配置、翻译服务、剪映集成等内容，展示了AIGC在内容创作中的应用及其未来前景。

AI一键小说转漫画视频img

创绘简介

  1. 一键智能AI推理提示词，自动关联上下文，画面匹配度更高
  2. 一键批量绘图，同时支持本地和云端模式（没有显卡也能畅享绘图）
  3. 一键导出剪映草稿，自动生成关键帧，快速图文视频合成
  4. 自带全网热门配音，30多种情感配音任君挑选
  5. 基础功能永久免费
  6. 支持最新的webui forege版本，生图速度快30%
  7. 全网第一个支持消除音频停顿的推文软件，成片效果堪比专业的付费配音！免费音频也支持消除停顿，不限时不限量。

创绘所需资源下载

01、创绘：文末领取

02、sd-webui-aki：文末领取

03、剪映PC版：文末领取

SD模型存放路径

大模型：sd-webui-aki安装目录下\models\Stable-diffusion

lora模型：sd-webui-aki安装目录下\models\Lora

VAE模型：sd-webui-aki安装目录下\models\VAE

创绘配置

01、翻译配置

腾讯翻译用于推理提示词

注册一个腾讯翻译的开发者账号

注册完成后将密钥输入到我们的软件当中即可

img

02、剪映草稿设置

打开剪映 -> 全局设置 -> 草稿位置，然后点开 -> 复制地址 -> 打开创绘 -> 基础设置 -> 更改草稿位置，把刚才复制的地址粘贴进去

img

03、SD模型配置

img

SD大模型：

模型存放路径: sd-webui-aki\models\Stable-diffusion

模型网站推荐：文末领取

模型推荐：majicMIX realistic 麦橘写实 V7

迭代步数：推荐20~30

AI绘画的原理用人话说就是，先随机出一个噪声图片

然后一步步的调整图片，向你的 提示词 Prompt 靠拢

Sampling Steps就是告诉AI，这样的步骤应该进行多少次。

步骤越多，每一步移动也就越小越精确。同时也成比例增加生成图像所需要的时间。

大部分采样器超过50步后意义就不大了

img

提示词权重：

图像与你的提示的匹配程度。

增加这个值将导致图像更接近你的提示,但过高会让图像色彩过于饱和（你可以自己试试看）

太高后在一定程度上降低了图像质量。可以适当增加采样步骤来抵消画质的劣化。

一般在5~15之间为好，7，9，12是3个常见的设置值。

采样方法：

推荐-DPM++2M Karras

使用哪种采样器，人话就是让AI用什么算法，这里介绍几个常用的

  1. Euler a ：富有创造力，不同步数可以生产出不同的图片。 超过30~40步基本就没什么增益了。
  2. Euler：最最常见基础的算法，最简单的，也是最快的。
  3. DDIM：收敛快，一般20步就差不多了。
  4. LMS：Eular的延伸算法，相对更稳定一点，30步就比较稳定了
  5. PLMS：再改进一点LMS
  6. DPM2：DDIM的一种改进版，它的速度大约是 DDIM 的两倍

外观VAE模型：

VAE一般用于美化图片的色彩和细节微调，主要功能是滤镜和微调；滤镜就像是剪映、美图秀秀、PS等软件用到的滤镜一样，让图片的画面看上整体色彩饱和清晰度更高；微调就是对出图的部分细节进行细微调整。

常见文件格式:尾缀ckpt、pt、safetensors（一般名字中会带有vae的字样）

常见文件大小:100MB-800MB不等

模型存放路径: sd-webui-aki\models\VAE

Loar模型

它是一个微调模型，主要是用于满足对应特定的风格，或指定的人物特征属性进行定制。在数据相似度非常高的情形下，lora模型更加轻巧，训练效率也更高，可以节省大量的训练时间和训练资源。

常见文件格式: 尾缀safetensors、pt、ckpt

常见文件大小:100MB-300MB不等

模型存放路径1: sd-webui-aki\models\Lora

随机种子：

AI绘画的原理是，先随机出一个噪声图片

因为计算机世界里不存在真随机

保持种子不变，同一模型和后端，保持所有参数一致的情况下，

相同的种子可以多次生成（几乎）相同的图像。

如果你用某个种子在某tag下生成了很棒的图，

保持种子数不变，而稍微改一点点tag，增减一点细节，一般得到的图也会不错。

• 不同型号的显卡即使参数与模型完全一致，也可能会生成完全不同的图。 10XX和16XX系显卡基本每种型号都会是不同的结果，20XX系和30XX系基本都可以完美复现图片。

• 这里不是10XX系显卡不适合AI作画的意思，只是你可能看网友的参数图很棒，你想照搬一下结果却大不一样。

• 某些模型比如anything3.0因为模型过于混沌，图像复现性能一样很差。

• 设置中有个选项参数叫ENSD（ eta 噪声种子增量）这个会改变种子，有些扩展也可以实现同seed下随机微调种子，可能会造成无法复现其他人的图。

放大算法：

在高分辨率下（1024X1024）会生成非常怪异的图像。而此插件这使得AI先在较低的分辨率下部分渲染你的图片，再通过算法提高图片到高分辨率，然后在高分辨率下再添加细节。

放大算法：如果不知道选什么，一般无脑选“ ESRGAN_4x ”

重绘幅度：放大后修改细节的程度，从0到1，数值越大，AI创意就越多，也就越偏离原图。

放大倍数(Upscale by) ：在原有宽度和长度上放大几倍，注意这个拉高需要更高的显存的。

正面提示词：

正向提示词例子：

(masterpiece:1.4),best quality,highres,extremely detailed CG,perfect lighting,8k wallpaper,anime, comic,unreal engine,pretty,Animation style

反面提示词：

一个通用的示例：

lowres,bad anatomy,bad hands,text,error,missing fingers, extra digit,fewer digits,cropped,worst quality, low quality,normal quality,jpeg artifacts,signature, watermark,username,blurry,missing arms,long neck, Humpbacked,missing limb,too many fingers, mutated,poorly drawn,out of frame,bad hands, unclear eyes,poorly drawn,cloned face,bad face

使用说明

01启动SD

img

02打卡创绘,新建项目

img

03导入脚本，推理关键词

img

04智能绘图-绘图模式

初步生成图片，觉得不好的分镜可以单独重绘

img

05智能绘图-放大模式

将生成的图片放大成1080的

img

06合成草稿

注意事项：

01、漫画推文的放大算法推荐选择****R-ESRGAN 4x+ Anime6B

img

如果你打开软件发现自己没有这个算法可以选择，请按照如下步骤操作：

将下载的算法：4x-UltraSharp.pth

将算法放置到到sd webui 下面的 models\ESRGAN目录里

02、SD进入扩展后如果发现加载不出来

试着把源改为

raw.githubusercontent.com/AUTOMATIC11…

img

03、绘制出来的图片风格不统一？

请在绘图设置中，调整全局正向词，比如这里设置为动漫风格

Animation style

img

04、导入SRT后合成草稿配音不存在

导出草稿提示音频不存在，生成草稿失败的解决方法【针对导入SRT字幕和音频】

img

重新创建一个项目，然后把音频和srt拖动进去，然后打开这个项目所在的那个文件夹，有一个audio，把这个文件夹替换到你已经配好了图的那个项目相同名称下，再点击合成就可以了，文件路径

img

写在最后

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。
​

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
 
在这里插入图片描述

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

在这里插入图片描述

在这里插入图片描述

二、AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！
在这里插入图片描述

三、最新AIGC学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
在这里插入图片描述
在这里插入图片描述

四、AIGC视频教程合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

在这里插入图片描述

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述
​

标签
#人工智能 #stable diffusion #ai绘画 #AIGC #AI作画
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
深度学习实战22(进阶版)-AI漫画视频生成模型，做自己的漫画视频 AI生成视频是利用人工智能技术生成视频的过程，通常，这种技术基于图像识别、语音合成等算法，从各种不同来源的数据中获取信息，然后自动生成视频。imageio是Python中用于处理图像和视频的第三方库，其中的get_writer函数用于创建图像或视频的写入器（writer）对象。本项目里面采用原有视频转化为漫画视频，首先先将视频分割成一帧一帧的图片，然后将图片转化为漫画形式，在进行合成视频，这里运用imageio技术。，今天我借助这篇文章的原理做一个AI漫画视频生成的功能，让我们进入AI生成视频的时代吧。 阅读详情

相关推荐

LPDDR4协议规范之 （四）命令和时序

LPDDR4协议规范之 （四）命令和时序命令真值表激活操作读写访问操作读前沿和后沿突发读取操作流程读操作时序写前沿和后沿突发写操作写入均衡（待更新） 命令真值表 激活操作 ACTIVATE命令由两个连续命令组成，Activate-1命令和Activate-2。通过在(Activate-1)时钟的第一个上升沿保持CS HIGH，CA0 HIGH和CA1 LOW来发出Activate-1命令，通过...

YJFeiii的博客 2万+

小说转视频AI神器，一键生成小说视频!

这种技术利用人工智能算法和语言模型，将文本转化为视频剧情，加上配图、音效等元素，创造出生动的故事场景。三、Narrative Science：这是一个知名的自动写作软件，能够基于你输入的数据生成新闻报道和其他类型的文本。我们平时在刷抖音或者快手的时候，经常会看到有人把小说做成视频，有的甚至视频画面内容与音频毫不相关，但是这种视频的播放量是相当高的。你可以输入一些关键词或故事大纲，然后软件会根据你的输入生成相应的文本。这是一款比较专业的AI视频软件，如小说合成视频，文章合成视频，视频糊变晰、图片变、

A1688188的博客 1万+

安卓手机必备：Auto.js快手极速版自动刷视频避坑指南（含最新3.0脚本）

本文是一份安卓自动化工具Auto.js的全面实践指南，重点解析了如何搭建稳定运行环境、配置关键权限以及管理脚本。针对快手极速版等应用的自动化需求，文章详细介绍了设备选择、Auto.js版本对比、各品牌手机后台保活设置，并强调了脚本安全与调试技巧，帮助用户有效避坑，实现自动化任务的稳定执行。

i7j8k9l的博客 782

5分钟AI自动生成小说推文漫画视频-100%原创

而且你还可以将每个场景里面的文字进行再次分割，将鼠标移动到需要分割的地方直接回车即可。在可预见的未来，随着AI大范围在职场推广，使用门槛降低，部分还在做重复工作的打工人会不可避免地被取代。AI如同一个六边形战士，当你有个绝妙点子，它能随时点亮技能树，用编程、写作、绘画技能把你的想法落地。任何上班族，无论你的工作涉及文字、图片、数字，或是办公软件全家桶，它都能成为你的高效助理。随着人工智能的推广，具备AI技能的人将更容易适应未来岗位需求，成为早期吃到红利的稀缺人才。需要根据你所选择的小说推文类别，

优快云_224022的博客 1万+

小蔺的米哈游数据分析师之路——MYSQL篇

作为新人，记录自己mysql学习历程

weixin_47070228的博客 435

Win32逆向必备：X32dbg中窗口句柄查看与消息断点的高级用法

本文深入探讨了X32dbg在Win32逆向工程中的高级应用，重点解析窗口句柄查看与消息断点的实战技巧。通过MFC程序逆向案例，详细介绍了如何利用窗口句柄层次结构、条件断点设置及消息映射表定位等技术，快速捕获关键业务逻辑，提升逆向分析效率。

nginx7reverse的博客 1017

免费！无限制！一款小说生成视频的AI工具！附教程！

点击文本右侧（上图圈出来的位置），弹出的界面如下，开启高级编辑之后，就可以修改提示词，选择风格、种子、数量以及质量点击重新生成，选择插入满意的图片就可以了。为此，这几天我在测试各种免费或者收费的小说生成视频工具，发现一款小说自动生成视频的AI工具，不仅可以免费使用，而且还没有限制。工具的每个帐号有限制生成5个视频，15个故事以及200个积分，但工具帐号注册时不验证邮箱，所以可以随意注册，且。（2）选择语言，有中文、英文、俄文、日文、法语、意大利语等支持28种语言，真是做跨境视频的福音。

weixin_43957501的博客 3万+

Phantom Omni的力与力矩操作

*本说明为对Phantom Omni的力与力矩操作 ****************虚拟夹具的力读取与控制************************ 1、首先力的读取要声明【全局变量】 hduVector3Dd F;//三维矢量力（x,y,z三个方向的力） 2、对力的控制可以采用配置函数Set()与Get()函数； 3、对力觉的控制或读取操作需要放到【回调帧】开始与结束之间，如例子

xuliang355的博客 2562

AI一键将小说文字转成漫画视频（附安装包大模型）

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

Android 开发架构 5462

【Excel VBA 编程】表格内自动生成进度条

在表格中生成进度条，进度条需要自适应单元格的宽度，根据不同进度区间变换颜色，并且按照进度数据大小显示其长短

wei1019的专栏 1520

R语言基于机器学习三分类结果、计算三分类混淆矩阵、计算每一个类别对应的特异度（specificity）、灵敏度（sensitivity）、PPV、NPV

R语言基于机器学习三分类结果、计算三分类混淆矩阵、计算每一个类别对应的特异度（specificity）、灵敏度（sensitivity）、PPV、NPV

data+scenario+science+insight 654

AI一键将小说文字转成漫画视频（附AIGC安装包大模型）

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。

m0_64365896的博客 1926

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

《保姆级教程》AI漫画小说推文，自动制作视频，条条原创，月入3W+

以上就是AI漫画小说的全部操作流程，目前小说推文这个赛道依旧很卷，要想拿到可观的结果并非那么容易，还是要花很多心思打磨作品，这点我建议还是多看同行，把你认为做的不错的案例都记录下来，一步步地去优化自己的作品。没有割韭菜的项目，只有割韭菜的镰刀。小说推文是一个火了近三年的常青树赛道，很多早期做过小说推文的同学应该都吃到过肉，那些专门做小说推文推广或者培训的机构，更是赚的盆满钵满。这个动作重复几天，基本上刷到的都是做漫画小说的同行，关注的多了，每天看一看他们有没有发布之后短期内上热门的作品，都可以拿来参考。

weixin_72959097的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AI已经快要能把电影和小说一键转成漫画了

为了验证生成漫画的质量，研究员们还请了一批人来进行测试，让参与者分别观看用老技术和新技术生成的电影漫画，再选出哪一种漫画最接近真人的作品。当然，这里介绍的过程只是一个简化的版本，实际上牵扯到很多复杂的技术。要概括这个技术的原理也不难：它会把电影中的一些关键帧提炼出来，再将电影角色的台词分割，放在角色旁的对话框（对话气泡）中，然后把这些关键帧重新裁剪，布局成漫画的形式。其实这款软件背后的基础技术已经不是新东西了，例如把电影画面渲染成漫画风格，以及让AI辨识出屏幕中的人脸在何处等，都是已经出现了几年的技术。

weixin_72959097的博客 1526

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

AI居然能一键生成小说漫画？怎么做到的？

小说漫画改编一直深受读者喜爱，许多小说都会有漫画版本。不仅自己可以阅读，还能上架到漫画平台，连载赚取稿费。但手工绘制小说漫画费时费力，如今借助Midjourney强大的AI图像生成能力，我们可以比手工更快更好地实现小说到漫画的改编！用AI做好你的小说推文后，可以上传至授权网络平台连载收取稿费，也可以通过被人打赏、在精彩环节设置收费章节、设计漫画周边产品等方式来赚钱！（仅代表本人部分个人收益）回到正题，具体怎么用AI制作小说漫画呢？我手把手教你们！全程干货赶紧码住！首先，我们需要准备小说的文本材料。

m0_59162248的博客 5433

颠覆创作！AI 实现小说文字秒变漫画视频，轻松搞定分镜与角色（附超全安装包 + 爆款大模型资源）

（全套教程文末领取哈）

A2421417624的博客 2539

在抖音做AI漫画小说推文，半个月赚了5W+，手把手教学来了

小说推文是一个火了近三年的常青树赛道，很多早期做过小说推文的同学应该都吃到过肉那些专门做小说推文推广或者培训的机构，更是赚的盆满钵满。 小说推文项目的核心就是用图文或视频吸引眼球，在短视频平台上为小说平台拉新，留下“关键词”作饵，引导用户去小说平台注册或充值，从而赚取佣金。 从最初简陋的文字录屏加背景音乐，到后来的游戏录屏加解说，再到现在的小说推文，咱们已经进入了AI漫画加解说的新境界。

m0_59162248的博客 2万+

AI居然可以做小说推文视频?保姆级教程来啦

小说漫画解说推广项目主要利用视觉展示手段例如图文和视频，在多个短视频平台宣传文学作品。通过植入吸引注意的“关键词”作为钩子，促进观众前往小说网站注册或充值，从而获得提成。 （以下仅代表本人个人收益）项目的推广方式已经经历了多次演变，从最初的文字屏幕录制加背景音乐，到渐渐流行的压力释放视频或游戏播放录屏配以解说，发展至当前使用AI生成的漫画加上讲解的模式。但个人认为以小说爱好者为主要市场的小说推广活动依然拥有巨大潜力。各大文学平台持续爆发的人气作品也源源不断提供新素材。总的来看，需求始终存在，成功与否关键在于

程序员小麦的博客 1万+

小说推文新玩法，小说转AI漫画，月入10000+

这里给大家找了一个AI绘画网站，首先打开网站，大家可以先生成图片的风格，剪一些小伙伴的视频素材进行练习，然后根据小说中的各种场景生成图片，可以用文字生成图片，也可以用图片生成，多尝试几次，就可以生成符合小说情节的图片。然后将准备好的小说音频和上述AI画图生成的漫画图片素材，拖拽到剪辑软件中进行剪辑处理，使文案和画面保持一致，然后添加关键帧给画面加上效果，让画面动起来，根据剧情的需要，加上一些音效和特效，最后做成视频的封面，导出。以AI漫画的形式制作小说，是当前小说推文的契机。第一步，申请小说推文的授权。

xxue345678的博客 1万+

AI漫画小说推广操作全攻略，在家轻松日入200+

今天跟大家分享一个宝藏副业项目，操作非常简单，变现也非常可观，那就是AI漫画小说推广项目。在AI技术的推动下，小说推文正迎来革命性的变革，不再局限于传统的视频形式，而是以生动的漫画画面赢得观众的喜爱

白帽阿叁的博客 6909

AI绘画Stable Diffusion：漫画小说创收不是梦，几条视频变现几k（Ai工具+教程）

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

A1353192296的博客 2674

小说推文的又一春天，AI漫画推文，高原创玩法详细教程，掌握流量密码【附全套工具软件】

小说推文项目很早就有了，传统的小说推文视频大都以混剪解压视频、游戏视频为主，虽然这类视频制作起来简单，但是原创度低。随着短视频平台的规则变化，平台对非原创作品的打压力度越来越大，相信近期在做推文的朋友应该能感觉到，混剪视频动不动就会被限流，弄不好账号都会废掉。对新手小白 来说非常不友好。小说推文项目是公认的常青树，任何时候，任何人都可以做，但是表现形式需要进行转变。比如下面这种AI推文视频你一定刷到过吧整个视频的原创度极高。对粉丝的视觉冲击力比较强，完播率比较高，流量非常大，相应的转化也很高。

m0_74942241的博客 1839
上一篇： Stable Diffusion教程：提示词（模型、插件、安装包可分享）
下一篇： AI绘画创意文字全流程揭秘，你的终极文字艺术实操宝典
点赞 37
评论 1
书签 书签 40
大模型产品经理
大模型产品经理
博客等级 码龄3年 1万+粉丝 1120原创
+ 关注
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值