Text-to-image : was ein Modell von einer Beschreibung versteht

Text-to-image verwandelt eine Beschreibung in ein Bild. Was das Modell wirklich davon liest, warum derselbe Satz je nach Familie unterschiedliche Bilder ergibt, und was ein Rendering wiederholbar macht: die Technik, vor dem Workflow.

Text-to-image verwandelt eine geschriebene Beschreibung in ein Bild: Das Modell liest Motiv, Stil, Komposition, Materie, Licht, Bildausschnitt und produziert eine visuelle Darstellung. Die Qualität hängt nicht von der Zahl der Wörter ab, sondern von der Struktur der Absicht: Bei Axiris wird sie als Art Direction geschrieben, nicht als Liste von Schlüsselwörtern, und das ist die Arbeit von Nova. Dieselbe Beschreibung ergibt unterschiedliche Bilder mit FLUX, Qwen-Image, Gemini Image, GPT Image oder Stable Diffusion: Die Arbeit besteht auch darin, die Formulierung an die Engine anzupassen.

Ein Bild aus einem Text generieren

Text-to-image verwandelt eine geschriebene Beschreibung in ein Bild. Es ist die bekannteste Form der KI-Bildgenerierung: Sie liefern eine Absicht in Textform, den Prompt, das Modell interpretiert sie und produziert eine visuelle Darstellung.

Diese Seite erklärt die Technik: was eine Engine von einer Beschreibung versteht. Die Schritte darum herum, das Briefing, die Referenzen, die Auswahl, die Korrektur, stehen in Workflow der Bildgenerierung.

Was das Modell liest

Die Qualität des Ergebnisses hängt nicht von der Menge der Wörter ab. Das Modell muss das Motiv, den Stil, die Komposition, die Materien, das Licht, die Umgebung, den Bildausschnitt, die Atmosphäre, das Rendering interpretieren. Was man nicht sagt, entscheidet es allein: Eine Lücke in der Beschreibung ist eine implizite Anweisung.

Bei Axiris werden diese Elemente als Art Direction strukturiert, nicht als Schlüsselwörter angehäuft: das, was ein Art Director einem Fotografen sagen würde. Das ist die Arbeit von Nova, die Ihre Absicht in Anweisungen verwandelt, die zur Engine passen: Nova im Workflow.

Dieselbe Anweisung, mehrere Interpretationen

Jede Modellfamilie hat ihr Verhalten. Eine identische Beschreibung erzeugt sehr unterschiedliche Bilder mit FLUX, Qwen-Image, Gemini Image, GPT Image oder Stable Diffusion: Manche lesen einen langen Satz besser, andere eine Liste; manche rendern den Text im Bild, andere nicht.

Die Arbeit besteht also auch darin, die Formulierung an die Engine anzupassen: ein Grund mehr, das Modell nicht zu wählen, bevor man die Arbeit kennt: Wie wählt man ein KI-Bildmodell?.

Was ein Rendering wiederholbar macht

Ein Diffusionsmodell geht von einem zufälligen Rauschen aus, bestimmt durch einen Seed. Dieselbe Beschreibung, dieselben Einstellungen, derselbe Seed: dasselbe Bild. Das erlaubt, ein Rendering zu reproduzieren, zwei Engines unter gleichen Bedingungen zu vergleichen und nur eine Sache auf einmal zu ändern. Eine Generierung, deren Bedingungen man nicht kennt, lässt sich nicht neu machen; sie wird auf gut Glück neu gestartet.

Text-to-image ist der Anfang, nicht das Ende

Eine erste Generierung ist nicht das Endergebnis. Sie wird ausgewählt, dann transformiert, nach Zone korrigiert, vergrössert, fertiggestellt. Text-to-image wird zu einem Produktionsschritt unter anderen, und bei Axiris bewegt sich, was nach diesem Schritt freigegeben ist, nicht mehr: Man generiert kein Bild mehr, man baut es.

Um ein bestehendes Bild zu ändern, statt eines zu generieren: Modelle für die Bildbearbeitung.

Kontaktanfrage: ein erstes Gespräch geschenkt, unverbindlich. Jede Praxis ist anders, und indem wir Ihnen zuhören, schlagen wir vor, was zu Ihnen passt.