KI-Bildgenerator: Den richtigen finden

Ein KI-Bildgenerator ist heute kein einziges Tool mehr, sondern gleich ein Dutzend unterschiedlicher Modelle, jedes mit eigenem Charakter. Das eine stellt Text im Bild ordentlich dar, das andere trifft die Stoffstruktur genau, ein drittes liefert in einer Sekunde ein Ergebnis, dafür etwas gröber am Rand. Die eigentliche Aufgabe besteht darin, das passende Modell auszuwählen, nicht darin, den Prompt zu formulieren.

Fünf Fragen, bevor du anfängst

1. Wovon gehst du aus, nur Text, oder hast du schon ein Foto als Grundlage? Arbeitest du mit einem echten Produkt oder einer echten Person, liefert Bild-zu-Bild-Generierung ein ganz anderes Ergebnis als ein reiner Text-Prompt: Das Objekt bleibt wiedererkennbar, statt nur ähnlich auszusehen.
2. Brauchst du Text im Bild? Nicht jedes Modell rendert Schrift sauber, und allein das verkürzt deine Auswahl schon erheblich.
3. Was zählt mehr, Tempo oder Finish? Für hundert Entwürfe am Fließband und für ein einziges finales Bild brauchst du unterschiedliche Werkzeuge.
4. Wo landet das Bild am Ende? Social-Media-Feed, Marktplatz-Angebot, Print. Das entscheidet über Auflösung und Seitenverhältnis.
5. Geht es um kommerzielle Nutzung? Landet das Bild in einer Anzeige oder einem Produktangebot, lohnt sich vorher ein Blick in die Nutzungsbedingungen des Anbieters. Kostenlose Stufen schließen das oft aus.

Wofür diese Modelle wirklich gut sind

Produkte. Verpackung, Textur, Material, das ist vermutlich die Stärke, in der die Generierung aktuell am weitesten ist: Die Szene baut sich glaubwürdig um das Objekt herum auf.

Hintergründe und Umgebungen. Interieurs, Straßenszenen, Studiolicht, das hat Stockfoto-Bibliotheken im Grunde ersetzt.

Stilübertragung. Aus einem Foto eine Illustration machen, die Epoche wechseln, die Stimmung verändern.

Varianten. Zehn Versionen derselben Szene für unterschiedliche Kampagnen, und das geht schneller, als ein Creative Briefing zu schreiben.

Wo sie noch an ihre Grenzen stoßen

Hände, Finger, kleine mechanische Details, die üblichen Verdächtigen, wenn auch seltener als noch vor einem Jahr. Warum das passiert, haben wir in einem eigenen Artikel aufgedröselt, deshalb spare ich mir das hier.

Dann Text. Ein Modell kopiert die Form von Buchstaben, statt tatsächlich Wörter zu komponieren, lesbarer Text bleibt deshalb meist außer Reichweite. Wiederholende Muster haben dasselbe Problem: Karo oder Streifen auf Stoff fangen etwa ab der dritten Reihe an zu verrutschen.

Komplexe Spiegelungen. Metall, Glas, Bildschirme. Das Modell erfindet in der Reflexion gern etwas, das in der Szene gar nicht vorkommt.

Bestimmte Personen. Ohne Referenzfoto kommt ein generischer Typ heraus, nicht deine tatsächliche Person.

Welcher KI-Bildgenerator passt zu welcher Aufgabe

Aus der Arbeit mit vielen Produktfotos ergibt sich diese kurze Übersicht.

Text im Bild, Logos, Beschilderung, kurze Captions: Ideogram 3.0 und GPT Image 2 liegen hier deutlich vor dem Rest. Einen Vergleich mehrerer Modelle beim Text-Rendering findest du, wenn dich die Details interessieren.

Produktfotografie und Textur: Nano Banana, Seedream 5.0.

Saubere Studioaufnahmen: Imagen 4.

Grafik, Abstraktes, Prompts mit mehreren Referenzen: Flux 2.

Schnelle Entwürfe in großer Zahl: Z-Image.

Einen vollständigen Vergleich speziell für Produktfotos gibt es hier.

Einen Prompt schreiben, der tatsächlich funktioniert

Drei Dinge zählen mehr als alles andere zusammen.

Konkretes statt Adjektive. Nicht „schönes Produktfoto“, sondern was das Objekt ist, auf welcher Fläche es steht, woher das Licht kommt, was im Hintergrund zu sehen ist.

Licht bekommt einen eigenen Satz. Es verändert die Aufnahme stärker als alles andere, was du beschreiben kannst. Weiches, diffuses Fensterlicht, hartes Gegenlicht, gedämpfter Abendton.

Sag, was weg soll. Modelle fügen gern zusätzliches Zeug hinzu, Personen, Pflanzen, zufälligen Text. Schließ das ausdrücklich aus.

Die vollständige Prompt-Struktur haben wir in einem eigenen Guide aufgeschrieben, muss ich hier nicht wiederholen.

Eine Einschränkung, dieses Mal zu mir selbst. Ich bin mir noch nicht ganz sicher, ob es wirklich die beste Methode ist, immer nur ein Element nach dem anderen zu ändern. Manchmal trifft es genau, wenn man alles gleichzeitig verändert, und manchmal feilt man eine halbe Stunde an einem einzigen Detail und kommt trotzdem nicht weiter.

Auch bei dem Punkt, dass Licht einen eigenen Satz braucht, bin ich mir ehrlich gesagt nur zu etwa siebzig Prozent sicher. Manchmal ist es bis ins Detail beschrieben, und die Aufnahme wirkt trotzdem flach, und ich weiß nicht, warum.

Kosten und Dauer

Ein einzelnes Bild braucht bei schnellen Modellen Sekunden, bei aufwendigeren bis zu einer Minute.

Was eigentlich zählt, sind die Kosten pro akzeptiertem Bild, nicht pro Generierung. Ein gutes Ergebnis braucht meist drei bis zehn Versuche, je nachdem, wie komplex die Szene ist.

Die Preise unterscheiden sich stark zwischen den Modellen, deshalb ist es sinnvoll, Entwürfe auf einem günstigen, schnellen Modell zu fahren und erst beim finalen Bild auf das Modell zu wechseln, das die gewünschte Qualität liefert. Bei Flami greifen alle Modelle auf ein gemeinsames Kreditguthaben zu, der Wechsel zwischen Entwurfsmodell und Finish-Modell erfordert also kein zweites Abo.

FAQ

Was ist der beste KI-Bildgenerator?

Eine einzige Antwort gibt es nicht, die Modelle haben wirklich unterschiedliche Stärken. Für Text im Bild sind Ideogram und GPT Image die stärkste Wahl. Für Produkttextur eignen sich Nano Banana oder Seedream. Für schnelle Entwürfe Z-Image. Welches Modell passt, hängt von der Aufgabe ab.

Kann man ein Bild aus einem eigenen Foto generieren?

Ja, und bei Produktfotos ist das sogar der Standardweg. Das Modell nimmt dein tatsächliches Foto und baut eine neue Szene darum, während das Objekt selbst erhalten bleibt. Das ist deutlich zuverlässiger, als ein Produkt nur in Worten zu beschreiben.

Warum tun sich KI-Modelle mit Text so schwer?

Sie rendern Buchstabenformen als visuelle Form, statt tatsächlich Wörter zu komponieren. Schon ein kurzer Satz kann unleserlich werden, und je länger der Text, desto schlimmer wird es. Nicht-lateinische Schriften haben es dabei besonders schwer, weil die Trainingsdaten stark zugunsten lateinischer Buchstaben verzerrt sind. Ein paar Modelle wurden gezielt dafür trainiert und schneiden dabei merklich besser ab als der Rest.

Wie viele Versuche braucht ein Bild normalerweise?

Meist drei bis zehn. Das ist ein normaler Teil des Prozesses, kein Zeichen dafür, dass der Prompt falsch war. Das solltest du bei der Kostenschätzung einplanen.

Lässt sich ein einheitlicher Stil über eine Bildserie halten?

Ja, wenn du den Teil des Prompts zu Licht und Farbpalette konstant hältst und durchgehend ein Referenzbild nutzt. Lässt du das weg, laufen die Bilder in der Serie schnell auseinander.

Quellen

1. Flami: die besten KI-Modelle für Produktfotos
2. Flami: Vergleich von Text-Rendering bei KI-Modellen
3. Flami: Prompt-Struktur für Bilder
4. Flami: warum KI-Modelle Hände und Text verstümmeln