Comment l'IA génère des images

Du texte à l'image, étape par étape

Quand vous saisissez un prompt — une description textuelle de l'image souhaitée —, le modèle ne cherche pas une image existante qui correspond. Il génère une image entièrement nouvelle, pixel par pixel, à partir de ce qu'il a appris.

La technique dominante s'appelle le modèle de diffusion : l'image part d'un bruit visuel totalement aléatoire (comparable à de la neige sur un vieux téléviseur) et se précise progressivement, étape par étape, guidée par votre description. À chaque étape, le modèle ajuste l'image pour qu'elle corresponde davantage au prompt, jusqu'à obtenir un résultat cohérent. Pour comprendre ce mécanisme en détail, consultez la page dédiée au modèle de diffusion.

Cet apprentissage a été rendu possible grâce à des millions — parfois des milliards — de paires image + description. En les analysant, le modèle a appris quels arrangements visuels correspondent aux mots « coucher de soleil », « chien en peluche », « portrait en aquarelle », ou à n'importe quelle autre combinaison. Il ne stocke aucune image : il retient des régularités statistiques entre formes et mots.

Pourquoi le résultat change à chaque fois

Le point de départ du processus de diffusion est aléatoire. Même prompt, même modèle : deux générations successives produisent deux images différentes, parce que le bruit initial est différent. C'est une propriété fondamentale, pas une anomalie.

Cette variabilité est en réalité utile : vous pouvez relancer plusieurs fois pour explorer des interprétations différentes d'une même description, puis sélectionner celle qui vous convient.

Ce qui influence la qualité du résultat

Trois facteurs jouent un rôle déterminant :

Facteur	Son rôle
La précision du prompt	Plus vous décrivez le sujet, le style, l'ambiance et la lumière, plus le résultat est maîtrisé. Un prompt vague donne une interprétation aléatoire.
Le format et le ratio	Un ratio portrait (2:3) convient à un personnage, un panoramique (16:9) à un paysage. Le choix du format influence la composition générale de l'image.
Le modèle choisi	Différents modèles excellent dans différents styles : photo réaliste, illustration, art conceptuel. Le même prompt peut donner des résultats très différents selon le modèle utilisé.

Dans Modik, l'estimation du coût en tokens s'affiche avant chaque génération, ce qui vous permet de choisir en connaissance de cause. La génération d'une image représente typiquement de l'ordre de 15 000 à 40 000 tokens selon le modèle et la résolution — disponible avec toutes les formules. Consultez la page Générer une image pour le détail des étapes dans le Studio.

Les limites à connaître

Les modèles de génération d'images sont remarquables, mais ils ont des faiblesses connues qu'il vaut mieux anticiper.

• Les mains et les pieds sont souvent imparfaits : doigts trop nombreux, articulations incorrectes. Ces structures très variables sont difficiles à modéliser statistiquement.
• Le texte dans l'image (une enseigne, un titre sur une couverture) est fréquemment erroné ou illisible. L'IA traite les lettres comme des formes visuelles, non comme des caractères typographiques.
• Les scènes très complexes — foule dense, objets imbriqués, perspectives difficiles — peuvent manquer de cohérence dans les détails.

Ces limitations s'améliorent d'une génération de modèle à l'autre, mais elles subsistent à des degrés variables. Si votre usage requiert une précision absolue sur ces points (typographie intégrée, anatomie irréprochable), un retouche manuelle en post-traitement reste souvent nécessaire.

Pour aller plus loin sur la façon dont les IA traitent ensemble texte et image, la page sur l'IA multimodale explique comment ces deux modalités sont combinées dans les modèles modernes.