Z-Image-Turbo 局部重绘 API：蒙版工作流与瑕疵修复

嘿，我是 Dora。上周有件小事让我卡了一下——一张产品照片上有个眩光点，我需要重复使用这张图。我不想做全面的修图，只想做个小调整。我打开了常用工具，然后停顿了一下。我一直看到有人提到 Z-Image-Turbo Inpainting API，很想知道它能不能融入我的日常流程，而不是把一个五分钟的修复变成一个大项目。于是我尝试了它，慢慢地，跨越了几个真实任务，并一路记下了笔记。

什么是 AI 修复（Inpainting）？

Inpainting 是图像编辑中的”清洁工”。你用蒙版遮住某个区域，描述你想要替换成什么（或者什么都不要），然后模型会填充这个区域，使其与图像其余部分融合。

我喜欢 Inpainting 的原因在于它感觉很精准。你不是在要求模型凭空创造一个完整场景，而只是让它尊重你已有的画面。效果好的时候，编辑痕迹会消失。效果不好的时候，你会看到接缝、奇怪的纹理，或者填充区域那种小小的”AI 雾感”——那说明你推得太过了。

Z-Image-Turbo Inpaint 的工作原理

我在 2026 年 1 月至 2 月测试了 Z-Image-Turbo 的 Inpainting 功能，用于几项任务：去除眩光、背景清理，以及几次对象替换。流程很标准：向 Z-Image-Turbo Inpainting API 发送图像、二值蒙版和提示词。模型只编辑被遮罩的区域，并尝试与周围上下文融合。

实际操作中有两个细节很重要：

蒙版边缘：柔和边缘融合效果更好，硬边缘会产生接缝。
提示词：简短、字面意思的提示词效果最好，过度描述会让模型乱猜。

速度方面，结果几秒钟就返回了，对于我工作流中的异步任务来说已经足够快。根据 WaveSpeed 的文档，Z-Image-Turbo Inpaint 针对低延迟和干净结果进行了优化，可用于批量处理和快速迭代的生产环境。小到中等范围的编辑质量很稳定。较大、较复杂的替换需要多试几次，或者使用更小的蒙版。

API 工作流程

我保持工作流程简单：保持源图像原样，只蒙住我想更改的部分，并用平实的语言写提示词。

必需输入：图像 + 蒙版 + 提示词

以下是我反复使用的最小输入集：

图像：PNG 或 JPEG。我保持原始分辨率，以避免上/下采样伪影。
蒙版：与图像相同的宽度和高度。白色 = 可编辑，黑色 = 受保护。如果你使用的 API 版本反转了这一逻辑，通常有一个标志可以反转。
提示词：一句话就够了。“去除台面上的眩光。“或”将马克杯替换为普通白色陶瓷杯。”

有帮助的可选参数：

引导强度（Guidance/strength）：轻微清理时调低，完全替换时调高。
种子（Seed）：设置种子以重现好的结果。
步数（Steps）：我保持适中，更多步数并不总是意味着更好。

蒙版格式要求

这部分对质量影响最大：

使用二值蒙版（纯白和纯黑）。如果需要柔和感，稍微羽化边缘，但要避免整个区域都是灰色的模糊蒙版。
尺寸要完全匹配。如果蒙版偏差一个像素，API 会报错或对齐错位。
保持蒙版区域紧凑，蒙版越小，模型产生幻觉的机会就越少。
注意细小细节。对于发丝或电缆，稍大一点的柔和蒙版比极细的硬蒙版融合效果更好。

如果在边缘附近编辑，将蒙版稍微延伸到边界之外。这给模型提供了在接缝下方绘制的空间，避免出现”贴纸”感。

Python 实现

我没有把它做成一个完整的库，而是在一个小型工具脚本中使用了简短的请求。要点如下：

向 Z-Image-Turbo Inpainting 端点发送 multipart 表单数据的 POST 请求。
附带：图像文件、蒙版文件、提示词字符串，以及任何可选参数（引导强度、步数、种子、输出尺寸等）。
处理响应：base64 编码的图像或可获取的 URL。保存后，在提交到流水线之前先预览。

设置过程中的几点实用说明：

注意速率限制。我批量处理编辑并添加了退避逻辑，以避免重试。
将每张保存图像的确切提示词、种子和参数记录下来。当我得到一个干净的结果时，这让重现它变得轻而易举。
如果你在构建 UI，在发送请求前先在源图像上预览蒙版叠加。我通过这种方式在发送请求前发现了两次蒙版对齐错误。

编写有效的 Inpainting 提示词

我大部分的成功来自更简短、更字面的提示词。蒙版完成了大部分的工作：提示词应该起引导作用，而不是进行叙述。

去除提示词（“干净的表面”）

当我只需要去除某样东西时，我写的提示词描述了缺失后的状态和我想要的质感：“去除反光：保持哑光、均匀的表面”，或”去除灰尘颗粒：保留木纹。“当我提到周围纹理时，模型对其的尊重程度更高。

一个小技巧：在光线重要时提及它。“保持柔和的午后光线”防止了亮斑的出现。

替换提示词（描述新内容）

对于替换，我做到了具体但简洁：

“将红色马克杯替换为普通白色陶瓷杯，大小相似，中性光线。”
“用匹配的混凝土纹理填充间隙：无图案。”

我避免使用邀请风格的形容词（例如”漂亮”、“电影感”），它们会鼓励模型自由发挥。尺寸描述也很有帮助。“大小相似”或”相同角度”减少了尴尬的透视偏移。

感知上下文的提示词

当场景具有强烈风格——暖光、柔和阴影、浅景深——我会在提示词中告知这些。根据 RunComfy 上的社区测试，当提示词明确引用现有场景上下文时，Z-Image-Turbo Inpainting 展现出强大的纹理连续性、真实的光照效果和准确的透视处理。Z-Image-Turbo Inpainting API 似乎会依赖这些线索。“匹配现有暖光，左侧柔和阴影”比抽象的”写实”效果更好。

如果周围上下文较弱（繁杂图案、细节少），我会缩小蒙版并分两步处理：第一步做结构（形状），第二步做表面（纹理/光线）。多花了一分钟，但最终结果 AI 感更少。

实际应用

这些是 Z-Image-Turbo Inpainting API 在我一周工作中发挥作用的场景。

产品照片清理

我用它处理了一小批桌面拍摄照片：零散的划痕、背景布上的折痕，以及来自灯具的奇怪热点。去除提示词就足够了。时间上，与手动修复相比，每张图片节省了大约 3-4 分钟。真正的收获在于脑力消耗——需要做的微决策更少了。

去除不需要的对象

我用街头照片进行了测试：店面旁边的垃圾桶，以及画面边缘的行人一角。配合紧凑的蒙版和关于”延续砖块图案”或”延伸人行道纹理”的说明，填充效果融合良好。跨越复杂纹理的大面积去除仍然需要多试几次。

背景替换

完整的背景替换更棘手。对于简单场景（纸张上的桌面物品），我可以将背景替换为纯渐变色，并通过将蒙版放在物体下方而非周围来保留自然阴影。复杂背景前的头发就更难处理了。只有在蒙版干净且新背景简单的情况下，我才会在这里使用 Inpainting。

修复常见伪影

当某些地方看起来”不对劲”时，通常是以下几种情况之一。

蒙版边缘可见接缝

症状：修复区域与原始图像交界处有淡淡的轮廓。

有效方法：

稍微羽化蒙版边缘并重新运行。
将蒙版区域扩大几个像素，让模型在接缝下方进行绘制。
如果填充结果相对简单的场景来说过度风格化，略微降低引导强度。

颜色/光线不匹配

症状：修复区域形状正确，但光线不对。

有效方法：

在提示词中提及光线方向和色温：“匹配来自右侧的暖光，柔和阴影。”
略微减少步数。我发现采样步数过多有时会导致颜色偏移。
如果整张照片经过了调色，先做 Inpainting，再对最终结果重新应用调色。

纹理不一致

症状：表面看起来模糊或过于均匀。

有效方法：

明确描述纹理（“细腻的帆布纹理”、“微妙的木纹”）。
缩小蒙版并分阶段填充：先做结构，再做纹理。
事后添加少量噪点或颗粒感进行融合。不够纯粹，但很有效。

，为什么这对我很重要：Inpainting 并不炫酷，但它减少了小型、不起眼的编辑中的摩擦。Z-Image-Turbo Inpainting API 没有改变我的流程：它悄悄融入了其中。如果你经常做轻量级清理或偶尔的对象替换，并且习惯绘制蒙版，它是个很好的选择。如果你想做大幅度的场景重写，你仍然需要花时间调整蒙版和提示词。

测试中最后一点心得：当我把提示词当作舞台指导，把蒙版当作边界来对待时，效果最好。分工明确。模型在这种情况下表现良好。我仍然很好奇，在棘手纹理上用极小的蒙版能推进到什么程度，而不产生那种标志性的”雾感”——这是我下一步想探索的。你呢？