DALL·E 3 能精准生成与场景融为一体的图像文字，如雾面玻璃上的“help”、冰霜窗上的“love”、积尘桌上的“leave”、石洞墙上的“don’t touch”。这种文字形态与环境高度匹配的能力，是其区别于 Midjourney 的关键优势，适合需图文结合的创意设计场景。
能够在图片中准确表现不同形态的文字是 Dall·E 3 超越 Midjourney 为数不多的重要特性。抛砖引玉，用 Dall·E 3 制作了几幅包含文字的画面，期待大家的补充。
mbed "help" text on misty glass with a scary hand print, print wide image
embed "love" text on a frozen glass window with a heart shape
embed scratchy "leave" text on a dusty table
embed "don't touch" text as gouge mark in stone wall of an old cave
文章指出 AI 图像生成效果不佳的根本原因在于提示词质量，而非工具本身。核心观点是使用结构化描述替代模糊指令，将“主体+环境+风格+光线+细节”五个维度纳入提示词。描述越具体， AI 生成方向越明确，随机性越低。常见问题包括概念混搭、关键词堆砌、忽视光线设定等。实用技巧是把提示词当作向朋友描述画面，保持语义连贯。提示词质量直接影响点击率，这种结构化思维与写产品需求文档、设计简报的逻辑相同。
OpenAI 发布 ChatGPT Images 2.0 ，在图像细节控制和英文文字渲染上有显著提升，并支持灵活画幅比例。模型通过整合 ChatGPT 推理能力实现内容更精细、更完整的输出。但测试显示，在中文等多语言场景中表现仍不稳定。生成的中文往往只是视觉模仿，字符层面容易失真。当前英文用户已接近“能做成品”的门槛，而其他语言用户拿到的大多是风格化草稿。对中文用户而言，将其定位为灵感图、情绪板工具更为稳妥，直接产出可发布海报还为时尚早。
ChatGPT Images 2.0 大幅提升 AI 图像生成质量，尤其在文字渲染上取得突破，已能生成可直接使用的餐厅菜单等实用内容。技术层面虽未公开底层架构，但新版在指令遵循、细节保留及非拉丁文字处理上显著改进，并具备“思考能力”，支持联网搜索与多图生成复核。该模型标志着 AI 图像工具正从“演示型产品”向“生产型工具”转型，其核心价值不在于“画得更像”，而是“错得更少”，将推动 AI 图像在实际内容生产场景的落地应用。
围绕《如何用 DALL·E 3 制作包含文字的图片》展开交流，未登录用户可浏览评论，登录后可参与讨论。