Vì sao tranh AI hay viết sai chữ trong hình?
Visual text rendering (vẽ chữ trong ảnh): model ảnh nhận token chứ không nhận chữ cái, và vẽ mỗi từ theo trí nhớ · Cơ bản · 5 phút · tokens, training · học sau Diffusion (model ảnh khử nhiễu)
Công cụ tạo ảnh AI viết sai chữ vì text encoder (bộ mã hóa văn bản) chỉ chuyển đi token, không chuyển chữ cái. Model ảnh học hình dạng của từng token qua những bức ảnh có chú thích và vẽ chữ theo trí nhớ: từ ngắn, thông dụng thường đúng, từ dài hoặc hiếm thì hỏng.
1 Đoán trước
2 Xem
The words you type, the IDs it gets
1 / 4You type the words for the sign:
- 6 letters“coffee”
- 8 letters“stopping”
- 9 letters“smackeroo”
- 15 letters“moneymoneymoney”
38 letters
Token IDs: CLIP BPE (Stable Diffusion 1.5’s text encoder), measured 2026-10-23
You see letters, and you want them painted on the sign exactly as typed.
Chữ đến model ảnh dưới dạng token ID, không phải chữ cái, nên nó phải vẽ mỗi từ theo những gì nó nhớ ID đó trông ra sao.
Model ảnh không bao giờ tự đọc prompt của bạn. Một text encoder (bộ mã hóa văn bản) biến prompt thành token, rồi thành những con số mà “họa sĩ” làm theo. Một từ thông dụng đến nơi chỉ là một ID, bên trong không có chữ cái nào. Họa sĩ học mỗi ID trông ra sao qua những bức ảnh có chú thích, nên nó vẽ chữ theo trí nhớ: gần đúng, nhưng chữ cái bị rơi mất, lặp đôi hoặc đảo chỗ.
4 Bạn là model
Bạn là model ảnh. Hãy vẽ mỗi tấm biển theo thứ text encoder đưa cho bạn: lúc là token ID, lúc là mỗi chữ cái một token.
sign 1 of 4 · you are handed token IDs only
#2453Token IDs: CLIP BPE (Stable Diffusion 1.5’s text encoder), measured 2026-10-23
You are the image model. Paint the sign from what you are handed.5 Kiểm tra
Chữ cái có ích. Trong thử nghiệm năm 2022 của Liu et al., thêm đầu vào theo từng ký tự đã nâng tỉ lệ viết đúng trên biển được vẽ từ 75% lên 94% với từ thông dụng, từ 47% lên 83% với từ hiếm. Model mới hơn vẫn trượt khi chữ nhiều lên: trên CVTG-2K (2025), FLUX.1 [dev] viết đúng 61% số từ khi có 2 vùng chữ, chỉ 43% khi có 5.
Vì vậy hãy giữ chữ ngắn, thông dụng và đặt trong ngoặc kép, và chỉ xin một khối chữ chứ đừng xin năm. Kiểm từng chữ cái trước khi dùng ảnh. Với một dòng dài hay một cái tên hiếm, hãy tạo ảnh không có chữ rồi thêm chữ bằng trình chỉnh sửa: một font chữ thật thì đánh vần đúng mọi chữ cái.
8 Nói lại bằng lời bạn
9 Nhiệm vụ · 5 phút
Trong Bing Image Creator, hãy xin “a shop sign that says "COFFEE"” (một biển cửa hàng ghi "COFFEE"), rồi “a shop sign that says "SMACKEROO BREAKFAST CLUB"” (một biển cửa hàng ghi "SMACKEROO BREAKFAST CLUB", một cái tên bịa), rồi một tấm poster với một câu đầy đủ do bạn chọn. Phóng to và kiểm từng chữ cái. Cái nào hỏng trước?
Ba câu nhanh
Rút ngẫu nhiên từ bộ câu hỏi của bài; lần sau sẽ khác.
Xong chưa?
Đọc thêm
Nguồn
- Liu, Garrette, Saharia, Chan, Roberts, Narang, Blok, Mical, Norouzi, Constant, “Character-Aware Models Improve Visual Text Rendering” (arXiv:2212.10562, v1 2022-12-20, v2 2023-05-03, https://arxiv.org/abs/2212.10562, checked 2026-10-23). §3.1: WikiSpell samples Wiktionary words into frequency buckets, 1,000 test words per bucket. Table 1 (English, frozen encoders, exact match): T5-XXL 66% on the top 1% bucket and 65% on the bottom 50%; ByT5-XXL 98% and 98%. §3.2: “87% of words in the English Top 1% bucket are single-token for T5”. §5.1: Imagen uses the T5-XXL encoder; Stable Diffusion, DALL·E 2, Imagen and Parti all use character-blind BPE tokenizers. Table 3 error examples include “stopping → stoping” and “possible → posssible”. Conclusion: DrawText Spelling (signs, OCR via Google Cloud Vision, full-string match) improved “75% → 94% on common words and 47% → 83% on rare words” with a hybrid token- and character-level encoder
- Wu et al., “Qwen-Image Technical Report” (arXiv:2508.02324, v1 2025-08-04, https://arxiv.org/html/2508.02324v1, checked 2026-10-23), Table 8, English text rendering on CVTG-2K (2K prompts, each with 2–5 text regions), word accuracy for 2 / 5 regions: FLUX.1 [dev] 0.6089 / 0.4316, GPT Image 1 [High] 0.8779 / 0.8218
- Token splits and IDs measured on 2026-10-23 with the CLIP BPE vocabulary (https://github.com/openai/CLIP, clip/bpe_simple_vocab_16e6.txt.gz, last changed in commit 3bee281, repository main at d05afc4) and a port of clip/simple_tokenizer.py: coffee = [2453]; stopping = [10735]; possible = [3134]; smackeroo = smack[21280] er[517] oo[2822]; moneymoneymoney = money[12743] money[12743] money[2327] (end-of-word “money”); “a photo of a cat” = 320 1125 539 320 2368, matching CLIP’s published tokenization
- Stable Diffusion v1-5 model card (https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5, checked 2026-10-23): “uses a fixed, pretrained text encoder (CLIP ViT-L/14)”; Limitations: “cannot render legible text”
- The role’s other spellings (toffee, coffer, shopping, smackaroo, smakeroo, possibel), the “CELEBRAITON” poster, the mission’s sign texts and the advice to add long text in an editor are illustrative, not from a benchmark
- aifree.dev catalog, bing-image-creator (verified 2026-10-12): free image creation with a personal Microsoft account, 15 fast creations a day, then standard speed
Đăng Oct 23, 2026 · cập nhật Oct 23, 2026