Text-to-Image قابلیتی در مدل‌های مولد است که بر اساس توضیح متنی کاربر تصویر تولید می‌کند. مدل تلاش می‌کند آبجکت‌ها، سبک و روابط توصیف‌شده در Prompt را بازنمایی کند.
مدل ممکن است نوشته‌های داخل تصویر، شمارش آبجکت‌ها یا روابط فضایی را نادرست تولید کند، خروجی باید بازبینی شود.
در Text-to-Image، Prompt می‌تواند ترکیب‌بندی و سوژه را مشخص کند. مدل ممکن است در شمارش آبجکت‌ها یا نوشتن متن دقیق خطا داشته باشد.