Qwen 文生图上手：中英文提示词写法差异与图中文字渲染技巧

Qwen（通义千问图像）是阿里云推出的图像生成模型，训练时同时学习了海量中文与英文语料，对中文的自然语言描述通常有不错的理解力。你不需要先把想法翻译成英文，直接用中文描述画面，模型一般就能抓住主要意图。

对中文用户来说，这明显降低了表达门槛：你平时怎么向朋友描述一张照片，就可以怎么向 Qwen 描述，不需要先学习一套特殊的英文关键词。与其把脑海里的构思硬翻成英文、再担心翻译走样，不如用母语直接写，通常更贴近你原本想画的画面。

早期模型对自然语言理解有限，英文社区因此形成了「关键词堆叠」的写法：用逗号罗列大量短语和质量词，类似杰作、最佳画质、超高细节这样的词反复出现。这套习惯源于当时模型只能靠关键词触发概念，用在 Qwen 上并非必需。

新一代模型通常更擅长理解完整句子。用中文写提示词时，把主体、动作、环境、光线、构图组织成连贯的描述即可，不必堆砌修饰词，成串的质量词一般也不会带来明显增益。

两条通用经验：一是描述顺序通常按主体、动作、环境、光线、风格排列，越靠前的内容获得的权重一般越高；二是想强调的细节直接写清楚，比反复堆同义词更有效。

涉及中国文化语境的题材，中文描述通常更稳：汉服、马面裙、盘扣这类服饰词，飞檐、园林、四合院这类建筑词，糖葫芦、小笼包这类食物词，以及水墨、青绿山水这类绘画概念，中文一词即中，翻成英文反而容易产生偏差。

需要在图中出现中文文字时，比如招牌、海报标题、字幕、书法，更是必须用中文写：如果用英文描述一张带汉字的海报，模型通常不知道具体该写哪几个字；只有把中文文案直接写进提示词，模型才有机会把字写对。

反过来，画西方题材，或想参考英文社区流行的风格说法时，用英文写提示词也完全合理。两种语言不必二选一，按题材灵活切换就好。

核心技巧是把要出现在图中的文案放进引号，并在句子里明确「写着」「显示」这类动作。例如：一块木质招牌，上面写着「老字号茶馆」。引号里的内容一般会被当作需要原样渲染的文字。

英文提示词同理，把文案用引号包住，例如 A wooden sign that says "OPEN"。引号内放中文文案同样可以渲染，但整句统一用中文写、语境保持一致，成功率通常更高。

尽量控制文字量：字数越少越容易写对，招牌控制在两到六个字、海报主标题不超过十个字一般表现更好；大段文字即使写对，排版也容易出问题。你还可以指明文字的位置（顶部、居中、左下角）与字体感觉（毛笔手写、宋体、圆体、霓虹发光），这些信息通常都能被利用起来。

如果文字写错了，不必推倒重来：可以把文案挪到提示词更靠前的位置，或补充一句「文字必须准确无误」，再重新生成。多生成几张、挑最满意的一张，是使用中的常态。

光线可以直接用日常中文表达：黄昏逆光、清晨柔光、正午硬光、窗口侧光、烛光、霓虹灯光、舞台追光，还有轮廓光（勾勒主体边缘的高光）和体积光（穿过雾气或灰尘的光束），这些说法模型一般都能理解。

镜头与构图也有对应的中文说法：特写、近景、半身、全身、大远景、低角度仰拍、俯拍、第一人称视角、浅景深背景虚化、微距。这些都是日常摄影词汇，不必特意换成英文术语。

想要电影感，可以写电影级调色、宽画幅比例、浅景深虚化；想要真实感，可以写自然光、胶片颗粒感、手机随手拍的质感。

人像示例：一位二十多岁的亚洲女性，身穿米白色针织毛衣，坐在洒满午后阳光的窗边，柔和的窗口侧光打在脸上，近景特写，浅景深虚化背景，胶片质感，温暖色调。

风景示例：江南水乡的清晨，河道两岸是白墙黛瓦的民居，一座石拱桥横跨水面，薄雾笼罩，一只小船缓缓划过，清晨柔光，大远景构图，青绿山水画意与现代摄影结合的色调。

带文字海报示例：一张竖版国风茶饮海报，主体是一杯冒着热气的茉莉奶茶，背景为淡青色水墨山峦，海报顶部居中写着「山间茶事」四个毛笔字，下方一行小字「秋日上新」，整体色调雅致，大量留白。

图中文字写不对时，优先缩短文案、把它挪到提示词靠前的位置、写明字体和位置，然后多生成几张挑选。文字渲染目前一般做不到百分之百成功，属于正常现象，不必怀疑是自己的写法出了问题。

画面不像预期时，先检查主体是否被太多修饰词淹没，把最重要的内容放到句子前部；每次只改一处再重新生成，方便定位是哪个词带来了变化。

建议从模仿开始：在站内挑选喜欢的效果图，参考同类中文提示词的结构，替换主体与场景，多练几次，就能慢慢形成适合自己的写法习惯。