Ce n'est pas un site où l'on tape une phrase et où l'on télécharge une image. Baidu AI Art est un service texte vers image bâti sur le grand modèle Wenxin, vendu aux développeurs : on lui donne du texte, il rend une ou plusieurs images, par une API qui s'accroche directement à un processus métier. La distinction est tout l'intérêt. Il existe plusieurs éditions, et l'édition avancée est devenue pleinement commerciale, ouvrant le moteur de génération maison, Wenxin Yige, comme interface pour développeurs.

D'un moteur interne à une interface

Wenxin Yige est le système d'images construit sur la connaissance et sur les grands modèles, combinant un graphe de connaissances et des modèles de génération et d'édition intermodaux. Les notes produit précisent que l'édition avancée est justement la ligne qui expose ce moteur : elle traite le texte vers image et la génération à partir d'une référence, avec un jeu de styles plus large — imagination artistique et rendu anime stylisé entre autres — et une qualité d'image plus fine. La plateforme développeurs la décrit comme un système texte vers image général et contrôlable, bâti sur une technologie nationale, capable de produire des images dans n'importe quel style à partir d'une description en langage naturel.

Une phrase devient une image

L'usage de base est le texte directement vers l'image. Les exemples publiés couvrent l'art chinois, le design d'animation, le design commercial, la production de jeux, le design industriel, le matériel de banque d'images, l'illustration et le marketing, et l'écart stylistique est large : paysage à l'encre d'un côté, personnages anime et photos de produit de l'autre. Pour une équipe qui a besoin d'un style chinois, ou d'une série de visuels tenant une seule allure, cet écart décide du nombre de situations que le service couvre.

Une référence porte l'allure

Au-delà du texte seul, il y a la génération à partir d'une référence : on téléverse une image de référence avec une description, et le modèle transporte le style et la composition de la référence sur le nouveau cadre. Dans l'exemple officiel, une photo d'une personne et d'un robot devant des ordinateurs portables dans une cabine revient, après redessin, en image anime de même composition. C'est ce dont une série a besoin : donner un visuel clé qui fixe le ton, et les dizaines d'images suivantes suivent la même écriture au lieu de décrire le style à chaque fois.

Changer la phrase, changer l'image

L'édition avancée prend en charge l'édition d'image pilotée par le texte, et cela sur plusieurs tours. L'exemple officiel est une comparaison nette : le même coucher de soleil au bord d'un lac, seule la description ajustée, et un feu de camp apparaît dans le cadre. Le réglage fin n'exige donc pas de réécrire tout un prompt — changer une phrase, régénérer. Qui peaufine une seule image sur plusieurs passes y gagne du temps réel.

Deux appels pour une image

La documentation de l'API décrit deux points d'entrée : soumettre une requête, puis interroger le résultat. La soumission prend le texte, la résolution, le nombre et les images de référence, crée une tâche et renvoie un identifiant ; le point d'interrogation signale l'avancement et, une fois les images prêtes, en donne les adresses. Côté paramètres, l'édition avancée propose deux versions de modèle et neuf tailles d'image, avec jusqu'à huit images par requête. Ce schéma soumettre-puis-interroger convient au travail en série : envoyer plusieurs d'un coup, puis récolter par tâche.

Un modèle à vingt-quatre milliards de paramètres, enrichi de connaissances

La voie technique est résumée en modèle de diffusion enrichi par la connaissance : le langage, le visuel et l'intermodal entrent dans l'apprentissage pour que les images produites tiennent mieux sémantiquement, à vingt-quatre milliards de paramètres. Un autre détail est l'apprentissage de prompt fondé sur la connaissance — le modèle élargit un prompt court en une description plus complète couvrant style, composition et éléments visuels. Pour qui écrit mal les prompts, cet élargissement abaisse nettement le seuil d'entrée.

Où cela atterrit

Les applications citées sont larges : illustration à la chinoise, design d'animation, production de jeux, design commercial, illustration, marketing, banque d'images et design industriel. Les plus typiques sont le commerce et le marketing — photos de produit, affiches de fête, visuels pour les réseaux, le matériel à fort volume qui doit aussi tenir une allure, exactement ce pour quoi une API produisant en série est faite.

Coût et limites

La facturation se fait en points. Le tableau publié place une taille de base à deux points par image dans la première version du modèle et à trois dans la seconde, une taille avancée à quatre et six. Les gros forfaits baissent le prix unitaire, le palier de deux cent mille points revenant à environ quatorze fen le point, et la concurrence par défaut après paiement est de deux flux. Deux mises en garde : les prix et les promotions bougent, donc vérifiez le devis vivant dans la console avant de vous engager ; et les modèles génératifs sont aléatoires, si bien que l'exactitude et la sûreté des sorties ne peuvent être pleinement garanties — un petit test en série avant l'intégration vaut le temps passé. Si des caractères chinois doivent apparaître dans le cadre, vérifiez d'abord la précision du rendu.

En résumé : ce n'est pas un site d'images de plus. Cela transforme le moteur Wenxin Yige en service appelable, avec texte vers image, génération à partir d'une référence et édition pilotée par le texte, facturé au point, jusqu'à huit images par appel, et destiné aux équipes qui ont besoin de séries d'images dans leurs propres systèmes.