为什么图像生成模型画不好中文长文本
记录时间：2026-06-09 16:54:55
问题
用 Seedream / 即梦这类图像生成模型做手帐风格的图片时，生成结果里的中文文字经常糊成「鬼画符」：标题还勉强、正文整段崩坏，连写在 prompt 里的水印（如「幸福笔记」）都被画歪。这是 prompt 写得不好，还是模型本身的局限？该怎么从根本上解决？
原因：模型是在「画」文字，不是「写」文字
图像生成模型把文字当成画面像素「画」出来，并没有真正的文字图层。它只是在模仿字形笔画，所以会出现以下现象：
- 中文最难：汉字字形复杂、字库上万，模型只能近似笔画 → 不常见或笔画多的字就画成乱码。
- 文字越长越糊：像 60 字左右的正文，字一多、字号一小，模型撑不住，整段崩坏。
- 短词反而准：2–4 字的常见词（如「黑巧拿铁」「好喝」）模型见得多、字又少，能画对。
- 水印也保不住：即使把「贴贴笔记 / PetaNote」写进 prompt，也会被画歪。
这是扩散类（diffusion）图像模型的通病，不是 prompt 的 bug——再怎么调措辞、提分辨率，长段中文都救不回来。
真正的解法：两层合成
核心思路是：别让图像模型画文字。把图和字分成两层处理。
第一层：图像模型只生成背景
让模型只画手帐背景 + 照片 + 贴纸 / 涂鸦装饰。prompt 里去掉所有具体文字，改成「预留文字区域 / 空白便签条」之类的描述，给后续叠字留出位置。
第二层：用真实字体叠加文字
标题、正文、小字都用真实字体在前端或后端叠加上去（Canvas / SVG / HTML 截图），用手写体中文字体渲染。
这样做的好处：
- 文字 100% 清晰正确
- 可以随时改字、换字体
- 能精准控制排版
市面上的手帐类 App 基本都是这么做的。
两套落地方案
| 方案 | 做法 | 特点 |
|---|---|---|
| A. 低成本缓解版 | 改 prompt 让模型少画字：只画标题 + 短标签，正文改成空白便签条 | 改动小、先看效果，但治标不治本 |
| B. 文字合成层（推荐） | 后端用 SVG / Canvas 把文案叠到生成图上 | 一劳永逸，文字永远清晰可控 |
小结
图像生成模型不擅长渲染文字，尤其是长段中文，这是底层机制决定的硬限制，无法靠调 prompt 解决。正确的工程做法是图文分层：模型负责画背景和装饰、预留空白区域，真实字体负责渲染文字。短期可先用 prompt 缩减文字量缓解，长期应上文字合成层彻底解决。