“如何用 Gemini 创建图像？”是我几乎与视频相关话题一样频繁收到的问题——而且和视频类似，大多数人的想象都有些偏差。他们以为存在一个叫“Gemini”的模型来绘制图画。实际情况是，Gemini 背后有一小群图像模型，每个都针对不同的“动词”而构建。一旦你搞清楚自己实际调用的模型，就能停止猜测，并在首次尝试时获得可用的图像。
以下是诚实的版本和实用的版本。
首先：Gemini 是大脑，图像模型才是画笔
Gemini 是一系列多模态模型。它能推理、写作、阅读图像并理解你的提示。但生成图片的实际像素来自谷歌专用的图像模型：
- Imagen 4 — 谷歌旗舰级文生图模型。你给出文本提示，它从零生成全新的图片。纯粹生成式：无法编辑、不可上传，只需输入文本就能输出照片。它在逼真度和构图方面确实非常出色。
- Nano Banana（Gemini Flash 图像）—— 编辑模型。上传图像，用对话方式描述要修改的内容，它会保留你未提及的一切。这就是人们所说的“用 AI 编辑我的照片”时所指的模型。
一条规则总结：Imagen 4 负责创建图像，Nano Banana 负责编辑图像。 如果你有一块空白画布，那就生成。如果你已经有图像并只想改变某一部分，那就编辑。选错动词不仅会损失质量，还会浪费积分。
访问图像模型的三种方式
与 Gemini 栈中的其他功能一样，三者在价格与麻烦程度之间有所权衡：
- Gemini 应用 / Google AI Studio。 提供免费套餐，但存在速率限制，有时会加水印，并且对特定模型的访问取决于套餐和地区。适合一次性实验。
- Google Cloud Vertex AI。 原生 API。完全控制权，无水印——但需要 GCP 账户和结算设置，以及 API 密钥，按图像计费。除非你要构建基础设施，否则大材小用。
- 托管工具（服务端包装模型）。 输入提示，它就能生成，只需为你生成的图像付费。无需密钥、无需 GCP、没有意外账单。我正是出于这个原因构建了 GeminiOmni 的图像生成器，因为选项 1 和 2 要么过于受限，要么步骤太多，不适合只想获得一张图像的人。
根据频率选择。每月一次？Gemini 应用就足够了。每周超过一次？托管包装器既能省钱，又无需进行 GCP 设置。
实际操作步骤（文生图）
无论你选择哪条路线，操作机制都是一样的：
1. 将场景编写为提示。 在一两句话中描述主体、风格、光线和构图。关键框架如下。
2. 首先选择宽高比。 16:9 用于横幅和缩略图，1:1 用于动态及头像，9:16 用于故事。在生成前决定——后续裁剪会损失分辨率。
3. 根据任务选择模型。 草稿和迭代时追求快速廉价（像 Z-Image Turbo 这样的轻量级模型成本仅旗舰级的一小部分）；当需要 2K 输出和图像中清晰的文字时，使用 Nano Banana Pro 这样的高级模型。
4. 生成并查看。 现代图像模型只需几秒即可返回。观察整个画面，而不仅仅关注主体——手、文字和面孔依然是模型容易出错的地方。
5. 每次只迭代一个变量。 如果结果达到 80% 正确，不要重写整个提示。只改变一个元素——光线、镜头或时间——然后重新生成。
真正有效的提示词框架
经过数百次生成后，这是我每次都会使用的结构：
[镜头类型 / 媒介] 的 [主体] 正在 [做某事]，[场景]，[光线 / 时间]，[情绪]，[风格或相机细节]。
一个例子：
在黄金时段的岩石海岸上，一座孤独灯塔的电影级广角镜头，长长的阴影，平静怀旧的情绪，使用 35mm 胶片拍摄，浅景深。
其中包括：
- 媒介或镜头类型（“电影级广角镜头”、“棚拍产品照”、“扁平矢量图”）—— 这决定了整体外观。图像模型能识别媒介词汇。
- 正在做某事的具体主体—— 具体的名词和动词胜过堆砌形容词。“岩石海岸上的一座灯塔”优于“一副美丽的景色”。
- 光线和时间—— “黄金时段”、“霓虹夜晚”、“阴天的早晨”。这个短语决定了情绪的一半。
- 风格或相机细节—— 追求逼真时用“35mm 胶片”、“浅景深”、“4K，超精细”；追求图形时用“扁平矢量”、“水彩”、“等距”。
不利于提示的因素：堆叠十个形容词、自相矛盾的指令（“极简但高度详细的场景”）、以及没有视觉锚点的抽象概念（“一张关于自由的图像”）。模型渲染的是它能看见的东西——所以给它可看见的东西。
常见失败及解决方法
“图像中的文字杂乱不清。” 扩散模型历来在书写单词方面表现糟糕。保持文字简短，在提示中用引号括起来，并使用更强的模型——Nano Banana Pro 渲染清晰文字的能力远胜于快速层级。
“面孔看起来不对。” 面孔是2026 年每一款图像模型面临的最大难题。拉远镜头，避免极端特写，添加“自然肌肤纹理，柔和的棚拍灯光”，而不是期望快速层级能生成完美的肖像。
“它忽略了我一半的提示。” 你很可能描述过度了。一个主体、一个瞬间、一种情绪。砍掉后半部分。
“它看起来不真实。” 添加“使用 35mm 胶片拍摄”、“浅景深”、“自然光”——并降低对手和细小文字的期望，这些仍然是所有模型的薄弱环节。
编辑而非生成
如果你已经有一张喜欢的图像——产品照片、插画、角色——不要从头重新描述。把图像交给编辑模型，只提示你想要改变的部分。这正是人们真正追求的使用“AI 编辑照片”，而且它几乎总是优于纯文生图，因为模型不需要猜测构图——你已经给出了框架。大多数托管工具（包括我们的）将其作为一个独立的上下文编辑模式提供。
那么，获得首张图像的最快免费路径是什么？
如果你只想试一次，不介意水印，那么在 Gemini 应用中生成即可。如果你会经常使用——内容创作、营销、缩略图——跳过 GCP 设置，使用一个在服务端包装模型并按渲染计费的工具。这正是 GeminiOmni 填补的空白：你输入提示，几秒内就能得到一张真实的图像。新账户从免费积分开始——而且因为快速层级生成一张图像只需少量积分，你的首张图像实际上是免费的，无需绑定信用卡就能验证其效果。
这些模型已经足够好了。挡在你和一张让你自豪的图像之间的，不是 Gemini 或 Imagen，而是提示。从上面的框架入手，每次只改变一个变量。你会惊人地快速上手。
