图里的文字为什么总写错:生图工具的一块硬短板
要做一张带标语的海报,生成出来的字看着像汉字,细看全是错的。
这不是工具没调好,是这类模型的一个结构性短板。
先说结论:它是在画字,不是在写字
理解这一点,后面所有现象都能解释。
生图模型学的是像素之间的关系。它看到过大量“文字的样子”,于是能画出像文字的图案,但它不知道这个字对应什么读音、什么含义。
所以它能画对“结构简单的字”,能画对“常见的短词”,但一旦字多、笔画密、排版复杂,就变成了“看起来像字的图形”。
这跟人的错误方式不一样:人会写错别字,模型是画出不存在的字。
三种情况,成功率差很多
第一种,3 到 5 个字符的短标语。 成功率相对高。
第二种,10 个字以上的句子。 基本必错,而且错得没有规律。
第三种,小字号密集排版。 比如商品包装上的成分表、瓶身说明。这一种几乎不可能对。
| 场景 | 典型需求 | 可控程度 |
|---|---|---|
| 短标语 | 5 字以内主视觉 | 多试几次可得 |
| 品牌名 | 3 到 6 字 | 需要固定写法 |
| 长句 | 副标题、说明文字 | 不可控 |
| 小字密集 | 包装成分、条款 | 基本不可行 |
为什么中文比英文更难
三个原因。
字符集大。 常用汉字几千个,模型要为每个字学到准确的笔画结构,比学 26 个字母难得多。
笔画密度高。 一个“藏”字有十几笔,在小尺寸下结构就会糊掉。
结构相似。 “未”和“末”、“己”和“已”,差别只有一横的长短,在像素层面几乎等价。
所以同样的提示词,英文短词的成功率明显高于中文。
四类应对办法
办法一,减少字量。 把一句话压成一个词,或者只留主标题,副标题后期加。这是最可靠的办法,成本也最低。
办法二,把文字位置留白。 生成时明确要求“左上角留出空白”,后期把文字排上去。这样文字用真实的字体渲染,永远清晰。
办法三,接受瑕疵并修。 生成后把错的字局部重绘,或者用修图工具覆盖重写。适合字少的情况。
办法四,换工具类型。 有些工具专门做了文字渲染能力,或者提供“图文分层”模式:先生成背景,再单独渲染文字层。
四个办法里,第二个最稳,因为它把“让模型写字”换成了“让字体写字”。
一个细节:把它当素材,不当成品
最实用的心态转变:生成图是背景素材,文字是后期上的。
这样做的三个好处。
文字永远正确。 用的是真实字体,不存在错字。
改文案不用重生成。 换个说法,改一层文字就行。
风格可以统一。 字体、字号、颜色由你控制,不随生成结果抖动。
坏处是麻烦一点,需要一次排版。但这个麻烦比反复生成去碰运气划算。
什么情况下可以硬碰
三种情况值得试。
主视觉就一个大字。 比如一个字的海报,笔画大、留白多,成功率高。
文字是图形的一部分。 比如霓虹灯招牌、手写风格,本来就不要求字形准确,反而要一点变形。
文字位置不重要。 比如远景里的店铺招牌,观众不会去读。
三种之外的正式物料,不要指望它写对。
一个常见误区:多试几次就好了
前几年这个思路部分成立,因为随机性大,多试有概率撞对。
现在的问题是:错的方式越来越“合理”。以前是明显乱码,现在是一眼看过去像对的、细看才发现错。这种错误更危险,因为容易漏过检查。
所以正确做法不是多试,而是把文字从生成环节里拿出来。
检查清单
如果决定让模型参与文字,发布前必须做四件事。
放大到 100% 看每一个字。 缩略图看不出来。
逐个念一遍。 读不通的地方就是错的。
检查笔画结构。 有没有多一横、少一点。
检查字距。 模型常把两个字粘在一起,或者把间距做得不均匀。
四件事做完再发。这一步花的时间,比事后撤回便宜得多。
一个延伸判断
这块短板不是永久性的。近一两年,文字渲染能力在快速改善,尤其是短文本。
所以不要把它当成永久规则,而要把它当成一个需要定期复测的边界:每换一个模型,用同一句短标语试一次,看它现在能对到什么程度。
真正稳定的做法还是那个:文字交给字体,画面交给模型。这个分工不依赖模型进步。