Alibaba a lancé en août dernier Qwen-Image, un modèle d'IA open-source qui se distingue notamment par sa capacité à générer du texte complexe directement dans les images. Le modèle est disponible gratuitement sous licence Apache 2.0, une décision qui le positionne comme une alternative sérieuse aux systèmes propriétaires du moment comme Nano Banana ou Seedream 4.
Avec ses 20 milliards de paramètres et son architecture MMDiT (Multimodal Diffusion Transformer), Qwen-Image combine un modèle de langage pour interpréter les prompts avec un transformateur de diffusion pour générer les images. Cette approche technique permet au modèle de gérer des tâches complexes comme l'intégration de texte multilingue, l'insertion d'objets ou la manipulation de poses humaines avec une précision remarquable.
Ce guide pratique explique comment structurer vos prompts pour Qwen-Image afin d’obtenir de bons résultats, même en partant de zéro
Créer des images avec Qwen
Accès au modèle
L'accès à Qwen-Image est remarquablement simple.
Le modèle est disponible mondialement via Hugging Face, et directement utilisable via Qwen Chat ainsi qu’une série de plateforme en ligne.
Pour les entreprises, Alibaba Cloud propose une API via sa plateforme Model Studio au tarif de 0,045$ par image après un quota initial de 100 images gratuites valable 180 jours.
Prompter Qwen-Image
La qualité des résultats dépend en grande partie de la manière dont vous formulez vos demandes. La structure de base repose sur trois piliers : le sujet principal, la scène ou l'environnement, puis le style visuel souhaité. Cette approche simple permet déjà d'obtenir des images cohérentes et ciblées.
La formule de base : Sujet + Scène + Style
👤 Sujet
Le sujet est l'élément principal du contenu de l'image. Ca peut être des personnes, des animaux, des plantes, des objets,…
🌃 Scène
La scène désigne l'environnement dans lequel se trouve le sujet : espace intérieur ou extérieur, saison, conditions météo, l'éclairage,…
🎨 Style
C’est le style artistique de l'image : photo réaliste, art abstrait, peinture,… il aide le modèle à générer des images aux effets visuels spécifiques.
Pour des créations plus élaborées, vous pouvez enrichir cette base avec des détails supplémentaires : Décrivez d'abord votre sujet avec précision, en ajoutant des informations sur l'apparence, la posture ou les caractéristiques particulières. Construisez ensuite l'environnement en précisant le contexte spatial et les éléments d'arrière-plan. Continuez enfin en spécifiant le style artistique, le type d'éclairage et l'ambiance générale.
Au-delà de ces bases, trois dimensions complémentaires permettent d'affiner vos créations :
- Le langage photo regroupe les choix de cadrage et de perspective qui structurent la composition. Nous détaillerons ces aspects dans les sections suivantes, mais sachez que ces termes techniques donnent à vos images une vraie direction visuelle.
- L’atmosphère et l’ambiance, traduisent l'émotion que vous souhaitez insuffler : "dreamy" pour une scène onirique, "lonely" pour transmettre la solitude, "magnificent" pour une composition grandiose. Ces qualificatifs orientent l'ensemble du rendu vers une tonalité émotionnelle cohérente.
- les modificateurs de détail peaufinent la finition de l'image. Précisez la position de la source lumineuse pour sculpter les ombres, mentionnez des accessoires spécifiques pour enrichir la scène, ajoutez des détails environnementaux comme la texture d'un mur ou le motif d'un tissu. Ces ajustements subtils peuvent faire la différence entre une image correcte et une création vraiment aboutie.
N’oubliez pas que la clarté reste votre meilleure alliée : Limitez vos prompts à une à trois phrases concises plutôt que d'enchaîner trop d'idées dans une même demande. Le modèle traite mieux les informations organisées de façon hiérarchique.
Exemples de prompts complets
Décrire les personnages avec précision
Lorsque votre sujet est un être humain, les détails font toute la différence. Précisez l'âge (approximatif), le genre, la tenue vestimentaire et l'expression faciale. L'origine ethnique peut également être spécifiée pour obtenir un résultat fidèle à votre vision. Ces informations guident le modèle vers une représentation cohérente et réaliste.
Pour les scènes complexes impliquant plusieurs éléments, adoptez une approche par couches. Identifiez d'abord le sujet principal au premier plan, puis décrivez le paysage ou les bâtiments en arrière-plan, et enfin ajoutez les détails particuliers situés plus loin dans la composition. Cette hiérarchisation aide le modèle à construire une image équilibrée avec une profondeur visuelle naturelle.
L'art du texte dans l'image
Pour intégrer du texte visible dans vos créations, une règle simple s'impose : placez les mots exacts entre guillemets dans votre prompt. Par exemple, si vous voulez qu'apparaisse "Vive les Soldes" sur un panneau, écrivez exactement cela avec les guillemets. Cette syntaxe permet au modèle de comprendre qu'il s'agit de texte à reproduire littéralement, et non de simple description.
Pour les textes courts comme des panneaux, des étiquettes ou des slogans, soyez précis et concis. Si la police ou la couleur a de l'importance pour votre projet, mentionnez-le explicitement dans le prompt. Le modèle gérera alors ces aspects tout en préservant la lisibilité et la mise en page.
Maîtriser les dimensions visuelles
Le Cadrage
Le cadrage détermine la distance entre la caméra virtuelle et votre sujet.
Pour un gros plan serré qui isole un visage ou un objet, utilisez les termes "close-up" ou "extreme close-up". Si vous préférez un plan large où le sujet apparaît petit dans son environnement, optez pour "long shot". Le "medium shot" offre un compromis équilibré, idéal pour les portraits en pied ou les scènes d'action. Ces termes techniques, intégrés directement dans votre prompt, contrôlent efficacement la composition finale.
La perspective
L'angle de vue transforme radicalement l'atmosphère d'une image.
Une vue "eye level" maintient un point de vue naturel à hauteur des yeux, créant une connexion directe avec le spectateur. Pour une vue plongeante qui accentue la hauteur ou la vulnérabilité, demandez un "high angle" ou une "plongée". À l'inverse, un "low angle" ou "contre-plongée" filme le sujet d'en bas, conférant majesté ou puissance. Les vues aériennes se commandent simplement avec "aerial view", parfaites pour les paysages urbains ou naturels.
Le choix de l'objectif
Le type de lentille influence la profondeur de champ et la déformation de l'image.
Un "macro" permet de capturer des détails infimes sur de petits objets, révélant des textures invisibles à l'œil nu. L'"ultra wide-angle" embrasse de vastes panoramas avec une perspective exagérée. Le "telephoto" (téléobjectif) isole le sujet en floutant l'arrière-plan, créant une séparation nette entre les plans. Pour un effet plus artistique, le "fisheye" introduit une distorsion sphérique caractéristique, parfaite pour les compositions créatives.
Le style artistique
Le rendu visuel se décline en une infinité de styles.
Demandez "watercolor" ou "Studio Ghibli style" pour obtenir un rendu doux en aquarelle, avec des couleurs pastels et des contours délicats. Le "3D cartoon" produit des formes arrondies et colorées, tandis que le "pointillism" reconstruit l'image par petites touches de couleur. Pour un réalisme photographique, précisez simplement "photorealistic" ou "realistic". Les styles "oil painting", "surrealist" ou "post-apocalyptic" offrent d'autres ambiances, chacune avec ses codes visuels propres.
L'éclairage et l'ambiance
La lumière sculpte l'atmosphère de vos créations.
Un "natural light" ou "morning sunlight" baigne la scène d'une lumière douce et chaleureuse, idéale pour les portraits intimistes. Le "backlight" ou "contre-jour" place la source lumineuse derrière le sujet, créant une silhouette dramatique auréolée de lumière. Pour une ambiance urbaine nocturne, les "neon lights" projettent des couleurs vives sur les surfaces mouillées. L'"ambient light" diffuse une luminosité romantique et enveloppante, sans ombres dures ni contraste excessif.
Paramètrer la génération Qwen-Image
En plus du prompt lui-même, le résultat de vos génération est également influencé par les paramètres de la génération (qu’on appelle aussi inférence).
En local, avec des interfaces comme ComfyUI, vous avez le contrôle total sur ces paramètres. Certaines plateforme en ligne permettent également d’en modifier certains.
- Le nombre d'étapes de diffusion (steps) influence directement la qualité finale.
Pour des tests rapides, 20 étapes suffisent. Pour des créations plus élaborées, montez jusqu'à 50 étapes pour obtenir un niveau de détail supérieur. Chaque étape supplémentaire raffine l'image, mais allonge aussi le temps de génération.
- Le guidance scale (CFG), idéalement situé entre 4 et 5, équilibre créativité et fidélité au prompt. Un CFG trop bas produit des images créatives mais parfois éloignées de votre demande, tandis qu'un CFG élevé colle strictement au texte au risque de limiter l'inventivité du modèle. La valeur médiane offre généralement le meilleur compromis. → Consultez notre article pour tout savoir du CFG Scale
- La seed (graine aléatoire) permet de reproduire exactement un résultat. Notez la seed des générations réussies pour pouvoir créer des variantes ou affiner votre prompt tout en conservant la composition de base.
A vous de créer !
Qwen-Image représente une avancée significative dans la génération d'images IA. Son accessibilité gratuite et son statut open-source le rendent attractif pour les développeurs comme pour les créatifs qui cherchent une alternative aux solutions propriétaires.
La courbe d'apprentissage reste raisonnable : une compréhension basique de la structure des prompts suffit pour obtenir des résultats convaincants, tandis que la maîtrise des dimensions visuelles et des paramètres techniques permet de pousser l'outil dans ses retranchements.
L'investissement d'Alibaba de 380 milliards de RMB (53 milliards de dollars) sur trois ans dans l'infrastructure cloud et IA souligne son engagement à devenir un leader mondial de l'IA. Cette ambition se traduit par des modèles toujours plus performants et accessibles, qui démocratisent l'accès à des technologies auparavant réservées aux grandes entreprises.
Pour ceux qui souhaitent explorer Qwen-Image, le meilleur conseil reste simple : expérimentez. Testez différentes formulations de prompts, variez les styles et les cadrages, notez ce qui fonctionne.
La génération d'images par IA reste un domaine où l'intuition et l'essai-erreur jouent un rôle aussi important que la connaissance technique. Et avec un outil gratuit comme Qwen-Image, rien ne vous empêche de vous lancer sans prise de tête.
FAQ
Peut-on prompter en français avec Qwen-Image ?
Non, pas vraiment. Qwen-Image est spécifiquement optimisé pour l'anglais et le chinois, les deux langues sur lesquelles le modèle a été entraîné de manière intensive.
Si vous écrivez vos prompts en français, le modèle risque de mal les comprendre et de produire des résultats imprévisibles.
Pour obtenir les meilleurs résultats, formulez toujours vos prompts en anglais. Si vous n'êtes pas à l'aise avec l'anglais, vous pouvez utiliser un traducteur comme Deepl pour convertir vos idées en anglais avant de les soumettre au modèle.
Cette limitation linguistique s'explique par les choix d'entraînement du modèle, qui privilégient la qualité sur ces deux langues plutôt qu'une couverture multilingue moins performante.
Quelle est la longueur idéale d'un prompt ?
La longueur recommandée se situe entre 1 et 3 phrases, ce qui correspond approximativement à 50-200 caractères pour les prompts simples.
Un prompt trop court manquera d'informations pour guider efficacement le modèle, tandis qu'un prompt trop long créera de la confusion. L'objectif est d'exprimer clairement vos besoins essentiels sans surcharger le modèle d'informations redondantes. Si vous avez beaucoup de détails à spécifier, organisez-les de manière hiérarchique.
Existe-t-il une limite maximale de longueur pour les prompts ?
Techniquement, le système de padding de Qwen-Image traite les prompts jusqu'à 1024 tokens, ce qui représente plusieurs paragraphes de texte. Cependant, dans la pratique, des prompts aussi longs sont contre-productifs. Le modèle performe mieux avec des descriptions concises et bien structurées. Si vous atteignez plusieurs centaines de mots dans votre prompt, c'est probablement que vous essayez de faire trop de choses en une seule génération.
Faut-il toujours suivre la structure "Sujet + Scène + Style" ?
Non, cette structure représente un point de départ simple et efficace, particulièrement pour les débutants. Une fois que vous maîtrisez les bases, vous pouvez adapter votre approche selon vos besoins.
Comment intégrer du texte visible dans mes images ?
La règle est simple : placez le texte exact que vous voulez voir apparaître entre guillemets. Le modèle comprend que le contenu entre guillemets doit être reproduit littéralement dans l'image
Puis-je spécifier la police ou la couleur du texte ?
Oui, vous pouvez ajouter ces précisions directement dans votre prompt. Le modèle tiendra compte de ces indications stylistiques tout en préservant la lisibilité du texte. Gardez cependant à l’esprit que cela reste des indication pour le modèle. Ce n’est pas parceque vous indiquez un nom de police précis que le modèle connais celle-ci et l’affichera parfaitement.
Le texte généré contient-il parfois des erreurs ?
Qwen-Image offre un rendu textuel nettement supérieur à la plupart des autres modèles de génération d'images, mais il n'est pas infaillible à 100%. Pour des textes courts (quelques mots), la précision est généralement excellente. Pour des textes plus longs ou des mises en page complexes, vérifiez toujours le résultat.
Si le texte contient des erreurs, vous pouvez soit régénérer l'image avec une seed différente, soit utiliser un modèle d’édition comme Qwen-Image-Edit pour corriger spécifiquement le texte problématique sans tout recommencer.
Combien d'étapes de diffusion utiliser ?
Pour des tests rapides et des itérations exploratoires, 10-30 étapes suffisent largement. Pour vos rendus finaux destinés à être publiés ou utilisés professionnellement, montez à 50 étapes.
Chaque étape supplémentaire raffine l'image en ajoutant des détails et en lissant les imperfections, mais rallonge aussi le temps de génération. Le rapport qualité/temps devient moins favorable au-delà de 50 étapes.
Qu'est-ce que le guidance scale (CFG) et quelle valeur utiliser ?
Le guidance scale contrôle à quel point le modèle suit strictement votre prompt. Une valeur basse (autour de 2-3) donne plus de liberté créative au modèle mais peut s'éloigner de votre demande. Une valeur élevée (8-10) colle rigoureusement au texte mais peut produire des images moins naturelles. La valeur idéale se situe entre 4 et 5, offrant un équilibre optimal entre fidélité au prompt et qualité visuelle. Si vos images semblent trop génériques ou ne correspondent pas à votre vision, augmentez légèrement le CFG. Si elles paraissent artificielles ou sur-saturées, diminuez-le. Ajustez par petits incréments de 0.5 pour trouver votre réglage optimal.
À quoi sert la seed et comment l'utiliser ?
La seed est une graine aléatoire qui détermine le point de départ de la génération. Avec la même seed et le même prompt, vous obtiendrez exactement la même image. Cette fonctionnalité devient précieuse lorsque vous voulez créer des variations d'une composition qui vous plaît. Générez d'abord votre image sans spécifier de seed, puis notez la seed des résultats réussis. Vous pourrez ensuite modifier légèrement votre prompt (changer l'éclairage, ajuster les couleurs, affiner des détails) tout en conservant la composition générale de l'image originale. C'est particulièrement utile pour les séries d'images cohérentes ou quand vous travaillez sur un projet qui nécessite plusieurs itérations.
Comment créer des scènes complexes avec plusieurs éléments ?
Décomposez mentalement votre scène en couches : premier plan, plan moyen, arrière-plan. Décrivez d'abord le sujet principal au premier plan avec le plus de détails, puis l'environnement au plan moyen, et enfin les éléments d'arrière-plan. Par exemple : "A young woman reading a book on a park bench (premier plan), surrounded by autumn trees with falling leaves (plan moyen), with a distant city skyline visible through morning mist (arrière-plan), soft natural lighting, cinematic composition". Pour les tâches vraiment complexes, il est souvent préférable de les décomposer en plusieurs étapes. Créez d'abord la structure principale, puis utilisez l'édition pour optimiser les détails. Cette approche progressive vous donne un meilleur contrôle sur le résultat final.
Que faire si le résultat ne correspond pas à mes attentes ?
Analysez d'abord précisément ce qui ne correspond pas. Ensuite, ajustez votre prompt en ajoutant ou retirant des détails descriptifs. Essayez des références stylistiques plus spécifiques. Considérez une approche progressive avec édition par étapes. Si le problème vient du style général, modifiez vos termes artistiques. Si c'est la composition, affinez votre cadrage et votre perspective. Si les détails ne sont pas assez précis, augmentez le nombre d'étapes et ajoutez "highly detailed, high resolution" à votre prompt. souvenez-vous que l'itération fait partie du processus créatif avec l'IA générative.
Combien de tentatives faut-il prévoir avant d'obtenir le résultat voulu ?
Pour des prompts simples et directs, vous obtiendrez souvent un résultat satisfaisant dès les premières générations. Pour des créations complexes nécessitant une composition précise, un style particulier et de nombreux détails, prévoyez 5-10 itérations minimum. Cette variation s'explique par la nature probabiliste de la génération d'images. Même avec un excellent prompt, le modèle produit des variations. C'est pourquoi la stratégie gagnante consiste à générer plusieurs versions avec des seeds différentes, identifier celle qui se rapproche le plus de votre vision, puis l'affiner avec des ajustements de prompt. Avec l'expérience, vous apprendrez à formuler des prompts plus efficaces qui réduisent le nombre d'itérations nécessaires.
Peut-on combiner plusieurs styles dans une même image ?
Oui, mais avec précaution. Le modèle peut mélanger des influences stylistiques si vous les mentionnez explicitement : "A portrait combining Studio Ghibli character design with photorealistic lighting and impressionist background". Cependant, trop de styles contradictoires peuvent créer une image incohérente. Une approche plus fiable consiste à définir un style dominant puis à ajouter des touches subtiles d'autres influences : "Photorealistic portrait with subtle watercolor effects in the background". Si vous voulez vraiment fusionner des styles très différents, utilisez plutôt Qwen-Image-Edit pour traiter différentes zones de l'image séparément, appliquant chaque style à la région appropriée.
Les prompts complexes donnent-ils toujours de meilleurs résultats ?
Non, c'est même souvent l'inverse. Un prompt surchargé de détails peut confondre le modèle et produire des résultats incohérents. La sophistication d'un prompt ne réside pas dans sa longueur mais dans sa clarté et sa structure. Un prompt de deux phrases bien construites surpassera régulièrement un paragraphe confus. Concentrez-vous sur les éléments vraiment importants pour votre vision. Si vous vous surprenez à ajouter des détails mineurs ou redondants, arrêtez-vous et simplifiez. Le minimalisme stratégique produit souvent les meilleures images. Gardez en tête que vous pouvez toujours affiner ensuite avec l'édition si certains aspects nécessitent plus d'attention.