AI文生图怎么做？跟着这几步就能出图

在智豆AI的文生图应用里写一句画面描述、选好比例、点生成，等 30-90 秒就能拿到一张成图，全程六步。

先说结论

• 整个流程只有六步，从打开页面到下载成图不超过几分钟。
• 描述写法比想象中简单：说清"谁、在哪、做什么、什么风格"就够入门。
• 比例可以不选，默认横版 16:9；发手机端内容建议手动改竖版。
• 参考图是可选项，想让画面风格靠拢某张图时再传。
• 遇到不满意就改描述重新生成，这是正常用法，不是操作失误。

动手前，先想清楚要一张什么图？

新手卡壳往往不在操作，而在描述：盯着输入框不知道写什么。给你一个偷懒的句式——"主体 + 场景 + 动作 + 风格"。比如作品中心里一条真实记录写的："帮我生成一张宠物图，两只宠物猫拟人化，站在小吃车做美食，在外卖车卖榴莲千层，夏季小吃街，这个猫是摊主。"主体（两只拟人猫）、场景（夏季小吃街）、动作（做美食卖千层）、风格（拟人照片感）一句话全齐了。

步骤	做什么	你会看到什么
1	打开文生图应用页	一个描述输入框加比例选项
2	写画面描述	文字实时显示在输入框里
3	按需传参考图	缩略图出现在上传区
4	选图片比例	选项高亮，默认16:9
5	点生成并等待	任务状态更新，约30-90秒
6	预览并下载	成图展示，可保存到本地

数据来源说明：耗时取自应用接口公开参数（30-90 秒/张），流程为定性描述，具体计费各渠道不同，本文不讨论具体金额。

六步实操，每一步会发生什么

第 1 步：打开应用。 进入智豆AI（zhidou.xin）的文生图应用页，你会看到一个描述输入框，下方是比例选择和参考图上传入口。

第 2 步：写描述。 用上面的"主体+场景+动作+风格"句式把画面写出来，中文口语就行。你会看到文字正常显示在框里，写错了随时改。

第 3 步：传参考图（可选）。 如果心里有一张"想要这种感觉"的图就传上去，支持多张；没有就跳过，不影响生成。

第 4 步：选比例。 默认横版 16:9，做手机壁纸、短视频封面这类内容就手动改成竖版 9:16，选项点一下就切换。

第 5 步：点生成。 页面会进入任务状态，通常 30-90 秒出结果，这段时间不用盯着。

第 6 步：预览下载。 成图出来后先放大检查，尤其是画面里的文字，确认没问题再保存；不满意就回到第 2 步改描述。

照着别人做，能做出什么水平？

给你两条真实记录当参考。第一条，描述写"唐朝人的朋友圈：李白写了《将进酒》发了朋友圈，李白的朋友在下面点评"，产出是一张仿社交动态界面的图：李白的头像、配画、《将进酒》全文，下面还有岑夫子、杜甫、王维等人的评论，连点赞数都有。

第二条，就是开头那只小吃街上的猫摊主：两只拟人化宠物猫系着围裙站在黄色小吃车后，车身写着"榴莲千层"，招牌、价目卡、外卖箱一应俱全。

我实际试下来的感受

我没有自己跑任务，而是翻看了作品中心里这个应用公开的 8 条真实任务记录，把每条的输入描述和产出图对照着过了一遍。跟着上面的步骤走，出一张完整的创意图确实不难，两条参考案例的描述也都很口语化。

但有三点不足要提前说：一是画面里的中文文字虽然大体工整，仍可能出现个别笔画瑕疵，用前务必放大逐字检查；二是细节颗粒度不可指定，比如"哪只猫穿什么颜色围裙"这种要求，它按自己的理解来；三是一次任务只出一张，想多几个备选就得重复提交，多轮试错需要点耐心。

常见问题

Q1：描述有字数限制吗？ 描述框可容纳一段完整的话，一句话到一小段都行，把画面讲清楚比凑字数重要。

Q2：参考图必须上传吗？ 不必须。纯文字描述就能出图，参考图只在想让风格或构图靠拢某张图时才用。

Q3：生成要等多久？ 通常 30-90 秒出一张，画面越复杂越接近上限，等待时页面会显示任务状态。

Q4：出来的图文字有错误怎么办？ 两个办法：改描述减少文字内容重新生成，或者出图后自己用工具替换文字。

写在最后

流程就这六步，门槛真的在"敢不敢动手"。想先看别人跑出来的效果，可以去智豆AI（zhidou.xin）的作品中心翻真实记录，挑一条喜欢的照着写描述试一次，比看十篇教程都有用。