Qwen Image 3.0 Prompt-Rezepte: direkt kopierbare Prompts und echte Ausgaben

Die Text-zu-Bild-Schnittstelle von Qwen Image 3.0 ist in einer Sache besonders gut, die die meisten Bildmodelle immer noch nicht beherrschen: Text präzise rendern – auch gemischt Chinesisch und Englisch – und das so sauber, dass man das Ergebnis ohne Nacharbeit ausliefern kann. Das rechtfertigt ein eigenes Prompt-Handbuch und nicht noch einen weiteren allgemeinen Artikel darüber, wie man KI-Prompts schreibt.

Im Folgenden finden Sie 6 vollständige, direkt kopierbare Prompts, die wir selbst geschrieben und tatsächlich auf qwen-image-3.0/text-to-image ausgeführt haben – jeder mit einer echten, unbearbeiteten Ausgabe. Jeder Prompt steht direkt neben seinem Bild, sodass Sie ihn unverändert übernehmen oder das Motiv durch Ihr eigenes ersetzen können.

Worin das Modell wirklich stark ist

Bevor wir zu den Rezepten kommen, lohnt es sich, drei Dinge zu wissen, damit Sie keine Generierung verschwenden:

• Präzises Text-Rendering. Wenn Sie die gewünschten Zeichen in Anführungszeichen ausschreiben – Chinesisch, Englisch oder beides im selben Bild –, gelingt es dem Modell meist, sie klar lesbar zu rendern. Prüfen Sie das Ergebnis vor der Veröffentlichung trotzdem Korrektur; falsche Striche oder Buchstaben sind weiterhin möglich.
• Die Liste der unterstützten Seitenverhältnisse ist enger, als Sie vielleicht denken. Die API akzeptiert nur 1:1, 3:2, 2:3, 4:3, 3:4, 16:9, 9:16 und 21:9. Gängige Formate wie 4:5 oder 5:4 führen vor der Abrechnung zu einem sauberen 400 – mehr dazu weiter unten.
• Einheitlicher Preis pro Bild. Zum Zeitpunkt dieses Artikels berechnet der Task-Endpunkt einheitlich $0.0358 pro Bild, unabhängig vom Seitenverhältnis (geprüft anhand der aktuellen hiapi-Preise).

Die 6 Prompt-Rezepte

1. Zweisprachiges Ladenfront-Schild

Kinoreife Straßenaufnahme, eine kleine unabhängige Buchhandlung in einer engen Gasse in Kyoto in der Abenddämmerung, warmes Wolframlicht ergießt sich aus hohen Glasfenstern auf das nasse Kopfsteinpflaster. An der Tür hängt ein handgemaltes Holzschild, in das ausschließlich die exakten chinesischen Schriftzeichen „纸间“ eingraviert sind, direkt darunter kleine gebürstete Messingbuchstaben mit dem exakten englischen Wort „PAPER ROOM“. Durch das Fenster sind Bücherstapel zu erkennen, darüber sanftes Bokeh von Lichterketten. Eine Katze sitzt auf dem Fenstersims. Dokumentarischer Streetfotografie-Stil, natürliche asymmetrische Komposition, sanfte Türkis- und Bernsteintöne, feines Filmkorn, geringe Schärfentiefe, 3:4-Hochformat.

Warum es funktioniert: Die exakten chinesischen und englischen Zeichenketten stehen jeweils in eigenen Sätzen in Anführungszeichen, sodass das Modell ein klares Textziel erhält, anstatt es in langen beschreibenden Nebensätzen zu vergraben. Das 3:4-Hochformat entspricht zudem der üblichen Bildkomposition echter Ladenfront-Fotos.

2. E-Commerce-Produktbild

Minimalistische Studio-Produktfotografie, ein mattiertes Keramik-Handfiltergerät in warmem Terrakottaton auf einem runden Travertinsockel, Hintergrund als sanfter Verlauf von hellem Sandton zu warmem Weiß. Ein einzelner gerichteter Softbox von oben links erzeugt einen sanften Konturen-Highlight auf den Rillen des Filters, darunter ein dezenter weicher Schatten. Kein Text, keine Requisiten, keine Hände. Saubere kommerzielle E-Commerce-Fotografie, durchgehend scharfe Schärfentiefe, neutrale Farbbalance, 1:1-Quadratkomposition.

Warum es funktioniert: Die ausdrückliche Angabe „Kein Text, keine Requisiten, keine Hände“ unterbindet die Neigung des Modells, Produktbilder mit Beiwerk anzureichern. 1:1 ist das sicherste Standardformat für Produktbilder auf E-Commerce-Plattformen, und die Angabe der Lichtrichtung sorgt für einen konsistenten, reproduzierbaren Look über den gesamten Produktkatalog.

3. Konzeptporträt einer Figur

Halbfiguriges Concept-Art-Porträt einer wettergegerbten Leuchtturmwärterin in den Sechzigern, in einem schweren geölten Wachstuchmantel mit Messingknöpfen, silbernes Haar unter einer Strickmütze zurückgesteckt, tiefe Lachfalten um ruhige graue Augen. Sie trägt ein altes Messingfernrohr auf der Schulter. Der Hintergrund ist eine weichgezeichnete stürmische Küstenlinie, ein aufleuchtender Leuchtturmstrahl durchdringt den Nebel. Malerische digitale Illustration, strukturierte Pinselstriche, sanfte kühle Blau-Grau-Töne kombiniert mit warmem bernsteinfarbenem Leuchtturmlicht, dramatisches Kantenlicht, 3:4-Hochformat.

Warum es funktioniert: Alter, Kleidung und Requisiten („schwerer geölter Wachstuchmantel mit Messingknöpfen“, „altes Messingfernrohr“) geben dem Modell konkrete, renderbare Objekte statt vager Adjektive. Achten Sie auf die Komposition – unser erster Versuch verwendete 4:5, was nicht in der Liste der akzeptierten Seitenverhältnisse steht und einen nicht abgerechneten 400 zurückgab. Nach dem Wechsel zu 3:4 (dem nächstgelegenen unterstützten Hochformat) gelang der nächste Versuch.

4. Redaktioneller Architektur-Innenraum

Breitformatige Architekturfotografie, ein sonnendurchfluteter Lesesaal einer Universität, hohe Gewölbedecken und Reihen hoher Bogenfenster. Lange Eichentische ziehen sich durch die Mitte, auf jedem Tisch eine Messingleselampe, einige Studierende lernen still im weichen Fokus. Staub schwebt deutlich sichtbar in den dicken nachmittäglichen Lichtstrahlen. Warmes honigfarbenes Holz, sanfte salbeigrüne Stühle, symmetrische Ein-Punkt-Perspektivkomposition, extrem feine Texturen, hoher Dynamikumfang, 16:9-Hauptbildkomposition.

Warum es funktioniert: Die direkte Angabe einer Kompositionstechnik („symmetrische Ein-Punkt-Perspektive“) ist eines der zuverlässigeren Steuerungsmittel in der Architektur- und Innenraumfotografie – eine konkrete Anweisung, die das Modell befolgen kann, nicht nur ein Stimmungswort. 16:9 eignet sich als breitformatiges redaktionelles Hauptbild oder Blog-Header.

5. Food-Fotografie von oben

Makroaufnahme von oben, eine dampfende Schale Tonkotsu-Ramen auf einem dunklen Schieferstein-Tisch, die reichhaltige, trübe Brühe spiegelt weiches Fensterlicht, glänzende Chashu-Scheiben fächerförmig auf den Nudeln ausgelegt, ein halbgar gekochtes Ei halbiert mit sichtbarem flüssigem Eigelb, verstreute Frühlingszwiebeln und ein Blatt Nori, das schräg am Schalenrand lehnt. Feiner, deutlich sichtbarer aufsteigender Dampf. Stäbchen liegen neben der Schale auf einem kleinen Keramik-Stäbchenhalter. Natürliches Tageslicht, geringe Schärfentiefe am Rand, appetitliches redaktionelles Food-Styling, 1:1-Quadratkomposition.

Warum es funktioniert: Food-Prompts profitieren davon, Texturwörter („glänzend“, „flüssig“, „trüb“) über die Anrichtedetails zu legen – diese Kombination ist der Unterschied zwischen appetitlichem und flachem Rendering. „Feiner, deutlich sichtbarer aufsteigender Dampf“ leistet hier viel; Dampf ist eines der zuverlässigeren Details, die das Modell gut rendert.

6. Zweisprachiges App-Release-Poster

Sauberes, modernes Release-Poster für eine mobile App, sanfter Verlaufs-Hintergrund von Lavendelviolett zu hellem Blau. Ein Smartphone-Mockup schwebt leicht geneigt rechts von der Mitte, der Bildschirm zeigt eine vereinfachte abstrakte App-Oberfläche mit sanften abgerundeten Karten. Links steht eine große, fette serifenlose Titelzeile mit ausschließlich den exakten chinesischen Schriftzeichen „轻装上阵“, direkt darunter in kleinerem Schriftgewicht das exakte englische Wort „TRAVEL LIGHT“. Rund um das Smartphone minimale geometrische Formen und weiche Schatten für Tiefe. Flaches modernes Marketing-Design, viel Weißraum, 9:16-Hochformat.

Warum es funktioniert: Derselbe Kniff wie in Rezept #1 – den exakten Titeltext in einem eigenen Nebensatz isolieren und das relative Schriftgewicht bzw. die Größe angeben („direkt darunter in kleinerem Schriftgewicht“), sodass das Modell nicht nur den Text, sondern auch die Hierarchie erfasst. 9:16 entspricht der tatsächlichen Auslieferung dieses Bildes als Material für App-Stores oder soziale Werbung.

Tatsächlich nutzbare Seitenverhältnisse

qwen-image-3.0/text-to-image akzeptiert nur acht Seitenverhältnisse: 1:1, 3:2, 2:3, 4:3, 3:4, 16:9, 9:16 und 21:9. Jeder Wert außerhalb dieser Liste – 4:5 und 5:4 sind die beiden, die aus Gewohnheit am häufigsten verwendet werden – führt sofort zu 400 INVALID_REQUEST statt zu einem schlechten Rendering, sodass Sie für diesen Fehler nicht zahlen. Wenn Sie Prompts von einem Modell mit einer breiteren Liste von Seitenverhältnissen migrieren, ordnen Sie diese vor dem Absenden dem nächstgelegenen unterstützten Wert zu (4:5 → 3:4, 5:4 → 4:3).

Häufige Fragen

Unterstützt qwen-image-3.0/text-to-image Bild-zu-Bild-Bearbeitung? Dieser Leitfaden behandelt speziell den Text-zu-Bild-Endpunkt. Bevor Sie einen Workflow rund um Bildbearbeitung aufbauen, prüfen Sie die Modellseite auf die aktuelle Liste der unterstützten Modi.

Wie viel kostet ein Bild? Zum Zeitpunkt dieses Artikels kostet der Task-Endpunkt $0.0358 pro Bild. Die Preise können sich ändern; prüfen Sie daher die aktuelle Zahl auf der hiapi-Preisseite, bevor Sie Kosten im großen Maßstab schätzen.

Warum gibt meine Anfrage 400 statt eines Bildes zurück? Die häufigste Ursache ist ein nicht unterstützter aspect_ratio-Wert – die genaue Liste der akzeptierten Werte finden Sie oben. Die API weist die Anfrage ab, bevor die Generierung beginnt, sodass ein 400 hier keine Kosten verursacht.

Kann ich Chinesisch und Englisch im selben Bild mischen? Ja – die Rezepte #1 und #6 oben machen genau das. Setzen Sie den exakten Text jeder Sprache in eigene, zitierte Nebensätze, statt ihn zu einem Ausdruck zusammenzufassen, und prüfen Sie das gerenderte Ergebnis immer Korrektur, bevor Sie es in öffentlichen Inhalten verwenden.

Selbst ausprobieren

Alle sechs Prompts oben können direkt in Ihre Anfrage kopiert werden. Beginnen Sie mit dem Quickstart-Leitfaden, um Ihren ersten Aufruf zu starten, oder besuchen Sie die Modellseite von qwen-image-3.0/text-to-image für die vollständige Parameterreferenz.