文本到图像：AI如何将文字变成照片

到2026年，占主导地位的方法是扩散模型，通常是潜在扩散模型。其直觉有些反常但非常值得理解：模型通过先学习如何破坏图像来学会创造图像。在训练过程中，模型拿真实图像，逐步加入噪声直到变成静态噪点，然后学习如何逆向还原这个过程。生成新图像时，模型从纯随机噪声开始，在你的提示引导下运行逆过程，直到出现一幅清晰的图像。

下面是这个流程的简要步骤——每次你点击生成时，你的文字都会走过这条路径。

1. 你写提示语。这是模型收到的唯一指令，这就是为什么具体性如此重要。
2. 文本编码器读取提示。语言模型或视觉-语言模型（例如 CLIP 文本编码器，或像 Google 的 Imagen 中的 T5 这样的大的语言模型）会把你的文字转换成数值嵌入，用以捕捉其含义。
3. 模型从随机噪声开始。画布一开始是无意义的静态噪点，也就是一个随机种子。
4. 模型逐步去噪。在一系列步骤中，模型一点点去除噪声，每一步文本嵌入都会将结果引向与你描述相符的方向。
5. 图像被解码。在潜在扩散模型中，主要计算在压缩的潜在空间中进行以提高速度，然后由一个解码器（例如 VAE）将结果扩展为全分辨率图像。
6. 你得到一张最终照片。输出是一张基于你的文字、随机种子和模型设置生成的新图像。

有两个技术概念能解释你会注意到的许多行为。种子就是特定的随机起始噪声；重复使用相同的种子和提示会得到相同的图像，这就是你可以以可控方式迭代的原因。引导（通常称为 CFG scale）控制模型在遵循你的提示与自由创作之间的程度；把它调高，图像会更贴合你的文字，但可能显得做作；把它调低，图像则更富有创意地漂移。

有少数术语经常出现。了解它们能消除大部分神秘感，让你自信地阅读任何 AI 图像生成器的设置面板。

你不需要每次都调整所有这些参数。大多数工具默认会显示提示框、反向提示和长宽比，并将其余选项隐藏在高级设置中。但了解每个控制项的作用意味着当结果不对时，你知道该调整哪个旋钮。

文本到图像只是多种模式之一，把它们混淆是常见的困扰来源。不同之处在于你用什么作为模型的起点。

• 文本到图像：输入仅为文字。模型从随机噪点开始，根据你的描述构建整个场景。最适合从零创建全新内容。
• 图像到图像：输入为文字加起始图片。模型以你的图片为基础，按提示进行变换，保留大致构图。最适合重塑风格或重做已有图片。
• 修补与编辑：输入为图片加上一个遮罩区域。模型只重新生成你选择的部分。最适合修复或替换单一元素，而无需重生成整张图。
• 扩展画面：模型将图像向原有边界之外延展，创造延续画面的场景。最适合改变长宽比或增加上方空间。

在实际工作流程中，你会混合使用这些模式。你可能先用文本到图像生成一个基础图，再切换到编辑模式来修复一只手或更换背景。明确自己使用的模式能告诉你模型可以修改什么，以及它会尽力保留什么。

在两个不同的工具中输入相同的想法，或者在同一工具中输入两次，你可能会得到截然不同的图片。这是正常的，几乎所有差异都可由三个因素解释。

首先，是模型。不同的 AI 图像生成器在不同的数据和不同的架构上训练，因此每个模型都有其独特的默认风格和不同的优势。像 Google 的 Imagen 这样的研究表明，扩大文本编码器的规模（不仅仅是图像模型）会显著提升照片真实感和图像对文字的忠实度，这就是为什么各工具对提示的理解差异很大的原因。

其次，是随机性。扩散过程从随机噪声开始，因此即便提示完全相同，不同的随机种子也会产生不同的图像。这是一个特性，而不是缺陷；正是它让你能够生成多种变体并挑选最好的。

第三，是提示和设置。含糊的提示会让模型用其平均猜测来填补空白，因此措辞上的细微变化就会改变结果。引导强度、步数和纵横比会进一步影响输出。实际的教训是：对你来说，最好的 AI 图像生成器既取决于模型质量，也取决于它对你表达方式的提示理解程度。

因为提示是你唯一的指令，撰写提示是文本到图像中最重要的技能。一个可靠的公式会按重要性依次列出要素：先写主体，其次是场景、光线和风格，最后加上技术限定词，并用单独的负面提示来排除不想要的内容。

1. 指出主体及其关键属性： “一位30多岁的女性，柔和自信的微笑，深灰色西装外套。”
2. 将其置于场景中： “坐在中性灰背景前。”
3. 指定光线： “来自左侧的柔和漫射窗光” — 往往是影响真实感的最大因素。
4. 添加相机、镜头与风格： “85mm 镜头拍摄，浅景深，专业企业肖像。”
5. 设定氛围和技术限定词： “温暖亲切，清晰对焦，宽高比 4:5。”
6. 添加负面提示： “强烈阴影、瑕疵、文字、水印。”

具体胜于冗长。十个精确的词通常比五十个模糊的词更有效，因为每一个具体细节都会把模型从其平均猜测中引导开。当结果接近但不完全正确时，每次只更改一个变量，这样你才能看清每次修改的效果。想要更深入的逐步指导与可直接复制使用的示例，请参阅我们关于如何编写 AI 照片提示的指南，或让 AI 提示生成器根据简短想法搭建完整的提示。

文本生成图像功能强大，但不是魔法，清醒地认识其局限可以避免挫败感。

• 细节常会出错且可预见。手部、牙齿、图像中的文字和复杂反射是常见的伪影区域；每次都要检查它们。
• 它不能读心。模型只知道你写的内容，任何没说清的部分都会被它的默认假设填补。
• 精确复现很难。在没有专用工具的情况下，要在不同图像中始终生成同一个特定人物、产品或标志仍然很困难。
• 生成结果看起来合理，但不一定真实。模型会虚构细节，因此文本生成图像不适合需要精确可靠的内容，例如文档或证据。
• 质量因模型而异。较弱的图像生成模型在复杂场景上会比强模型更吃力，因此所用工具与提示词同样重要。

对于大多数创意和市场工作，这些都不是致命问题。它们只是意味着文本生成图像是一个需要后续打磨的起点，而不是一键就能解决的万能工具。先生成、再检查，然后用有针对性的编辑修正那几处错误，而不是重做整张图。