你出了一张海报、一张产品 mockup 或一张 UI 截图，构图、灯光都到位，但标题写成了 “DSCONUT” 或 “Sumemr Sael”。对大多数扩散模型来说，文字不是一等公民，字母只是模型从像素里近似出来的纹理，所以它”拼字”的方式和它画毛发、画树叶是一回事。
最快的修法（能覆盖约 80% 的情况）：把带文字的那张图单独挪到排版级模型上，并把要写的字放进英文直引号里。截至 2026 年 6 月，最强的三个选择是 Ideogram 3.0（多段文字的海报最稳）、GPT Image 2（非拉丁文字和密集排版最强；自 2026 年 4 月 21 日起是 ChatGPT 里的默认图片模型）和 Nano Banana 2 / Gemini 3.1 Flash Image（最快，而且能用一句大白话改掉写错的词，不用 mask）。换了模型字符串还是崩，就别再重摇了，直接到 Figma 或 Photoshop 里合成真字体。后面这份指南，是给”快速修法不够用”时的决策路径。
先判断你属于哪一类
动手前先诊断。文字乱码绝大多数是下面某一类：
| 症状 | 最可能的原因 | 去看 |
|---|---|---|
| 任何 prompt、任何 seed，每个字母都错 | 弱文字模型（SDXL / SD 1.5 / 老 Midjourney） | Step 1 |
| 前几个字母对，后面开始飘 | 字符串太长（超过约 20 字符） | Step 2 |
| 大横幅文字没问题，小标签糊成一团 | 文字区域像素太少 | Step 3 |
| 黑体能写，你要的”花体”不行 | 要求了风格化字体 | 原因 #4 |
| 三段文字里总有一段是错的 | 多段文字互相抢资源 | Step 1（Ideogram 3.0） |
| 拉丁没问题，CJK / 阿拉伯 / 重音崩了 | 弱文字模型上的非拉丁文字 | Step 1（GPT Image 2） |
| 4 张里只有 1 张崩 | 是 seed 噪声，不是结构性问题 | 重摇 seed |
常见原因
按实际根因命中率排序。
1. 模型本身就不擅长文字（常见根因）
SD 1.5、SDXL 原版和 Midjourney（到 v7，连 2026 年 6 月 10 日转正的 v8.1 默认版也基本如此）都把字母当成视觉噪点，prompt 写得再好，连续 4-6 个字母正确就算极限了。2026 年的第三方测试里，Midjourney 在多词字符串上的图内文字准确率仍只有 30-40% 上下。下面这些排版级模型训练时专门考虑过文字，短字符串能做到约 90-95%：
- Ideogram 3.0：标题文字约 90-95%，也是唯一能在一张图里稳定摆好多段独立文字块的模型。
- GPT Image 2（自 2026 年 4 月 21 日起为 ChatGPT 默认；API 里是
gpt-image-2）：拉丁文字报告约 95-99%，也是第一个能把 CJK、印地、孟加拉、阿拉伯文渲染到可生产质量的主流模型。 - Nano Banana 2 / Gemini 3.1 Flash Image：短文字与上面两个持平，1-2 秒出图。
- Flux（Pro / Dev / Flux 2）和 Imagen 4 / Imagen 4 Ultra：单行标题很强，但多段布局弱一些。
如何判断：看你用的模型。SDXL / SD 1.5 / Midjourney，根因就是模型，换比硬怼快。
2. 文字字符串太长
支持文字的模型也只擅长 20-25 字符以内。“SUMMER SALE 2026” 这种横幅很稳，整段营销文案就别想了。把一长行拆成两短行（各自加引号），通常就能把准确率救回来。
3. 文字区域在画面里占的像素太少
像素预算这事儿和脸是一样的。字母每个字至少要 32-48 像素高才能看清。小徽章、页脚行掉到这条线以下就糊了。
4. 要求了风格化字体
“羊皮纸上的手写花体”、“喷漆涂鸦字母”：这些把模型推到训练数据稀疏的区间。支持文字的模型默认也只擅长粗黑体，离开默认就掉链子。
5. 一张图里有多段文字
海报同时有大标题、副标题、tagline，模型要正确画三段独立文字。单段命中 95% 的模型，三段一起就大幅下滑；Ideogram 3.0 在这里最抗压，因为它给每一段单独跑一遍布局。
6. 非拉丁文字
老模型主要训练英语，所以 CJK、阿拉伯、西里尔、天城文，甚至带重音的拉丁字母（德语 umlaut、法语重音）都比纯 ASCII 崩得早得多。这一条是 2026 年真正变了的原因：GPT Image 2 和 Nano Banana 2 现在能把这些文字渲染得不错，所以非拉丁文字的修法通常是”换到这两个模型之一”，而不是”放弃 AI 出文字”。老模型和开源权重栈（SDXL、没做 CJK 微调的 Flux）仍然会把非拉丁文字写崩。
动手前先确认
- 把出问题那张图的 seed、完整 prompt、模型、档位都存下来。
- 想清楚是不是非得让 AI 出文字。商业设计稿，Figma / Photoshop 里合成真字体几乎一直是更快、更准的选择。
- 数 prompt 里有多少字符、多少段独立文字，标清哪些必须正确、哪些是装饰性的。
- 同 prompt 不同 seed 出 4 张。4 张崩 1 张是噪声；4 张全崩是 prompt 或模型层面的问题。
需要收集的信息
- 完整 prompt、模型名、版本、档位。
- 把乱码区域 100% 裁出来。
- 同模型最近几张图是不是都这样崩文字。
- 用途（印刷、网页 hero、社交卡片）：印刷对准确度要求最高。
- 总字符数和独立文字段数。
一步步修复
按 ROI 排序。
Step 1：换成支持文字的模型再出这一档
在 SDXL 或 Midjourney 上的话，最大幅度的动作是直接换到训练时考虑过文字的模型。截至 2026 年 6 月，按任务挑：
- Ideogram 3.0：短标题、多段独立文字块、基础排版风格最稳。一张图里超过一行文案的海报、广告、招牌，默认用它。
- GPT Image 2（在 ChatGPT 里，或 API 的
gpt-image-2）：非拉丁文字（中、日、韩、印地、孟加拉、阿拉伯）和密集 / 曲面排版最强。 - Nano Banana 2 / Gemini 3.1 Flash Image（在 Gemini app 或 Gemini API 里）：最快，短文字强，而且能用一句话改掉已有图里的文字。
- Flux 2（Pro / Dev） 和 Imagen 4 / Imagen 4 Ultra：写实和单行标题非常强，多段布局弱一些。
主流水线哪怕仍在 SDXL 或 Midjourney 上，文字密集的部分就单独到这几个里出。一个常见的专业分工是：底图用 Flux 或 Midjourney，文字块到 Ideogram 3.0 重出，或者直接合成（Step 5）。
Step 2：给要写的字加引号，再砍短、简化
按顺序两步：
- 把要写的字放进英文直引号里，比如 prompt 写 the text reads
"SUMMER SALE"。加引号是 GPT Image 2、Ideogram 3.0、Nano Banana 2 上单条收益最高的 prompt 改动，能把拉丁文字准确率稳稳推向 99%。在 GPT Image 2 上，遇到生僻品牌名还可以在指令末尾加spell it verbatim, no extra characters。 - 然后砍短。 每行引号里的文字砍到约 20 字符以内，能去的标点就去，优先全大写（大写字形比小写好画）。生僻品牌名第一次就逐字母拼出来。如果弱模型把重音和特殊字符丢了，可以在合成那一步再加回来。
Step 3：在画面里给文字区域更多像素
文字必须在画里：
- 海报换成竖比例，让标题获得更多纵向像素。
- 产品 mockup 拉近到 label 上。
- UI 截图直接提高基础分辨率。
Step 4：只修文字区域（不整张重摇）
构图锁死、但文字写错：不要整张重出。2026 年最快的路子是对话式、免 mask 的编辑：
- Nano Banana 2 / Gemini app：把图留在对话里，说
change the headline to read "SUMMER SALE", keep everything else identical。它的语义分割能力会自己找到文字区域，不用画 mask。 - GPT Image 2（ChatGPT 里）：在同一段对话里回复
fix the spelling so the title reads "SUMMER SALE" exactly。它会在已有图上重渲，而不是从头再来。
如果你在开源权重或手动流水线上，就显式画 mask：
- SDXL / A1111：对文字区域走 img2img inpaint，denoising 0.6-0.8，prompt 只聚焦带引号的文字。
- ComfyUI：用 inpaint 工作流 + 手画矩形 mask 罩住文字。
- Midjourney：用 Editor / Vary (Region)，把文字区域涂出来，prompt 改写成带引号的文字内容。
- Photoshop：对文字区域用 Generative Fill，prompt 只写带引号的目标字符串。
Step 5：合成真字体作为最后退路
按 1-4 走完文字还是不行，停手别再硬怼。让模型出”没有文字”的图（或用占位矩形），再到 Figma / Photoshop / Affinity 里加真字体。这本就是任何对文字准确度有要求的设计稿的标准生产流程，多花 30 秒，省 30 分钟。
清晰的交接步骤：
- 在 AI prompt 里把文字字符串换成 “blank rectangular label” 或 “empty banner”。
- 出一张有占位区域的图。
- 进设计工具，在占位上叠真字体图层。
- 如果标签在 3D 表面上，用变形 / warp 对透视。
怎么确认已经修好
- 在 100% 缩放下逐字符读每段文字。拼写错和漏字在适应屏幕缩放下很容易看漏。
- 找别人朗读一遍。看自己写的文案有盲点是真的。
- 多段文字布局，每一段单独检查。
- 印刷件就按交付尺寸打样。屏幕上看着没事，印出来字母可能就散了。
长期预防
- 印刷件，以及任何错一个字母都不能接受的项目，直接合成真字体。AI 出图自带文字只用在情绪板、概念稿和快做的社交卡片。
- 维护一个模型偏好表：多段文字给 Ideogram 3.0；非拉丁文字给 GPT Image 2 或 Nano Banana 2；写实底图可以留在 Flux 2 / Midjourney 上，文字后加。
- 永远把要写的字加引号，标题默认短 + 大写。
- 准备一段”空白 label”的 prompt 模板，让模型主动不出文字，方便后续合成。
- 多语言项目，在弱文字或开源权重栈（SDXL、原版 Flux）上仍然一开始就走合成；在 GPT Image 2 / Nano Banana 2 上可以让模型渲文字，但出来后让母语者逐字核对。
常见坑
- 同 prompt 重摇 20 次等着出对的文字。4 次还崩就换模型或上合成。
- 不给文字加引号。不加引号等于邀请模型”改写""润色”你的文案。
- 缩略图上看着没问题，必须 100% 缩放检查。
- 忘了自己输入法可能把单词改了。
- 在正向 prompt 里加 “high quality typography” 期待奇迹。对结构性弱的文字模型基本没用。
FAQ
Q：多段文字的海报哪个模型最好？ A：截至 2026 年 6 月，Ideogram 3.0 对多段布局最稳（大标题、副标题、tagline 一次出齐），准确率约 90-95%。Flux 2 和 Imagen 4 单行很强，但三段以上明显弱一档。其中任何一段是非拉丁文字，就选 GPT Image 2。
Q：单条最快的 prompt 修法是什么？
A：把要写的字放进英文直引号里，比如 "SUMMER SALE"。在 GPT Image 2、Ideogram 3.0、Nano Banana 2 上，光这一条就能把拉丁文字推向 99%。生僻品牌名再加 spell it verbatim, no extra characters。
Q：能不能不整张重出、只改写错的那个词？ A：能。在 Gemini app（Nano Banana 2）或 ChatGPT（GPT Image 2）里，在同一段对话里回复带引号的正确文字，再加一句”keep everything else identical”。不用画 mask，模型会就地改文字区域。SDXL / ComfyUI / Midjourney 上则手动对该区域做 inpaint（Step 4）。
Q：AI 终于能写中文、日文、阿拉伯文了吗？ A：短字符串可以。GPT Image 2（2026 年 4 月）和 Nano Banana 2 已经能把 CJK、印地、孟加拉、阿拉伯文渲染到可生产质量。但每个字仍要让母语者核对；长文案或有法律风险的文案，还是合成真字体。老模型和开源权重模型仍然会把非拉丁文字写崩。
Q：能不能强制模型用某个具体字体？ A：不可靠。你可以描述风格（粗黑体、衬线大标题）拿到近似，精确字体匹配只能通过合成做到。
Q：为什么小尺寸下文字崩得更厉害？ A：像素预算。每个字符需要约 32-48 像素的纵向高度才能可读，小文字直接掉到这条线以下。
Q：有没有一个负面 prompt 能修好乱码？
A：把 garbled text, misspellings, malformed letters 写进负面 prompt 在 SDXL 上能稍微改善，但解决不了底层训练缺口。要明显改善，靠换模型或给文字加引号。