生成图片里的文字为什么常错？从原理到落地

让 AI 画一张带招牌的街景，店名十个字能错三个，这不是个例，而是图像生成模型的通病。生成图片里的文字为什么会错，要从模型学习画面的方式说起，弄清原理，也就知道该怎么补救。

先看模型怎么学画面

主流的文生图模型把图像切成许多小块，学习的是小块之间的分布规律。对模型来说，一个汉字笔画和一棵树的枝干没有本质区别，都是纹理。它见过大量招牌图片，记得「福」字大概长成什么样子，于是照着印象默写，而不是查字典一笔一画地写。

记住这个定位很关键：模型是画字的，不是写字的。理解了这一点，后面所有的补救思路都顺理成章。

文字为什么会写歪

根源在于生成方式和书写方式的错位。人写字有笔画顺序，模型却是整幅图一起「涌现」出来的，没有先横后竖的概念。笔画少的字容易蒙对，笔画一多，部件之间的相对位置就爱出岔子：横少了半截、点跑到框外面，都是随机性的产物。

训练数据也帮倒忙。网络图片里的文字常带水印、模糊、变形，模型学到的字本身就走了样，照着走样的样本默写，自然写不出工整的字。

解码环节同样有短板。模型每生成一个位置都要在候选里挑一个，挑错一个部件，后面的字就顺着错下去，出现整词跑偏。所以观察错误样本会发现，错误常常集中在某几个复杂字上，前面的字反而都对，这是逐位累积的典型表现。

中文比英文更难在哪

英文字母只有二十几个，常见组合有限；汉字常用的大几千个，每个字都是独立的小图形，部件密度还高。同样的模型能力，摊到中文上出错概率天然更高。不少模型的训练语料以英文互联网为主，中文字符的样本量本来就不占大头，偏科也就情有可原。

可带走的判断：文字越短越常见，成功率越高。让它写「OPEN」很稳，写一整段中文简介就悬，这不是玄学，是样本量决定的。

中文难在哪儿，四个维度对着英文看。

落地时还有个折中办法：图里留白，文字后补。生成时让画面把招牌位置空出来，后期用排版工具填字，既保住设计感，又不用赌模型的笔画。电商海报、活动横幅这类对文字准确性要求高的场景，几乎都按这个顺序走。

现在的工具怎么补救

新一代模型专门针对文字做了强化训练，把成对的图文样本喂得又多又干净，短句渲染的准确率已经明显改善，即梦AI、文心一言的文生图能力都在这个方向上发力。即便如此，长段落依然不稳，正式设计流程里要留出人工校对的环节。

工程上还有一条绕开短板的路：文字部分交给排版软件后期叠上去，图只负责氛围。专业设计几乎都这么干，稳定、可改、字体还能随心换。让豆包帮忙把文案定稿，再把文字压进图里，比反复抽卡划算得多。想继续深挖一致性问题，可以看数字形象的风格是怎么固定的，同一套约束思路也适用于文字；3D 生成的多视角是怎么保持一致的讲了另一个方向的稳定难题；画面光影的失真问题，见生成图像的光影为什么会「假」。

图内文字自查清单

• 字数控制在个位数，越短越稳。
• 常用词优先，生僻字做好重画准备。
• 正式用途一律后期排版，别赌模型。

收束一句：图归图，字归字，各走各的路。

关于图内文字再多问三句

• 为什么同一个提示词有时对有时错？：生成过程带有随机性，笔画结构靠概率蒙对，每次采样结果都不同，多抽几次属正常操作。
• 指定字体有用吗？：多数情况下作用有限，它学到的是「长这样的字」，不是排版系统，字体控制还得靠后期。
• 以后能根治这个问题吗？：短文本已接近实用，长段落的稳定渲染还取决于训练数据和解码方式的进一步改进。