WaveSpeedAI
← 部落格

Z-Image-Turbo 圖像轉圖像指南：Strength 參數深度解析

掌握 Z-Image-Turbo 圖像轉圖像 API。了解 strength（0-1）如何控制轉換程度，從細微增強到完全重新創作。附程式碼範例。

2 min read
Z-Image-Turbo 圖像轉圖像指南：Strength 參數深度解析

一月底，我在修整一批電子報的頭圖。相同構圖，不同週次。我一直把檔案拖進 Photoshop 做細微調整——這裡調亮、那裡微調對比、維持整體氛圍。感覺比實際需要的還要費力。

我是 Dora。就在那時，我重新審視了 Z-Image-Turbo 的圖像到圖像工作流。這不是因為它很流行，而是因為我想找到一種穩定、低干擾的方式來更新圖像，而不必從頭重做。整個二月，我已多次使用它——用於輕微增強、風格轉換，以及幾個以有趣方式出錯的實驗。以下是真正有用的地方、無效的地方，以及「強度」參數如何成為整件事靜謐的核心。

什麼是圖像到圖像生成？

圖像到圖像以現有圖像為基礎，引導模型生成新圖像。目標不是憑空創造全新場景，而是保留有用的結構（構圖、主體、版面），同時改變你要求它改變的內容——光線、風格、小幅修正，或大膽的重新詮釋。

使用 Z-Image-Turbo，這就像輸入圖像與文字提示之間的對話。圖像說「這是錨點」，提示說「往這個方向推」。你也可以設定強度值，決定模型應該多大程度地遵從原圖。實際操作中，這一個值主導了整個體驗。

我使用它的原因：

  • 它減少心理負擔。每次想要換個新面貌，我不必重新思考構圖或字型排版。
  • 它適合批次工作流。一組提示搭配一張基準圖像，可以生成一致的變體。
  • 它讓我保持誠實。如果我試圖把一張差照片修成好照片，模型會告訴我基準質量根本不夠。

**關於預期的簡短說明：**圖像到圖像不是一鍵「讓它完美」的工具。它更像是一個擅長跟隨氛圍而非規格的友善助手。輸入和限制條件越清晰，結果越好。

強度參數說明

如果只調整一個參數，就調強度。我在 2026 年二月對真實工作素材進行了範圍測試——橫幅圖像、產品模型，以及一些插畫風格的頭圖。以下是各範圍對我的實際表現。

0.0–0.3，增強模式

此範圍幾乎保持原始圖像不變。我用於：

  • 光線與對比度的精修，
  • 輕微清理（柔化雜訊、撫平色帶），
  • 克制的放大。

**我注意到的：**提示仍有作用，但更像是細微的推動。「更柔和的晨光」會改變色調，而不會重塑物體。臉部、標誌和文字位置保持穩定。如果原圖清晰且曝光良好，此範圍能保留它。如果原圖質量差，它不會拯救你——只是給你一個更乾淨的同樣問題版本。

摩擦點：如果我要求特定的色彩調性（比如青色高光），而我的基底圖像與之對抗，結果會卡在中間。可以接受，但不精確。

0.3–0.6，平衡轉換

這是我「讓它感覺不同，但保留骨架」的預設值。版面保持可辨認。材質和光線更自信地改變。

適用場景：

  • 品牌對齊的重新配色，
  • 相同主視覺的季節性變體，
  • 輕柔的寫實風格 → 插畫風格轉換。

**讓我意外的：**文字容易漂移。如果圖像中有活字文字，我會在執行前遮罩它，或計劃事後重新添加文字。此外，細小配件（耳環、小按鈕）有時會變形，如果你的提示暗示了帶有不同細節的風格。

0.6–0.8，風格遷移

此範圍模型會取得更大的自由度。我用於：

  • 繪畫風或圖形風格的重新詮釋，
  • 跨不匹配原始圖像的一致視覺指導，
  • 有版面但缺乏風貌時的情緒板製作。

觀察：

  • 臉部可能被風格化；手部根據所要求的風格而改善或惡化。
  • 光線方向可能會改變以符合提示的氛圍（例如「黑色電影邊緣光」）。
  • 邊緣會柔化。如果你需要像素精準的產品邊緣，請規劃後製程序或準備好遮罩。

0.8–1.0，創意重構

這幾乎是一種重混。模型尊重大致構圖，但可以自由重新設計元素。

當我陷入瓶頸時，我會使用這個範圍。如果主視覺感覺平淡，我會用更大膽的提示推到 0.9，看看它給我什麼建議。一半的時候結果無法使用；另一半則給我一個我不會嘗試的方向。

限制：品牌關鍵元素（標誌、特定服裝、受規範的產品細節）可能會改變或消失。如果必須保護它們，不要達到這麼高的值——或者在執行前將這些區域分離出來。

API 實作

我已將 Z-Image-Turbo 整合到小腳本中，這樣我可以執行批次作業並在版本控制中保留設定。基礎很簡單：傳送輸入圖像、提示、強度值，以及你的帳戶支援的任何品質控制項（尺寸、步數、引導、種子）。

兩個實際操作的小提示：

  • 保持參考圖像乾淨且尺寸合理。我傾向在長邊 1024–1536 px 之間工作。
  • 儲存輸出的元數據（提示、強度、種子、日期）。當某個結果看起來很棒而你想重現時，這會讓你省去麻煩。

必要參數

這些涵蓋了我 90% 的執行需求：

  • image：原始圖像（檔案上傳或 URL）。使用高品質 PNG 或高位元率 JPEG。
  • prompt：簡短平實的語言比華麗的文字更有效。
  • strength：0.0–1.0。越低越保留，越高越創造。
  • size 或 width/height：事先決定；如果一致性很重要，不要依賴預設值。

我使用的常見可選控制項：

  • seed：固定隨機性以便重現。
  • steps / quality：更多步數通常能精修細節，但增加時間。根據官方 Z-Image 文件，Z-Image-Turbo 僅需 8–9 步即可達到高品質，速度極快。
  • guidance / cfg：模型對提示的遵從程度。
  • output_format：png 或 jpg，取決於你的工作流。

請查閱官方文件以獲取確切名稱和當前限制——服務商很喜歡在你沒注意的時候重新命名參數。

Python 程式碼範例

這是我手邊常備的小腳本。它刻意保持簡單。將 ENDPOINT 和 AUTH_TOKEN 替換為你的實際值。

import base64

import json

import requests

from pathlib import Path


ENDPOINT = "<YOUR_IMAGE_TO_IMAGE_ENDPOINT>" # e.g., provider URL

AUTH_TOKEN = "<YOUR_API_KEY>"



def run_image_to_image(

input_path: str,

prompt: str,

strength: float = 0.45,

width: int = 1024,

height: int = 1024,

seed: int | None = None,


guidance: float = 3.5,

steps: int = 28,

output_path: str = "output.png",

):
# Read image as base64 to avoid URL headaches

img_bytes = Path(input_path).read_bytes()

img_b64 = base64.b64encode(img_bytes).decode("utf-8")


payload = {

"model": "z-image-turbo", # if your provider requires a model name

"image": {"type": "base64", "data": img_b64},

"prompt": prompt,

"strength": strength,

"width": width,

"height": height,

"guidance": guidance,

"steps": steps,

}

if seed is not None:

payload["seed"] = seed


headers = {

"Authorization": f"Bearer {AUTH_TOKEN}",

"Content-Type": "application/json",

}


r = requests.post(ENDPOINT, headers=headers, data=json.dumps(payload), timeout=120)

r.raise_for_status()

data = r.json()

# Expecting base64 or URL in response: handle both

if "image_base64" in data:

out = base64.b64decode(data["image_base64"])

Path(output_path).write_bytes(out)

elif "image_url" in data:

img = requests.get(data["image_url"], timeout=120)

img.raise_for_status()

Path(output_path).write_bytes(img.content)

else:

raise RuntimeError("No image in response")


return output_path



if __name__ == "__main__":

out = run_image_to_image(

input_path="input.png",

prompt="softer morning light, subtle warm highlights, clean contrast",

strength=0.35,

width=1280,

height=720,

seed=1234,

)

print("Saved:", out)

處理圖像 URL

使用 base64 上傳比使用遠端 URL 的失敗率更低。當我確實使用 URL 時：

  • 確保它們可公開訪問（不要使用在執行中途過期的簽名連結）。
  • 優先選擇 HTTPS 和穩定的主機。
  • 事先標準化尺寸。如果服務商自動調整大小，你的長寬比可能會偏移。

一個小技巧：如果必須使用 URL（比如圖像存放在 CMS 中），我會添加一個簡單的代理，下載檔案、檢查 mime 類型和大小，然後短暫地重新託管。這消除了一整類「生成過程中出現 404」的錯誤。

實際使用案例

以下是 Z-Image-Turbo 在我的工作週中佔有一席之地的任務。不花哨，只是可靠。

照片增強與放大

我使用 0.2–0.35 強度，搭配簡短的提示，例如「乾淨對比、自然膚色、減少色彩雜訊」。第一次執行不會節省時間，因為我還在微調，但到第三次我注意到它減少了心理負擔。我不再在 Lightroom 裡做微觀決策——我只是給一個推動，然後繼續前進。

放大時，我將 width/height 設定為目標尺寸，並保持適中的步數。輸出比單純縮放更乾淨，但硬邊緣上可能出現光暈。如果我看到這種情況，我會以 0.15 強度再跑一次，並附上「更銳利邊緣、無光暈」的備註。

風格遷移工作流

當團隊需要統一外觀但原始素材參差不齊時，我將強度固定在 0.65–0.75。我寫一到兩句關於材質和光線的精簡描述（例如「霧面紙質感、來自左側的柔和定向光、低飽和調色盤」）。這能快速統一一組雜亂的素材。這不是品牌一致性的萬靈丹，但能達到七成效果。然後我做小幅手動修正。

我還維護一個「風格庫」——基本上是一個帶有名稱的提示 YAML 檔案。這樣我可以在程式碼中切換風格，而不必重寫描述。這讓我避免將提示過度擬合到單一圖像。

產品圖像變體

對於電商橫幅，我保留產品邊緣。兩個習慣有幫助：

  • 執行前遮罩或裁切掉活字文字。執行後重新添加文字。
  • 強度保持在 0.5 以下，除非你希望模型創造新材質。

「柔和的棚拍燈光、中性灰色背景、產品下方有輕微陰影」這類提示效果很好。如果反射變得雜亂，我設定種子並以稍低的引導值重新執行，以放鬆提示的拉力。

分享