Text-to-Image ist eine KI-Fähigkeit, bei der ein Satz eingegeben wird und ein Bild herauskommt: Sie schreiben „eine Katze mit rotem Schal sitzt auf der Fensterbank", und das Modell erzeugt ein neues Bild, das der Beschreibung entspricht. Es sucht keine Bilder im Netz und klebt sie zusammen, und es zeichnet auch keine Vorlage nach. Es berechnet aus der Textbedingung ein Bild, das in der Wirklichkeit nicht existiert. Zuerst eine Grenze: Text-to-Image bezeichnet die „Aufgabe" selbst, Diffusionsmodelle sind nur ein Weg, sie umzusetzen — wer beides gleichsetzt, verwirrt sich nur.
Was im Inneren des Modells wirklich passiert
Die meisten gängigen Text-to-Image-Modelle folgen heute dem Diffusionsansatz, in grob drei Schritten. Erstens verwandelt ein Text-Encoder den Prompt in einen semantischen Vektor, sodass das Modell weiß, was eine Katze, ein roter Schal und eine Fensterbank sind und wie sie zusammenhängen. Zweitens startet es mit einem Bild aus reinem Rauschen und entfernt Schritt für Schritt das Rauschen, wobei es jeden Schritt an der Textbedingung ausrichtet, bis aus dem Rauschen ein erkennbares Bild wird. Drittens wandelt ein Decoder das Ergebnis in Pixel um. Entscheidend ist der zweite Schritt: Das Modell hat das Bild, das Sie wollten, nie „gesehen". Es hat die Entsprechung zwischen Wörtern und Bildern aus riesigen Mengen von Bild-Text-Paaren gelernt — Generieren heißt, das Gelernte nach den erlernten Regeln neu zusammenzusetzen.
| Fähigkeit | Eingabe | Ausgabe | Typische Verwendung |
|---|---|---|---|
| Text-to-Image | Nur Text | Ein völlig neues Bild | Poster, Illustrationen, Konzeptkunst |
| Bild-zu-Bild | Text plus Referenzbild | Ein bearbeitetes Bild | Hintergrund wechseln, Stil ändern, Retusche |
| Bildverstehen | Bild plus Frage | Eine Textantwort | Bildfragen beantworten, Tabellen lesen, Objekte erkennen |
Vier häufige Missverständnisse
Erstens: Je länger der Prompt, desto besser. Falsch. Klare, gut priorisierte Kerninformationen sind wichtiger als Wortanhäufung; bei zu vielen Wörtern verliert das Modell den roten Faden. Zweitens: Mit einem Versuch kommt ein perfektes Bild heraus. Text-to-Image ist eher eine Lotterie: Komposition, Details und Hände brauchen oft drei bis fünf Runden, bis das Ergebnis brauchbar ist. Wer mit einem Satz ein fertiges Produkt erwartet, wird enttäuscht. Drittens: Ein generiertes Bild darf beliebig kommerziell genutzt werden. Ob eine kommerzielle Nutzung erlaubt ist, hängt von den Bedingungen der Plattform und vom Verwendungszweck ab — besonders vorsichtig sollte man bei echten Personen, Markennamen und urheberrechtlich geschützten Stilen sein. Viertens: Das Modell „versteht" das Bild wirklich. Es hat statistische Entsprechungen zwischen Bildern und Text gelernt; ein Bild zeichnen zu können, das „richtig aussieht", ist nicht dasselbe wie zu wissen, was die Dinge im Bild in der Wirklichkeit sind.
Wann lohnt sich der Einsatz am meisten? Bei kreativem Brainstorming, Illustrationen, Konzepttests und Stil-Experimenten — schnell und günstig. In den umgekehrten Fällen sollte man sich nicht allein darauf verlassen: Diagramme, die faktische Genauigkeit verlangen, Porträts echter Menschen und formelle Materialien mit kleiner Schrift. Kleine Schrift wird oft falsch geschrieben, Hände und Gesichtsdetails gehen häufig schief, also prüfen Sie die Ausgabe immer von Hand. Wer den Mechanismus dahinter verstehen will, liest den Eintrag zu Diffusionsmodellen; den Unterschied zwischen „Bilder ansehen" und „Bilder zeichnen" erklärt der Eintrag zu visuellen Sprachmodellen.