„Wie erstelle ich ein Bild mit Gemini?" – das ist eine Frage, die mir fast so oft gestellt wird wie die zum Video – und wie bei der Videofrage stellen sich die meisten die Sache etwas falsch vor. Sie stellen sich ein einziges Modell namens „Gemini" vor, das Bilder malt. In Wirklichkeit steckt eine kleine Familie von Bildmodellen hinter Gemini, die jeweils für eine andere Aufgabe gebaut sind. Sobald du weißt, welches du eigentlich aufrufst, hörst du auf zu raten und bekommst schon beim ersten Versuch brauchbare Bilder.
Hier sind beide Versionen: die ehrliche und die praktische.
Zuerst: Gemini ist das Gehirn, das Bildmodell ist der Pinsel
Gemini ist eine Familie multimodaler Modelle. Es denkt, schreibt, liest Bilder und interpretiert deinen Prompt. Aber die eigentlichen Pixel eines generierten Bildes stammen von Googles speziellen Bildmodellen:
- Imagen 4 – Googles Flaggschiff-Modell für Text-zu-Bild. Du gibst eine Textaufforderung ein und es generiert ein völlig neues Bild von Grund auf. Rein generativ: kein Bearbeitungsmodus, kein Hochladen, nur Texteingabe, Bildausgabe. Es ist wirklich hervorragend in Fotorealismus und Komposition.
- Nano Banana (Gemini Flash Image) – das Bearbeitungsmodell. Du lädst ein Bild hoch, beschreibst umgangssprachlich, was geändert werden soll, und es behält alles, was du nicht erwähnt hast. Das ist das Modell, das die Leute meinen, wenn sie sagen „mein Foto mit KI bearbeiten".
Die Faustregel in einem Satz: Imagen 4 erstellt Bilder, Nano Banana bearbeitet sie. Wenn du eine leere Leinwand hast, generiere. Wenn du bereits ein Bild hast und eine Sache ändern möchtest, bearbeite. Die Wahl des falschen Verbs kostet dich sowohl Qualität als auch Credits.
Drei Wege zu den Bildmodellen
Der gleiche Kompromiss wie bei allem anderen im Gemini-Stack – Preis gegen Aufwand:
- Gemini App / Google AI Studio. Es gibt eine kostenlose Stufe, aber sie ist ratenbegrenzt, manchmal mit Wasserzeichen versehen, und der Zugang zu bestimmten Modellen schwankt je nach Plan und Region. Gut für einen einmaligen Versuch.
- Google Cloud Vertex AI. Die reine API. Volle Kontrolle, kein Wasserzeichen – aber du brauchst ein GCP-Konto, eingerichtete Abrechnung und einen API-Schlüssel, mit verbrauchsabhängiger Abrechnung pro Bild. Übertrieben, wenn du keine Infrastruktur aufbaust.
- Ein gehostetes Tool, das die Modelle serverseitig kapselt. Du gibst einen Prompt ein, es generiert, du zahlst nur für das, was du rendern lässt. Keine Schlüssel, kein GCP, keine Überraschungsrechnung. Ich habe GeminiOmnis Bildgenerator genau deshalb so gebaut, weil Optionen 1 und 2 entweder zu eingeschränkt oder zu umständlich für jemanden sind, der einfach nur ein Bild haben möchte.
Wähle nach Häufigkeit. Einmal im Monat? Die Gemini App ist in Ordnung. Mehr als wöchentlich? Ein gehosteter Wrapper erspart dir sowohl Geld als auch den GCP-Setup.
Die eigentlichen Schritte (Text zu Bild)
Egal, für welchen Weg du dich entscheidest, die Mechanik ist dieselbe:
1. Schreibe die Szene als Prompt. Subjekt, Stil, Beleuchtung und Bildausschnitt in ein oder zwei Sätzen. Das Grundgerüst findest du unten.
2. Wähle zuerst dein Seitenverhältnis. 16:9 für Banner und Thumbnails, 1:1 für Feed-Beiträge und Avatare, 9:16 für Storys. Entscheide dich vor dem Generieren – nachträgliches Zuschneiden kostet Auflösung.
3. Wähle ein Modell nach Aufgabe. Schnell und günstig für Entwürfe und Iterationen (ein leichtes Modell wie Z-Image Turbo kostet einen Bruchteil eines Flaggschiffs); ein Premium-Modell wie Nano Banana Pro, wenn du 2K-Ausgabe und lesbaren Text im Bild benötigst.
4. Generiere und überprüfe. Moderne Bildmodelle liefern Ergebnisse in wenigen Sekunden. Sieh dir das ganze Bild an, nicht nur das Motiv – Hände, Text und Gesichter sind die Stellen, an denen Modelle immer noch Schwächen haben.
5. Iteriere immer nur eine Variable. Wenn es zu 80 % stimmt, schreibe nicht den gesamten Prompt um. Ändere eine Sache – die Beleuchtung, das Objektiv, die Tageszeit – und generiere neu.
Das Prompt-Grundgerüst, das wirklich funktioniert
Nach ein paar hundert Generierungen ist dies die Struktur, die ich jedes Mal verwende:
[Aufnahmeart / Medium] von [Subjekt] [tut etwas], [Umgebung], [Beleuchtung / Tageszeit], [Stimmung], [Stil oder Kamera-Detail].
Ein ausgearbeitetes Beispiel:
Eine filmische Weitwinkelaufnahme eines einsamen Leuchtturms an einer felsigen Küste zur goldenen Stunde, lange Schatten, ruhige, nostalgische Stimmung, auf 35mm-Film mit geringer Schärfentiefe aufgenommen.
Was darin enthalten ist:
- Medium oder Aufnahmeart („filmische Weitwinkelaufnahme", „Studio-Produktfoto", „flache Vektorillustration") – dies bestimmt den gesamten Look. Bildmodelle respektieren Vokabular zu Aufnahmearten.
- Ein konkretes Subjekt, das etwas tut – konkrete Nomen und Verben schlagen einen Haufen Adjektive. „Ein Leuchtturm an einer felsigen Küste" schlägt „eine schöne malerische Aussicht".
- Beleuchtung und Tageszeit – „goldene Stunde", „Neon-Nacht", „bedeckter Morgen". Dieser eine Ausdruck bestimmt die Hälfte der Stimmung.
- Stil oder Kamera-Detail – „35mm-Film", „geringe Schärfentiefe", „4K, hyperdetailliert" für Fotorealismus; „flache Vektorgrafik", „Aquarell", „isometrisch" für Grafiken.
Was einem Prompt schadet: zehn Adjektive stapeln, widersprüchliche Anweisungen („eine minimalistische, aber hochdetaillierte Szene") und abstrakte Konzepte ohne visuellen Anker („ein Bild über Freiheit"). Das Modell rendert, was es sehen kann – gib ihm also etwas zu sehen.
Häufige Fehler und wie man sie behebt
„Der Text in meinem Bild ist verstümmelt." Diffusionsmodelle waren schon immer schlecht darin, Wörter zu schreiben. Halte den Text kurz, setze ihn im Prompt in Anführungszeichen und verwende ein stärkeres Modell – Nano Banana Pro rendert lesbaren Text weitaus besser als die schnelle Stufe.
„Die Gesichter sehen seltsam aus." Gesichter sind die größte Herausforderung für jedes Bildmodell im Jahr 2026. Gehe mit der Kamera weiter weg, vermeide extreme Nahaufnahmen und füge „natürliche Hauttextur, weiches Studiolicht" hinzu, anstatt auf der schnellen Stufe ein makelloses Porträt zu erwarten.
„Es hat die Hälfte meines Prompts ignoriert." Du hast wahrscheinlich zu viel beschrieben. Ein Subjekt, ein Moment, eine Stimmung. Streiche die hintere Hälfte.
„Es sieht nicht echt aus." Füge „auf 35mm-Film aufgenommen", „geringe Schärfentiefe", „natürliches Licht" hinzu – und senke deine Erwartungen an Hände und kleinen Text, das sind immer noch die Schwachstellen überall.
Bearbeiten statt generieren
Wenn du bereits ein Bild hast, das dir gefällt – ein Produktfoto, eine Illustration, einen Charakter – beschreibe es nicht von Grund auf neu. Übergib das Bild dem Bearbeitungsmodell und fordere nur die Änderung an, die du wünschst. Das ist es, was die Leute wirklich wollen, wenn sie „mein Foto mit KI bearbeiten" sagen, und es ist fast immer von höherer Qualität als reine Text-zu-Bild-Generierung, weil das Modell nicht die Komposition erraten muss – du hast ihm den Rahmen gegeben. Die meisten gehosteten Tools (unseres eingeschlossen) bieten dies als separaten In-Context-Bearbeitungsmodus an.
Also, was ist der schnellste kostenlose Weg zu deinem ersten Bild?
Wenn du es nur einmal ausprobieren willst und nichts gegen ein Wasserzeichen hast, generiere in der Gemini App. Wenn du das regelmäßig machen wirst – für Content, Marketing, Thumbnails – überspringe den GCP-Setup und verwende ein Tool, das die Modelle serverseitig kapselt und pro Rendervorgang abrechnet. Das ist die Lücke, die GeminiOmni füllt: Du gibst einen Prompt ein und erhältst in Sekunden ein echtes Bild zurück. Neue Konten starten mit kostenlosen Credits – und da ein Bild auf der schnellen Stufe nur eine Handvoll davon kostet, sind deine ersten Bilder wirklich kostenlos, ohne dass eine Karte erforderlich ist, um zu sehen, ob es etwas taugt.
Die Modelle sind bereits gut genug. Das Einzige, was zwischen dir und einem Bild, auf das du stolz bist, steht, ist nicht Gemini oder Imagen – es ist der Prompt. Beginne mit dem obigen Grundgerüst und ändere immer nur eine Variable. Du wirst überraschend schnell flüssig.
