通义万相 2.1 API 接入实战：Python 实现文生图与文本生成

调用示例：

prompt = "虚拟现实课堂上，学生身临历史战场学习历史"
image_url = generate_image(prompt)

if image_url:
    print(f"生成成功，图片链接：{image_url}")
else:
    print("生成失败")

保存生成的图像

拿到 URL 后，我们可以将图片下载到本地，方便后续使用。

def save_image(url, path):
    try:
        urllib.request.urlretrieve(url, path)
        print(f"图像已保存到 {path}")
    except Exception as e:
        print(f"保存失败：{e}")

if image_url:
    save_dir = "generated_images"
    os.makedirs(save_dir, exist_ok=True)
    save_path = os.path.join(save_dir, "generated_image.jpg")
    save_image(image_url, save_path)

文本生成实现

除了图像，文本生成同样强大。逻辑与图像类似，主要区别在于输入输出格式。

def generate_text(prompt, max_length=500):
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {api_key}"
    }
    
    data = {
        "input": {
            "prompt": prompt,
            "max_length": max_length
        },
        "parameters": {
            "temperature": 0.7
        }
    }
    
    try:
        response = requests.post(text_api_url, headers=headers, json=data)
        response.raise_for_status()
        result = response.json()
        
        if "output" in result and "text" in result["output"]:
            return result["output"]["text"]
        return None
    except requests.RequestException as e:
        print(f"文本生成请求出错：{e}")
        return None

调试与注意事项

1. 错误处理：网络波动或配额限制可能导致请求失败，务必加上 try-except 块。
2. 并发控制：如果需要在高并发场景下使用，注意平台的速率限制（Rate Limit），必要时增加重试机制。
3. Prompt 工程：提示词的质量直接影响生成效果，多尝试不同的描述方式。
4. 资源清理：定期清理本地生成的临时文件，避免占用过多磁盘空间。

通过上述步骤，你可以快速搭建起基于通义万相 2.1 的 AIGC 应用原型。这种模式无需维护庞大的算力集群，非常适合中小规模的业务验证和创意开发。