ERNIE Image API for Readable Text in Images

ERNIE Image APIは、Baiduのオープンウェイトtext-to-imageモデルを開発者がプログラムから利用できるようにするAPIです。短いプロンプトをより豊かで構造化された説明へ拡張するPrompt Enhancerを組み合わせた、8BのシングルストリームDiffusion Transformerです。Atlas Cloudでは、OpenAI互換の単一endpointから利用でき、従量課金とDay-0アクセスに対応しています。

最大の強みは、画像内テキストの読みやすさです。英語のLongTextBenchで0.9733を記録しており、オープンウェイトモデルの中でトップの結果です。そのため、ポスター、漫画の吹き出し、インフォグラフィック、UIモックアップなど、すべての文字を正確に描画する必要がある用途で信頼できます。

どちらのバリアントも同じ8Bアーキテクチャを共有していますが、品質と速度のバランスが異なります。Standardモデルは、最終アセットで最大限の忠実度を得るためにguidance scale 4.0で50 inference stepsを実行します。一方、TurboバリアントはDMDと強化学習によっておよそ8 stepsまで蒸留されており、高速かつ大量の生成に向いています。

はい。英語、中国語、日本語のプロンプトが同じencoderでサポートされており、文字体系をまたいでもテキストの信頼性は保たれます。中国語のLongTextBenchでは0.9661を記録しています。競合する複数のモデルが中国語文字で大きく品質を落とす一方、このモデルは簡体字、繁体字、日中・英中などの混在したバイリンガルコピーもきれいに維持します。

Turbo endpointは、単一のsizeパラメーターで7つのプリセットサイズを受け付けます。1024x1024の正方形から、1376x768の横長、768x1376の縦長フォーマットまで対応しています。また、1回の呼び出しで最大10枚の画像をリクエストでき、seedを固定して再現可能な結果を得たり、use_peフラグで組み込みのPrompt Enhancerを切り替えたりできます。

開始に必要なのはAPI key 1つだけです。Atlas Cloudに登録し、既存のOpenAI互換clientの向き先をendpointに設定して、必要に応じてsizeとseedを添えたpromptを送信すると、レスポンスで画像URLを受け取れます。課金は呼び出しごとの従量課金で、モデルにはDay-0アクセスできます。

公開ベンチマークでは、このモデルはFLUX.2-klein-9Bなどの同等のオープンリリースを上回っており、GenEval全体で0.8481に対して0.8856を記録しています。最も大きな差が出るのはテキスト描画で、FLUX.2は中国語で0.2183まで低下する一方、ERNIE Imageは0.96超を維持します。読みやすい画像内テキストと構造化されたレイアウトを中心とするワークロードでは、現時点で最も強力なオープンウェイトの選択肢です。

はい。ERNIE ImageはApache 2.0ライセンスで公開されており、商用利用、改変、再配布が許可されています。生成された画像は、広告、商品、出版物、その他の商用プロダクトに、ライセンス上の摩擦なく利用できます。