Z-Image

Обзор позиционирования

z-image — это модель преобразования текста в изображение, представленная лабораторией Tongyi (Alibaba). Она вызывается через унифицированный интерфейс HiAPI.ai и позволяет генерировать реалистичные или художественные изображения по запросам на китайском и английском языках, а также корректно отображать китайский и английский текст внутри изображения. Модель подходит разработчикам, которым нужно быстро создавать креативные визуалы, постеры и стилизованные иллюстрации, а также сценариям интеграционного тестирования, где важны возможности открытых моделей.

Ключевые особенности

• Двуязычные запросы и рендеринг текста на изображении — запросы принимаются на китайском и английском языках, а сгенерированное изображение может содержать китайский и английский текст, что удобно для создания визуальных материалов с надписями.
• Однонаправленная архитектура DiT с высокой эффективностью параметров — текстовые и визуальные условия моделируются единообразно на уровне последовательности, что позволяет достигать приемлемого визуального качества при меньшем числе параметров.
• Выбор из нескольких соотношений сторон — поддерживаются пять форматов: 1:1, 4:3, 3:4, 16:9 и 9:16, что покрывает потребности в квадратных, горизонтальных и вертикальных изображениях.
• Лёгкая генерация с оплатой за изображение — интерфейс тарифицируется по количеству сгенерированных изображений; единственными входными параметрами являются запрос и соотношение сторон, что упрощает интеграцию и расчёт стоимости.

Описание возможностей

Генерация изображений по тексту на китайском и английском: достаточно ввести запрос длиной до 1000 символов на китайском или английском языке, чтобы получить изображение; подходит для быстрой проверки креативных направлений или массового создания иллюстративных материалов.

Рендеринг текста внутри изображения: китайский и английский текст может отображаться на изображении, что удобно для создания визуальных макетов с заголовками или слоганами и снижает необходимость повторной вёрстки на постобработке.

Управление соотношением сторон: параметр aspect_ratio задаёт один из пяти форматов, по умолчанию 1:1, что позволяет сразу подстраивать композицию под требования разных рекламных площадок.

Реалистичность и стилизация: один интерфейс обеспечивает как реалистичные сцены, так и художественную стилизацию, покрывая широкий спектр задач — от продуктовой визуализации до креативных иллюстраций.

Сценарии применения

• Маркетологи создают иллюстрации для соцсетей — с помощью запросов на китайском и английском и заданного формата генерируются вертикальные или квадратные изображения, которые сразу используются для публикаций в социальных сетях.
• Дизайнеры создают основу для постеров и заголовочный текст — в запрос включается текст заголовка, на выходе получается изображение с вёрсткой текста, которое используется как черновик постера для дальнейшей доработки.
• Разработчики интегрируют возможность генерации изображений по тексту — через унифицированный интерфейс передаются запрос и соотношение сторон, а сгенерированное изображение встраивается в собственное приложение или процесс производства контента.
• Креативные команды исследуют стили — один и тот же запрос с разными описаниями стиля позволяет быстро получать изображения для сравнения вариантов и определения визуального направления.

Ограничения и рекомендации по выбору

В настоящее время интерфейс поддерживает только два входных параметра — текстовый запрос и соотношение сторон; нельзя редактировать изображение или использовать несколько изображений в качестве референса, а также нет мелкозернистых параметров, таких как число шагов или сила стиля. Для задач, требующих точного контроля композиции, редактирования слоёв или воспроизведения одного и того же персонажа, следует использовать модели, поддерживающие эти возможности. Результат генерации сильно зависит от формулировки запроса, поэтому рекомендуется сначала проверить эффект на небольшом количестве изображений, а затем выполнять массовые вызовы.