今天给大家演示一个多模态 Coze 工作流，它结合了文字生成图像、抠图处理、语音合成、音频时长计算，以及通过代码和插件实现的多节点数据编排。整个工作流可以自动把输入的文字内容转化为图像和音频素材，再配合视频编辑辅助节点实现完整的可视化产出。通过这个流程，用户不仅能快速生成符合需求的图片与语音，还能进一步将素材合成视频，极大提升创作效率。文章目录工作流介绍核心模型Node节点工作流程大模型应用图像生成节点使用方法应用场景开发与应用工作流介绍该工作流主要通过批处理逻辑驱动，依次调用图像生成、抠图、语音合成、音频处理等节点，最终形成适合视频合成使用的多模态数据。整个流程强调“自动化 + 多模态融合”，既能生成图像，又能生成音频，并通过代码节点完成自定义处理，确保输出的素材在时长、内容、视觉效果上保持一致性。核心模型工作流的核心模型以图像生成和语音合成相关模型为主。图像部分依托扩散模型实现高质量画面生成，并支持透明背景抠图；语音部分则基于字节系语音合成插件，通过文字驱动自然发声。核心模型为整个工作流提供了视觉与音频的基础能力。模型名称说明图像生成模型基于扩散算法的图像生成，支持自定义 prompt 并生成指定尺寸图片语音合成模型将文字转化为语音，支持音色选择、语速调节，适配多语言场景Node节点节点涵盖了批处理、图像生成、抠图、语音合成、音频时长计算、代码处理、变量聚合与选择器等模块。它们通过数据流连接，形成一个完整的逻
