Guide complet d'utilisation de GLM-Image : de la génération de texte à image
GLM-Image est un modèle de génération d'images multimodal de 16 milliards de paramètres développé par Zhipu AI. Il adopte une architecture hybride combinant autorégression (AR) et diffusion, et prend en charge à la fois la génération d'images à partir de texte (T2I) et la génération d'images à partir d'images (I2I). Distribué sous licence MIT, il est utilisable à des fins commerciales, avec un coût d'API d'environ 0,015 $/image, soit une tarification très abordable. Avant de vous lancer sérieusement, découvrons ensemble son fonctionnement de base et vos premiers pas concrets.
Qu'est-ce que le T2I (Text-to-Image) ?
Le T2I est une méthode qui convertit un contenu décrit en texte en image. En saisissant en japonais naturel une invite du type « une voiture de sport rouge circulant dans les rues de Tokyo au crépuscule », le modèle génère cette scène.
Les performances T2I de GLM-Image sont également étayées par des indicateurs. Sur le benchmark CVTG-2K, qui mesure la précision du rendu textuel, le modèle atteint 91,16 %, tandis que sur LongText-Bench, qui évalue la compréhension de textes longs, il obtient 97,88 % en chinois et 95,24 % en anglais. Il prend également en charge les descriptions longues en japonais, et reproduit avec une fidélité raisonnable non seulement la présentation d'objets simples, mais aussi les indications de composition et d'atmosphère.
À quels scénarios cela convient-il
- Création de vignettes et de visuels pour blogs et réseaux sociaux
- Prototypage d'idées de produits
- Illustrations pour supports de présentation
- Croquis rapides de scènes narratives
Qu'est-ce que l'I2I (génération d'image à image) ?
L'I2I est une technique qui prend une image existante en entrée et produit en sortie une nouvelle image dont le style ou le contenu détaillé a été modifié. Contrairement au T2I, qui part d'une page totalement blanche, l'I2I s'appuie sur une image de base dont elle exploite les caractéristiques tout en opérant un changement de direction.
L'I2I de GLMImage répond à un large éventail d'intentions éditoriales, telles que la « conversion de style », la « modification d'une partie de l'image » ou le « remplacement de l'arrière-plan ». Par exemple, vous pouvez saisir une esquisse filaire dessinée à la main et obtenir une image réaliste du produit, ou encore remplacer uniquement l'arrière-plan d'une photo par un paysage généré par l'IA.
Organisation de T2I et I2I
| Élément | T2I | I2I |
|---|---|---|
| Entrée | Invite textuelle uniquement | Image de référence + invite textuelle |
| Usage principal | Création à partir de zéro | Transfert de style, édition partielle |
| Pertinence pour les benchmarks | LongText-Bench, CVTG-2K | Évaluation de la fidélité à l'image de référence |
Étape par étape : le processus réel de création d'une image
Étape 1 : Préparation du point de terminaison de l'API
GLM-Image s'utilise via une API. Le modèle compatible est fourni sous licence MIT, et vous pouvez choisir de le déployer sur votre propre infrastructure serveur ou d'appeler directement l'API cloud de Zhipu AI. Si vous utilisez l'API cloud, vous pouvez envoyer des requêtes après avoir obtenu votre clé d'API.
Étape 2 : Conception du prompt
La qualité de la génération d'image dépend du prompt. Les bons prompts partagent trois points communs.
Être précis. Plutôt que « un animal mignon », préférez « gros plan d'un chaton grimpant à un arbre, avec un jardin flou en arrière-plan ». Plus vous spécifiez l'objet, la composition, l'angle de vue et l'ambiance, plus le résultat est stable.
Indiquer explicitement le style. Ajouter une simple mention comme « style aquarelle », « photoréaliste » ou « style jeu d'arcade rétro » suffit à changer radicalement l'impression du rendu.
Imposer des contraintes via un prompt négatif. Lister dans un prompt négatif les éléments indésirables (texte déformé, visages laids, distorsions de perspective, etc.) réduit la fréquence d'apparition de ces défauts spécifiques.
Étape 3 : Envoi de la requête API
La structure de requête de base pour le T2I est la suivante :
{
"model": "glm-image-v2",
"prompt": "深夜の東京、ネオンが雨に反射する交差点、歩きスマホの女性",
"num_inference_steps": 25,
"guidance_scale": 7.5,
"width": 1024,
"height": 1024
}
Pour le I2I, transmettez l'URL de l'image de base ou son encodage en base64 dans le champ image. Augmenter le nombre d'étapes (num_inference_steps) améliore la finesse des détails, mais allonge également le temps de traitement. Les 25 étapes par défaut offrent un bon point de départ pour équilibrer qualité et rapidité.
Étape 4 : Vérification et comparaison des résultats
Même avec un prompt identique, modifier la valeur de seed (point de départ du générateur aléatoire) produit des résultats différents. En pratique, on génère plusieurs variantes et l'on sélectionne celle qui se rapproche le plus du résultat souhaité. Si le résultat n'est pas satisfaisant, il suffit de modifier le nombre d'étapes, la valeur CFG ou le sampler, puis de relancer la génération.
Conseils pratiques pour la conception de prompts
Les longs prompts ne font pas peur
La capacité de GLMImage à comprendre les longs textes, démontrée sur LongText-Bench, se traduit directement dans des cas d'usage concrets. Au lieu d'un simple « photo d'un chien », vous pouvez plonger dans des descriptions détaillées comme « golden retriever courant après une balle sur une plage au coucher du soleil, avec des éclaboussures d'eau, prise de vue en 70 mm, faible profondeur de champ ».
Considérations spécifiques au japonais
Le japonais offre une plus grande liberté dans l'ordre des mots que l'anglais, ce qui peut rendre plus difficile pour le modèle de saisir précisément votre intention. Dans la mesure du possible, organiser votre requête selon l'ordre « sujet + état + arrière-plan + angle de vue + technique » permet d'obtenir des résultats plus stables. De plus, maintenir une notation cohérente mêlant kanji et hiragana aide le modèle à mieux interpréter votre demande.
Emprunter au vocabulaire cinématographique et photographique
Inclure des termes issus du cinéma et de la photographie dans vos prompts — tels que « wide angle shot », « close-up portrait », « birds-eye view », « dutch angle », « soft diffused lighting » ou « golden hour lighting » — améliore considérablement la composition et la qualité de la lumière.
Quand l'ajout de texte est nécessaire
Le rendu de texte est un point fort de GLM-Image, mais il arrive qu'il ne corresponde pas parfaitement à vos attentes. Le score de 91,16 % sur CVTG-2K est élevé dans le secteur, mais la reproduction fidèle de très petites tailles de police ou de styles typographiques complexes reste difficile. Pour les textes importants, il est recommandé de les superposer à l'aide d'un outil graphique après la génération.
Comparaison avec d'autres modèles de génération d'images
| Élément | GLM-Image | DALL·E 3 | Stable Diffusion XL | Midjourney v6 |
|---|---|---|---|---|
| Nombre de paramètres | 16B | Non divulgué | 6.6B | Non divulgué |
| Architecture | Hybride AR+Diffusion | Diffusion | Diffusion | Diffusion |
| Benchmark T2I | LongText-Bench CN 97.88% | VQAScore bien noté | CLIP ViT-L | Principalement évaluation subjective |
| Rendu de texte | CVTG-2K 91.16% | Excellent | Moyen | Faible |
| Compatibilité I2I | ○ | △ (fonction Remix) | ○ | ○ |
| Licence | MIT | Propriétaire | CreativeML Open RAIL | Propriétaire |
| Coût de l'API | Environ 0,015 $/image | À partir de 0,04 $/image | Auto-hébergement | À partir de 10 $/mois |
| Usage commercial | ○ | ○ (contrat API requis) | ○ (sous conditions RAIL) | ○ (forfait payant) |
Le fait de pouvoir être auto-hébergé sous licence MIT offre une flexibilité proche de celle de la famille Stable Diffusion, tout en se différenciant clairement grâce à un modèle hybride de 16B de paramètres sur deux aspects : le rendu de texte et la compréhension des textes longs. Contrairement à DALL·E 3 ou Midjourney, qui imposent un abonnement mensuel, la tarification à l'usage — vous ne payez que ce que vous consommez — s'avère également très avantageuse en pratique.
FAQ : Questions fréquemment posées
Q : GLM-Image est-il gratuit ?
Les poids du modèle étant publiés sous licence MIT, vous pouvez l'utiliser gratuitement en hébergeant votre propre serveur, sans frais d'appel d'API. Cependant, l'exécution du modèle 16B nécessite un GPU avec au moins environ 32 Go de VRAM (FP16). Si vous utilisez l'API cloud, des frais s'appliquent en fonction de votre consommation.
Q : Est-il possible d'utiliser commercialement les images générées ?
Tant que vous respectez les termes de la licence MIT, vous êtes libre de les utiliser, y compris à des fins commerciales. Toutefois, il convient de vérifier séparément les réglementations nationales relatives à l'utilisation commerciale de l'IA générative (telles que le règlement européen sur l'IA, les lois locales sur le droit d'auteur, etc.).
Q : Fonctionne-t-il avec des invites dans d'autres langues que le japonais ?
Les performances les plus élevées sont garanties en chinois et en anglais. Les chiffres de LongText-Bench, 97,88 % pour le chinois et 95,24 % pour l'anglais, sont les résultats d'évaluations effectuées avec des invites longues dans chaque langue. Le modèle fonctionne également dans d'autres langues, mais il est actuellement le plus optimisé pour les invites longues en japonais.
Q : Comment modifier uniquement le style d'une image tout en la gardant similaire à l'originale avec la génération image-à-image (I2I) ?
Lors d'une requête I2I, spécifiez explicitement le style souhaité via le prompt, puis ajustez image_strength ou guidance_scale. Une valeur faible permet de rester plus fidèle à l'image d'entrée, tandis qu'une valeur élevée intensifie la transformation de style. Le plus sûr est de commencer avec une valeur proche du réglage par défaut, puis d'affiner progressivement en observant les résultats.
Q : Que faire lorsque le texte est déformé lors du rendu ?
Les principales causes de déformation des caractères sont : une taille de police trop petite, une typographie trop complexe ou une composition générale trop chargée. Comme contre-mesures, une approche en trois niveaux s'avère très efficace : ajouter des qualificatifs dans le prompt tels que « clear English text », « large bold text » ou « simple sans-serif font » ; régler le guidance_scale sur une valeur plus élevée ; et, après la génération, superposer le texte à l'aide d'un outil séparé.
Q : Existe-t-il des limites de requêtes ou des restrictions de débit pour l'API ?
Lorsque vous utilisez l'API Cloud, la fréquence des requêtes et le nombre de connexions simultanées sont limités en fonction du niveau de votre compte. Si vous prévoyez un traitement à grande échelle dans un environnement de production, il est nécessaire de combiner une conception de limite de débit (rate limit) avec le traitement par lots des requêtes (API batch).
Étape suivante : essayez par vous-même
La véritable puissance de GLM-Image se révèle pleinement lorsque vous passez à l'action. En cliquant sur le lien ci-dessous, vous accéderez à l'interface de génération de texte vers image et pourrez immédiatement mettre en pratique les techniques de prompt décrites dans cet article.
Générer une image à partir d'un texte avec GLMImage →
Si vous êtes satisfait des images que vous avez générées, n'hésitez pas à les soumettre dans la galerie. Les œuvres partagées par la communauté seront soumises au regard averti des autres lecteurs et contribueront également à l'amélioration du modèle.
Pour consulter les détails des formules tarifaires et des quotas d'API, rendez-vous également sur la page /pricing.
