Gemini 3 圖像生成：概念、怎麼用、怎樣用出效果

先講一個使用 AI 圖像工具的常見痛點：

你用 MidJourney 生了一張你很滿意的圖，背景超棒、光線完美——但主角的手長得很怪。你開始改 prompt，重新生成，新的圖手正常了，景色又跑掉了。再改，再跑，來回折騰。

有沒有辦法直接說「就這張，把手修掉」？

Gemini 3 做的就是這件事。

Gemini 3 圖像生成的核心概念

Gemini 3 不是要跟 MidJourney 拼「誰的圖更漂亮」，它走的是完全不同的路：對話式設計。

你跟它說話，它幫你改。不需要重新打 prompt、不需要重新生成整張圖、不用學一堆參數。就像你在跟一個設計師講需求，他幫你執行，你說「再往右移一點」他就往右移，而不是從頭畫一張新的。

兩個模型：

Gemini 3 Pro Image：最高品質，搭載 World Simulator 推理引擎，處理複雜場景更準——建議需要最終稿品質的時候用
Gemini 3.1 Flash Image：速度快、便宜，適合大量產出或反覆測試方向

實際操作：多輪對話怎麼用

最基本的入口是 Google AI Studio（aistudio.google.com），免費帳號就可以試，選 Gemini 3 模型，直接在對話框說：

你：畫一隻賽博龐克風格的貓，霓虹燈背景
→ [Gemini 生成圖片]

你：把背景換成雨夜的東京街道，貓不要變
→ [只換背景，貓保留]

你：在圖片右上角加 "CYBER CAT" 霓虹文字
→ [加上文字]

圖：每一輪只需說要改什麼，Gemini 記住整個上下文，不需要重複說整張圖的描述

關鍵是——你只需要說**「改什麼」**，不用重新告訴它整張圖長什麼樣。這在反覆微調同一個設計的時候省了非常多時間。

14 張參考圖是什麼意思？怎麼用？

這個功能聽起來很技術，實際上很直覺：你可以同時丟多張圖給 Gemini，讓它「混出」你想要的結果。

最常見的使用場景：

品牌素材：把你的 Logo、官方色票截圖、產品照片各丟幾張，Gemini 會生成符合品牌調性的新圖，不用每次從頭描述品牌視覺。

角色一致性：你的虛構角色有 3 張不同角度的圖，但你需要他在一個新場景裡出現——丟進去，Gemini 會維持臉部和體型特徵，放進新場景。

氛圍混搭：你喜歡這張圖的色調、那張圖的構圖、另一張的光線——各截一張丟進去，跟它說「混合這三個的風格」。

Gemini 3 Pro Image 最多支援 14 張輸入（6 物件 + 5 人物圖 + 其他），但實際上 3-5 張通常就夠了，太多反而訊號互相干擾。

什麼時候 Gemini > MidJourney？

這不是非黑即白的選擇，兩者定位真的不同：

選 Gemini 的時機：

你有一張現成圖想局部修改（換背景、換顏色、加文字）
圖片裡需要有清晰可讀的文字（廣告 CTA、slogan、標註）
你需要快速大量產出同一個角色或風格的圖（參考圖輸入）
你在做資訊圖或圖表（Gemini 可以抓 Google 即時資料來生成）

選 MidJourney 的時機：

你想要一張「讓人眼睛一亮」的藝術效果圖
你不太確定要什麼，想要 AI 自由詮釋並驚喜你
你在做精緻的概念藝術、電影感畫面

換句話說：廣告素材、UI 配圖、品牌物料、表情包——Gemini 比較省事。你在做給客戶看的提案美圖或純藝術創作——MidJourney 更強。

Text Rendering：真的有這麼準嗎？

一直以來 AI 在「圖片裡寫字」這件事表現很糟。Gemini 3 Pro Image 是目前在這個面向最穩的選項之一。

實際用的感受是：

單行、常見字體：幾乎不會錯
中英文混排：大幅好轉，但複雜排版偶爾還是會跑
手寫風格字體：有時候很準，有時候字型對但字母還是會漏或錯

建議在 prompt 裡用引號框住要渲染的文字，例如：

幫我畫一張霓虹燈招牌，上面寫 "OPEN 24H"，背景是夜晚的街道

比起 加一個寫著 OPEN 24H 的招牌 這種寫法，引號會讓模型更確定哪個是要渲染的文字內容。

另外，Gemini 3 還支援「圖片內文字翻譯」——把你上傳圖片裡的英文翻成中文，同時盡量維持原排版位置。這在翻譯外文教材截圖或圖表時蠻實用。

World Simulator：感覺有差嗎？

Gemini 3 Pro Image 有一個叫 World Simulator 的推理機制，概念是：生成之前先「想一遍」整個場景的物理關係（光從哪來、影子朝哪邊、人物遮擋關係），而不是直接丟進去生成。

實際影響最明顯的地方：

多物件複雜 prompt：說了 5 個條件，每個都有顯示且位置對
光源一致性：日落光、室內燈、霓虹燈在同一個場景裡各自投射的方向對
遮擋關係：前景物件確實「蓋在」背景上面，不會浮空

Gemini 3 Flash 對應的是速度，這個引擎的效果在 Pro Image 上比較明顯。如果你只是要大量產圖測試方向，Flash 就夠了；要最終稿才換 Pro。

開發者怎麼接

透過 Gemini API，responseModalities 設成包含 IMAGE 就可以拿到圖片輸出：

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3-pro-image",
    contents="畫一張符合台灣秋天氣圍的咖啡廳插圖，溫暖色調",
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"]
    ),
)

for part in response.candidates[0].content.parts:
    if part.inline_data:
        # inline_data.data 是 base64 圖片，inline_data.mime_type 是格式
        with open("output.png", "wb") as f:
            import base64
            f.write(base64.b64decode(part.inline_data.data))

多輪對話的話，把前幾輪的 Contents 一起帶入 contents list 即可維持上下文——Gemini 本身不主動記憶 session，上下文靠你傳入維持。

入門建議

第一次用的話，推薦這個順序：

先到 Google AI Studio 試免費額度，不要上來就花錢
第一個實驗：上傳一張自己的圖，叫它幫你改背景或換顏色——感受一下對話式編輯的速度
第二個實驗：叫它生一張含有清楚文字的圖，測試你的用途適不適合
如果這兩個實驗都符合你的需求，再考慮付費 Pro API

不合適的場景：你想要超強的藝術視覺效果，或者你需要完全客製化風格微調的 LoRA——這些去 ComfyUI + FLUX.2 或 MidJourney 會更適合。