Dieses Problem kennt jede KI-Künstlerin und jeder KI-Künstler irgendwann. Sie haben etwas ganz Bestimmtes vor Augen — Ihr eigenes Gesicht, eine spezielle Keramikglasur, die exakte Stimmung einer Küche aus Ihrer Kindheit — und keine Wortkombination bringt das Modell dazu, es zu zeichnen. Sie tippen zum zwanzigsten Mal „Vintage-Topf aus grüner Emaille, weiches Morgenlicht“, und die Maschine liefert immer wieder den Topf einer fremden Person. Die Worte sind zu grob. Das, was Sie meinen, lebt unterhalb der Sprache.
Textual Inversion ist die Lösung. Das Verfahren bringt dem Modell ein einziges neues Wort bei — ein Wort, das es vorher nicht gab und das Sie selbst erschaffen — und bindet dieses Wort an ein Konzept, das Sie als eine Handvoll Bilder liefern. Nach dem Training tippen Sie Ihren erfundenen Token in einen Prompt wie jedes andere Wort, und das Modell zeichnet Ihr Ding. Rinon Gal und seine Mitautoren stellten die Methode 2022 in einem Paper vor, dessen Titel die ganze Idee ausspricht: „An Image is Worth One Word“.
Was das Modell tatsächlich lernt
Beginnen wir damit, wie ein Diffusionsmodell einen Prompt liest. Jedes Wort wird in einen Vektor verwandelt — eine lange Zahlenliste —, bevor das Bildmodell es überhaupt zu sehen bekommt. „Katze“ ist ein Punkt in diesem Raum. „Barock“ ist ein anderer. Das Modell hat während des Trainings Millionen solcher Punkte gelernt, und es malt, indem es auf sie zusteuert.
Textual Inversion tut etwas Enges und Kluges. Es friert das gesamte Bildmodell ein. Es ändert nichts daran, wie das Netz malt. Stattdessen erfindet es einen einzigen frischen Vektor, gibt ihm einen Platzhalternamen — man schreibt ihn etwa als <meine-glasur> — und schiebt diesen einen Vektor so lange hin und her, bis Prompts, die ihn enthalten, Ihre Trainingsbilder reproduzieren. Sie bringen dem Modell nicht das Malen bei. Sie finden das eine Wort, das es bereits dazu bringt, genau das Gewünschte zu malen. Das Ding war immer erreichbar; die Methode findet nur die Koordinaten.
Deshalb ist das Ergebnis eines Trainingslaufs winzig. Eine LoRA-Datei umfasst zehn oder hundert Megabyte, weil sie die Gewichte des Modells verändert. Ein Textual-Inversion-Embedding liegt oft unter 100 Kilobyte — klein genug, um es per E-Mail zu verschicken, denn es speichert nur diesen einen Vektor, ein paar tausend Zahlen und sonst nichts.
Wie eine Sitzung tatsächlich abläuft
Das praktische Rezept ist kurz, und das macht den Reiz mit aus. Sammeln Sie drei bis fünf Bilder Ihres Motivs. Mehr ist nicht immer besser — zehn Fotos Ihres Gesichts aus demselben Winkel lehren das Modell diesen Winkel, nicht Ihr Gesicht. Variieren Sie Licht, Ausschnitt und Hintergrund. Schneiden Sie auf die Trainingsauflösung zu, meist 512 oder 768 Pixel im Quadrat. Schreiben Sie eine schlichte Beschreibung dessen, was konstant bleibt.
Dann trainieren Sie, in der Regel in der Weboberfläche von AUTOMATIC1111 oder in einem Notebook, und Sie warten. Ein einzelnes Embedding braucht auf einer Consumer-GPU zwischen zwanzig Minuten und ein paar Stunden, je nachdem, wie viele Schritte Sie laufen lassen. Die wichtigste Stellschraube ist die Schrittzahl. Zu wenige, und der Token bleibt vage. Zu viele, und er überanpasst — er merkt sich Ihre exakten Trainingsfotos und rührt sich nicht mehr, sodass „<meine-glasur> auf einem Löffel“ einfach Ihren ursprünglichen Topf neu zeichnet. Die meisten speichern alle paar hundert Schritte einen Checkpoint und wählen den, der verallgemeinert, bevor er sich festfährt.
Der Lohn für diese Geduld ist die Wiederverwendbarkeit. Sobald das Embedding existiert, kostet sein Einsatz nichts. Setzen Sie den Token in einen beliebigen Prompt, kombinieren Sie ihn mit anderen, regeln Sie seine Stärke mit der üblichen Klammer-Syntax. Wer die eigene Signaturpalette invertiert hat, ruft sie in einer Zeile ab: ein Stillleben „im Stil von <ndb-palette>“, ein Porträt, eine Landschaft, alle mit derselben Farblogik, ohne ein einziges Adjektiv dafür zu verschwenden.
Inversion, LoRA oder Fine-Tuning
Diese drei wirft man gern in einen Topf als „eigenes Training“, und sie sind nicht dasselbe Werkzeug. Vollständiges Fine-Tuning schreibt das Modell um und braucht echte Hardware und einen echten Datensatz. LoRA liegt dazwischen: Es fügt eine kleine trainierbare Schicht hinzu, lernt schneller als volles Tuning und ist stark, wenn das Modell eine neue Fähigkeit lernen soll — ein Gesicht, das es aus jedem Winkel rendert, einen Stil mit eigener Pinselführung und Komposition.
Textual Inversion ist das leichteste der drei, und seine Grenze ist ehrlich. Es kann nur auf Konzepte zeigen, die das Modell bereits halbwegs zu malen versteht. Verlangen Sie eine Textur oder eine Farbstimmung, zu der es noch nie etwas Ähnliches gesehen hat, und der einzelne Vektor hat keinen Ort, an dem er landen könnte. Für ein wiedererkennbares Objekt oder einen stimmigen Stil aber reicht es oft völlig, und es lässt sich wunderbar kombinieren. Sie können mehrere Embeddings in einem Prompt stapeln — Ihren Motiv-Token, Ihren Paletten-Token, einen Licht-Token —, und weil jedes nur ein Wort ist, mischen sie sich so, wie Worte es tun.
Warum es 2026 noch zählt
Neuere Methoden sind auffälliger. IP-Adapter steuert ganz ohne Training über ein Referenzbild. DreamBooth und seine Nachfolger binden ein Motiv für schärfere Treue in die Gewichte. Warum also eine Technik von 2022 behalten?
Zwei Gründe. Die Dateien sind portabel wie nichts sonst — ein 50-Kilobyte-Embedding ist ein Konzept, das Sie tauschen, archivieren oder versionieren können wie einen Pinselstrich, und ein Studio kann eine ganze Bibliothek davon pflegen. Und die Methode ist transparent. Sie sehen genau, was sie verändert hat: ein Wort, ein Vektor, der Rest des Modells unberührt. Für Kunstschaffende, die über Dutzende Werke hinweg eine konsistente visuelle Identität aufbauen, ist genau diese Kontrolle der Punkt. Sie hoffen nicht, dass sich das Modell an Ihren Stil erinnert. Sie haben ihn als Wort aufgeschrieben, und das Wort gehört Ihnen.
Es gibt noch ein leiseres Argument. Textual Inversion behandelt eine visuelle Idee als Vokabular. Geben Sie dem Ding einen Namen, und es ist kein glücklicher Prompt mehr, den Sie jede Sitzung neu entdecken müssen. Es wird zu einem Wort, das Sie absichtlich sagen können, jedes Mal. Das kommt echtem Handwerk näher als der größte Teil der generativen Pipeline, und deshalb behauptet sich die Technik weiter im Werkzeugkasten der Kunstschaffenden.
Möchten Sie Ihre eigenen Referenzen in wiederverwendbare Konzepte verwandeln? Experimentieren Sie mit eigenen Tokens und bildgesteuerter Bearbeitung auf ai-art-designer.de.
Bilder: AI-Designed
Dieser Beitrag ist auch verfügbar auf:
Deutsch