Text-to-Image
Text-to-Image ist die Aufgabe, aus einer geschriebenen Beschreibung, dem Prompt, ein neues Bild zu erzeugen. Die meisten aktuellen Text-to-Image-Modelle sind Diffusionsmodelle, die durch den Text gesteuert werden.
Auch: image generation, T2I, AI image generator
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Du tippst „ein rotes Fahrrad an einer Backsteinmauer in der Abenddämmerung“, und das Modell liefert ein passendes Bild. Im Hintergrund verwandelt ein Text-Encoder den Prompt in Zahlen, und ein Diffusionsmodell nutzt sie, um sein Entrauschen von zufälligem Rauschen hin zu einem Bild zu lenken.
Wie der Text das Bild lenkt
Bei Latent Diffusion, dem Aufbau hinter Stable Diffusion, verbinden Cross-Attention-Schichten den Text bei jedem Schritt mit dem entstehenden Bild. Die Guidance Scale steuert, wie streng sich das Modell an den Prompt hält. Für genauere Kontrolle über Layout oder Pose ergänzen Tools ControlNet oder starten mit Image-to-Image von einem vorhandenen Bild.
Wofür Entwickler es nutzen
Produkt-Mockups, Marketingmotive, Illustrationen, Spiel-Assets und Platzhalter für Oberflächen. Gehostete Optionen sind etwa Midjourney und Ideogram; offene Modelle wie FLUX.2 dev laufen auf deiner eigenen GPU. Mehr dazu unter Bildmodelle.
Grenzen
Modelle tun sich weiterhin schwer mit exaktem Text in Bildern, mit Zählen, Händen und präziser räumlicher Anordnung. Die Ausgabe hängt von den Trainingsdaten ab, was Fragen zu Stilkopien und Lizenzen aufwirft. Ergebnisse sind standardmäßig zufällig, derselbe Prompt liefert also verschiedene Bilder, sofern du den Seed nicht festlegst. Erzeugte Bilder sind meist zu klein für den Druck und laufen oft durch einen KI-Upscaler.
Verwandte Begriffe
- Diffusionsmodell
- Ein Diffusionsmodell (Diffusion Model) ist ein generatives Modell, das lernt, zufälliges Rauschen in Daten wie ein Bild zu verwandeln, indem es über viele Schritte jeweils ein wenig Rauschen entfernt.
- KI-Bildhochskalierung
- KI-Bildhochskalierung (AI Upscaling) oder Super-Resolution nutzt ein neuronales Netz, um ein Bild zu vergrößern und plausible Details zu ergänzen, sodass das Ergebnis schärfer wirkt als bei einfachem Skalieren.
- Image-to-Image
- Image-to-Image (Bild-zu-Bild) ist die Aufgabe, aus einem vorhandenen Bild und einem Prompt ein neues Bild zu erzeugen, das einen Teil der Struktur des Originals behält und dabei Stil, Details oder Inhalt ändert.
- Guidance Scale (CFG)
- Die Guidance Scale oder CFG Scale ist eine Einstellung in Diffusions-Bildgeneratoren, die steuert, wie stark die Ausgabe dem Prompt folgt. Höhere Werte folgen dem Prompt genauer, verringern aber die Vielfalt.
- ControlNet
- ControlNet ist eine Erweiterung für neuronale Netze, mit der ein Text-to-Image-Diffusionsmodell zusätzlich zum Text-Prompt einer strukturellen Vorlage folgt, etwa einer Kantenkarte, einer Tiefenkarte oder einer menschlichen Pose.
- Inpainting und Outpainting
- Inpainting füllt einen maskierten Bereich eines Bildes mit neu generierten Inhalten, die zum Rest des Bildes passen. Outpainting wendet dieselbe Idee außerhalb der Ränder an und erweitert das Bild über seinen Rahmen hinaus.