なんか面白そうなことをやっているね
最終的にはChrome拡張とかSillyTavernとかみたいなUIを使いつつ、下記みたいな動きを実現させたい感じ？（色々違っていたらごめん）
１．｛なんかのUIの拡張機能（以下拡張機能）で｝チャットの発言を検知
２．（なんかのNLPモデルを使って）ストーリーを要約してtxtファイルに保存
３．最新の発言をtxtファイルに保存
４．「２．」と「３．」のtxtファイルを基にキャラクターの表情やポーズをなんかのNLPモデルに推測してもらい、タグを生成してもらう。
５．拡張機能からStable Diffusion API呼び出し
６．Stable Diffusionからチャットにて最後に発言したキャラクターのガイド画像（事前作成済想定）と、「４．」で作成したタグを基に画像を生成
７．拡張機能にて、チャットしているUIに生成された画像を表示