Texto a imagen

Los modelos de texto a imagen (text-to-image) reciben una descripción escrita —un prompt— y producen una imagen que intenta representarla. Funcionan en dos partes: un componente que entiende el texto y lo convierte en una representación numérica (un embedding), y un generador, casi siempre un modelo de difusión, que crea la imagen guiado por esa representación.

Aprenden de enormes colecciones de imágenes con su texto asociado (pies de foto, descripciones). Por eso entienden estilos, objetos y composiciones, pero también heredan sesgos: si pides «un doctor» y casi todos salen de cierto perfil, es reflejo de los datos. Además pueden fallar en detalles finos, como manos, textos dentro de la imagen o cantidades exactas de objetos, aunque los modelos recientes han mejorado mucho en eso.

Muchas herramientas permiten afinar el resultado: indicar lo que no quieres con un prompt negativo, editar zonas con relleno generativo o partir de una imagen de referencia. Varias plataformas añaden marcas de agua o credenciales de contenido para indicar que la imagen fue generada.

Antes de usarlas comercialmente revisa los términos de cada servicio y el tema de derechos de autor, que sigue en debate en muchos países.