文生图：AI 如何把文字变成照片

2026 年的主流方法是 diffusion 模型，常见为 latent diffusion。直觉上有点反常，但很值得掌握：模型是通过“先学会破坏，再学会复原”来学会造图的。训练时它把真实图像不断加噪直至只剩雪花点，然后学习如何把噪声还原回图像。生成时，它从纯随机噪声出发，在你的 prompt 引导下逆向去噪，直到一张干净的图出现。

下面是这条流水线的白话分步，也是你每次点击生成时文字所走的相同路径。

1. 你写一个 prompt。这是模型唯一的指令，所以具体性格外重要。
2. 文本编码器读取它。一个语言或视觉-语言模型（例如 CLIP 文本编码器，或 Google 的 Imagen 使用的 T5 等大型语言模型）把你的文字转成捕捉语义的数值嵌入向量。
3. 模型从随机噪声开始。画布一开始是一团无意义的雪花点，即一个随机 seed。
4. 它逐步去噪。模型跨越若干步，每次去掉一点噪声；在每一步，文本嵌入都会把结果往你的描述方向拉。
5. 图像被解码。在 latent diffusion 中，主要计算发生在压缩的潜在空间以提升速度，随后由解码器（VAE）把结果还原成全分辨率图像。
6. 你得到成片。输出是一张受你的文字、seed 和模型设置共同条件约束的新图像。

两个技术概念能解释你会注意到的许多行为。seed 是那一团特定的随机起始噪声；复用相同的 seed 和 prompt 会得到同一张图，这就是可控迭代的方法。Guidance（常称 CFG scale）控制模型对 prompt 的服从度与自由发挥的权衡；拉高会更贴合文字但可能显得生硬，拉低会更有创意但更容易跑偏。

有几个词会反复出现。弄懂它们，基本就能自信地看懂任何 AI 图像生成器的设置面板。

你不必每次都动齐这些参数。大多数工具默认只露出 prompt、negative prompt 和长宽比，其余藏在高级设置里。但知道每个“拉杆”做什么，能让你在结果跑偏时，迅速拧对那只旋钮。

文生图只是多种模式中的一种，混淆它们是常见挫败来源。差异的本质在于你提供给模型的起点是什么。

• 文生图：输入只有文字。模型从随机噪声起步，完全依据你的描述搭建场景。适合从零创造全新画面。
• 图生图：输入是文字加一张起始图。模型以你的图为基底，按 prompt 转换，同时保留大致构图。适合改款、重绘、换风格。
• Inpainting 与编辑：输入是图像加一块遮罩区域。模型只重生你选中的部分。适合只修一个元素或替换局部，而不重骰整张图。
• Outpainting：模型把图像向原有边界外扩展，续写画面。适合改长宽比或增加留白/头部空间。

实际工作流里你会把它们混着用。你可能先用文生图打底，再切到编辑去修一只手或换个背景。搞清当前所处的模式，就知道模型“被允许改什么、会尽量保留什么”。

在两个工具里，甚至同一个工具里连试两次，同一想法也可能出现差异很大的图。这是预期行为，三件事几乎能解释全部原因。

首先是模型本身。不同的 AI 图像生成器训练数据与架构不同，因此默认风格、强项各异。像 Google 的 Imagen 等研究显示，扩大文本编码器的规模（不只是图像模型）会显著提升写实度与对文字的忠实度，这也是为何不同工具的 prompt 理解差异很大。

其次是随机性。diffusion 从随机噪声起步，所以即便 prompt 完全相同，不同 seed 也会产出不同图。这不是 bug，而是让你能生成一组变体、再挑最佳的机制。

第三是 prompt 与设置。含糊的 prompt 会让模型用“平均猜测”去补全空白，小小措辞变化都可能左右结果。Guidance、步数和长宽比也会继续推动偏移。实践上的结论是：对你来说“最好的 AI 图像生成器”，既取决于模型质量，也取决于它的 prompt 理解是否贴合你的表达方式。

因为 prompt 是你唯一的指令，写 prompt 是文生图里最重要的技能。一个稳妥的结构是按重要性排布：先主体，再场景、光线与风格，技术限定放在最后，另用 negative prompt 排除不想要的元素。

1. 点名主体及关键特征：“30 多岁女性，柔和而自信的微笑，木炭灰西装外套。”
2. 放进具体场景：“坐在中性灰背景前。”
3. 明确光线：“左侧柔和漫射窗光”——往往是影响真实感的最大杠杆。
4. 补上相机、镜头与风格：“85mm 镜头拍摄，浅景深，专业企业形象照。”
5. 设定氛围与技术限定：“温暖亲和，焦点清晰，长宽比 4:5。”
6. 加上 negative prompt：“强烈阴影、瑕疵、文字、水印。”

具体性胜过长篇大论。十个精准词胜过五十个空泛词，因为每个具体细节都在把模型从“平均猜测”中拉出来。当结果“差一点就对”时，一次只改一个变量，这样你能看清每次修改带来的影响。想看更系统、可直接复用的示例，去看我们的 AI 照片 prompt 写作指南，或用 AI Prompt Generator 把一个短想法扩展成完整 prompt。

文生图很强，但不是魔法。正视它的边界能省下不少挫败。

• 细节部位有规律地翻车。手、牙齿、画面里的文字、复杂反射是常见重灾区；每次都要检查。
• 它读不懂你的心思。模型只知道你写的内容，任何没写清的部分都会被它的默认假设填上。
• 精确复现很难。不借助专门工具，要在多张图中稳定生成同一个人、产品或 Logo 仍然困难。
• 输出是“看起来可信”，非事实陈述。模型会虚构细节，因此不适合要求准确性的场景，比如文档或证据。
• 质量因模型而异。弱一些的 AI 图像生成器会在复杂场景上吃力，而强模型能应对，因此工具本身与 prompt 同样重要。

对大多数创意与营销工作来说，这些都不是决定性障碍。它们只意味着：文生图是一个起点，需要你后续完善，而不是一键到位的神谕。先生成、再检查，然后用针对性的编辑把少数问题修好，而不是整张重来。