AI 產生的圖為什麼總是寫錯字？拆開模型看五層病因
AI 测评室
2026年5月4日
你可能已經發現了：AI 畫的圖越來越好，但圖裡的字卻常常不對。這不是偶然——是結構性問題。
你可能已經發現了：AI 畫的圖越來越好，但圖裡的字卻常常不對。這不是偶然——是結構性問題。
一個讓人抓狂的場景
你用 AI 產生了一張精美的促銷海報。構圖完美，配色高級，光影自然。然後你定睛一看－－"SUMMER SALE" 寫成了 "SUMMER SAIE"，或是中文標題"限時特惠"裡"惠"字少了一橫。
你重新生成了一次。這次"SALE"對了，但副標題裡的日期變成了亂碼。
你又試了一次。日期對了，但字距忽大忽小，整體排版像喝醉了酒。
這不是你提示詞寫得不好，也不是模型太差。這是目前 AI 影像生成技術的一個結構性短板——而且短期內不會消失。
這篇文章會把這個問題拆開，從五個層面解釋"為什麼字總是寫不對"，然後告訴你為什麼"讓 AI 重寫一次"通常不是最好的解決方案。
第一層病因：模型根本不"認識"字
大多數人以為 AI 模型是"先理解文字，再畫出來"。事實不是這樣。
主流圖像生成模型（Stable Diffusion、DALL-E、Flux 等）用的是 BPE 分詞——一種把文本切成"詞片段"的編碼方式。 BPE 擅長理解語意（"這是一張海報"），但不擅長精確控製字形（"這個字母是 E 不是 F"）。
更麻煩的是，這些模型裡的文本編碼器——不管是 CLIP 還是 T5——設計初衷都不是"把字符準確畫出來"。 CLIP 偏向"概念對齊"（理解圖片和文字的對應關係），T5 偏向"語言理解"（理解句子的含義）。兩者都不是天生為"像素級文字渲染"設計的。
打個比方：讓一個理解力很強但寫字不太好的人，閉著眼睛在畫布上抄寫一段文字。他大概知道要寫什麼，但每個字的筆畫、間距、大小都會偏離。這就是目前模型處理文字的基本狀態。
這表示： 不管你怎麼優化提示詞，模型對文字的控制精度天然有上限。這個上限不是"提示詞技巧"能突破的。
第二層病因：訓練資料裡缺"字形對"
即使模型有能力精確渲染文字，它也需要大量"文字-字形"的配對訓練資料來學習。問題是，這樣的高品質數據非常稀缺。
真實世界的圖片裡確實有很多文字——路牌、包裝、海報、書籍——但這些文字的字體標註幾乎不存在。模型知道"這張圖裡有字"，但不知道"這個字用的是什麼字體、什麼字重、什麼字距"。
結果就是：模型能學會"大致把字畫出來"，但學不會"精確控製字體樣式"。這直接導致了字體風格漂移——你要求無襯線，它給你畫個近似襯線；你要求同一行粗細一致，它給你來個忽粗忽細。
中文的情況更嚴重。常用漢字幾千個，筆畫複雜度遠高於拉丁字母，但訓練資料裡的中文文字標註更稀少。這就解釋了為什麼很多模型在英文上"還行"，在中文上就"經常出錯"。
第三層病因：佈局控制太弱
一段文字在圖裡不只是"幾個字"，它涉及位置、大小、行距、字距、對齊、基線等一堆幾何關係。目前模型對這些幾何關係的控制能力很弱。
這在簡單場景下並不明顯──一行大標題、一個品牌名，模型通常能搞定。但一旦變成多行文字、多個文字方塊、不同層級的排版，問題就爆發了：
- 字忽遠忽近，行距不一致
- 左右不對齊，基線漂移
- 多個文字方塊的相對位置出錯
- 長段落的後排文字品質明顯下降
學術界把這些統稱為"長文本"和"多文本框"問題，是當前公認的困難點。像 EasyText、BizGen 這類研究專門把"長文本""多文本""不規則區域"拿出來攻關，本身就說明這些場景的穩定性遠未解決。
實際影響： 如果你的圖只需要一行大標題，AI 可以勝任。如果你的圖有五、六個文字層級（標題、副標題、時間、地點、賣點、行動號召），每個層級都需要精確排版－AI 的失敗率會急遽上升。
第四層病因：潛空間壓縮對小字不友善
擴散模型不是直接在像素空間工作，而是在一個壓縮過的"潛空間"裡做生成。這對大物體（風景、人物、產品）很友善——省顯存、省算力、效率高。
但對小字來說，潛空間壓縮意味著高頻細節的喪失。筆畫細、邊緣硬、容錯極低的文字，在壓縮和還原過程中很容易出現：
- 筆畫模糊或斷裂
- 邊緣鋸齒
- 放大後出現"假細節"——看起來像字但實際上是模型"腦補"的筆畫
這解釋了一個常見現象：AI 生成的大標題通常不錯，但小字（價格、成分、免責條款）經常模糊或變形。不是模型"不想"寫好小字，是潛空間的分辨率限制了它"能"寫好小字的程度。
解決方案的邏輯： 先把字修對，再放大。如果先放大再修字，放大的過程中模型會"腦補"更多錯誤的筆畫細節，修起來更難。
第五層病因：辨識和預處理也會坑你
即使 AI 產生的字看起來"差不多對了"，當你用 OCR 工具去校驗時，也可能出問題。這不是 OCR 工具的錯，而是影像預處理沒做好。
Tesseract 官方文件明確將四件事列為 OCR 成敗的關鍵預處理：rescaling（縮放）、binarisation（二值化）、去噪、deskew（糾偏）。 PaddleOCR 額外增加了方向分類、文字影像矯正和文字行方向分類三個開關。
換句話說，很多"OCR 辨識錯誤"的根因不在辨識器本身，而在影像的幾何和預處理。一張歪了 2 度的圖、一個對比度不夠的文字區域、一段抗鋸齒過軟的文字——都會讓 OCR 產出完全錯誤的結果。
實際操作建議： 在用 OCR 校驗 AI 產生的文字之前，先做這些預處理：確保文字區域對比度足夠、影像沒有明顯傾斜、文字邊緣沒有過度模糊。這比換一個更大的 OCR 模型有效得多。
五層病因疊加後的現實
把五層疊在一起，你會理解為什麼"AI 寫字"這件事這麼難：
- 模型的文字編碼器不是為精確字形設計的
- 缺少高品質的字形-字體配對訓練數據
- 多文字佈局的幾何控制能力弱
- 潛空間壓縮對小字的高頻細節不友善
- 影像預處理不當會讓校驗也出錯
這五層問題不是某一個模型的缺陷，而是整個擴散式影像生成範式的結構性限制。 GPT Image 2 在文字渲染上比前代好了很多，但這些底層限制並沒有消失——只是被部分緩解了。
那"讓 AI 重寫一次"有用嗎？
有用，但有限。
對於短展示詞（3-5 個單字的標題、品牌名稱），重新生成確實有可能"碰"到一個正確版本。但這本質上是機率遊戲——每次生成都是獨立抽籤，不保證收斂。
對於長文本、多文字方塊、複雜排版，重新產生幾乎不會改善問題。因為根因不在"隨機性"，而在模型能力的結構性上限。你重試 10 次，可能 10 次都在不同的地方出錯。
更穩的做法是把 AI 生成的文字當成"草圖"——它給你了大致的風格、佈局和氛圍，但文字本身需要進入一個"擦除—識別/校對—重排—導出"的後處理流程。
這不是"AI 不行"，而是"AI 負責它擅長的部分（視覺風格），人和工具負責 AI 不擅長的部分（精確文字）"。
不同場景的風險等級
不是所有文字都需要同等程度的後製。按風險等級分：
低風險：海報標題、社群媒體圖的裝飾文字。 這類文字偏審美，"看起來對了"就可以。 AI 直出 + 肉眼檢查通常夠用。短展示詞也可以嘗試用 inpaint 局部重繪修正。
中風險：品牌名稱、活動名稱、日期、價格。 這類文字要求"真的對了"，但字數不多。建議用 OCR 校驗 + 人工複核，出錯的地方用局部編輯修復。
高風險：成分錶、法規文字、多語言標籤、資訊圖表資料。 這類文字容錯極低，一個字母或數字的錯誤可能導致法律問題。預設進入"OCR 提取 + 向量重排 + 逐項校對"流程，不賭 AI 一次寫對。
判斷標準很簡單： 海報標題可以允許"像排對了"；標籤和資訊圖表必須要求"真的排對了"。
一句話總結
AI 產生的文字出錯不是偶然，而是文字編碼、訓練資料、佈局控制、潛空間壓縮和預處理五層結構性問題的疊加。最穩的策略不是反覆重試，而是把 AI 的文字當草圖，用"擦除—識別—重排"的後處理流程把它修對。
想看看不同模型在文字渲染上的真實差距？可以在 gpt-image-2.live 上用同一個提示詞分別跑幾個模型，對比文字準確率——你會發現差距比你想像的大。
