Tongyi Lab의 Z-Image 모델

Z-Image는 Tongyi Lab의 60억 파라미터 이미지 생성 모델로, text and image tokens를 하나의 시퀀스에서 처리하는 single-stream diffusion transformer 위에 구축되어 효율적이고 일관된 결과를 제공합니다. GoEnhance에서 Z-Image-Turbo를 사용해 빠른 텍스트-투-이미지 생성, 중국어와 영어의 양방향 텍스트 렌더링, 그리고 로컬 설치 없이 브라우저에서 유연한 편집 워크플로를 이용할 수 있습니다.

Z-Image-Turbo 무료 체험

Z-Image의 핵심 기능

깨끗한 중국어·영어 텍스트

Z-Image-Turbo는 이미지 안에 복잡한 중국어와 영어 타이포그래피를 직접 그리도록 학습되었습니다. 하나의 프롬프트로 두 언어를 함께 사용해도, 깨진 글자가 아닌 선명하고 읽기 쉬운 텍스트로 포스터, UI 목업, 배너를 디자인할 수 있습니다.

텍스트 렌더링 테스트

포토리얼 인물과 장면

Turbo 변형은 자연스러운 조명과 섬세한 재질 표현으로 강력한 포토리얼리즘에 초점을 맞춥니다. 피부, 패브릭, 반사, 심도가 실제처럼 느껴져야 하는 인물 사진, 제품 비주얼, 도시·풍경 장면에 특히 잘 맞습니다.

당사의 AI 이미지 생성기와 폭넓은 AI 이미지 모델 라인업을 함께 사용하면, 현실적이고 제작에 바로 쓰기 좋은 비주얼이 필요한 크리에이터에게 신뢰할 수 있는 선택이 됩니다.

포토리얼 모드 사용해 보기

프롬프트 추론과 구조

프롬프트 향상 도구와 폭넓은 세계 지식을 바탕으로, Z-Image는 짧은 태그 그 이상을 따라갈 수 있습니다. 요소 간 관계, 대략적 레이아웃, 서사적 디테일을 설명하면 모델이 이를 무시하지 않고 그 구조를 반영하려고 시도합니다.

풍부한 프롬프트 사용

Turbo, Base 및 Edit 변형

Turbo 변형과 함께 Tongyi Lab은 커스텀 파인튜닝을 위한 non-distilled Z-Image-Base checkpoint와, 자연어 기반 이미지 편집을 위한 Z-Image-Edit를 계획하고 있습니다. 이 패밀리는 실험 단계에서 맞춤형 워크플로로 전환하기를 더 쉽게 만들어 줍니다.

Z-Image 패밀리 살펴보기

GoEnhance에서 Z-Image를 사용하는 방법

아이디어를 구체적으로 설명하세요

주제, 스타일, 카메라 감성, 프레임에 포함할 중국어 또는 영어 텍스트까지 포괄하는 프롬프트를 작성하세요. 요소들이 서로 어떻게 연관되어야 하는지도 함께 설명할 수 있습니다.

Z-Image를 선택하고 레퍼런스를 추가하세요

GoEnhance에서 Z-Image 모델을 선택한 뒤, 텍스트만으로 시작할지 편집을 위해 원본 이미지를 업로드할지 결정하세요.

생성하고, 조정하고, 내보내기

원하는 균형을 위해 steps, strength, guidance를 조절하세요. 결과가 만족스러우면 이미지를 PNG 또는 JPG로 다운로드하거나, 업스케일링이나 영상 활용을 위해 다른 GoEnhance 도구로 바로 보내세요.

Z-Image-Turbo로 시작하기

팀과 개인 창작자가 일상적인 비주얼 작업에 Z-Image를 신뢰할 수 있는 이유

GoEnhance에서 Z-Image를 사용해야 하는 이유

빠르고 실용적인 이미지 품질

Z-Image-Turbo는 few-step sampling에 맞게 distilled되어, 느린 실험에 그치지 않고 실제 프로젝트에서도 프롬프트에서 사용 가능한 이미지까지 빠르게 전환할 수 있습니다.

읽기 쉬운 양방향 텍스트

이 모델은 이미지 내부에서 중국어와 영어 텍스트를 직접 처리하도록 학습되어, 이중 언어 대상의 포스터, 커버, 소셜 그래픽에 매우 유용합니다.

안정적인 구도와 피사체 집중

single-stream 아키텍처는 text와 image tokens의 정렬을 유지하는 데 도움을 주어, 버전 사이에서 피사체나 레이아웃이 서서히 변하는 일반적인 drift를 줄여줍니다.

효율적인 Single-Stream Transformer

text, semantic tokens, VAE image tokens를 하나의 시퀀스로 입력함으로써, Z-Image는 dual-stream 시스템보다 파라미터를 더 효율적으로 활용하고 보다 큰 장면으로 깔끔하게 스케일합니다.

연구 친화적인 Distillation 설계

Decoupled-DMD와 DMDR training 접근은 distribution matching, CFG-style augmentation, reinforcement learning을 분리하여, 연구자들이 few-step 모델의 거동을 더 명확하게 다룰 수 있도록 해줍니다.