SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场image-generation

image-generation

设计与创作

查看项目

更新于 10-27 12:34

技能介绍

用途

该技能用于通过 AI 模型完成图像生成与编辑。它可依据自然语言描述创建照片级写实图像、插画、Logo、图标、贴纸和产品效果图；也可用文字指令修改现有图像、应用风格迁移与效果，并通过多轮对话逐步细化输出。技能说明其灵感来自 Every Inc. 的 Every Marketplace 中的 gemini-imagegen 技能。

主要能力

  • 文生图：根据详细文字描述生成图像。
  • 图像编辑：用文字指令修改现有图像。
  • 风格迁移：应用艺术风格、滤镜与效果。
  • Logo 与贴纸设计：生成具有特定风格的品牌素材。
  • 产品效果图：创建专业产品摄影与展示图。
  • 多轮细化：通过对话迭代改进图像。
  • 宽高比控制：支持方形、竖版、横版、宽幅等格式。
  • 基于参考图的生成：使用现有图像作为构图参考（Gemini Pro）。

可用模型

Google Gemini 模型（Nano Banana）

  • gemini-2.5-flash-image（“Nano Banana”）：分辨率 1K（1024px），支持 2K；宽高比 1:1、2:3、3:2、3:4、4:3、4:5、5:4、9:16、16:9、21:9；适合速度、高吞吐、快速迭代与图像编辑；费用约 $0.039/张（$30/百万输出 token）。
  • gemini-3-pro-image-preview（“Nano Banana Pro”）：默认 1K，支持 2K 与 4K；宽高比同上；适合专业素材、复杂指令与最高质量；特性包括 Google 搜索接地用于实时数据可视化、“思考”模式进行中间构图细化、最多 14 张参考图（6 个物体、5 个人物用于角色一致性）、高级文本渲染。

Google Imagen 4 系列

  • imagen-4.0-fast-generate-001（“Imagen 4 Fast”）：标准分辨率；适合快速生成与高吞吐；费用 $0.02/张；仅文本输入，不支持图像编辑。
  • imagen-4.0-generate-001（“Imagen 4”）：最高 2K；适合高质量照片级写实图像与优秀文本渲染；相较前代 Imagen 在文本渲染上有显著改进。
  • imagen-4.0-ultra-generate-001（“Imagen 4 Ultra”）：最高 2K；适合最高质量与细节丰富的视觉；每次请求仅生成一张图像。

OpenAI GPT Image 模型

  • gpt-image-1.5（2025 年 12 月推荐）：分辨率 1024x1024、1536x1024、1024x1536 或 auto；适合生产级视觉、精确编辑与角色一致性；特性包括比 gpt-image-1 快 4 倍、成本低 20%，内置推理与世界知识，编辑时精确保留 Logo 与人脸，优秀文本渲染（清晰字形、密集文本），复杂结构化视觉（信息图、图表、多面板），支持流式输出；输出格式 png、jpeg、webp（可控制压缩）；背景可为 transparent、opaque 或 auto。
  • gpt-image-1（2025 年 4 月）：分辨率最高 4096x4096；适合高分辨率图像与创意工作流；费用约 $0.02（低）、$0.07（中）、$0.19（高）每张；输出格式 png、jpeg、webp；每次请求单张图像，不支持局部重绘。

旧版 OpenAI DALL-E 模型

  • dall-e-3：分辨率 1024x1024、1024x1792、1792x1024；适合创意诠释与艺术渲染；自动扩展提示词。
  • dall-e-2：分辨率 1024x1024、512x512、256x256；适合更快生成、最低成本与变体；独特功能是可生成现有图像的变体。

模型选择逻辑

技能提供决策树：若需要图像编辑或迭代细化，选 gpt-image-1.5（最佳编辑）或 gemini-2.5-flash-image（多轮对话）；若仅文生图，则按需求选择——文本渲染关键选 gpt-image-1.5 或 imagen-4.0-generate-001，需要 4K 最高分辨率选 gemini-3-pro-image-preview，追求 Ultra 质量（单图）选 imagen-4.0-ultra-generate-001，需要角色一致性选 gpt-image-1.5 或 gemini-3-pro-image-preview；需要速度/吞吐时，最便宜选 imagen-4.0-fast-generate-001（$0.02），快速且可编辑选 gemini-2.5-flash-image；均衡默认推荐 gpt-image-1.5。若用户有特定模型偏好，则使用该模型。

使用方式

技能按步骤执行：

  1. 理解请求：分析类型（文生图、图像编辑、风格迁移、Logo/贴纸、效果图）、主体、风格、细节（颜色、光照、构图、氛围、特定元素）、格式（宽高比、分辨率）与紧急程度（速度与质量的权衡）。
  2. 选择模型：依据需求选择；若不明确，使用 AskUserQuestion 工具澄清模型偏好。
  3. 编写有效提示词：提供照片级写实、插画/艺术、Logo、产品摄影等提示词范式，强调具体详细、包含光照/构图/氛围、明确风格、写实场景提及相机/镜头；图像内文字使用 Pro 模型并指定确切文本。
  4. 实现 API 调用：给出 Gemini、Imagen 4、OpenAI 模型的 Python 代码示例。注意 google-generativeai 包已弃用，改用 google-genai，迁移指南见 https://ai.google.dev/gemini-api/docs/migrate。
  5. 处理输出：保存图像到合适位置、验证是否满足请求、向用户展示保存路径、必要时提供细化、解释所用提示词。
  6. 按需迭代：Gemini 使用聊天接口保持上下文；gpt-image-1.5 使用编辑 API 精确保留人脸/Logo；Imagen/DALL-E 用更新后的提示词重新生成；保留旧版本以便比较；基于当前结果建议具体调整。

环境要求

  • API 密钥：Google（Gemini/Imagen）需设置 GOOGLE_API_KEY 或 GEMINI_API_KEY 环境变量；OpenAI 需设置 OPENAI_API_KEY 环境变量。
  • Python 包：pip install google-genai openai pillow requests。
  • 系统：Python 3.8+、可访问互联网、具备保存图像的写权限。

费用参考（每张图像）

  • imagen-4.0-fast：$0.02（低/高质量均同）
  • imagen-4.0：高质量约 $0.04
  • imagen-4.0-ultra：高质量约 $0.08
  • gemini-2.5-flash-image：约 $0.039
  • gpt-image-1.5：低约 $0.016，高约 $0.15
  • gpt-image-1：低约 $0.02，高约 $0.19
  • dall-e-3：低约 $0.04，高约 $0.08
  • dall-e-2：约 $0.02

适用场景

适合需要从文字快速产出视觉素材、对现有图像做文字化编辑、设计 Logo/贴纸、制作产品效果图，以及通过多轮对话逐步打磨图像的用户。也适合在多个模型间按质量、速度、成本与编辑能力做取舍的场景。

限制与注意事项

  • Imagen 4 系列仅支持文生图，不支持图像编辑；Ultra 每次仅生成一张图像。
  • gpt-image-1 每次请求单张图像，不支持局部重绘。
  • DALL-E 不直接支持负向提示词；Gemini 建议用正向表述（如“clear sky”而非“no clouds”）。
  • 所有 Imagen 图像包含 SynthID 水印。
  • google-generativeai 包已弃用，不再接收更新，应使用 google-genai。
  • 需自行准备 API 密钥并承担相应调用费用。