文生 3D 和图生 3D 差在哪？先想后建

AI 生成 3D 模型有两条入口：一句话进去，或一张图进去。入口差一个字，产出逻辑差一层。文字是抽象的，留白极多；图片是具体的，外观早被钉死。理解这层差别，比记住哪个工具新更重要——它决定了你该把需求交给哪条路线，以及结果大概能信几分。判断自己该用哪条路，先问手里有没有一张拿得出手的参考图。

输入的信息量差一截

文生 3D 的输入先经过文本编码器把句子压成语义向量（见文本编码器），模型拿着这串语义去推断形状。「一把中世纪木椅」七个字，椅背多高、雕什么花、漆成什么色，描述里没写的全部由模型自行决定——留白既是自由也是风险。图生 3D 的输入是一张具体图片，视角、比例、配色、材质全有参照，模型的任务从「想象一把椅子」缩成了「给这张图补出立体结构」，不确定性小得多。

自由度与还原度的取舍

信息量的差别决定了两条路线的强项。文生的强项是探索：概念还没定型、只有一句氛围描述时，它能快速给出几个方向，适合前期发散。图生的强项是还原：原画、产品图、手办照片已经存在，要的是照着它出立体件，图生能把「像原物」这件事做扎实。两者和图像领域文生图与图生图的关系同构（见图生图），也和视频领域文生视频对图生视频的分工近似（见文生视频与图生视频）——输入越具体，输出越可控，这条规律跨模态都成立。

共同考题：多视角一致

3D 与图像最大的不同是它要转着看。正面看着没问题，转到侧面和背面，文生 3D 更容易露馅：没描述过的角度全靠补，补出来的结构可能前后矛盾。图生同样有这道坎，但参照图至少把一个视角钉死了，其余角度的发挥空间更小。这道多视角一致性的考题在3D 多视角一致性一篇里有专门讨论。选工具时值得专门盯这一项：转一圈后结构稳不稳，比单帧好看与否重要得多，正面精致、背面散架的出件在两条路线上都不少见。

实际流程里怎么搭着用

成熟的用法是串联。先用文生图锁形象：在即梦或通义万相里用文字生成几张概念图，挑出方向对的那张，必要时手工微调；再把这张图交给图生 3D 出立体件。文字负责定调，图片负责钉细节，每一步的不确定性都被上一步压缩过，成品的可控性比一步到位高出一截。纯文生 3D 直接出成品的路线也没有被淘汰，草稿阶段的快速预览、没有原画参考的头脑风暴，仍然是它的主场。判断自己该走哪条路，只看一个问题：手头有没有一张已经定稿的图。有，就交图；没有，就先用文字把想法跑起来。

两条路线对照

• 输入：一句话 vs 一张图
• 强项：发散探索、无中生有 vs 贴着参照、还原度高
• 风险：留白处自行发挥 vs 对参照图视角的依赖
• 常见组合：文生图锁形象，再图生 3D 出立体件

再多说几句 3D 生成

• 哪条路线更适合做游戏道具？：有原画设定就走图生，还原度是资产验收的硬指标；早期头脑风暴用文生快出草稿。
• 图生 3D 对照片有什么要求？：主体清晰、背景干净、光照均匀的照片出件最稳，多角度素材能进一步降低补角度的风险。
• 两条路线会合并吗？：工具层面已经出现混合输入，文字加参考图同时给，边界在模糊，选型时按手头素材定即可。