Das ist keine Webseite, auf der man einen Satz eintippt und ein Bild herunterlädt. Baidu AI Art ist ein Text-zu-Bild-Dienst auf Basis des Wenxin-Großmodells, verkauft an Entwickler: Man gibt Text hinein und bekommt ein oder mehrere Bilder zurück, über eine Schnittstelle, die sich direkt in einen Geschäftsablauf einhängen lässt. Genau in dieser Einordnung liegt der Punkt. Es gibt mehrere Ausgaben, und die gehobene ist vollständig kommerziell geworden und öffnet die hauseigene Bilderzeugung, Wenxin Yige, als Entwicklerschnittstelle.

Von der hauseigenen Engine zur Schnittstelle

Wenxin Yige ist das Bildsystem, das auf Wissen und den großen Modellen aufgebaut wurde, eine Wissensgraphik zusammen mit Modellen für modale Erzeugung und Bearbeitung. Die Produktnotizen halten fest, dass die gehobene Ausgabe genau die Linie ist, die diese Engine freilegt: Sie kann Text zu Bild und auch Erzeugung aus einer Vorlage, mit einem breiteren Satz an Stilen — künstlerische Fantasie und eine stilisierte Anime-Anmutung darunter — und feinerer Bildqualität. Die Entwicklerplattform beschreibt sie als allgemeines und steuerbares Text-zu-Bild-System auf eigener Technologie, das aus einer Beschreibung in natürlicher Sprache Bilder in beliebigem Stil erzeugt.

Ein Satz wird ein Bild

Die Grundnutzung ist Text direkt zu Bild. Die veröffentlichten Beispiele laufen über chinesische Kunst, Animationsdesign, Handelsdesign, Spielproduktion, Industriedesign, Bildmaterial, Illustration und Marketing, und die stilistische Spannweite ist groß: Tuschelandschaft auf der einen Seite, Animefiguren und kommerzielle Produktaufnahmen auf der anderen. Für ein Team, das einen Landhausstil braucht oder eine ganze Serie von Materialien in einer Handschrift, entscheidet diese Spanne darüber, wie viele Situationen der Dienst abdeckt.

Eine Vorlage trägt die Anmutung hinüber

Neben reinem Text gibt es die Erzeugung aus einer Vorlage: ein Referenzbild hochladen, eine Beschreibung dazu, und das Modell überträgt Stil und Aufbau der Vorlage auf den neuen Rahmen. Im offiziellen Beispiel kommt ein Foto einer Person und eines Roboters an Laptops in einer Kabine nach dem Neuzeichnen als Anime-Bild mit demselben Aufbau zurück. Das ist es, was eine Serie braucht: ein Schlüsselbild, das den Ton setzt, und die nächsten Dutzende Bilder folgen derselben Handschrift, statt den Stil jedes Mal neu zu beschreiben.

Den Satz ändern, das Bild ändern

Die gehobene Ausgabe unterstützt textgesteuerte Bearbeitung eines Bildes, und zwar über mehrere Runden. Das offizielle Beispiel ist ein sauberer Vergleich: derselbe Sonnenuntergang am See, nur die Beschreibung angepasst, und im Bild steht plötzlich ein Lagerfeuer. Feinkorrektur verlangt also nicht, einen ganzen Prompt neu zu schreiben — einen Satz ändern, neu erzeugen. Wer ein einzelnes Bild über viele Durchgänge poliert, spart dort echte Zeit.

Zwei Aufrufe für ein Bild

Die Schnittstellendokumentation beschreibt zwei Endpunkte: Anfrage senden, dann Ergebnis abfragen. Die Anfrage nimmt Text, Auflösung, Anzahl und Vorlagen entgegen, legt eine Aufgabe an und gibt eine Kennung zurück; der Abfragepunkt meldet den Fortschritt und liefert nach Fertigstellung die Adressen der Bilder. Bei den Parametern bietet die gehobene Ausgabe zwei Modellfassungen und neun Bildgrößen, mit bis zu acht Bildern pro Anfrage. Dieses Senden-und-Abfragen passt zu Serienarbeit: mehrere auf einmal losschicken, dann nach Aufgabe einsammeln.

Ein wissenserweitertes Modell mit vierundzwanzig Milliarden Parametern

Der technische Weg wird als wissenserweitertes Diffusionsmodell zusammengefasst: Sprach-, Bild- und modale Kenntnisse fließen in den Lernprozess ein, damit erzeugte Bilder semantisch besser zusammenhalten, bei vierundzwanzig Milliarden Parametern. Ein weiteres Detail ist Prompt-Lernen auf Wissensbasis — das Modell erweitert einen kurzen Prompt zu einer volleren Beschreibung mit Stil, Aufbau und visuellen Elementen. Für Menschen, die keine guten Prompts schreiben, senkt diese Erweiterung die Hürde deutlich.

Wo es ankommt

Die genannten Anwendungen sind breit: Illustration im Landhausstil, Animationsdesign, Spielproduktion, Handelsdesign, Illustration, Marketing, Bildmaterial und Industriedesign. Typisch sind Handel und Marketing — Produktaufnahmen, Festplakate, Bilder für soziale Kanäle, das Material mit hoher Stückzahl, das zugleich eine Handschrift halten muss, und genau dafür ist eine Schnittstelle da, die in Serien produziert.

Kosten und Grenzen

Abgerechnet wird in Punkten. Die veröffentlichte Tabelle setzt eine Grundgröße auf zwei Punkte pro Bild in der ersten Modellfassung und drei in der zweiten, eine gehobene Größe auf vier und sechs. Größere Pakete senken den Stückpreis, die Stufe mit zweihunderttausend Punkten kommt auf rund vierzehn Fen pro Punkt, und die voreingestellte Nebenläufigkeit nach der Zahlung liegt bei zwei Strömen. Zwei Hinweise: Preise und Aktionen bewegen sich, also vor der Entscheidung das aktuelle Angebot in der Konsole prüfen; und generative Modelle arbeiten zufällig, weshalb Genauigkeit und Sicherheit der Ausgabe nicht vollständig zu garantieren sind — ein kleiner Serientest vor der Anbindung lohnt. Wenn chinesische Zeichen im Bild erscheinen sollen, vorher die Genauigkeit der Darstellung prüfen.

Zusammengefasst: Das ist keine weitere Bildwebseite. Es macht die Wenxin-Yige-Engine zu einem aufrufbaren Dienst, mit Text zu Bild, Erzeugung aus einer Vorlage und textgesteuerter Bearbeitung, Abrechnung nach Punkten, bis zu acht Bildern pro Aufruf, gerichtet an Teams, die Bildserien in den eigenen Systemen brauchen.