你输入一句话。一分钟后，你有了一张图。
这就是 2026 年文生图 AI 实际在做的事。这份指南会走完每一步——挑模型、写一条不会产出糊状物的提示词、修好那六根手指，以及产出真的能放到网站上用的图。
我们在做 Anyscene，所以在摸清什么管用之前，先生成过大量烂图。下面写的全是我们当初希望第一天就有人告诉我们的东西。
想要短版就往下滚。想要长版就先收藏。
文生图 AI 到底在做什么
大多数教程会跳过这一段。别跳。理解模型的形状，会改变你写提示词的方式。
用大白话讲扩散模型怎么工作
拿一张照片。往上加随机噪点，直到它看起来像电视雪花。然后教一个神经网络把这个过程反过来——一层一层把噪点剥掉，同时用一条文字提示告诉它底下应该是什么。
在训练中把这件事重复几亿次，你就得到了 Midjourney、Flux 或 Stable Diffusion。全部把戏就这些。
由此推出两件事。第一，模型从来没见过你要的那张图——它是在重建一张符合你描述的图。第二，提示词承担了大量工作。你的词含糊，模型就用训练数据里最常见的东西填空。这就是为什么一条偷懒的提示词换来一张平庸的图库照片。
文生图、图生文与图片编辑的区别
这三个经常被搞混。它们是三件不同的活。
| 任务 | 你给它什么 | 你拿回什么 | 代表工具 |
|---|---|---|---|
| 文生图 | 文字 | 一张新图 | Anyscene、Midjourney、Flux |
| 图生文（OCR） | 一张图 | 图里的文字 | Google Lens、Tesseract |
| 图片编辑 | 一张图 + 指令 | 同一张图，改过的 | Photoshop AI、Canva |
这份指南讲的是第一种。如果你是想把截图上的字抠出来才来到这里的，关掉这个页面去搜 OCR。
从文字生成图片的四个步骤
第 1 步 — 挑一个和你的活匹配的模型
每个模型都有自己的性格。用错模型，就像请一个体育摄影师去拍婚礼。
- 写实照片 → Flux 1.1 Pro 或 Midjourney V7。皮肤、织物、自然光都能处理得不塑料。
- 风格化插画 → Midjourney V7 或 SDXL。开箱即用的色彩构成更好。
- 图里带文字（海报、招牌、logo） → Flux Pro 或 DALL·E 3。老模型会把词变成乱码字母。
- 速度优先于质量 → Flux Schnell。每张两秒以内，适合快速试。
如果还不知道选哪个，就挑一个，用一下午认真试。每十分钟换一个工具，什么都学不到。
第 2 步 — 写一条包含四个部分的提示词
一条好的提示词回答四个问题。缺任何一个，模型就自己猜——而它的猜测通常很平庸。
| 部分 | 问题 | 例子 |
|---|---|---|
| 主体 | 画面里有什么？ | a border collie catching a frisbee |
| 场景 | 在哪儿，什么时候？ | on a windy beach, late afternoon light |
| 风格 | 看起来是什么样？ | shot on Fujifilm X-T5, 35mm, shallow depth of field |
| 品质 | 有多精致？ | sharp focus, natural colors, no filter |
把它们拼起来：
a border collie catching a frisbee on a windy beach, late afternoon light,
shot on Fujifilm X-T5, 35mm, shallow depth of field, sharp focus, natural colors就这样。没有咒语，也没有秘密参数。这条提示词给我们的结果是：
第 3 步 — 只调三个参数（其余的别管）
大多数平台会甩十五个滑块给你。你只需要三个。
- Seed（种子） — 同样的种子加同样的提示词会得到同一张图。留住你喜欢的那个，方便在它周围迭代。
- Steps（步数） — 步数越多，细节越多，等待越久。30 是甜点区。超过 50 收益递减。
- CFG / Guidance（引导强度） — 模型贴合你提示词的紧密程度。默认 7。要精确就推到 10，要有创造性解读就降到 4。
其余的——采样器、调度器、clip skip——都不如一条更好的提示词重要。
第 4 步 — 迭代，而不是重开
第一张图从来不对。第二张通常也不对。
一次只改一样。换镜头，不换整个场景。换时间，不换主体。记住是哪个词让画面动了——那才是这里真正的技能，大概需要五十次生成才建立起来。
如果第二十次尝试还是不对，问题多半不在提示词，而在模型。回看第 1 步。
2026 年值得一试的工具
价格和功能每几个月就变。截至撰写时，各工具的优势在这里。
| 工具 | 最适合 | 速度 | 价格 | 强在哪儿 |
|---|---|---|---|---|
| Anyscene | 场景化生成、营销人员 | 约 8 秒 | 免费 + 付费档 | 场景预设、一键变体 |
| Midjourney V7 | 开箱即美 | 约 15 秒 | 每月 10 美元起 | 不需要后期 |
| Flux 1.1 Pro | 写实、可读文字 | 约 10 秒 | 按张付费 | 手、脸、排版 |
| Stable Diffusion 3.5 | 开源、本地运行 | 取决于显卡 | 免费 | 完全控制，无审查 |
| DALL·E 3 | 对话式编辑 | 约 20 秒 | 通过 ChatGPT Plus | 多轮细化 |
我们的实话：想今天就出结果，从 Anyscene 或 Midjourney 开始。需要图上文字或商用级写实时，换 Flux。只有在你有显卡又有一个周末可以耗的时候，才去碰 Stable Diffusion。
真正能让画面变化的提示词工程
大多数"提示词指南"是围着同样五个想法写了十二段。这是短版。
四段式公式，反复用
主体 · 场景 · 风格 · 品质。每条提示词都用它。背下来，然后别再看提示词指南了。
十条可以直接抄的提示词模板
随便贴一条，把名词换掉，你就有了一条能用的提示词。
1. Product photography: matte-white ceramic {product} on a peach-to-coral
gradient background, studio softbox lighting, soft shadow, centered, 1:1.
2. Isometric SaaS illustration: a cloud dashboard with floating charts,
pastel palette, clean lines, marketing style, 16:9.
3. Anime portrait: young woman with short black hair, cherry blossoms
drifting, cel shading, pastel colors, 2:3.
4. Architectural concept: modernist house with glass walls, cantilevered
over a pine forest at dusk, warm interior glow, cinematic, 16:9.
5. Botanical watercolor: eucalyptus sprig, loose brushstrokes, soft greens,
paper texture, white background, 1:1.
6. Low-poly 3D scene: tiny mountain village with pine trees and a river,
mint and sky-blue palette, soft ambient occlusion, 16:9.
7. Pixel art: cozy wizard's study, bookshelves, crystal ball, black cat,
warm candlelight, 16-bit style, 1:1.
8. Minimalist line drawing: hand holding a coffee cup, thin black line
on off-white paper, centered, 1:1.
9. Cyberpunk cityscape: neon pink and teal signage, wet streets, light
rain, lone silhouette, anamorphic lens, 16:9.
10. Studio food photography: overhead shot of ramen with soft-boiled egg,
scallions, nori, dark slate background, side lighting, 1:1.每一条都遵循 主体 · 场景 · 风格 · 品质。带着这个视角再读一遍。
反向提示词
如果你的模型支持，反向提示词能砍掉一半的重试。把这段贴进负面栏里，然后继续干活：
blurry, extra fingers, deformed hands, text artifacts, watermark,
low contrast, oversaturated, distorted face不提供反向提示词字段的模型（DALL·E 3）会忽略它。提供的（Flux、SD、Midjourney 的 --no）会感谢你。
图出错的时候：一张速查表
这是大多数指南跳过的部分。输出不对的时候，你不需要更多理论——你需要一张查询表。
| 问题 | 为什么会这样 | 怎么修 |
|---|---|---|
| 六根手指、融化的手 | 模型在肢体上训练不足 | 加 anatomically correct hands, five fingers；把 deformed hands, extra fingers 放进负面栏 |
| 招牌上的乱码文字 | 分词器不会拼写 | 换 Flux Pro 或 DALL·E 3；文字控制在四个词以内；用引号包起来 |
| 脸看起来不对 | 画幅太宽 | 人像用 2:3 或 3:4，不要用 16:9 |
| 颜色发灰 | CFG 太低 | 把引导强度提到 8–10 |
| 每张脸都长一样 | 默认底模偏好 | 加上具体的族裔、年龄和特征 |
| 光线奇怪或很平 | 提示词里没有光的方向 | 加 rim light、golden hour 或 studio softbox |
| 主体很小，淹没在场景里 | 没有取景词 | 加 close-up、medium shot 或 wide angle |
| 一眼就看出是 AI 生成 | 皮肤过度平滑、脸太对称 | 加 film grain, natural imperfections, asymmetric features |
把这张表塑封起来。你会反复回来看它。
人们实际拿它做什么
不是艺术展。是真实、无聊、有用的东西。
博客和文章配图。 替代图库照片是我们见到的最大单一用途。一条提示词，不用走授权流程，还能精确匹配你的主题。这篇指南就用了三张。
产品样机。 在设计师动手之前先看到包装设计。一下午测五种瓶型，把看起来不对的在昂贵渲染之前就砍掉。
社交内容。 一下午出十个版本，而不是十小时。同一条提示词，不同种子，挑最好的两个。
分镜与概念稿。 在投预算之前先把想法可视化。适合广告、产品发布，以及任何需要往上汇报的东西。
商品列表与目录。 为同一张产品照生成不同的背景变体。当你只有一张照片却要跑五个活动时很有用。
想把自己放进这些图里？看如何把自己融入 AI 图片生成器 →
30 秒讲完法律问题
短版：只要工具的许可允许，商用基本没问题。Anyscene、Midjourney 付费档、Flux Pro 和 DALL·E 3 都允许商用输出。
有两件事仍然会让你摊上事。点名在世艺术家风格的提示词（in the style of [某人]）往好了说是灰色地带，往坏了说可以被起诉。复现了受商标保护角色的输出——米老鼠、宝可梦、某个品牌 logo——责任在你，不在工具。
一些司法辖区现在要求广告和编辑内容标注 AI。发布前查一下你当地的规定。
常见问题
AI 文生图免费吗？ 是的，大多数平台每天有一定的免费额度，Anyscene 也一样。付费档买到的是速度、更高分辨率和商用许可。
新手最适合哪个 AI 图片生成器？ Anyscene 或 Midjourney。两个都能用大白话工作，第一天不需要学任何参数。
AI 生成的图片能商用吗？ 大多数付费档可以。查一下你所在方案的许可页。免费档的图往往带使用限制。
需要显卡吗？ 只有在本地跑 Stable Diffusion 时才需要。网页工具帮你算。
一张图要多久？ Flux Schnell 这类快模型两秒。高质量的最多 30 秒。
为什么我的图老是长一个样？ 种子相同，或者提示词太短且相同。改掉其中一个。
AI 能在图上画出能读的文字吗？ Flux Pro 和 DALL·E 3 可以。把文字控制在四个词以内。老模型超过这个长度就会画成乱码。
这会取代设计师吗？ 在图库照片和概念草图上，基本会。在品牌识别和成品美术上，不会——总得有人来判断什么才是好的。
把第一句话打出来。这是唯一要紧的一步。