Miért volt ez évekig megoldhatatlan
A képmodell nem ismeri a betűket mint jeleket. Pixelmintázatokat tanul, és egy „g" számára nem egy karakter, hanem egy alakzat, ami sokféle formában és méretben előfordult a tanítóképeken. Amikor feliratot kérsz tőle, tulajdonképpen azt kéred tőle, hogy rajzoljon egy olyan mintázatot, ami betűsorra hasonlít — nem azt, hogy írjon.
Két dolog változtatott ezen. Az egyik, hogy a képmodellek elé teljes értékű nyelvi modell került szövegkódolónak, így a prompt ban szereplő szó karakterei egyáltalán eljutnak a képmodellhez. A másik, hogy a gyártók célzottan tanították a modelleket feliratos képeken. Ettől lett a szöveg olvasható — de nem lett belőle betűszedés.
Hol tart ma
Van rá mérés: egy szövegrenderelést vizsgáló összehasonlításban a legjobb zárt modell 77 pont körül, a legjobb nyílt súlyú modell 70 pont körül teljesít egy százas skálán. Ez a gyakorlatban a következőt jelenti.
- Egy-két szó, nagy méretben: ma már megbízhatóan jó. Egy termékdoboz felirata, egy tábla szövege, egy cégér rendben lesz.
- Egy rövid mondat: jó eséllyel jó, de ellenőrizni kell. Itt kezdenek megjelenni a hiányzó vagy megduplázódott betűk.
- Bekezdésnyi szöveg: nem megy. A modellek jellemzően kétszáz karakter környékén kezdenek szétesni, és onnantól gyorsan romlik.
- Kicsi méretű, sok apró felirat: reménytelen. Egy tucat termékcímke egy polcon minden modellnél kusza marad.
Az ékezet külön történet
Itt jön az, amiről a gyártói útmutatók hallgatnak. Egy 2026 augusztusi, több nyelvre kiterjedő mérés szerint az ékezetes latin betűs nyelvek 7–11 ponttal rosszabbul járnak, mint az angol — ugyanazzal a modellel, ugyanolyan hosszú szöveggel. Egy célzottan szövegre épített modellnél a különbség angol 0,87 és spanyol 0,80 volt; egy általános képmodellnél angol 0,68 és spanyol 0,57.
Magyar adat nincs. Nem azért, mert jobb vagy rosszabb a helyzet, hanem mert senki nem mérte. Amit biztosan tudunk, az a gyártói dokumentációból jön: az egyik szövegre szakosodott szolgáltató kiírja, hogy a szövegrenderelés angolul a legpontosabb, és hogy a nem latin írásjelek, valamint az ékezetes latin betűk támogatása korlátozott. A magyar szöveg a hosszú ő és ű miatt ennek a nehezebb végén van: ezek a karakterek ritkák a tanítóanyagban, és a modell hajlamos rövid ö-re vagy ü-re cserélni őket. Ha magyar feliratot generálsz, számolj vele, hogy minden harmadik-negyedik kép ezen fog elbukni.
Hogyan kérd
Ha mégis a modellel íratsz, ez a négy fogás javít a legtöbbet az esélyeken.
- Tedd idézőjelbe. Minden nagy szolgáltató dokumentációja ugyanezt mondja: a pontosan renderelendő szöveg idézőjelben legyen. Ez a legerősebb egyetlen fogás.
- Írd le, hol és mekkora. „A doboz elején, nagy nyomtatott betűkkel" — a méret és a hely megadása csökkenti a torzulást, mert nem hagyod a modellre, hogy apró betűvel próbálkozzon.
- Adj betűtípus-jelleget, ne betűtípust. „Vastag groteszk", „talpas, klasszikus" működik. Egy konkrét betűtípus neve nem: a modell nem betűkészletet használ, hanem emlékszik, hogy az a név milyen képekkel járt együtt.
- Egy felirat egy képen. Két különböző szöveg egy képen ma is nagyságrenddel rosszabb eredményt ad, mint egy.
A hossz, ami után szétesik
A kétszáz karakteres határ nem szabály, hanem tapasztalati küszöb — de érdemes komolyan venni. Alatta a hibák jellemzően javíthatók egy-két újragenerálással. Fölötte más jellegű a romlás: nem egy betű csúszik el, hanem a szöveg szerkezete bomlik meg, sorok ismétlődnek, szavak keverednek.
Ebből következik a gyakorlati szabály: a kép ne hordozza az információt. Ha a felirat funkcionális — ár, dátum, elérhetőség, jogi szöveg —, az nem a modell dolga. Ha dekoratív — egy cégér a háttérben, egy szó egy csomagoláson —, akkor mehet bele.
Amikor jobb nem generálni
Van egy csendes iparági beismerés ebben a témában: az egyetlen szolgáltató, amelyik a szövegrenderelésre építette a termékét, a saját dokumentációjában javasolja, hogy a tipográfiát utólag tedd rá a képre. Ez a legőszintébb mondat az egész területen.
A gyakorlat ezért kétlépéses. A modell csinálja a képet — a kompozíciót, a fényt, a hangulatot, és ha kell, üres helyet a szövegnek —, a betűt pedig rendes szerkesztőben teszed rá. Így lesz élesen olvasható minden méretben, így tudod a saját betűtípusodat használni, és így nem kell húsz generálás abban a reményben, hogy egyszer helyesen írja le a cégnevedet. Arculati elemeknél ez nem tanács, hanem kötelező: hogy miért, arról a logó és az arculati elemek poszt szól.
Tipikus félreértések
- „Elég sokszor újragenerálni." Egy-két szónál igen. Egy bekezdésnél nem: ott nem a szerencsén múlik, hanem a modell képességén.
- „A magyar ugyanolyan, mint az angol, csak más szavak." Nem. A mérések szerint már a spanyol is érezhetően rosszabb, és a magyar ritkább karaktereket használ.
- „Ha nagyobb felbontásban kérem, olvashatóbb lesz." A felbontás nem segít a helyesíráson. Ugyanaz a hibás betűsor lesz, csak élesebben.
- „A szerkesztős javítás megoldja." Egy-egy betű átírása inpainting gel néha megy, de a modell ilyenkor is újragenerálja a környéket — több kísérlet után a felirat környezete észrevehetően romlik.
Amit érdemes elvinni
A felirat a képgenerálás egyetlen olyan területe, ahol a helyes válasz gyakran az, hogy ne a modellel csináld. A kép legyen kép, a szöveg legyen szöveg, és a kettő egy szerkesztőben találkozzon. Ez főleg akkor számít, ha sok képet gyártasz ugyanazzal az arculattal — erre a munkamenetre a sorozatban készülő vizuálok poszt ad kész receptet.