Du tippst „1girl, solo, masterpiece, best quality" in Z-Image Turbo und wunderst dich, warum die Ausgabe generisch wirkt. Diese Prompt-Syntax wurde für Stable Diffusion entwickelt. Z-Image spricht eine völlig andere Sprache.
Unter der Haube ist es ein einstromiger Diffusions-Transformer mit 6 Milliarden Parametern (S3-DiT), der Text- und Bild-Tokens in einer einzigen, vereinheitlichten Sequenz verarbeitet. Anstatt kommagetrennte Tags zu parsen, liest es deinen Prompt so, wie ein Mensch einen Satz liest.
Im Folgenden: was das Modell erwartet, eine wiederverwendbare Prompt-Formel und fünf Prompts, die du für deine eigenen Generierungen anpassen kannst.
Warum alte Prompting-Gewohnheiten hier scheitern
Wenn du Monate damit verbracht hast, deinen Stable-Diffusion-Workflow zu verfeinern – Tag-Syntax, schwere Negative Prompts, Guidance-Scale-Feintuning –, wird sich Z-Image Turbo ungewohnt anfühlen. Drei Dinge sind grundlegend anders.
Das Modell versteht Sätze. Z-Image wurde gleichzeitig auf natürlichsprachlichen Captions auf Englisch und Chinesisch trainiert. Schreibe eine Beschreibung, keine Einkaufsliste.
Die Schrittanzahl ist weniger wichtig, als du erwarten würdest. Die Turbo-Variante wurde auf 8 Sampling-Schritte destilliert – das ist der Produktions-Sweet-Spot. Sie auf 40 hochzudrehen kann gitterartige Artefakte einführen, statt die Qualität zu verbessern. Nutze 4 Schritte für schnelles A/B-Testing, 8 für das finale Ergebnis.
Was ist mit der Guidance-Scale? Du lässt sie in Ruhe. Die Turbo-Destillation (Decoupled-DMD) hat die Guidance direkt in die Gewichte eingebacken, also übernimmt dein Prompt die gesamte Steuerung.
Die 6-teilige Prompt-Formel
Jeder starke Z-Image-Prompt folgt demselben Gerüst. Du brauchst nicht jedes Mal alle sechs Teile, aber die volle Struktur zu kennen, hilft dir, schwache Ergebnisse zu diagnostizieren.
Motiv – wer oder was, mit spezifischen Details. Alter, Kleidung, Haar, Accessoires. Bei mehreren Motiven beschreibe jedes einzeln.
Szene – wo es passiert. Z-Image hat starkes geografisches Wissen, besonders für ostasiatische und europäische Orte. „Eine enge Shibuya-Seitenstraße um Mitternacht mit Dampf aus einer Ramen-Bar" liefert ein kohärenteres Ergebnis als „japanische Straße bei Nacht".
Komposition – Aufnahmetyp, Framing, Seitenverhältnis. Das Modell reagiert auf Kamerasprache: „Halbtotal", „Nahaufnahme", „Weitwinkel". Gib eine Brennweite an, wenn du Kontrolle willst – „85mm f/1.4" erzeugt ein anderes Bild als „24mm f/2.8".
Beleuchtung – die einzelne Variable, die den Z-Image-Output am stärksten beeinflusst. „Weiches diffuses Wolkenlicht" und „Drei-Punkt-Studio-Beleuchtung" erzeugen dramatisch unterschiedliche Ergebnisse. Nenne die Quelle, ihre Richtung und ihre Qualität.
Stil – wähle EIN dominantes Medium. „Analoge Fotografie" oder „cel-shaded Anime-Illustration" oder „Ölgemälde mit sichtbaren Pinselstrichen". Drei Stile gleichzeitig zu mischen, verwirrt jedes Modell.
Constraints – was NICHT erscheinen darf. Da Negative Prompts hier anders funktionieren (mehr dazu unten), bette deine Einschränkungen direkt ein: „kein Wasserzeichen, kein zusätzlicher Text, korrekte Anatomie".
Der Sweet Spot sind 30-120 Wörter strukturierte, natürlichsprachliche Beschreibung.
Negative Prompts: Weniger ist mehr
Die Vanilla-Open-Source-Pipeline ignoriert Negative Prompts vollständig, weil die Guidance auf null gesetzt ist. Über die FilmoTvor.AI-Pipeline werden Negative Prompts BERÜCKSICHTIGT – aber sie funktionieren anders als in SD 1.5.
Die Regel: sei spezifisch, sei minimal. Zwei oder drei konkrete Defekte, die du tatsächlich in deinen Generierungen siehst. „Zusätzliche Gliedmaßen, verzerrter Text" ist nützlich. Der klassische „low quality, blurry, bad anatomy, worst quality, jpeg artifacts, ugly"-Textblock schadet aktiv – er lenkt das Modell ab, ohne den Output zu verbessern.
Ein wichtiger Sonderfall: Wenn du verhindern musst, dass chinesische Schriftzeichen erscheinen (oder umgekehrt), setze diese Anweisung in den POSITIVEN Prompt. „Nur englischer Text, keine chinesischen Zeichen auf dem Schild" funktioniert besser als positive Richtung denn als negative Einschränkung.
Die zweisprachige Superkraft
Die meisten Entwickler überspringen das komplett. Z-Image rendert CJK-Zeichen und lateinischen Text lesbar im selben Bild. Bitte FLUX, Kanji zu rendern, und du bekommst visuelles Rauschen – Z-Image liest beide Schriften und erzeugt saubere Typografie.
Denk an Produktetiketten, die Japanisch und Englisch mischen, oder Neon-Schilder mit chinesischen und lateinischen Zeichen. Wenn deine App mehrsprachige Märkte bedient, ist das der Grund, Z-Image zu wählen.
Um es zu nutzen, setze den exakten Text, der gerendert werden soll, in Anführungszeichen innerhalb deines Prompts: das Schild liest sich „夜市 / NIGHT MARKET". Beschreibe die Typografie separat – „fette rote Neon-Zeichen oben, dünnere englische Schriftart darunter". Das Modell behandelt beide Schriften mit konsistentem Rendering.
5 Prompts, die du jetzt kopieren kannst
Jeder Prompt zielt auf einen anderen Anwendungsfall ab. Alle wurden bei 8 Schritten und 1024×1024-Auflösung getestet.
1. Editorial-Porträt
Ein stilles Editorial-Porträt einer 28-jährigen Japanerin mit kurzem schwarzem Bob-Haar und dezenten Sommersprossen, die einen beigefarbenen übergroßen Wollmantel über einem weißen Rollkragenpullover trägt, stehend vor einer minimalistischen Betonwand in Tokios Aoyama-Viertel während eines Nieselregens, weiches diffuses Wolkenlicht, Regentropfen auf ihren Mantelschultern, auf Sony A7R IV mit 85mm f/1.4 GM aufgenommen, geringe Schärfentiefe, gedämpfte kühle Farbpalette, Fujifilm Pro 400H-Filmemulation, ruhige nachdenkliche Stimmung.
Warum es funktioniert: Einen spezifischen Kamerabody und eine Filmemulation zu nennen, verankert die gesamte Farbpalette. Die Wetterbeschreibung („während eines Nieselregens, Regentropfen auf ihrem Mantel") gibt Z-Image atmosphärische Hinweise, die es außergewöhnlich gut verarbeitet.
Zum Variieren: Tausche „Fujifilm Pro 400H" gegen „Kodak Portra 800", um von kühlen gedämpften Tönen zu wärmerer Körnung zu wechseln.
2. Produktaufnahme mit zweisprachigem Etikett
Kommerzieller Packshot einer Premium-Matcha-Teesdose: zylindrisch aus gebürstetem Aluminium mit einem minimalistischen smaragdgrünen Etikett, das „UJI MATCHA 宇治抹茶" in gemischter japanischer Kanji- und lateinischer Typografie liest, leichte Kondenswassertropfen auf der Oberfläche, platziert auf einer polierten dunklen Walnussholz-Oberfläche, zwei verstreute Bambusbesen und eine keramische Chawan-Schale, halb gefüllt mit hellgrünem Matcha-Schaum, links, weiches Decken-Softbox-Licht mit einem goldenen Kantenlicht von oben rechts, sauberer Schatten, neutraler mittelgrauer Gradienten-Hintergrund, auf Phase One IQ4 mit 80mm-Makro bei f/9 aufgenommen, kommerzielle Lebensmittel-Fotografie.
Warum es funktioniert: Dieser hier testet Z-Images stärksten Differenzierer – zweisprachiges Text-Rendering. Die Kanji 宇治抹茶 und das lateinische „UJI MATCHA" erscheinen lesbar auf demselben Etikett. Die meisten Open-Source-Modelle fallen bei diesem Test komplett durch.
Zum Variieren: Ersetze das Produkt durch dein eigenes – die Formel (Objekt + Oberfläche + Requisiten + Beleuchtung + Kamera) überträgt sich direkt auf jeden Packshot.
3. Social-Media-Banner (16:9)
Ein breites cineastisches Panorama eines einsamen Fotografen am Rand eines vulkanischen schwarzen Sandstrands auf Island, dramatische Basalt-See-Stapel aus dem Ozean im Mittelgrund ragend, weiße Wellen, die gegen dunkle Felsen schlagen, bedeckter silberner Himmel mit einem einzigen Goldlicht-Aufreißen am Horizont, auf 24mm-Weitwinkelobjektiv aufgenommen, f/8, tiefe Schärfentiefe, entsättigte kühle Töne mit warmem Spitzlicht-Akzent, Editorial-Landschaftsfotografie.
Warum es funktioniert: Die 24mm-Weitwinkel-Anweisung kombiniert mit „tiefer Schärfentiefe" sagt dem Modell, die gesamte Szene scharf zu halten – kritisch für Banner, bei denen Vorder- und Hintergrund gleichermaßen zählen. Z-Image verarbeitet geologische Texturen (Basalt, nasser Sand, Ozeangischt) mit starkem Detail. Führe dies bei 1536×640 für ein echtes cineastisches Panorama aus.
Zum Variieren: Setze die Auflösung auf 1280×720 für ein Standard-16:9-YouTube-Thumbnail oder 720×1280 für eine Instagram-Story.
4. Neon-Schild mit zweisprachigem Text
Eine regnerische Shanghai-Seitenstraße um Mitternacht, ein vertikales Neon-Schild hängt an einer Backsteinmauer, das Schild leuchtet mit fetten rot-und-pinkfarbenen Zeichen „夜市 / NIGHT MARKET" – chinesische Zeichen oben, englische Übersetzung darunter in dünnerer Neonröhren-Schriftart, Reflexionen auf nassem Asphalt, cineastische Filmkörnung, geringe Schärfentiefe 35mm f/1.4, gedämpfte Cyberpunk-Töne, stimmungsvoller atmosphärischer Dunst, eine silhouettehafte Passantin, die rechts weggeht, Wong-Kar-wai-inspirierte Farbpalette.
Warum es funktioniert: Zwei Schriften, zwei typografische Stile, konsistent in einem Bild gerendert. Die „Wong-Kar-wai-inspirierte Farbpalette" ist eine überraschend effektive Kurzform – Z-Image versteht Regiestile als Farb- und Stimmungsreferenzen.
Zum Variieren: Ersetze „Shanghai" durch „Taipeh" oder „Hongkong" für deutlich andere architektonische Hintergründe, während du die gleiche Neon-Ästhetik behältst.
5. Anime / Illustration
Eine üppige cel-shaded Anime-Illustration im Stil von KyoAni-Studio-Produktionen: ein Schulmädchen in weißer Sommeruniform, das zur Goldenen Stunde auf einer Eisenbahnüberführung steht und auf die Gleise darunter blickt, Wind weht durch ihr langes kastanienbraunes Haar, warmes Gegenlichtrückenlicht an ihrer Silhouette, baumwollartige Wolken in einem gradienten orange-zu-pink Himmel, handgezeichnete Details, weiche Farbausblutungen, zentrierte Hüft-aufwärts-Komposition.
Warum es funktioniert: Einen spezifischen Studiostil („KyoAni") zu nennen, legt eine präzise Ästhetik fest, ohne einen einzelnen Titel zu kopieren. Die atmosphärischen Hinweise – goldenes Gegenlicht, Wind im Haar, Gradientenhimmel – sind Iyashikei-Markenzeichen, die Z-Image mit starker Treue interpretiert. Dieser Prompt demonstriert auch, dass Z-Image stilisierte Illustration ebenso gut verarbeitet wie Fotorealismus.
Zum Variieren: Tausche „KyoAni" gegen „Makoto Shinkai" für dramatischeres Licht und gesättigtere Himmel oder „Ghibli-inspiriert" für weichere, malerischere Linienführung.