前阵子给家里孩子找英语启蒙材料，试过买分级读物、翻各种动画资源，要么难度对不上，要么孩子看一眼就走。后来琢磨着能不能直接按孩子的兴趣现做一本绘本，就研究起了Coze智能体工作流。折腾了一周多，现在给孩子做英语绘本基本就是两分钟出一本，打印出来或者投到平板上，孩子追着读。这篇就把我自己搭这套绘本工作流的完整思路、具体配置和踩坑经验都写出来，想自己动手给孩子做绘本的朋友可以直接照着抄。
这套方法的核心是用Coze搭建一个绘本生成智能体，把“编故事、画插图、配音频、排页面”四个环节串成一条自动化工作流。你只需要输入孩子的年龄、英语水平和喜欢的主题，工作流会自动生成一篇带英语句子的绘本故事，配上统一的卡通插图，合成标准发音的英文音频，最后输出一份适合打印或投屏阅读的版面。整个过程不需要你自己画图、不需要会剪辑音频，也不用懂代码。
适合的人群很明确：孩子3到10岁、正在做英语启蒙或刚开始独立阅读的家庭；更想让孩子读自己感兴趣内容的家长；以及做英语培训、绘本馆、家庭教育内容的人。下面按我实际搭建的顺序，把这套工作流拆开讲。
1. 为什么选Coze做绘本：对比传统做绘本方式的痛点
先说清楚我为什么最终选了Coze，而不是用Midjourney画图、再用剪映配音、再用PPT排版那种老办法。我最早试过那条路，但做了两本就放弃了，原因很具体：
第一，整条链路太碎。画图、配音、排版是三个完全独立的工具，每换一本绘本，所有参数和提示词都要重新调一遍。画图要反复试提示词保证人物一致，配音要找合适的音色，排版还得自己调尺寸，一套流程走下来最少一个半小时。第二，孩子兴趣变太快。今天喜欢恐龙，明天喜欢太空，等按老办法做完一本，兴趣已经过去了，做出来的东西孩子不一定愿意看。第三，我完全不懂美术和音频，想画出连贯的故事场景、配出标准读音，对我来说门槛高到不现实。
Coze解决这三个问题的逻辑是：把“故事生成、插图生成、音频合成、版式编排”全部封装进一个智能体的工作流节点里。我只需要在最开始把需求说清楚，剩下的事情全部由工作流自动完成。它本质上是把原先分散在不同工具里的能力，通过节点串联成一个整体，每次调用时输入新的主题词，出来的就是一本全新绘本。
我实际测下来，3到8岁孩子的家庭用户完全不需要任何编程基础。Coze的节点编排是可视化界面，把模块拖到画布上连起来就行。我家里老人看了几分钟也能明白“这会自动生成故事，这会自动画图，这会自动念出来”这个逻辑。只要是会用手机填表单的人，基本就没有使用门槛。
从效果上讲，Coze生成的绘本适合当启蒙材料，它的英文句子是智能体根据孩子的水平生成的，用的是常见的、重复率高的句式和词汇，比很多现成分级读物更能贴合自家孩子的当前水平。画风走的是卡通绘本路线，稳定性和连贯性虽然比不上一线画师，但作为孩子自己的“定制绘本”完全够用。
2. 绘本工作流的核心框架：四个必须拆开的模块
我搭的这套智能体，用一句话概括就是“一句话需求进，一本成品书出”。整个工作流拆成四个模块：故事生成模块、配图生成模块、语音合成模块、排版输出模块。这四个模块顺序固定，前一个节点的输出会作为后一个节点的输入，在Coze里就是一条从左到右的连线。
- 故事生成模块：接收用户的主题、孩子年龄和英语水平，生成一个带完整情节的英语故事。这里不仅要输出文字，还要输出结构化数据，比如每一页的英文句子、每一页对应的画面描述。
- 配图生成模块：把故事模块输出的画面描述转成图像生成提示词，调用图像生成节点产出统一风格的插图。
- 语音合成模块：把每页英文句子转成标准发音的音频文件，并标注好每个音频对应的页码。
- 排版输出模块：把文字、图片、音频文件汇总成一本可以翻页阅读的绘本，按页面顺序排列好，附上阅读说明。
建议每个模块单独配置，不要图省事放在一个节点里。一开始我就是因为图省事，把故事生成和配图提示词放在同一个节点里写，结果图像生成时人物形象不稳定，同一只小兔子在不同页面里长相差很多。拆开之后，我在图像节点前专门加了一步“画面分镜描述”处理，人物一致性明显好转。
模块之间用数据结构传递信息。比如故事生成模块输出的不是一段话，而是一个包含若干页面对象的JSON数组，每个页面对象里有title、english_text、chinese_text、visual_prompt这几个字段。这样后面的配图和排版节点可以直接按字段取数，不需要反复重新生成或人工干预。
2.1 模块一：故事生成模块的设计要点
这是整套工作流最核心的模块，内容质量和英语难度全看它。
我用的关键配置是：模型选择支持长文本生成的版本，温度参数设为0.7，这是我在稳定性和创造性之间试出来的平衡点。主题词建议直接用简单英文词组，比如“dinosaur in the forest”，不需要写成完整的复杂提示。第一次测试时我把主题写成一大段详细描述，结果模型反而抓不住重点，故事主线四处飘。
在提示词设计上，你要明确告诉智能体三件事：目标年龄段、英语水平、绘本风格。我常用的系统提示词骨架是这样的：
你是儿童英语绘本作家。请根据用户提供的主题，写一个适合{age}岁孩子的英语绘本故事。 要求： 1. 总页数{page_count}页，每页1-2句英文，每句不超过{word_limit}个词。 2. 使用{cefr_level}级别的词汇，句式重复且朗朗上口。 3. 结尾要有正向的、简单的结论。 4. 按JSON格式输出，包含每页的english_text、chinese_text、visual_prompt。这些占位符非常重要。原因在于，直接告诉智能体“用简单英语”它不知道你心里想的“简单”是什么标准。但你说“每句不超过8个词、使用A1-CEFR词汇”，它就立刻能把句子限制在“I see a red car.”这个水平，而不是给出“Look at the magnificent automobile over there”这种让3岁孩子崩溃的句子。
关于英语水平，我建议按这三级标准来设定，对应关系如下：
| 年龄段 | CEFR级别参考 | 句式特征 | 页面句子数量 | 每句词数 |
|---|---|---|---|---|
| 3-4岁 | Pre-A1 | 单词或两词短语为主（blue ball, my dog） | 1句 | 3-5词 |
| 5-6岁 | A1 | 简单主谓宾结构（The cat is on the mat） | 1-2句 | 5-8词 |
| 7-8岁 | A2 | 可带有一个从句或并列句 | 2句 | 8-12词 |
我家孩子5岁半，实测用A1级别最合适。“The cat is on the mat”他能完整跟读，“The magnificent automobile”这种他就只能看我念、完全不想开口。定这个标准之前我先拿Pre-A1试了一本，发现句子太碎，没有故事感，孩子读两页就没兴趣了。后来调到A1，句子里开始有简单情节，他会主动猜下一页发生什么。
页面数量方面，第一本建议8页左右。8页大概能讲一个完整的“出场-遇到问题-想出办法-解决-回家睡觉”结构。我当时试过16页，生成的故事情节注水严重，中间有两页完全在凑字数，孩子翻到第5页就跑去玩积木了。8页是情节完整性和注意力的最佳平衡。
2.2 模块二：配图生成模块的提示词工程
配图模块能不能成功，很大程度取决于你在“角色一致性”和“场景多样性”之间怎么做取舍。
我建议在故事生成模块输出visual_prompt时，就统一规定一个角色描述模板。模板里固定死名字、外貌特征和画风，只在场景关键词上做变化。比如我家孩子喜欢恐龙，我定的角色模板是“a round green baby dinosaur named Dino, large white belly, big blue eyes, wearing no clothes, in cartoon storybook style, soft pastel colors”。
每页的visual_prompt就是“角色模板 + 该页场景”，比如“Dino walking into a dark forest, fireflies around, wide-eyed curious expression”。这样做的长期价值在于，画面里主角永远有同样的脸和体型，孩子一眼就能认出主角，整本书的人物连续性就有了。
画风关键词建议固定在“cartoon storybook style”或“children‘s book illustration style”。这个选项的实际影响很大。我第一次没指定画风，生成出来一本写实风格、一本3D渲染风格，连一起看特别割裂。后来我把画风和角色描述一起做成工作流里的固定参数，彻底解决了画风混乱的问题。
画面比例也要提前定好。我用的是“16:9 landscape”，这样输出到平板投屏是全屏无黑边，打印成A5也没问题。如果做iphone竖屏阅读，就换“9:16 portrait”。这个参数在提示词里写明，不要在生成后才做裁剪，否则会把画面主体切掉。
2.3 模块三：语音合成与音频情感控制
绘本只有文字和图片还不够，配上标准发音的英文音频才是孩子“追着读”的关键。孩子听到音频后，可以自己翻页、自己听、自己跟读。
Coze工作流里集成的语音合成效果已经够用了，对3-8岁孩子来说，自然度完全达标。我选择的音色是“温柔女声”风格，语速调成0.9倍速。原因很简单：启蒙阶段的孩子需要听清楚每个单词的发音和断句，正常语速或偏快的中文习惯会对他们造成困惑。
语音合成节点有个参数值得注意：停顿时间。如果绘本页面是一问一答的结构，比如“What does Dino see？ / Dino sees a red leaf.”这种，建议在问号后面多留半秒停顿，给孩子一个思考时间。具体做法是在story文本里用省略号或逗号做分段，或者在生成音频后手动在脚本环节插入静音段。刚开始我没注意到这个细节，音频念得又密又快，孩子完全跟不上。调整停顿之后，跟读完成率高了很多，他会停下来想一想再开口。
2.4 模块四：排版输出与最终成品的交付形态
最后一个模块是把所有元素拼成成品。
我先说明输出路径：Coze工作流跑完后，返回的是“每页英文文本(带中文翻译) + 每页图片URL + 每页音频URL”这个结构。拿到这个结构后，你有两种方式把它变成孩子手里能读的绘本——第一种是脚本解析，自动按页拼接成HTML，转成PDF打印；第二种是把数据导出成适合平板或手机阅读的格式，或者直接粘贴到剪贴板里配合图片和音频一起使用。
我的实际做法是搭了一个“生成HTML绘本”的节点，把故事、配图、音频整合进一个HTML文件的列表里。每一页是一张图片，下面配英文原文、中文翻译和一个音频播放按钮。用平板浏览器打开这个HTML文件，就是一整本完全能听的互动绘本。打印的话另存为PDF即可，A4纸横版打印四页合一，装订起来就是一本实物书。这个方案不依赖任何第三方阅读APP，也没有平台限制，这是我最看重的一点。
在这个模块里，有一个折叠参数值得说：中英对照文本的排列方式。给3-5岁孩子做启蒙绘本时，中文翻译放不放、放在哪里会直接影响阅读效果。我的建议是：每页音频播放时只有英文，中文翻译放在页面下方的小字处，作为家长辅助。而不要做成一句英文一句中文对照的排版，那样孩子的注意力会直接被中文抓走，完全跳过英文跟读环节。
3. 从0到1搭建工作流的实操步骤：以“孩子喜欢的主题”为例
下面用一本实际做过的绘本《The Lost Ball》完整演示一遍流程。这本绘本是为一个5岁、A1水平、喜欢小狗的孩子做的。
我先把需求输给Coze智能体：“A story about a little dog finding his lost red ball in the park， for a 5-year-old child， A1 level， 8 pages。”智能体在故事生成模块里返回了下面这样的JSON结构，我摘录前两页给你看实际字段的样子：
[ { "page": 1, "english_text": "Sam has a red ball.", "chinese_text": "山姆有一个红色的球。", "visual_prompt": "a small brown puppy named Sam sitting in a sunny living room, holding a red ball, cartoon storybook style, soft pastel colors" }, { "page": 2, "english_text": "The ball falls down.", "chinese_text": "球掉下去了。", "visual_prompt": "Sam looking surprised as the red ball rolls out of the door, living room background, cartoon storybook style" } ]注意看它生成的句子：每句都是固定主语+行为+物体的A1结构，这种重复结构对孩子跟读特别友好。故事的完整情节是“球掉到草地-小狗去找-看到大树-球在树下-开心跑回家”，8页刚好是一个有头有尾的微型故事。
拿到这个结构之后，工作流自动把每页的visual_prompt传给配图模块。这里我不建议把JSON里的english_text直接拿去做listen-and-speak，而是要把字段名对应的文本内容先交给语音合成节点。整体跑完后输出一个清单一目了然，每一行对应一页的全部素材。
下面是这套流程从需求到成品的完整节点顺序，我建议就按这个顺序连线：
- 用户输入节点：接收主题、年龄、水平、页数、画风参数
- 故事生成节点：输出带所有页面字段的JSON数组
- 数据处理节点：逐页拆解字段，分别送入对应后续节点
- 配图节点：每页生成一张插图
- 语音节点：每页英文文本生成一个音频
- 排版输出节点：按页序拼装并输出成品内容
这6个节点就是珠子，连线就是串珠子的线。我第一次搭建时漏掉了中间的数据处理节点，直接把整个JSON数组传给了配图节点，配图节点一次只生成了第一页的画面。加了这个拆解步骤后，才真正做到“每一页都有图、有音频、有文本”。
补充一个关键参数：Coze工作流里的循环展开。如果你希望每页都是独立的生成任务（而不是让配图节点一次性读8个visual_prompt却只画一张），一定要勾选“逐项处理”或“循环展开”。忘了这一步，8页的绘本最后可能只出来1张图。
4. 让孩子“追着读”的三大核心体验设计
工作流跑通不是终点。要让生成出来的绘本真正被孩子追着读，需要解决“内容贴近兴趣”“听读结合”“互动感”这三件事。我在实测中发现，单纯生成一本静态电子书，孩子新鲜感三天就过了；但这三件事做好，一本绘本孩子能来回翻一个周末。
第一件事，内容定制化，这是Coze方案相比买书最明显的优势。我会在每本绘本开始前，问孩子最近喜欢什么。孩子说“喜欢消防车”“喜欢恐龙洗澡”，我就把这些词直接塞进故事主题里。孩子读到“Dino takes a bath with a toy duck”时，会自己兴奋地喊出Chart里的那几个词，完全不是被迫学习的状态。
第二件事，听读同步。孩子在平板上打开绘本页面时，音频按钮就摆在正文旁边。点一下，图画高亮，英文原声开始播。小朋友自己操作时，会反复点同一页的音频跟着念，因为音频从头播放这页内容，图画不会动但字和音是对应的，天然适合跟读。我把这个体验称作“绘本变成会说话的书”。
第三件事，互动彩蛋。这个工作流可以做到的是：在故事最后增加一个“找一找”页面，比如“How many red leaves can you find？”让孩子回翻前面的页面找答案。我用这种方式把一本8页绘本的阅读时长从3分钟拉到了10分钟以上，孩子每翻一页都在主动找线索，追着读的效果就是这么来的。这个彩蛋页不是额外的人工步骤，而是在故事生成模块的提示词里写明“最后一页必须包含一个复习型互动问题”，智能体会自动生成。
再补充一个容易被忽略的点：中文解释的位置。家长陪读时总忍不住在旁边中文讲解，这很正常，但为了不破坏英文氛围，我建议中文翻译不要和英文正文放在同一屏的视觉焦点位置。具体技巧是，把中文做成页面上需要点击才会展开的小字，或者干脆放在上一页的页脚。我家的情况是，英文原声播放后，他自己能根据画面猜出来七成意思，我再引导他说出中文含义，然后才展开文字翻译，这个顺序对语言输入的效果好过直接对照翻译。
5. 工作流跑通后的五项调优与三项必须避开的坑
搭好工作流只是开始，真正稳定好用，还需要做几项调优。同时有几个坑对新手是致命的，我先踩过几个，直接给你说结论。
第一项调优是限字数防失控。在故事生成节点里必须加硬性约束：每句英文词数上限、总页数固定、每页文本不能超过多少字符。不加约束的结果是，智能体有时会突然飙出“The crimson ballerina, gracefully twirling through the garden”，这种句子看着诗意，但对启蒙阶段的孩子完全无效。我把词数限制写进提示词后，输出就稳定在“Sam has a red ball”这个水平。
第二项调优是固定主角，防止角色跑偏。在配图节点的提示词里，永远用固定角色描述模板，不随机发挥。角色模板如果你希望在角色一致性上有更强保证，建议在每页visual_prompt中重复一遍角色外貌关键词，而不是指望图像模型自己能记住“上一张图”的脸。实测结果是，重复角色关键词能大幅提高一致率。
第三项调优是统一画风和分辨率。画风关键词、长宽比、图片质量参数尽量全部固定，做成工作流内的常量参数。又一个额外的好处是，固定画风之后，孩子连续读五六本绘本时，能明显感觉到是同一个系列的，加强他“我拥有这套书”的归属感。
第四项调优是人为介入关键节点。全自动跑完固然省事，但建议故事生成后到配图之前，设置一个简单的人工确认节点（轻点确认或一键跳过）。为什么？因为故事文本是绘本的骨架，如果故事本身逻辑不对、英文标题和内容脱节，后面生成再精美的图也是白搭。我做的第一本绘本就是因为没检查故事逻辑，出现了“小狗在公园找球，配图却画了一只猫在屋顶”的尴尬，虽然图和文字单独看都很好，合在一起却没法读。
第五项调优是价格控制。生成一本8页绘本，成本主要是配图节点的图像生成费用。实际跑下来一本的成本非常低，比我打印绘本的纸和墨还便宜。具体价格因平台计费调整会有浮动，你可以关注账单明细。优化方向是：不要每页都重试，把提示词调到稳定后再批量生成，能省很多不必要的重试费用。
接下来是三件必须避开的事情，尤其适合初次搭建的朋友：
其一，不要用翻译软件把中文绘本直接转成英文绘本。市面上的直译文字并不适合作为输入材料，因为中文故事的语言逻辑和英语启蒙是两套体系。直接把英语儿歌的歌词塞进去生成图片，效果也不见得好。正确做法是让智能体基于主题重新生成英语故事，而不是翻译现成中文。
其二，不要忽略长文本幻觉问题。工作流一旦跑长故事（超过12页），Coze的生成模型偶尔会在第10-12页重复前几页的句子，或者出现角色名称错乱。我的对照组测试结果很明显：8页以内几乎没有这类问题，16页时错误率明显上升。如果一定要做16页版本，建议把故事拆成两本8页的系列书，孩子的阅读体验反而更好。
其三，不要在启蒙初期就把中英对照并排。前文说过了，并排会导致孩子只看中文，完全跳过英文输入。如果家里老人陪读，就更不建议这样做，因为中文太醒目，孩子会习惯性地选择阅读成本更低的语言。
6. 实测对比：Coze绘本与其他方式的真实差异
为了让效果更清楚，我把之前用过的“传统手动制作”和“Coze工作流”放在一起做过一次同主题实测比较。主题都是“小女孩和小猫去海边”，同样的8页童话结构。结果其实非常明显。
先看制作时间：传统方式我从写故事脚本、画图、录音频到排版，断断续续花了一个晚上，大概三个多小时。Coze工作流从输入需求到拿到可以给孩子看的完整内容，整个跑完不到两分钟，后续加人工微调也不过十分钟量级。这个时间差对我这种平时要上班带娃的人来说，是决定性的差异。
再看内容质量：传统方式在画风和声音上更有“手工感”，但角色连贯性要靠大量后期修图才能维持，对我这种没有美术功底的人，八张图里有两三张的角色嘴型、姿态明显对不上，其实相当影响观感。Coze方案在角色一致性上虽然也需要提示词约束，但总体稳定性高于手动方案。
最后看孩子端效果：老实说，孩子对我的手工粗糙版本捧场但注意力不集中。反而是Coze版本《The Lost Ball》，因为有音频伴奏、图片统一、英文句子简短，他一口气就让我带着读了两遍，第二遍已经可以自己指读关键词了。
这让我反思：孩子其实根本不会因为你做了很久而多喜欢这本书，他只在意这本书“好不好读、好不好玩”。与其把时间花在处理工具的缝缝补补上，不如把精力花在每次选孩子喜欢的主题上。Coze把大量的机械重复工作压缩到几分钟内完成，反而帮我省下了最宝贵的时间来观察孩子的反应、调整难度。
7. 日常使用中的节奏建议与批量生产模式
现在每周我会固定给孩子做两本新绘本。一次做两本，节奏固定，不求量多，但在兴趣捕捉上必须跟紧孩子。看到孩子突然对某个东西表现出强烈好奇，就趁热打铁，当天把那本主题的绘本做出来。孩子拿到手时还在兴头上，自然会追着看。
批量生产的流程是这样的：先花十分钟列出孩子最近的三个兴趣主题，比如“太空飞船”“下雨天的小青蛙”“爸爸修车”。然后逐个输入Coze工作流，每本8页，生成完一键导出。三本都做好再一次性打印，省油墨也方便装订。我用的是这个节奏，一次三本，孩子连续一周每天都在换着读。
打印方面分享一个低成本的做法：A4纸横版，每页放两页绘本内容，这样一张纸能印四页，一本8页绘本两张纸搞定。裁开装订成小册子，再让封面就是工作流生成的第一页画面，整体效果很接近市售绘本。成本约每本几毛钱，比买任何一本原版书都便宜很多。
需要提醒的是，这套方案是给孩子做“有趣的补充材料”用的，无法完全替代系统性的英语课程和原版精读。我的定位是：Coze绘本解决的是“读得够不够多、够不够有趣”的问题，主线学习材料该用什么还是用什么。两者搭配，孩子的阅读量在不知不觉中涨得很快。
8. 我的实测数据与常见纠结
有几个高频问题被问得最多，结合我的实测给出参考答复。
第一个：成本高不高？我实测一本8页绘本的全部成本，目前来看比一杯咖啡还便宜很多。具体价格涉及计费规则调整，以平台展示为准，但整体属于“低于普通人预期”的范畴。真正占成本的反而是你的试错成本——第一次调试提示词时反复生成了很多废图。等提示词稳定了，成本会更低。
第二个：音色和AI语音会不会太假？对3到6岁孩子来说，声音自然度完全不是问题。他们关注的是内容和声音能否对应。市面上免费的语音服务已经足够播音级。孩子有没有因为音色而不愿听？我观察是没有。反而是有些过于夸张的音色，会分散他对英文内容的注意力，所以我和孩子共同选定的“温柔女声”是踏实的。
第三个：智能体到底需要懂代码吗？我已经带了两个完全不会代码的朋友搭同一套流程，他们都顺利跑通了。整条工作流里没有任何需要手写代码的地方，全部是用可视化节点拖拽完成。最接近代码的操作，可能就是在提示词里写JSON字段名。如果你连这个都担心，直接在智能体里描述你想要的输出格式，它会自动生成对应格式。
第四个：生成的故事会跑题吗？偶尔会。有些故事生成后主线偏好不明显，最后的互动问题也不够贴近主题，半小时的人工微调能解决80%的问题。如果完全不想人工介入，每次生成跑2个版本让我挑一个，也一样能用。
第五个：孩子需要多大的词汇量才能读？我实测下来，不到100词的孩子也能跟着画面猜和听。工作流会把句子压到最简单的水平，而且重复率很高。很多绘本整本下来核心词不超过30个，这恰好就是启蒙阶段需要的重复输入量。
9. 最后分享三个能长期提升孩子兴趣的小操作
这算是这套工作流我用了很久之后沉淀出来的心得。
第一，把“做绘本”这个过程本身变成亲子活动，还是有很多乐趣的。我会在输入主题时，让孩子告诉我“恐龙是什么颜色”或者“小狗叫什么名字”。他会觉得这本书是自己参与定制的，读完以后还会跑来问“我们可以把消防车画进第二本吗”。
第二，注意观察孩子在书里新认识的具体对象。每次做完绘本，隔几天我会问他几个和书有关的简单问题，比如“Sam的球掉到哪里了”。他能答上来，说明画面和语言形成了关联，这是有效输入的一个硬指标。
第三，每周做一本“回忆型”绘本，把家里发生过的真实小事编进故事里。比如“We went to the park on Sunday”“Mom made a cake”，孩子对这类内容的代入感极强，他会反复要求重读那几页，因为那是他自己的生活。这大概是这本书最不会坏掉的用法了。
如果说还有什么个人体会，那可能是我在踩了无数次提示词的坑、看了几十版四不像的画面之后，慢慢明白了一个道理：工具越自动化，你在“理解孩子兴趣”上的时间越值钱。Coze把制作成本压得极低，剩下来的不是让你去刷手机，而是让你把时间花在观察孩子、选对主题、调整难度上。这大概是这套工作流对我来说最大的意义。
