本文由 Philipp Schmid（开发者关系工程师）、Logan Kilpatrick（集团产品经理）、Alisa Fortin（产品经理）于 2025 年 8 月 28 日发布，详细介绍了 Gemini 2.5 Flash 图像生成的核心能力、prompt 编写技巧、实操方法及注意事项，旨在帮助用户高效生成高质量图像。
Gemini 2.5 Flash 是原生多模态模型，从底层开始训练，可在单一统一步骤中处理文本和图像，不仅支持基础图像生成，还具备更强大的多模态功能，具体核心能力如下：
- 文本到图像（Text-to-image）：通过简单或复杂的文本描述，生成高质量图像。
- 图像 + 文本到图像（编辑）：上传图像后，用文本提示添加、删除、修改元素，或调整风格、颜色。
- 多图像到图像（合成与风格迁移）：利用多张输入图像合成新场景，或实现风格从一张图像到另一张的迁移。
- 迭代优化（Iterative refinement）：通过对话式交互，分多轮逐步优化图像，进行细微调整。
- 文本渲染（Text rendering）：生成包含清晰、位置恰当文本的图像，适用于 logo、图表、海报等场景。
模型的核心优势是深度语言理解，描述场景而非罗列关键词：一段具有叙事性的描述性段落，几乎总能比零散的关键词列表，生成更连贯、更优质的图像。
文本生成是最常用的图像生成方式，针对不同场景，可使用以下结构化模板，结合具体需求补充细节，提升生成效果。
按摄影师思维描述，明确镜头、光线、细节，引导模型生成真实感图像。
- 模板：一张 [镜头类型] 的照片级图像，主体是 [主体描述]，处于 [动作 / 表情状态]，场景设定在 [环境]。画面由 [光线描述] 照亮，营造出 [氛围] 感。使用 [相机 / 镜头参数] 拍摄，突出 [核心纹理与细节]。图像比例为 [宽高比]。
- 示例：一张特写镜头的照片级肖像，主体是年长的日本陶艺家 —— 他脸上有深深的日晒皱纹，带着温暖、洞悉一切的笑容，正仔细检查刚上釉的茶碗。场景设定在他那间充满乡村气息、洒满阳光的工作室。画面由从窗户射入的柔和黄金时刻光线照亮，凸显黏土的细腻纹理。使用 85mm 人像镜头拍摄，背景呈现柔和的虚化效果（景深）。整体氛围宁静且充满大师感，图像为垂直肖像比例。
明确风格、色彩、线条，若需透明背景需特别说明，适用于项目素材制作。
- 模板：一张 [风格] 风格的贴纸，主体是 [主体描述]，包含 [核心特征]，采用 [色彩搭配]。设计需有 [线条风格] 和 [阴影风格]，背景必须为白色。
- 示例：一张卡哇伊（kawaii）风格的贴纸，主体是一只开心的小熊猫 —— 它戴着迷你竹编帽，正在啃食绿色竹叶。设计采用粗线条、清晰轮廓，搭配简单的赛璐璐阴影，色彩鲜明活泼，背景必须为白色。
明确需渲染的文本内容、字体风格及整体设计，确保文本清晰且符合场景需求。
- 模板：为 [品牌 / 概念] 创建一张 [图像类型]，包含文本 “[需渲染的文本]”，字体风格为 [字体描述]。设计整体需 [风格描述]，采用 [色彩方案]。
- 示例：为名为 “The Daily Grind” 的咖啡店创建现代简约风格 logo，文本采用简洁、粗体的无衬线字体。设计中需融入一个简约风格化的咖啡豆图标，与文本无缝结合，色彩方案为黑白。
突出产品细节、光线、背景，生成专业、适合电商、广告场景的产品图。
- 模板：一张高分辨率、工作室灯光拍摄的产品照片，主体是 [产品描述]，放置在 [背景表面 / 背景描述] 上。灯光采用 [灯光设置，如三点柔光箱设置]，目的是 [灯光作用]。相机角度为 [角度类型]，以突出 [产品特定特征]。图像需超写实，焦点清晰对准 [核心细节]，比例为 [宽高比]。
- 示例：一张高分辨率、工作室灯光拍摄的产品照片，主体是哑光黑色极简陶瓷咖啡杯，放置在抛光混凝土表面上。灯光采用三点柔光箱设置，营造柔和扩散的高光，消除生硬阴影。相机角度为略微抬高的 45 度角，以凸显杯子的简洁线条。图像超写实，焦点清晰对准杯口升起的蒸汽，比例为正方形。
明确主体位置、背景色彩，预留留白区域，适用于网站、演示文稿背景（需叠加文本）。
- 模板：一张极简构图图像，单个 [主体描述] 位于画面的 [位置，如下右 / 上左]。背景是大面积空白的 [颜色] 画布，形成明显留白。光线柔和、淡雅，比例为 [宽高比]。
- 示例：一张极简构图图像，单个精致的红色枫叶位于画面右下角。背景是大面积空白的米白色画布，预留充足留白以叠加文本。光线为左上角射入的柔和漫射光，比例为正方形。
明确画面层次（前景、背景）、风格、文本框，生成具有叙事性的分镜或故事板。
- 模板：一张 [艺术风格] 风格的漫画分镜。前景中，[角色描述及动作]；背景中，[场景细节]。分镜包含 [对话框 / 标题框]，文本为 “[文本内容]”。灯光营造出 [氛围] 感，比例为 [宽高比]。
- 示例：一张粗粝的黑色电影（noir）风格漫画分镜，采用高对比度黑白墨水绘制。前景中，一名穿风衣的侦探站在闪烁的街灯下，雨水打湿了他的肩膀；背景中，荒凉酒吧的霓虹灯招牌倒映在水坑里。分镜顶部有标题框，文本为 “这座城市藏不住秘密”。灯光强烈，营造出戏剧化、阴郁的氛围，比例为横版。
上传图像后，结合文本提示可实现编辑、局部修改、风格迁移等功能，充分发挥模型多模态优势。
描述需修改的内容，模型会自动匹配原图风格、光线、视角，确保修改自然，且支持系列图像的风格一致性。
- 模板：基于提供的 [主体] 图像，请向场景中 [添加 / 删除 / 修改][元素]，确保修改后 [描述修改的融合效果]。
- 示例：基于提供的猫咪图像，请在猫头上添加一顶小型针织巫师帽，确保帽子佩戴自然，且与照片的柔和光线相匹配。
指定仅修改图像中的某个元素，保持其他部分（风格、光线、构图）完全不变。
- 模板：基于提供的图像，仅将 [特定元素] 修改为 [新元素 / 新描述]，其他部分完全保留，不改变原图风格、光线与构图。
- 示例：基于提供的客厅图像，仅将蓝色沙发修改为复古棕色皮质切斯特菲尔德沙发，保留房间其他部分（包括沙发上的抱枕和灯光）不变。
上传照片，指定目标艺术风格，模型会保留原图构图，用目标风格重新渲染内容。
- 模板：将提供的 [主体] 照片，转换为 [艺术家 / 艺术风格] 的艺术风格。保留原图构图，用 [风格元素描述] 进行渲染。
- 示例：将提供的现代城市夜间街道照片，转换为文森特・梵高《星夜》的艺术风格。保留原图中建筑和汽车的构图，用旋转的厚涂笔触、深蓝与亮黄的鲜明配色渲染所有元素。
上传多张图像，指定需提取的元素及融合方式，生成全新合成场景，适用于产品样机、创意拼贴。
- 模板：融合提供的多张图像元素生成新图像：提取第一张图像中的 [元素 1]，与第二张图像中的 [元素 2] 结合，最终场景为 [最终场景描述]。
- 示例：生成专业电商时尚照片：提取第一张图像中的蓝色花卉连衣裙，让第二张图像中的女性模特穿着该连衣裙，生成模特穿着连衣裙的全身写实照片，并调整光线和阴影以匹配户外环境。
- 极致具体：细节越丰富，控制度越高。避免 “奇幻盔甲” 这类模糊描述，改用 “装饰华丽的精灵板甲，刻有银叶花纹，高领设计，肩甲呈猎鹰翅膀形状”。
- 修复角色一致性偏差：若多轮迭代后角色特征偏移，可重新开启对话，用详细描述重新定义角色，保持一致性。
- 提供背景与意图：说明图像用途，如 “为高端极简护肤品牌设计 logo”，比单纯 “设计 logo” 效果更好。
- 迭代优化：不期待一次生成完美图像，利用对话功能微调，例如 “很好，但能否让光线更暖一些？”“其他不变，将角色表情调整得更严肃”。
- 使用 “语义否定提示”：不用 “不要有汽车” 这类否定表述，改用正面描述 “一条空旷无人的街道，无任何车辆痕迹”。
- 控制宽高比：编辑图像时，模型通常保留原图比例；若需特定比例，可在 prompt 中明确（如 “不改变原图宽高比”）；若上传多图比例不同，模型默认采用最后一张图的比例；若需自定义比例，可上传一张对应尺寸的参考图作为提示。
- 控制镜头视角：用摄影 / 电影术语定义构图，如广角镜头、微距镜头、低角度视角、85mm 人像镜头、倾斜角度等，精准控制最终画面。
原文链接：访问查看
