Die Text-zu-Bild-KI hat sich innerhalb weniger Jahre von einem Forschungsergebnis zu einem professionellen Kreativwerkzeug entwickelt. Heute kann jeder ein Bild in natürlicher Sprache beschreiben und innerhalb von Sekunden ein hochwertiges Ergebnis erhalten – ganz ohne Design-Software, ohne Abonnement für Bilddatenbanken und ohne jegliche technischen Vorkenntnisse.
Dieser Leitfaden behandelt alles, was Anfänger wissen müssen: technische Grundlagen, das Verfassen wirkungsvoller Prompts, die Wahl des richtigen Modells für verschiedene Aufgaben sowie häufige Anfängerfehler.
Was ist Text-zu-Bild-KI?
Text-zu-Bild-KI ist ein generatives Modell, das Textbeschreibungen (sogenannteHinweis“) in visuelle Bilder umwandelt. Wenn Sie beispielsweise „Ein roter Fuchs sitzt in einem verschneiten Wald in der Abenddämmerung, im Ölgemälde-Stil“ eingeben, erzeugt das Modell ein Bild, das der Beschreibung entspricht.
Die dahinterstehende Technologie heißtDiffusionsmodell“. Das Modell beginnt mit zufälligem Rauschen und verfeinert sich unter Anleitung durch Prompts schrittweise, bis ein zusammenhängendes Bild entsteht. Moderne Diffusionsmodelle werden auf Hunderten von Millionen Bild-Text-Paaren trainiert, weshalb sie so vielfältige Beschreibungen verstehen können – von hyperrealistischen Porträts über abstrakte Kunst bis hin zu Produktvisualisierungen ist alles abgedeckt.
So funktioniert die Text-zu-Bild-KI in der Praxis
Wenn du die Grundlagen verstehst, wirst du deine Fähigkeiten beim Verfassen von Prompts erheblich verbessern können.
Der gesamte Prozess gliedert sich in drei wesentliche Phasen:
1. die Textkodierung— Deine Eingabe wird vom Sprachmodell (ähnlich wie ChatGPT Text verarbeitet) in eine numerische Darstellung umgewandelt, um die semantische Bedeutung des Textes zu erfassen.
2. potenzielle Proliferation— Das Modell beginnt im komprimierten latenten Raum mit zufälligem Rauschen, filtert dieses schrittweise heraus und lenkt das Ergebnis in Richtung der Bedeutung der Eingabe. Mit jedem Schritt wird das Bild klarer.
3. dekodieren— Die verfeinerte, implizite Darstellung wird in ein Pixelbild in voller Auflösung umgewandelt, das heruntergeladen und verwendet werden kann.
Wichtige Erkenntnis: Modelle „zeichnen“ Bilder nicht wie Menschen, sondern rekonstruieren statistisch ein Bild, das den während des Trainings erlernten Mustern entspricht. Deshalb sind konkrete, beschreibende Prompts wesentlich besser als vage.
Erstes Stichwort: 5 Schlüsselelemente
Die meisten Anfänger verfassen zu kurze und zu vage Prompts. Ein guter Prompt enthält in der Regel fünf Elemente:
1. Hauptthema
Was steht im Mittelpunkt? Bitte konkretisieren.
- Schwach: Ein Hund
- Stark: Ein Golden-Retriever-Welpe
2. Bewegung oder Körperhaltung
Was macht das Subjekt gerade?
- Schwach: sitzt
- Stark: liegt auf der Seite, die Vorderpfoten sind nach vorne ausgestreckt, die Augen sind halb geschlossen
3. Umgebung
Wo spielt die Szene?
- Schwach: Draußen
- Stark: Auf einer verwitterten Holzveranda im Herbst, umgeben von verstreuten Ahornblättern
4. Licht
Licht beeinflusst die Atmosphäre stärker als fast jedes andere Element.
- Schwach: (keine Angaben zum Licht)
- Stark: Sanftes Gegenlicht zur goldenen Stunde, warme Bernsteintöne, geringe Schärfentiefe
5. Stil oder Medium
Welchen Stil sollen die Bilder haben?
- Schwach: Realistisch
- Stark: 35-mm-Filmfotografie, Fuji Superia 400, leicht entsättigt
Vollständiges Beispiel:„Ein Golden-Retriever-Welpe liegt auf der Seite auf einer vom Herbst verwitterten Holzveranda, umgeben von verstreuten Ahornblättern, im sanften Gegenlicht der goldenen Stunde, mit warmen Bernsteintönen und geringer Schärfentiefe, aufgenommen auf 35-mm-Film, Fuji Superia 400, leicht entsättigt“
Wie auf der obigen Abbildung zu sehen ist, besteht ein großer Unterschied zwischen allgemeinen und detaillierten Suchbegriffen. Je präziser die Beschreibung desselben Szenarios ist, desto professioneller sind die Ergebnisse.
Auswahl des richtigen Modells in GPT Image 2
Verschiedene Modelle haben unterschiedliche Vorteile; die Wahl des richtigen Modells spart Zeit und Credits.
| Modellierung | Am besten für Szenarien | Tempo | Detaillierte Ebenen |
|---|---|---|---|
| Nano Banana 2 | Universell, multifunktional | scharf (von Messern oder Verstand) | Ihr (Ehrentitel) |
| Nano Banana Pro | Porträt, Feines Detail, Realistisch | Mitte | sehr hoch |
| Nano Banana | Schnelle Entwürfe, konzeptionelle Erkundungen | sehr schnell | Mitte |
| Seedream | Kunststil, Illustration | Mitte | Ihr (Ehrentitel) |
| GPT Image 1.5 | Komplexe Szenen, Text in Bildern | langsam | sehr hoch |
| Z-Image | Filmische, dramatische Szenen | Mitte | Ihr (Ehrentitel) |
| Flux 2 | Abstraktion, kreatives Experimentieren | scharf (von Messern oder Verstand) | Ihr (Ehrentitel) |
**Praktische Grundsätze:**Die meisten Aufgaben beginnen mit Nano Banana 2. Wenn Porträtqualität oder feine Details erforderlich sind, wechsle zu Nano Banana Pro. Wenn in der Bildbeschreibung Text im Bild angezeigt werden soll, verwende GPT Image 1.5.
6 häufige Szenarien und Beispiel-Prompts
Inhalte für soziale Medien
„Eine flache Aufnahmen aus der Vogelperspektive eines Morgenkaffees: eine Keramik-Tasse mit Latte-Art, ein aufgeschlagenes Tagebuch, frische Blumen in einer kleinen Vase, natürliches Fensterlicht, sanfte Schatten, Lifestyle-Fotografie, warme, neutrale Farbtöne“
Produkt-Rendering
„Minimalistischer Parfümflakon auf schwarzer Marmoroberfläche, dramatische Seitenbeleuchtung, einzelne Lichtquelle von rechts, Werbung für Luxuskosmetik, dunkler, geheimnisvoller Hintergrund, 4K-Werbefotografie“
Konzeptkunst
„Eine Zukunftsstadt, die über den Wolken schwebt, Art-déco-Architektur verschmilzt mit Science-Fiction-Elementen, goldene Türme und gläserne Hochhäuser, warmes Abendlicht, weitläufige Panoramaaufnahmen, digitale Landschaftsdarstellung, ultrahochauflösend“
Porträt
"Studioaufnahmen einer selbstbewussten Frau in den Vierzigern, natürliche Mimik, Tageslicht durch große Fenster, Rembrandt-Beleuchtung, geringe Schärfentiefe, Canon 5D Mark IV, 85-mm-Objektiv, professionelle Passfotos"
Hintergrundbild/Wallpaper
„Abstrakte Fluidkunst: Tiefseeblau und -grün verflechten sich mit metallisch-goldenen Linien und wirbeln umher; Makrofotografie; glatte, feuchte Oberflächenstruktur; preisgekrönte Kunstfotografie“
Logo und Markenkonzept
„Minimalistisches, geometrisches Logo-Konzept für ein Tech-Startup: einfarbig, klare Linien, weißer Hintergrund, Vektorgrafik-Stil, professionelles visuelles Markendesign“
Seitenverhältnis: Welches soll man wählen?
Das Seitenverhältnis beeinflusst die Wirkung eines Bildes nicht weniger als der Inhalt selbst.
| Proportionen | Größen | am besten geeignet |
|---|---|---|
| 1:1 | Platz | Instagram-Beiträge, Avatare |
| 16:9 | Senkrecht | YouTube-Thumbnails, Blog-Cover, Bildschirmhintergründe |
| 9:16 | vertikal | Instagram Stories、TikTok、Pinterest |
| 4:3 | Norm | Präsentationen, generische Webseiten |
| 3:2 | Foto-Standards | Druck, hochwertige Bearbeitung |
5 Fehler, die Anfänger häufig machen
1. zu kurze Stichwörter— „Ein Berg“ liefert der KI zu wenige Informationen. Füge Licht, Stil, Atmosphäre und Stimmung hinzu.
2. widersprüchliche Richtlinien— „Dunkel und hell“ oder „detailreich und minimalistisch“ verwirren das Modell. Entscheiden Sie sich für eine Richtung.
3. die Erwartung von Perfektion beim ersten Mal— Erstellen Sie zunächst 3–5 Varianten, bevor Sie die Prompts anpassen. Natürliche Zufälligkeit sorgt oft für unerwartete Überraschungen.
4. negative Hinweise ignorieren— Auf den meisten Plattformen kannst du Inhalte angeben, die du nicht sehen möchtest. Füge „unscharf, schlechte Qualität, überflüssige Körperteile, Verzerrungen“ als Standard zu deinen Ausschlusskriterien hinzu.
5. die Modellierung des falschen Szenarios— Wenn man mit einem allgemeinen Modell Porträts erstellt oder mit einem Porträtmodell abstrakte Kunst schafft, wird das Ergebnis immer mittelmäßig. Das Modell muss zur Aufgabe passen.
Schritte zum Erstellen des ersten Bildes mit GPT Image 2
- Gehen Sie auf GPT Image 2
- Wählen SieNano Banana 2“ als Ausgangsmodell
- Verfasse Stichwörter anhand der oben genannten 5-Punkte-Struktur
- Wählen Sie das Seitenverhältnis (für die meisten Inhalte 16:9, für soziale Medien 1:1)
- Klicken Sie auf „Generieren“ und warten Sie etwa 15 Sekunden
- Wenn das Ergebnis nicht zufriedenstellend ist, ändern Sie jeweils nur einen Faktor – schreiben Sie nicht den gesamten Prompt neu.
Neue Nutzer erhalten bei der Registrierung kostenlose Credits, die für zahlreiche Experimente mit verschiedenen Prompts und Modellen ausreichen.
Nächster Schritt
Nachdem man die Grundlagen von Text-zu-Bild beherrscht, ist der nächste Schritt „Bild-zu-Bild AI“ – die Generierung anhand eines Referenzbildes, um konsistentere und besser kontrollierbare Ergebnisse zu erzielen.
Ausführliche Tipps zu Prompts finden Sie in unserem Leitfaden „AI Picture Cue Word Guide“.
