我用200行Python代码，把AI漫画的字体重试率从70%降到零

如果你试过用Stable Diffusion或DALL-E生成带对话气泡的漫画，一定懂那种痛苦——字母看着像字母，读出来却是"WHAT ARE YOU DONIG"。我统计过，大约70%的生成结果需要重跑，仅仅因为文字乱码，每次重跑烧掉约0.04美元GPU费用。

做Comicory时，我彻底放弃让模型直接渲染文字，把排版挪到确定性的后处理环节。模型只画空白气泡，文字用Pillow库绘制。文本相关问题的重试率：零。后处理代码总量：约200行。

整个流程分四步。

第一步：检测气泡形状

模型通过提示词加LoRA被训练成画带黑边的空白白气泡。我用传统计算机视觉找它——不用机器学习，没有意外：

代码逻辑很直接：转灰度、二值化阈值、找轮廓、按面积排序。宽高比限定在0.6到3.0之间，过滤掉细长云状装饰和全画幅背景。在约2000个面板的测试里，这招找到正确气泡的概率是96%。

第二步：按角色情绪选字体

每个Comicory角色有个mood字段，每种情绪对应特定字体和字重：

平静用AnimeAce2常规体24号，愤怒和喊叫切到BadaBoom粗体（分别30和36号），耳语是斜体20号，旁白用CCWildwords-Roman。这些漫画字体我一次性花了约80美元买的正版授权。免费替代方案比如Google Fonts里的Bangers或Permanent Marker？读者一眼能认出是AI生成的廉价感。

第三步：文字自适应换行

Pillow自带的textwrap太简单粗暴。我的版本对字体大小和换行位置做二分搜索，直到渲染出的文字能塞进气泡：

关键在font.getlength()——它返回实际渲染宽度，含字距调整。内接矩形系数0.75留出可视边距，让最终效果看起来像专业排版。

第四步：字距微调加描边

最后一步给文字加描边增强可读性。先画黑色轮廓再叠白色填充，逐行垂直居中。行高系数1.15让多行文字有呼吸感。

这套方案的核心取舍很清晰：把AI擅长的事（构图、风格、角色姿态）和程序确定性能做好的事（文字排版）分开。生成模型不再为拼对每个字母消耗算力，200行Python接管了原本需要几十次重试才能碰运气的环节。

成本账也好算。原本70%重试率意味着每生成一个带文字的面板，平均要跑1.7次。按每次0.04美元算，后处理代码一次性解决掉这笔持续开销。字体授权费80美元，跑2000次生成就能回本。

一个细节可能有用：气泡检测失败的那4%怎么办？直接跳过文字渲染，面板保持空白气泡。用户可以在编辑器里手动拖拽文字框——这比看"HEILP"这种错字体验好得多。

技术选型上全是保守派做法。OpenCV二值化、Pillow字体渲染、二分搜索调字号，没有调用任何云端API，没有引入视觉语言模型做二次校验。200行代码的维护成本，远低于再叠一层神经网络的复杂度。

这个思路可以迁移到其他场景。任何需要AI生成内容叠加精确文字的地方——信息图、表情包、电商海报——都可以考虑让模型输出占位区域，确定性代码填文字。重试率的敌人不是更大的模型，是更清晰的职责边界。