中文精炼导读
核心观点
- Jay Alammar 用 AI 图像生成工具（Stable Diffusion / Dream Studio、DALL-E、Midjourney）重新制作 1987 年 MSX 游戏《Nemesis 2》开场过场动画的图形——一个"用现代生成式 AI 重讲童年视觉故事"的亲身实验。
- 实验的核心结论之一是"prompt 是一门需要咒语的学问"：只描述画面主体远远不够，必须加上把模型导向特定风格的"秘钥关键词"——为此他依赖 Lexica 这类包含数百万示例与对应 prompt 的画廊来偷师，而不是死记针对特定版本模型有效的魔法词。
- 三家工具各有长短：Midjourney 以最少的 prompt 调整产生最好的生成质量（最接近"美"），但只能通过 Discord 使用、无法通过 API 或浏览器生成；Stable Diffusion 开源、有 API、界面最好用，是作者使用最多的；DALL-E 的 inpainting/outpainting（画布扩展）"有点魔法"，但简单 prompt 下的质量落后 Midjourney。
- 失败案例同样有教学价值：重现角色"三只眼"这个标志性元素多次失败、inpainting 也没能在时限内调出好结果；生成正确文本仍是当前工具的短板（最终星图是作者把图导入 Photoshop 手动加的文字和线条）。
- 工具对比之外，文章还验证了一个工作流范式：先用 Midjourney 生成风格接近的底图，再用 DALL-E 的 outpainting 扩展画布——不同工具各取所长地组合，才是把 AI 图像生成用于"重制旧素材"的现实路径。
内容精讲
故事的起点是作者童年的一段记忆：1987 年的《Nemesis 2》（MSX 平台的宇宙巡航机系列作品）开场动画里有一位反派——"Venom 博士"，一个绿皮肤、红眼睛、穿着带肩刺红大衣、从监狱铁栏后现身的"绅士"。Alammar 想看看现代 AI 图像生成工具能否把这些 35 年前的 8-bit 风格画面，重做成更高保真度的版本，并借此观察这些商业工具到底能做什么、在哪里失败。
第一块试金石是开场第一个画面：战斗机群飞过太空中的红色行星。作者先用 DALL-E 跑了一个只描述主体的 prompt（"fighter jets flying over a red planet in space with stars in the black sky"），结果完全不是复古科幻的风格；同样的 prompt 贴进 Dream Studio（Stable Diffusion 的托管版），也得不到想要的画面。这让他得出第一个核心经验：prompt 必须包含引导模型走向特定风格的"秘钥"——于是他去 Lexica（一个收录数百万 Stable Diffusion 生成图及其 prompt 的画廊）找喜欢的图，保留其风格关键词、换掉主体，最终拼出一个能用的咒语式 prompt（加入 lava、ussr、soviet、vintage retro scifi、trending on artstation、dramatic lighting 等词）。他指出，死记对特定版本模型有效的魔法词不是长期策略，学会从画廊检索和组合风格才是。
接着是第二个画面（Dr. Venom 在监狱铁栏后）的生成。作者先试了 Midjourney——结果惊艳，但"更漂亮"不等于"更还原"：Midjourney 的版本没有像 Stable Diffusion 那版那样抓住原图的精髓。他随即决定，故事剩余部分都用 Midjourney 来生成。这个过程也展示了生成工具的"不可控性"：想让他戴手铐被锁链捆住，模型就是出不来那种姿态与束缚感；最终改用"从铁栏后面看向镜头"的画面构图，成功绕开了模型不擅长的"姿势控制"。后续每个画面他都记录下成功的 prompt 与失败的尝试：飞船蓝图（--ar 3:2 指定宽高比）、星图、以及一个反复失败的标志性元素——三只眼。这个"三只眼"的失败很有代表性：无论换什么 prompt，模型都不生成三只眼的样子；用 Dream Studio 的 inpainting（只重绘擦除的部分）也没能在时限内调好。作者打趣说，翻翻画廊就知道模型其实很擅长生成各种恐怖的眼睛图——它只是不按你要的方式放对位置。
工具体验的总结部分最有参考价值。Dream Studio（作者几个月里用得最多）：优点是把开源 Stable Diffusion 做成托管服务、提供 API 可编程调用、界面最好用（关键滑杆和候选数量一目了然），且因为是开源模型，未来需要微调自己模型时可以退回开源版本；缺点是不稳健地保存生成历史，且旧版本（1.4/1.5）在画廊辅助下更容易出好结果。Midjourney：优点是一致公认的最好生成质量、最少 prompt 调整，UI 自动保存生成存档，网站社区 tab 就是一个"Midjourney 自己的 Lexica"；缺点是只能通过 Discord 访问（作者认为这不是有说服力的渠道）、试用用户要在公共频道生成、没有选择图像尺寸等选项的 UI 组件（只能往 prompt 里加命令）、也没有 API 和浏览器入口。DALL-E：优点是第一个惊艳世界的、支持 inpainting/outpainting、保存完整生成历史、有 API；缺点是比 Stable Diffusion 慢一点（不过一次给四个候选）、简单 prompt 下的质量落后 Midjourney、社区采用与工具生态不如 Stable Diffusion。作者特别为 outpainting（把画布向外扩展并自动补全周围内容）着墨——他把已生成的飞船船长头像上传进 DALL-E 的编辑器，多轮扩展把周围空间一点点补全，这个体验"有点魔法"，是他接下来想多探索的方向；但他也提醒别小看 DALL-E，OpenAI 是开拓者，下一版模型的生成质量值得期待。
文章结尾点出当前工具的普遍限制：其一，在图像里正确复现文字仍不普及（虽然 Imagen 已证明技术上可行）——星图上的文字和线条是他用 Photoshop 手动加的；其二，文本转图像不是适合"指定元素的精确放置或操控"的范式。整体而言，这篇实验文章的价值在于它记录了 2023 年初这个时间点商业 AI 图像工具的真实工作流：咒语式 prompt、画廊检索、inpainting/outpainting 补救、多工具组合，以及"每个画面都要反复调、常常失败、偶尔惊艳"的日常现实。
阅读价值
适合 AI 图像生成工具用户、独立开发者与游戏/视觉从业者：文章用一个完整项目（重制《Nemesis 2》开场动画）展示了 Stable Diffusion、Midjourney、DALL-E 三家的真实能力差异与各自短板，记录了从"咒语式 prompt"到 inpainting/outpainting 的完整工作流；对想理解"AI 图像生成能做不能做什么、怎么组合工具"的人很有参考价值。
本文为中文精炼导读,由 AI 基于原文整理,内容与图片版权归原作者所有。原文: http://jalammar.github.io/ai-image-generation-tools/