yuanzonghao
7dac77e200
- Restructure overview with scannable bullet lists for capabilities
- Move screenshots up (after overview), reduce from 14 to 6
- Extract configuration guide to docs/configuration{,.en,.ja}.md
- Update Vercel deploy button envLink to point to new config docs
Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
5.3 KiB
配置教程
InfiPlot 会与四类模型供应商通信。文本（Text）和视觉（Vision） 只走 OpenAI 兼容接口——想用 Google Gemini 的话，把 *_BASE_URL 指向其 OpenAI 兼容端点（https://generativelanguage.googleapis.com/v1beta/openai）即可；想用 Anthropic Claude 的话，推荐通过兼容网关（如 LiteLLM）转发，官方 OpenAI 兼容层不支持缓存，可能推高成本与延迟。图像（Image） 支持 Runware（其自有 task-array 协议）与 OpenAI（gpt-image）。语音（TTS） 支持小米 MiMo（自有的音色设计/克隆协议——支持角色级音色设计、克隆与逐行演绎指导，免费）和 StepFun 阶跃星辰（32 个预设音色，由 AI 自动匹配，付费但体验更好）。
1. 选择你的供应商
| 供应商 | 环境变量 | 是否必填 | 推荐 |
|---|---|---|---|
| Text · 剧情导演 | TEXT_BASE_URL TEXT_API_KEY TEXT_MODEL |
✅ | DeepSeek 的 deepseek-v4-flash |
| Image · 场景渲染 | IMAGE_BASE_URL IMAGE_API_KEY IMAGE_MODEL |
✅ | Runware 的 runware:400@6（FLUX.2 [klein] 9B KV） |
| Vision · 点击解读 | VISION_BASE_URL VISION_API_KEY VISION_MODEL |
✅ | Google 的 gemini-3.5-flash |
| TTS · 角色配音 | TTS_BASE_URL TTS_API_KEY TTS_SPEECH_MODEL |
可选 —— 留空则静音运行 | 小米 MiMo 的 mimo-v2.5-tts（免费）；付费可选 StepFun 的 step-tts-2 |
可选 · 指定接口协议：每类模型都可加一个
*_PROVIDER变量（TEXT_PROVIDER/VISION_PROVIDER/IMAGE_PROVIDER）显式选择接口协议。不设则保持向后兼容——文本/视觉默认走 OpenAI 兼容接口，图像按*_BASE_URL自动判断（runware.ai→ Runware，否则 OpenAI 兼容；个别在runware.ai上以 OpenAI 协议提供的模型——如image-2-vip——会按 OpenAI 兼容处理，需要时用IMAGE_PROVIDER显式覆盖即可）。
取值 适用 说明 openai_compatible（默认）Text · Vision · Image OpenAI Chat Completions / /images/generationsopenaiImage OpenAI gpt-image，支持参考图编辑runwareImage Runware task-array 协议 文本和视觉仅支持
openai_compatible。要用 Gemini，把*_BASE_URL指向其 OpenAI 兼容端点（https://generativelanguage.googleapis.com/v1beta/openai）即可。要用 Claude，推荐通过兼容网关（如 LiteLLM）转发——Anthropic 官方端点虽提供 OpenAI 兼容层，但不支持缓存，会推高成本与延迟。此外，
*_BASE_URL带不带/v1（甚至末尾多写了/chat/completions）都能正常工作——引擎会自动规范化。
2. 填写环境变量
九个变量为必填；TTS 可选（留空则静音运行）。此外还有一个用于低成本测试的开关：
| 变量 | 作用 |
|---|---|
MOCK_IMAGE=true |
跳过图像生成，渲染器返回一张静态占位图。剧情、语音、选项照常运行。非常适合在不消耗 Runware 额度的情况下调试 TTS。 |
在哪里设置（确切字段见 .env.example）：
- 本地开发 ——
.env.local - Vercel —— Project Settings → Environment Variables
- Cloudflare Workers —— 在仓库根目录下逐个执行
wrangler secret put <NAME>，或在 dashboard 里设置（Workers → infiplot → Settings → Variables and Secrets）。如果要给 staging 加访问限制，可以在 Worker 前面挂一个 Cloudflare Access（零代码，邮箱白名单）。
3. 注意成本
使用推荐的三件套时，每一幕场景的开销主要来自图像生成模型。FLUX.2 [klein] 9B KV 的图像大约 $0.00078 一张（1792×1024，4 步，亚秒级）；文本模型使用 deepseek-v4-flash 时，成本极低。逐拍点过一个场景是免费的。为了让切换瞬间完成，引擎还会预测式地生成那些你可能选、但最终可能没选的场景 —— 所以真实花费会比你实际看到的场景数略高一些。
4. 图片代理（可选）
默认浏览器直连图片供应商，无需任何配置 —— 留空 NEXT_PUBLIC_IMAGE_PROXY_URL 即可，完全不受影响。只有当你遇到图片「层层加载」（Chrome 在某些网络下 ERR_QUIC_PROTOCOL_ERROR 导致 PNG 逐行渲染）时才需要它：部署一个极小的 Cloudflare Worker，把图片改为服务端转发 + HTTP/2 原子返回。一键部署见 infiplot-image-proxy，然后把它给出的 workers.dev 地址填进 NEXT_PUBLIC_IMAGE_PROXY_URL。
5. 玩家自带配音 Key（可选，推荐）
小米对 TTS 模型有 RPM/TPM 限额。当你的公共部署有多人同时游玩、共用同一把 TTS_API_KEY 时，很容易撞到限额，表现为剧情、画面都正常，唯独没有声音。为此，玩家可以在首页可选地填入自己的小米 MiMo Key（免费申请）——配音请求由浏览器直连小米完成，Key 只存在玩家本地、绝不经过你的服务器，从而获得稳定配音与更低延迟。这是纯增强：不填则照常使用你部署的服务器 Key，行为不变。
申请与填写步骤见 自带配音 Key 教程。