

The ERNIE Image API brings Baidu's open-weight 8B Diffusion Transformer to your stack, released by the ERNIE-Image Team under Apache 2.0. It tops LongTextBench at 0.9733, keeping poster headlines and comic speech bubbles legible, while a distilled Turbo variant cuts inference from 50 steps to 8. Atlas Cloud serves it through one OpenAI-compatible endpoint with transparent pay-as-you-go pricing. Start building today.
Atlas Cloud มอบโมเดลสร้างสรรค์ล่าสุดที่นำหน้าในอุตสาหกรรมให้กับคุณ
เลือก endpoint แบบ text-to-image ให้ตรงกับความต้องการด้านความเร็วและคุณภาพของคุณ
| โมดาลิตี | คำอธิบาย |
|---|---|
| ERNIE Image API (Text To Image) | ในขณะที่ endpoint แบบ Turbo ให้ความสำคัญกับปริมาณงานที่ประมวลผลได้ endpoint มาตรฐานของ ERNIE Image API จะเน้นความเที่ยงตรงสูงสุดของผลลัพธ์สำหรับงาน text-to-image เดียวกัน เหมาะกับงานผลิตขั้นสุดท้าย เช่น โปสเตอร์ กราฟิกบทความ และเลย์เอาต์เชิงพาณิชย์ ซึ่งการเก็บทุกรายละเอียดให้ถูกต้องสำคัญกว่าเวลาตอบสนอง |
| ERNIE Image Turbo API (Text To Image) | แปลงพรอมป์ต์ข้อความหนึ่งรายการให้เป็นรูปภาพได้สูงสุดสิบภาพต่อคำขอ ครอบคลุมอัตราส่วนภาพเจ็ดแบบ ตั้งแต่สี่เหลี่ยมจัตุรัส 1024 พิกเซล ไปจนถึง 1376 พิกเซลที่ด้านยาว ปรับแต่งมาเพื่อ latency ต่ำ โดยค่าเริ่มต้นใช้ inference steps แปดขั้น และมาพร้อม Prompt Enhancer ในตัวที่ช่วยขยายพรอมป์ต์สั้น ๆ ก่อนการสร้างภาพ เหมาะเมื่อการวนปรับอย่างรวดเร็ว พรีวิวแบบเรียลไทม์ และการรันแบบแบตช์ปริมาณมากสำคัญกว่าการรีดคุณภาพเพิ่มในระดับสุดท้าย |
ตั้งแต่การเรนเดอร์ข้อความระดับแนวหน้าของอุตสาหกรรมและเลย์เอาต์หลายพาเนลแบบมีโครงสร้าง ไปจนถึงการพรอมป์สองภาษาแบบเนทีฟ ตัวเพิ่มประสิทธิภาพพรอมป์ที่เปิดใช้เป็นค่าเริ่มต้น มิติผลลัพธ์เจ็ดแบบ และแบตช์ Turbo ที่ทำซ้ำได้ ERNIE Image API เปลี่ยนคำสั่งที่แม่นยำให้เป็นภาพที่พร้อมใช้ในงานจริง

คะแนน LongTextBench ระดับแนวหน้า 0.9733 ช่วยให้โมเดลเรนเดอร์ข้อความที่อ่านง่ายและสะกดถูกต้องลงในภาพที่สร้างขึ้นได้โดยตรง ไม่ว่าจะเป็นบอลลูนคำพูดในการ์ตูน พาดหัวโปสเตอร์ ป้ายกำกับอินโฟกราฟิก หรือข้อความใน UI mockup ทั้งหมดคมชัดและอ่านได้ดี

พริมิทีฟสำหรับการสร้าง แก้ไข ประกอบภาพ และอัปสเกล ทำงานร่วมกับความเข้าใจความสัมพันธ์เชิงพื้นที่แบบกริด เมื่อรวมกันแล้วจึงได้ลำดับหลายพาเนลและงานออกแบบที่จัดรูปแบบอย่างสอดคล้อง ซึ่งนักออกแบบควบคุมได้ผ่านไปป์ไลน์ศูนย์กลางเดียว

พรอมป์ทั้งภาษาอังกฤษและภาษาจีนทำงานแบบเนทีฟผ่าน encoder pipeline เดียวกัน โดยจับสำนวนที่เป็นธรรมชาติของแต่ละภาษาได้ ความคล่องแคล่วสองภาษานี้รองรับการเล่าเรื่องด้วยภาพที่สมจริง ทั้งสำหรับแคมเปญระดับโลกและคอนเทนต์ที่ปรับให้เข้ากับท้องถิ่น

Prompt Enhancer แบบเบาถูกเปิดใช้งานเป็นค่าเริ่มต้น เพื่อเขียนอินพุตสั้นๆ ให้เป็นคำอธิบายที่มีรายละเอียดและมีโครงสร้างมากขึ้นก่อนส่งถึง diffusion backbone สามารถปิดได้ต่อคำขอเมื่อการควบคุมถ้อยคำแบบตรงตัวสำคัญกว่า

ขนาดผลลัพธ์แบบเนทีฟเจ็ดแบบครอบคลุมตั้งแต่สี่เหลี่ยมจัตุรัส 1024x1024 เฟรมแนวนอนสูงสุด 1376x768 ไปจนถึงรูปทรงแนวตั้งต่ำสุด 768x1376 แต่ละอัตราส่วนถูกสร้างขึ้นโดยตรง จึงรักษาการจัดเฟรมไว้ครบถ้วนในทุกฟอร์แมต

ต้องการปริมาณงานมากโดยไม่ต้องรอนานใช่ไหม? โหมด Turbo ใช้ inference steps น้อยสุดเพียง 8 ขั้น และคืนภาพได้สูงสุด 10 ภาพต่อคำขอ ขณะที่ seed ที่ระบุอย่างชัดเจนช่วยให้ผลลัพธ์ทุกครั้งทำซ้ำได้
ส่งบรีฟเดียวกันเป๊ะให้กับโมเดลเรือธง ERNIE Image, คู่แข่งยอดนิยม และรุ่นน้องที่เร็วกว่า แล้วตัดสินแบบเคียงข้างกันว่าแต่ละโมเดลเรนเดอร์ตัวอักษร เลย์เอาต์ และแสงได้อย่างไร
ภาพหุ่นนิ่งแบบ flatlay มุมมองจากด้านบน กล้องล็อกนิ่งเหนือศีรษะอย่างสมบูรณ์ มองตรงลงมายังเคาน์เตอร์ร้านจ่ายชาสมุนไพรจีนโบราณที่ทำจากไม้เอล์มสีซีดผุกร่อน แสงหน้าต่างยามสายที่แข็งและมีทิศทางสาดเข้ามาในมุมต่ำจากด้านขวา เป็นตัวเอกที่แท้จริงของเฟรม — ทอดเงายาว คม และยืดออกไปทางซ้ายพาดผ่านลายไม้ดิบ ทำหน้าที่เหมือนเส้นนำสายตา ด้านขวาที่แน่นขนัดมีขวดแก้วใสวางรวมกันอย่างหนาแน่น เรืองแสงเมื่อแสงอาทิตย์ส่องทะลุผ่าน: ดอกเก๊กฮวยแห้งกึ่งโปร่งแสง โกจิเบอร์รีสีแดง เปลือกส้มเขียวหวานแห้งสีอำพันที่ม้วนงอ (chenpi) และกลีบกระเจี๊ยบแห้งสีแดงเข้มที่รับแสง ตาชั่งมือทองเหลืองขนาดเล็กผิวออกซิไดซ์ด้านๆ ครกและสากหินเก่าที่มีผงละเอียดเกาะ และใบสั่งยากระดาษเขียนมือเส้นใยหยาบ จารึกตัวอักษรจีนพู่กันอย่างประณีตในแบบ kaishu ดั้งเดิม ("甘草三钱", "桂花蜜") ขอบกระดาษลุ่ยและเห็นเส้นใย จับภาพเสี้ยวขณะหนึ่ง: กระป๋องพิวเตอร์ล้มตะแคง ปากกระป๋องเปิดอยู่ โกจิเบอร์รีหลายเม็ดยังกลิ้งและกระจายออกไป แต่ละเม็ดทอดเงาบางยาวเหมือนเข็มของตัวเอง องค์ประกอบภาพหายใจผ่านจังหวะของความหนาแน่นและพื้นที่ว่าง — กลุ่มวัตถุที่อัดแน่นด้านขวาถ่วงสมดุลกับพื้นที่ว่างเชิงลบของไม้เปลือยกว้างๆ ทางซ้าย โทนสีอุ่นแบบโมโนโครมตลอดทั้งภาพ — อำพัน ส้มแทนเจอรีน ทองเหลืองเก่า — ถูกตัดด้วยสีแดงเข้มของกระเจี๊ยบเพียงจุดเดียว พื้นผิวต้องคมชัดทนต่อการขยายดูรายละเอียด: ความบางเปราะของกลีบดอกแห้ง ทองเหลืองออกซิไดซ์ที่ด้านหม่น ขอบเส้นใยกระดาษที่รุ่ย และเกรนของผงสมุนไพรที่กระจายอยู่ แสงธรรมชาติแบบมีทิศทาง ไม่มีแสงเรืองเทียม เงาสะอาดคมชัด การเรนเดอร์วัสดุสมจริง สุขุมและสง่างาม ภาพถ่ายหุ่นนิ่งอาหารและสมุนไพรแบบมาโครรายละเอียดสูง ถ่ายด้วยเลนส์ 85mm เฟรมแนวนอนกว้างแบบ landscape อัตราส่วนภาพกว้าง 16:9, full-bleed.

Generated with Baidu ERNIE Image Turbo on Atlas Cloud

Generated with Qwen Image 2.0 on Atlas Cloud

Generated with Baidu ERNIE Image Turbo on Atlas Cloud
แถบมังงะแนวนอนสามช่อง เล่าเรื่องเด็กสาวนักประดิษฐ์วัยรุ่นในเวิร์กช็อปใต้หลังคาที่รกไปด้วยของ ในช่องแรกเธอร่างแบบเครื่องบินขนาดเล็กใต้แสงโคมไฟอุ่นๆ ช่องที่สอง สิ่งประดิษฐ์ส่งเสียงกระตุกแล้วลอยขึ้นกลางอากาศพร้อมน็อตสลักกระเด็นกระจาย ช่องที่สาม เธอยกกำปั้นทั้งสองข้างขึ้นพร้อมยิ้มกว้างอย่างมีชัย บอลลูนคำพูดสองภาษาที่สะอาดตา มีตัวอักษรภาษาอังกฤษและภาษาญี่ปุ่นคมชัด วาดด้วยเส้นหมึกมั่นใจและการไล่เงาแบบ screentone แสงโคมไฟสีอำพันอบอุ่นสมดุลกับเงาเย็นๆ ของเวิร์กช็อป ดีไซน์ตัวละครคงเส้นคงวาตลอดทั้งสามช่อง ท่าทางสื่ออารมณ์ชัดเจน และเรื่องราวอ่านจากซ้ายไปขวาด้วยลำดับภาพที่ไหลลื่นชัดเจน สไตล์ภาพประกอบอนิเมะแบบ cel-shaded สีสันสดใส พร้อมเส้นขอบหนาสะอาด อัตราส่วนภาพกว้าง 16:9, full-bleed.

Generated with Baidu ERNIE Image Turbo on Atlas Cloud

Generated with Qwen Image 2.0 on Atlas Cloud

Generated with Baidu ERNIE Image Turbo on Atlas Cloud
ตั้งแต่โปสเตอร์ที่ข้อความคมชัดตรงตามต้องการและการ์ตูนหลายช่อง ไปจนถึงแคมเปญสองภาษา แคตตาล็อกสินค้า ม็อกอัปอินเทอร์เฟซ และอินโฟกราฟิกที่มีป้ายกำกับ ERNIE Image API เปลี่ยนพรอมป์ที่ละเอียดแม่นยำให้เป็นภาพที่จัดเลย์เอาต์ได้ถูกต้องในทุกสายงานคอนเทนต์
หัวข้อ ราคา และข้อความสินค้าแสดงผลอ่านง่ายได้โดยตรงบนโปสเตอร์และแบนเนอร์แคมเปญ ด้วยความแม่นยำด้านข้อความระดับแนวหน้าของโมเดล ทีมการตลาดจึงส่งมอบแอสเซ็ตที่พร้อมพิมพ์ได้ทันที โดยไม่ต้องมีขั้นตอนจัดตัวอักษรแยกต่างหาก
เพราะโมเดลเข้าใจเลย์เอาต์แบบกริดและโครงสร้างหลายช่อง จึงสร้างหน้าการ์ตูนที่ต่อเนื่องเป็นเรื่องเดียวกันได้ พร้อมบทสนทนาที่วางอยู่ในบอลลูนคำพูด ครีเอเตอร์อิสระและสตูดิโอสามารถร่างสตอรีบอร์ดเต็มรูปแบบได้โดยไม่ต้องวาดซ้ำทุกเฟรมด้วยมือ
การรองรับพรอมป์ภาษาอังกฤษและภาษาจีนแบบเนทีฟทำให้เวิร์กโฟลว์เดียวสร้างภาพที่ตรงกับแบรนด์สำหรับทั้งสองตลาดได้ โดยแสดงข้อความอย่างถูกต้องในแต่ละระบบตัวเขียน ทีมระดับโลกจึงปรับงานครีเอทีฟให้เข้ากับท้องถิ่นได้โดยไม่ต้องจ้างสายงานออกแบบแยกตามภาษา
สร้างฉากไลฟ์สไตล์ ม็อกอัปสินค้า และภาพโปรโมชันสำหรับแคตตาล็อกทั้งหมดผ่านการเรียก API เพียงครั้งเดียว รุ่น Turbo บีบอัดการอนุมานเหลือแปดขั้นตอน ทำให้ร้านค้าที่มีปริมาณงานสูงรีเฟรชแคตตาล็อกทั้งชุดได้ภายในไม่กี่นาที
ต้องการหน้าจอที่ดูสมจริงสำหรับการพิตช์ใช่ไหม โมเดลสร้างอินเทอร์เฟซแอปและม็อกอัปเว็บไซต์พร้อมป้ายกำกับ ปุ่ม และข้อความเนื้อหาที่อ่านได้ ช่วยให้ทีมผลิตภัณฑ์มีต้นแบบพร้อมนำเสนอ ก่อนจะสร้างคอมโพเนนต์จริงแม้แต่ชิ้นเดียว
ความสามารถในการทำตามคำสั่งอย่างแม่นยำช่วยจับคู่ภาพกับไดอะแกรม แผนภูมิ และคอลเอาต์ที่ติดป้ายกำกับชัดเจนในการสร้างครั้งเดียว นักการศึกษาและนักวิเคราะห์จึงเปลี่ยนเนื้อหาต้นทางที่หนาแน่นให้เป็นกราฟิกอธิบายที่ยังอ่านง่ายในทุกขนาดหน้าจอ
ดูว่า ERNIE Image อยู่ในตำแหน่งใดเมื่อเทียบกับตัวสร้างรูปภาพแบบเปิดและแบบกรรมสิทธิ์อื่น ๆ ในด้านผู้พัฒนา รูปแบบการเข้าถึง การเรนเดอร์ข้อความสองภาษา และต้นทุนต่อภาพ
| โมเดล | ผู้พัฒนา | รูปแบบการเข้าถึง | การเรนเดอร์ข้อความสองภาษา (EN + ZH) | ราคา (ต่อภาพ) |
|---|---|---|---|---|
| ERNIE-Image | Baidu (ทีม ERNIE-Image) | น้ำหนักโมเดลแบบเปิด, Apache 2.0 | ระดับแนวหน้าของอุตสาหกรรม, LongTextBench 0.9733 | จ่ายตามการใช้งาน |
| ERNIE-Image Turbo | Baidu (ทีม ERNIE-Image) | น้ำหนักโมเดลแบบเปิด, Apache 2.0 | คงคุณภาพไว้ผ่านการอนุมาน 8 ขั้นตอนที่กลั่นด้วย DMD | จ่ายตามการใช้งาน |
| Qwen Image 2.0 | Alibaba (Tongyi) | น้ำหนักโมเดลแบบเปิด, Apache 2.0 | ทำได้ดีในเลย์เอาต์ตัวอักษรระดับ 1K-token | $0.035 |
| Z-Image Turbo | Alibaba (Tongyi Lab) | น้ำหนักโมเดลแบบเปิด, Apache 2.0 | รองรับป้ายภาษาจีนที่ซับซ้อนควบคู่กับภาษาอังกฤษ | $0.005 |
| Seedream v4.5 | ByteDance | กรรมสิทธิ์ | การเรนเดอร์ระดับนักออกแบบที่ 4K แบบเนทีฟ | $0.04 |
เริ่มต้นได้ในไม่กี่นาที — ทำตามขั้นตอนง่าย ๆ เหล่านี้เพื่อเชื่อมต่อและใช้งานโมเดลผ่านแพลตฟอร์ม Atlas Cloud
สมัครสมาชิกที่ atlascloud.ai และยืนยันตัวตน ผู้ใช้ใหม่จะได้รับเครดิตฟรีเพื่อสำรวจแพลตฟอร์มและทดสอบโมเดล
การรวมโมเดล ERNIE Image API for Readable Text in Images ขั้นสูงเข้ากับแพลตฟอร์มที่เร่งด้วย GPU ของ Atlas Cloud ให้ประสิทธิภาพ ความสามารถในการขยาย และประสบการณ์นักพัฒนาที่ไม่มีใครเทียบได้
เวลาแฝงต่ำ:
inference ที่ปรับแต่ง GPU เพื่อการตอบสนองแบบเรียลไทม์
API แบบรวมศูนย์:
รัน ERNIE Image API for Readable Text in Images, GPT, Gemini และ DeepSeek ด้วยการเชื่อมต่อเดียว
ราคาโปร่งใส:
ชำระเงินต่อโทเค็นที่คาดเดาได้พร้อมตัวเลือก serverless
ประสบการณ์นักพัฒนา:
SDK, การวิเคราะห์, เครื่องมือปรับแต่ง และเทมเพลต
ความน่าเชื่อถือ:
ความพร้อมใช้งาน 99.99%, RBAC และการบันทึกที่พร้อมสำหรับการปฏิบัติตาม
ความปลอดภัยและการปฏิบัติตาม:
SOC 2 Type II, สอดคล้อง HIPAA, อธิปไตยข้อมูลในสหรัฐอเมริกา
The ERNIE Image API gives developers programmatic access to Baidu's open-weight text-to-image model, an 8B single-stream Diffusion Transformer paired with a Prompt Enhancer that expands short prompts into richer, more structured descriptions. On Atlas Cloud you reach it through one OpenAI-compatible endpoint with pay-as-you-go pricing and Day-0 access.
Its standout strength is legible in-image text. The model scores 0.9733 on LongTextBench in English, the top result among open-weight models, which makes it dependable for posters, comic speech bubbles, infographics, and UI mockups where every character has to be spelled correctly.
Both variants share the same 8B architecture but trade quality against speed. The Standard model runs 50 inference steps at guidance scale 4.0 for maximum fidelity on final assets, while the Turbo variant is distilled with DMD and reinforcement learning down to roughly 8 steps for rapid, high-volume generation.
Yes. Prompts are supported in English, Chinese, and Japanese through the same encoder, and text stays reliable across scripts, scoring 0.9661 on the Chinese LongTextBench. Where several competing models degrade sharply on Chinese characters, this one keeps Simplified, Traditional, and mixed bilingual copy clean.
The Turbo endpoint accepts seven preset sizes through a single size parameter, ranging from a 1024x1024 square to 1376x768 landscape and 768x1376 portrait formats. You can also request up to ten images per call, fix a seed for reproducible results, and toggle the built-in Prompt Enhancer with the use_pe flag.
Getting started takes a single API key. Sign up on Atlas Cloud, point your existing OpenAI-compatible client at the endpoint, and send a prompt with an optional size and seed to receive image URLs in the response. Billing is pay-as-you-go per call with Day-0 access to the model.
In published benchmarks the model outperforms comparable open releases such as FLUX.2-klein-9B, scoring 0.8856 against 0.8481 on GenEval overall. Its widest lead is in text rendering, where FLUX.2 collapses to 0.2183 on Chinese while ERNIE Image holds above 0.96. For workloads built around readable in-image text and structured layouts, it is currently the strongest open-weight choice.
Yes. ERNIE Image is released under the Apache 2.0 license, which permits commercial use, modification, and redistribution. Generated images can go into advertising, merchandise, publications, and other commercial products without license friction.
Join the Discord community for the latest model updates, prompts, and support.