混合方法架构
为确保内容适合家庭场景并保持视觉一致性，该互动故事创作体验采用了经过设计的素材库，包含人工绘制与AI生成的背景及前景对象。AI模型负责智能选择对象并确定其在屏幕上的布局方式。
背景音乐模块同样采用混合方法：在作曲家创作的和谐节奏模式基础上，通过AI自动生成旋律并存储于库中，运行时由AI模型根据主角特征和故事场景情绪动态组装配乐。音效则根据角色、物体和动作特征进行智能匹配。
故事生成器核心技术
故事生成器由两个基于预训练语言模型的组件构成：
- 规划器：接收用户选择的提示词，生成分配到不同场景的关键词列表作为故事蓝图
- 文本生成器：根据故事蓝图输出完整故事文本
训练数据包含人类撰写的故事集，特别是针对"水下世界"、“魔法森林"等主题标注的专用故事集。训练过程中首先自动提取每句话的关键词训练文本生成器，随后对关键词列表进行随机降采样以训练规划器。基于Transformer的一致性排序器会对生成内容进行过滤，确保故事情节连贯性。
场景生成流程
面对训练数据稀缺的挑战，研究团队采用流水线模型架构：
- 文本预处理：通过共指消解模块解析代词指代关系（如将"她"还原为"美人鱼”），依赖解析模块构建对象关系图（如"章鱼在船下游过"生成带方向标签的关系边）
- 背景选择：基于NLP模块输出和用户选择的主题从库中选取背景图像
- 对象布局：根据文本分析结果从设计库中选择元素，结合视觉上下文确定对象的尺度、朝向和坐标位置
素材库中的动画效果通过算法实现，如水下场景中鱼尾摆动的动作。
音乐生成系统
为确保音乐多样性，系统构建了包含乐器音轨的大型库：
- 存储艺术家创作的和弦进行、和声与节奏模式
- AI旋律生成器离线创作符合乐器配置的旋律并存入库中
- 按和弦进行、节奏、乐器类型等属性组织音乐素材
音乐生成模型通过两种方式处理文本输入：文本转语音模型计算朗读时长，副语言分析模型沿"平静-兴奋"、“悲伤-快乐"等维度评分，共同决定背景音乐的时长和风格。
安全防护机制
除场景生成的组合方法外，还采用多重防护措施：
- 训练数据经过人工和自动双重筛查排除不当内容
- 故事创作输入限定为预审核选项
- 模型输出经过自动过滤识别移除不当内容
- 使用需通过家长在应用中授权同意
这些技术保障使得该互动故事创作体验既安全又充满乐趣。