Du har en bildidé, du behöver den nu, och ändå sitter du fast med att finjustera prompts, köra om genereringar och ladda ner filer en och en.
Telegram Gemini-bilder-automation bryter den loopen. Social media managers känner av det när publiceringstakten spelar roll. En småföretagare som försöker få ut innehåll mellan kundsamtal känner det också.
Det här arbetsflödet gör om ett kort Telegram-meddelande till fyra anime-inspirerade bilder som skickas tillbaka direkt i samma chatt, med hjälp av en LLM som förbättrar din prompt så att du får bättre resultat på första försöket.
Så här fungerar automationen
Hela n8n-flödet, från trigger till slutresultat:
n8n Workflow Template: Telegram + Gemini: animebilder direkt i chatten
flowchart LR
subgraph sg0["Telegram Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/telegram.svg' width='40' height='40' /></div><br/>Telegram Trigger"]
n1["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>HTTP- Gemini"]
n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set base64", pos: "b", h: 48 }
n3@{ icon: "mdi:cog", form: "rounded", label: "Wait 10s", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Image-count", pos: "b", h: 48 }
n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Loop Over Prompts", pos: "b", h: 48 }
n6@{ icon: "mdi:cog", form: "rounded", label: "Convert to File", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out Prompts", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n10@{ icon: "mdi:robot", form: "rounded", label: "Prompt generator (USER_Inspi..", pos: "b", h: 48 }
n11@{ icon: "mdi:brain", form: "rounded", label: "DeepSeek from OpenRouter", pos: "b", h: 48 }
n12["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/telegram.svg' width='40' height='40' /></div><br/>Send pics via Telegram"]
n3 --> n5
n2 --> n6
n4 --> n10
n1 --> n2
n6 --> n3
n0 --> n4
n5 --> n12
n5 --> n1
n8 --> n5
n11 -.-> n10
n9 -.-> n10
n10 --> n8
end
subgraph sg1["Flow 2"]
direction LR
n7["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>HTTP- Leonardo AI"]
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n9,n10 ai
class n11 aiModel
class n1,n7 api
classDef customIcon fill:none,stroke:none
class n0,n1,n12,n7 customIcon
Problemet: att finjustera prompts och hantera filer dödar momentumet
”Generera en animebild” låter enkelt tills du gör det på riktigt. Du skriver en kort idé, resultatet blir platt, så du skriver om prompten. Sen försöker du igen. Sen ändrar du stilord. Sen byter du modell. Efter det måste du fortfarande ladda ner bilderna, döpa om dem och få in dem på rätt ställe för ditt inlägg. Det är inte svårt arbete. Det är dränerande arbete, för det stjäl det kreativa momentum du faktiskt behöver för bildtexter, erbjudanden och publicering.
Det bygger snabbt på. Här är var det oftast faller isär.
- Du gör ofta 5–10 försök med prompten bara för att få en ”användbar” bild.
- Varje generering blir ett litet filhanteringsprojekt (ladda ner, döp om, ladda upp igen, repetera).
- När du jobbar snabbt är det lätt att tappa bort vilken prompt som gav vilken bild.
- De flesta verktyg möter dig inte där du redan jobbar, så loopen från idé till asset är långsammare än den borde vara.
Lösningen: Telegram till animebilder med LLM-förbättrade prompts
Det här n8n-arbetsflödet börjar i Telegram, för det är där snabba idéer faktiskt uppstår. Du skickar ett kort meddelande till din bot (något enkelt som ”flicka med paraply i neonstad på natten”). Flödet utvecklar direkt idén med en chat-LLM (DeepSeek via OpenRouter) och gör om en enkel mening till flera rikare, anime-klara prompts. Sedan loopar det igenom de promptarna och genererar bilder med Gemini som standard (eller Leonardo.AI om du byter HTTP request-noden). Till sist konverterar det den returnerade bilddatan till riktiga filer och skickar fyra färdiga bilder tillbaka i din Telegram-chatt, redo att spara eller dela.
Flödet startar med en Telegram-meddelandetrigger. AI:t berikar din idé till en liten uppsättning detaljerade prompts, sedan genererar arbetsflödet bilder i batch och svarar med filer i samma chatt. Inga extra flikar. Betydligt mindre pill.
Vad du får: automation vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du behöver anime-inspirerade visuals till 5 inlägg i veckan. Manuellt kan du lägga cirka 10 minuter per inlägg på att skriva om prompts och köra om genereringar, plus ytterligare 10 minuter på att ladda ner och sortera filer. Det är ungefär 1,5 timmar i veckan av ren friktion. Med det här arbetsflödet skickar du ett Telegram-meddelande per inlägg (ungefär en minut), väntar en kort stund på genereringen och får 4 bilder tillbaka i chatten. I praktiken känns det ofta som att få tillbaka en timme varje vecka, ibland mer.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Telegram-bot för att ta emot prompts och leverera bilder
- Google Gemini API (GCP) för att generera animebilderna
- OpenRouter API-nyckel (hämta den i din OpenRouter-dashboard)
Kunskapsnivå: Nybörjare. Du klistrar mest in API-nycklar, ställer in några värden och kör ett testmeddelande i Telegram.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Telegram-meddelandet triggar allt. Du skickar en textidé till din Telegram-bot och arbetsflödet fångar prompten plus ett standardantal bilder (fyra).
Idén uppgraderas till bättre prompts. En chat-LLM (DeepSeek via OpenRouter) bygger ut din korta prompt till flera anime-vänliga variationer, och sedan formaterar en strukturerad parser dem så att de blir konsekventa och användbara.
Bilder genereras i en kontrollerad loop. n8n delar upp promptlistan och itererar i batchar, och anropar Geminis bild-endpoint via en HTTP request-nod. En kort väntan ingår så att du inte stöter på timingproblem när flera bilder skickas tillbaka direkt efter varandra.
Filerna skickas tillbaka till chatten. Arbetsflödet plockar ut base64-bilddata, konverterar den till binära filer och skickar sedan bilderna till Telegram som bilagor så att du kan spara dem direkt.
Du kan enkelt ändra standardantalet bilder för att generera fler (eller färre) bilder utifrån dina behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: konfigurera Telegram-triggern
Starta arbetsflödet genom att fånga inkommande Telegram-meddelanden som innehåller användarens grundprompt.
- Lägg till och öppna Telegram Intake Trigger.
- Credential Required: Anslut era telegramApi-uppgifter.
- Ställ in Updates på
message. - Lämna Additional Fields → Chat IDs tomt för att ta emot meddelanden från valfri chatt, eller begränsa till specifika chattar vid behov.
Steg 2: koppla in tolkning av indata och räknare
Fånga användarens prompt och definiera hur många bilder som ska genereras.
- Öppna Initialize Image Counters.
- Ställ in User_Prompt till
{{ $json.message.text }}. - Ställ in num_of_Images till
4(justera till önskat antal i utdata).
Exekveringsflöde: Telegram Intake Trigger → Initialize Image Counters.
Steg 3: sätt upp kedjan för AI-promptgenerering
Generera detaljerade anime-prompter från användarens indata och dela sedan upp dem i enskilda objekt.
- Öppna Generate Enhanced Prompts och behåll Prompt Type inställt på
define. - I Text använder ni hela promptmallen med uttryck, inklusive
{{ $('Initialize Image Counters').item.json.num_of_Images }}och{{ $('Initialize Image Counters').item.json.User_Prompt }}. - Koppla DeepSeek Chat Model som språkmodell för Generate Enhanced Prompts. Credential Required: Anslut era openRouterApi-uppgifter i DeepSeek Chat Model.
- Koppla Structured Prompt Parser som utdata-parser för Generate Enhanced Prompts. Parsern använder det angivna schemat i Input Schema.
- Öppna Split Prompt List och ställ in Field To Split Out till
output.
Exekveringsflöde: Initialize Image Counters → Generate Enhanced Prompts → Split Prompt List.
Steg 4: generera bilder och hantera batchning
Bearbeta prompter i batchar, begär bilder från Gemini, extrahera base64-data och konvertera till filer.
- Öppna Iterate Prompt Batches och behåll standardinställningarna för batchar (eller justera vid behov för rate limits).
- Konfigurera Gemini Image Request med URL satt till
https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash-preview-image-generation:generateContentoch Method tillPOST. - Credential Required: Anslut era googlePalmApi-uppgifter i Gemini Image Request.
- Ställ in JSON Body till den angivna mallen och använd
{{ JSON.stringify($json.description) }}i fältet text. - Öppna Extract Base64 Data och ställ in base64 till hela extraktionsuttrycket för inbäddad bilddata.
- Öppna Convert to Binary File och ställ in Operation till
toBinaryoch Source Property tillbase64. - Ställ in Delay 10 Seconds till Amount
10för att undvika API-throttling.
Exekveringsflöde: Split Prompt List → Iterate Prompt Batches → Gemini Image Request → Extract Base64 Data → Convert to Binary File → Delay 10 Seconds → Iterate Prompt Batches.
Steg 5: konfigurera leverans via Telegram (och valfri Leonardo API)
Skicka genererade bilder tillbaka till den Telegram-chatt som initierade flödet. Ni kan också konfigurera Leonardo API-noden för alternativ bildgenerering.
- Öppna Send Images to Telegram och behåll Operation inställt på
sendPhoto. - Credential Required: Anslut era telegramApi-uppgifter i Send Images to Telegram.
- Säkerställ att Binary Data är aktiverat och att Chat ID är satt till
=(eller mappa till inkommande Telegram chat-ID vid behov). - Valfritt: Konfigurera Utility: Leonardo Image Request med era httpHeaderAuth-uppgifter och uppdatera modelId från
[YOUR_ID]till ert Leonardo model-ID.
Exekveringsflöde: Iterate Prompt Batches skickar utdata både till Send Images to Telegram och Gemini Image Request parallellt.
Steg 6: testa och aktivera ert arbetsflöde
Validera arbetsflödet end-to-end innan ni slår på det för produktionsbruk.
- Klicka på Execute Workflow och skicka ett testmeddelande till er Telegram-bot med en kort anime-prompt.
- Bekräfta att Generate Enhanced Prompts returnerar en strukturerad array och att Split Prompt List skickar ut enskilda promptobjekt.
- Verifiera att Gemini Image Request returnerar bilddata, att Extract Base64 Data sätter
base64, och att Convert to Binary File producerar binär utdata. - Kontrollera Telegram för bildleverans från Send Images to Telegram.
- När allt fungerar växlar ni arbetsflödet till Active för produktionsbruk.
Vanliga fallgropar
- Telegram-inloggningar kan löpa ut eller så kan bot-token vara fel. Om något skapar fel, kontrollera dina Telegram-credentials i n8n och BotFather-token du klistrade in först.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om nedströmsnoder misslyckas på grund av tomma svar.
- Standardprompts i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera utdata i all evighet.
Vanliga frågor
Cirka 30 minuter om du redan har dina API-nycklar.
Nej, ingen kodning krävs. Du kopplar konton, klistrar in nycklar och testar genom att skicka ett meddelande till din bot.
Ja. n8n har ett gratis alternativ för self-hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med API-användning för OpenRouter (för LLM:en) och din bildleverantör (Gemini eller Leonardo.AI).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serveradministration.
Ja, och det är ärligt talat det bästa. Uppdatera promptmallen som används i LLM-steget ”Generate Enhanced Prompts” så att den bakar in dina stilregler (ljus, palett, stämning, komposition). Du kan också ändra standardantalet bilder i steget ”Initialize Image Counters” om du vill ha 2 bilder för snabbhet eller 8 för variation. Om du vill ha anime-rendering med högre detaljgrad kan du byta HTTP-steget ”Gemini Image Request” mot det inkluderade steget ”Utility: Leonardo Image Request” och lägga till din Leonardo API-nyckel.
Oftast beror det på att bot-token eller chatt-/användar-ID är fel, eller att credentials har sparats under fel n8n-miljö. Skapa om token i BotFather, bekräfta vilket ID du skickar till och välj sedan om Telegram-credentialn i stegen ”Telegram Intake Trigger” och ”Send Images to Telegram”. Om det fungerar i en nod men inte i den andra beror det ofta på att en nod pekar på en annan credential-post.
Många, men det beror på din n8n-plan och dina API-gränser. På n8n Cloud är din månatliga körningsgräns kopplad till din plan, och varje körning producerar vanligtvis fyra bilder. Om du self-hostar kommer n8n i sig inte att begränsa antalet körningar, men Gemini/OpenRouter kan rate-limita dig om du belastar det hårt. I praktiken kör de flesta små team detta dussintals gånger per dag utan problem när väntetider och batching är rätt inställt.
För det här användningsfallet, ja, men det beror på vad du menar med ”bättre”. n8n är bekvämt med flerstegsflöden som ”LLM genererar en lista → loopa över items → vänta → konvertera till filer → skicka flera bilagor”, och du betalar inte extra bara för att arbetsflödet har förgreningar och batching. Zapier eller Make kan gå snabbare för enkla tvåstegs-zaps, men looping plus filkonverteringar kan bli klumpigt eller dyrt. Om du vill hålla allt i ett arbetsflöde och justera det över tid är n8n ett stabilt val. Prata med en automationsexpert om du vill ha hjälp att välja.
När det här väl rullar slutar du passa genereringarna och börjar samla användbara visuals. Arbetsflödet tar hand om det repetitiva, och du kan gå vidare till publicering.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.