Bild-KIs schreiben inzwischen fast fehlerfrei, nur an Pünktchen und Strichen scheitern sie
Vor zwei Jahren kam Text im KI-Bild noch als Buchstabensalat heraus. Heute schreiben GPT Image und Nano Banana kurze japanische Wörter fast immer richtig. Wir erklären, welche Technik das möglich gemacht hat und wo die letzten Fehler stecken. Außerdem zeigen wir, warum die gängigen Ranglisten genau diese Fehler kaum sehen und warum für Deutsch noch niemand richtig nachmisst.

Darum geht es
Lange galt eine Faustregel: Wer ein KI-Bild mit Schrift bestellt, bekommt Buchstaben, die nur aus der Ferne wie Buchstaben aussehen. Diese Regel stimmt nicht mehr. In einem Test der Schriftfirma AIFont schrieb GPT Image 2.5 von 244 kurzen japanischen Wörtern 243 richtig, Nano Banana 2.1 schaffte 239. Ein japanischer Blogger auf note.com ließ Nano Banana 2.1, GPT-Image-2.6 und GPT-Image-2 insgesamt 126 Bilder mit japanischem Text erzeugen. Er fand genau einen Zeichenfehler, und der war ein zusätzlicher Punkt in einem Preis („1.200 Yen“ statt „1200 Yen“).
Diese Woche haben gleich drei Hersteller neue Modelle mit Schrift beworben: Kling Image 4.0 („bis zu 2000 Zeichen“), Ideogram 4.6 in 4K und Microsofts MAI Image 2.7. Unser Artikel stellt zwei Thesen auf. Erstens sitzen die verbliebenen Fehler fast immer in winzigen Zeichen, die die Bedeutung tragen. Zweitens messen die gängigen Benchmarks genau diese Fehler schlecht, und für Deutsch misst sie fast niemand.
Wie Bild-KIs schreiben gelernt haben
Vier Entwicklungen haben den Sprung ermöglicht.
1. Text-Encoder, die Buchstaben sehen. Der Text-Encoder übersetzt den Prompt in Zahlen, mit denen das Bildmodell arbeitet. Ältere Encoder wie T5 zerlegen Wörter in Tokens, also Wortstücke. Häufige Wörter werden dabei zu einem einzigen Baustein, die Buchstaben darin sieht das Modell gar nicht. Ein Google-Paper von 2022 hat das gemessen. Bei häufigen englischen Wörtern bestanden rund 87 Prozent aus einem einzigen T5-Token. Beim Buchstabieren dieser Wörter kam T5 je nach Größe nur auf 14 bis 66 Prozent Treffer. Das byteweise arbeitende ByT5 erreichte 95 bis 98 Prozent. Im Bild zeigte sich dasselbe: Zeichenbewusste Encoder lagen bei seltenen Wörtern um mehr als 30 Prozentpunkte vorn. Darauf baut Glyph-ByT5 auf, ein ByT5-Encoder, der zusätzlich darauf trainiert wurde, Text mit seinem Schriftbild zu verknüpfen. Damit stieg die Schrift-Trefferquote von SDXL laut den Autoren von „unter 20 Prozent auf fast 90 Prozent“.
2. Große Sprachmodelle als Encoder. Heute übernehmen oft ganze Sprach- oder Bild-Sprach-Modelle diese Rolle. Bei Qwen-Image arbeitet laut Technical Report das 7-Milliarden-Modell Qwen2.5-VL als Encoder vor einem 20-Milliarden-Bildmodell. ERNIE-Image von Baidu nutzt Ministral-3 mit 3 Milliarden Parametern. Kling beschreibt für Image 4.0 eine „Einheit von Verstehen und Generieren“ und nennt keine Details.
3. Synthetische Schriftbilder. Das Qwen-Team erzeugt Trainingsbilder per Programm in drei Stufen: Text auf schlichtem Hintergrund, Text auf Papier oder Holzschildern in Szenen, Text in Vorlagen wie Folien und App-Oberflächen. Laut dem Report sind das „etwa 5 Prozent“ der Daten. Trainiert wird nach einem Lehrplan, also von einzelnen Wörtern hin zu ganzen Absätzen. Seltene chinesische Schriftzeichen werden so gezielt abgedeckt.
4. Reinforcement Learning mit OCR als Belohnung. Beim Reinforcement Learning lernt das Modell durch Belohnung, ähnlich wie ein Hund mit Leckerli. OCR ist automatische Texterkennung. Ein Programm liest also den Text aus dem erzeugten Bild, und je näher er am bestellten Text liegt, desto größer die Belohnung. Im Paper zu Flow-GRPO misst die Belohnung, wie viele Zeichen man ändern müsste, damit der Text stimmt. So stieg die Trefferquote von SD3.5-M von 59 auf 92 Prozent. Beim Modell X-Omni bewerten die beiden OCR-Programme GOT-OCR2.0 und PaddleOCR gemeinsam die Bilder.
Unsere Einschätzung: Diese vierte Zutat erklärt auch die Schwächen. Das Modell wird so gut, wie der Prüfer genau hinschaut.
Wo die Fehler heute stecken
Der AIFont-Test, veröffentlicht auf dev.to, ist der gründlichste unabhängige Vergleich, den wir gefunden haben. Gewertet wurde jeweils nur das erste Bild, der Prompt verlangte ausdrücklich, „keinen einzigen Buchstaben hinzuzufügen oder zu ändern“.
| Modell | Japanisch (244 Stile) | Arabisch (Muttersprachler-Urteil) |
|---|---|---|
| GPT Image 2.5 | 243/244 | 53/57 |
| Nano Banana 2.1 | 239/244 | 55/57 |
| Grok Imagine 2.0 | 226/244 | 42/57 |
| Seedream 5.0 Pro | 214/243 | 34/54 |
| Qwen-Image 3.0 Pro | 154/244 | 8/59 |
Die Fehler haben ein Muster:
- Japanische Dakuten. Das sind zwei kleine Striche, die aus は (ha) ein ば (ba) machen. Grok Imagine schrieb ばくはつ (Explosion) als ばくはづ. Unter den 141 falschen japanischen Bildern zählte AIFont 16 Dakuten-Fehler.
- Arabische Punkte. Viele arabische Buchstaben haben die gleiche Grundform und unterscheiden sich nur durch Punkte. Bei Qwen-Image wurde aus فخر (Stolz) فجر (Morgendämmerung), also ein anderes echtes Wort, das keine Rechtschreibprüfung findet. Bei Grok waren 6 von 15 Fehlern Punktfehler, bei Seedream 7 von 20.
- Text aus dem Prompt. Qwen-Image schrieb oft Wörter aus der Stilbeschreibung mit ins Bild, etwa ころんと neben dem bestellten いちご (Erdbeere). Das betraf 26 seiner 90 falschen japanischen Bilder. Auch der note.com-Test fand diesen Fehler. Bei einem knappen Prompt für ein YouTube-Vorschaubild fügten alle drei Modelle in allen neun Bildern Titel, Slogans und erfundene Preise zwischen 80 und 200 Yen ein. Mit genauen Vorgaben wie „keinen anderen Text“ verschwand das. Ein Test von Kling Image 4.0 auf eachlabs.ai beobachtete dasselbe: Das Modell füllte die Ränder eines Plakats „mit eigenem Kleingedruckten“.
Bei langen Texten zeigt sich noch eine andere Grenze. Ein Tester auf dev.to ließ Kling Image 4.0 eine lange Produktseite erzeugen. Die obere Hälfte war fehlerfrei. In der unteren Hälfte fehlten in der Größentabelle die meisten Zahlen, und eine Zeile stand über einer gespiegelten Kopie von sich selbst. Selbst Ideogram, das mit sauberer Schrift wirbt, zeigte auf einem offiziellen 4K-Beispielbild verstümmelte Banner („FIESTA E LALA ALDEA“).
Für Thai gibt es keine belastbaren Messungen. Ein einzelner Praxistest von Marketing Oops mit nur einem Durchgang pro Prompt bewertete die Thai-Schrift beider Seedream-Modelle als unlesbar. Bei Thai stehen Vokale und Tonzeichen über, unter und neben dem Grundzeichen. Wie schwer schon das Lesen solcher Zeichen ist, zeigt eine Thai-OCR: Version 2.0.0 übersah auf einer alten Buchseite 128 von 159 Tonzeichen. Daraus folgt nichts über Bildgeneratoren, aber es zeigt, wie unzuverlässig ein automatischer Prüfer bei solchen Zeichen sein kann.
Das Problem mit den Prüfern
Damit sind wir bei der zweiten These. Die bekanntesten Text-Benchmarks prüfen nur zwei Sprachen und lassen einen KI-Leser urteilen:
| Benchmark | Sprachen | Wer liest den Text? |
|---|---|---|
| LongText-Bench (160 Prompts) | Englisch, Chinesisch | Qwen2.5-VL-7B |
| OneIG-Bench (200 Text-Prompts) | Englisch, Chinesisch | Qwen2.5-VL-7B („z. B.“) |
| UltraText Bench (432 Prompts) | Englisch, Chinesisch | Bewertungsmodell Q-Judger |
| CVTG-2K | Englisch | OCR-Metriken |
Bei OneIG-Bench werden vor dem Vergleich Symbole und doppelte Leerzeichen aus dem gelesenen Text entfernt. Zudem sind die Benchmarks fast ausgereizt. ERNIE-Image kommt auf LongText-Bench auf 0,973 von 1, im englischen Teil auf 0,980.
Wie oft solche Prüfer danebenliegen, zeigt AIFont beim Arabischen. Zunächst urteilten ein KI-Prüfer und ein Autor, der kein Arabisch als Muttersprache spricht. Danach prüfte ein Muttersprachler alle Bilder blind, ohne Modellnamen und ohne das frühere Urteil zu kennen. Er widersprach bei 23 von 291 Bildern und klärte 34 von 41 Fällen, die zuvor offen geblieben waren.
Nachgerechnet sind 23 von 291 knapp 8 Prozent. Der Prüfer lag also häufiger daneben, als die besten Modelle im Arabischen Fehler machen (GPT Image 7 Prozent, Nano Banana 3,5 Prozent). Die japanischen Ergebnisse hat noch kein Muttersprachler nachgeprüft. Der Autor rechnet selbst damit, dass sich einzelne Urteile ändern.
Auch die Forschung kennt das Problem. Das Paper zum Benchmark MULTITEXTEDIT nennt fehlende diakritische Zeichen ausdrücklich als Fehler, die grobe Textvergleiche übersehen. Diakritische Zeichen sind Zusatzzeichen wie Punkte, Akzente oder Umlautpunkte. Das eigene KI-Urteil dieses Benchmarks stimmte mit Muttersprachlern nur mäßig überein (Kappa 0,76). Bei der Belohnung im Training kommt noch etwas hinzu: Ein Maß wie die Zahl der zu ändernden Zeichen bewertet ば statt は genauso wie jeden anderen falschen Buchstaben. Ein Wort mit vier Zeichen und einem falschen Dakuten bekommt also noch 75 Prozent der Punkte. Unsere Einschätzung: Wenn schon der Prüfer einen fehlenden Strich übersieht, lernt das Modell nie, ihn ernst zu nehmen.
Und Deutsch?
Ä, ö, ü und ß sind Buchstaben mit genau solchen bedeutungstragenden Pünktchen und Sonderformen. Die Hinweise dazu sind verstreut:
- Der Sieben-Sprachen-Vergleich von AIFont enthält Deutsch. Er fasst es aber mit Englisch, Spanisch und Portugiesisch zu einer Zeile „Latein“ zusammen. Alle Modelle lagen dort über 90 Prozent, GPT Image bei 235 von 236. Welche deutschen Wörter getestet wurden und ob Umlaute darunter waren, steht nicht im Text.
- Ein Test von ai-imagelab.de mit Gemini 2.0 Flash vom März 2025 ergab: Umlaute klappten, „erst am ‚ß‘ scheitert die KI“.
- Das österreichische Portal ki-kompass.at schrieb im September 2026 über Ideogram: Bei Umlauten und langen zusammengesetzten Wörtern „treten allerdings regelmäßig Fehler auf“.
- Kling nennt für Image 4.0 sieben Schriftsprachen. Deutsch gehört nicht dazu.
Auf Reddit, Hacker News und in Hugging-Face-Diskussionen haben wir keine systematischen Erfahrungsberichte zu Umlauten in Qwen-Image, Z-Image oder Flux gefunden.
Einen eigenen Test haben wir für diesen Artikel noch nicht durchgeführt. Dieser Artikel enthält deshalb keine eigenen Messwerte. Damit ein solcher Test vergleichbar wird, schlagen wir dieses Protokoll vor, das auch jeder selbst nachmachen kann:
- 20 Begriffe in vier Gruppen: einzelne Umlaute („Grüße aus Köln“, „Bäckerei Müller“), ß und das große ẞ („Straße“, „GROẞE PAUSE“), lange zusammengesetzte Wörter („Straßenbahnhaltestelle“, „Rindfleischetikettierung“) und Fallen, bei denen ein fehlender Punkt ein anderes echtes Wort ergibt („schön“/„schon“, „Bären“/„Baren“).
- Drei Durchgänge pro Modell, jeweils ohne nachträgliche Auswahl, mit dem Zusatz „kein anderer Text“.
- Menschen prüfen und zoomen dabei hinein, statt eine OCR urteilen zu lassen. Gezählt werden dabei auch ss statt ß, ue statt ü und zusätzlich eingefügter Text.
Einordnung
Text im KI-Bild ist für Englisch, Chinesisch und offenbar auch Japanisch bei kurzen Wörtern weitgehend gelöst. GPT Image und Nano Banana liegen in den unabhängigen Tests klar vorn. Offene Modelle wie Qwen-Image hinken im Arabischen weit hinterher. Die verbliebenen Fehler sind tückisch, weil sie oft andere echte Wörter ergeben, und genau diese Fehler übersehen automatische Prüfer am ehesten.
Unser Fazit: Wenn Hersteller mit „perfekter Schrift“ werben, meinen sie in der Regel Englisch und Chinesisch, gemessen von einem KI-Leser. Für deutsche Plakate, Speisekarten oder Etiketten gilt deshalb vorerst eine einfache Regel: Lies jedes Wort selbst, achte besonders auf Umlautpunkte und ß, und schreib „kein weiterer Text“ in den Prompt.
Quellen
- DEV Community (AIFont): What five image models get wrong when they write Japanese and Arabic dev.to
- AIFont: Sieben-Sprachen-Vergleich aifont.ai
- note.com: Japanischer Text in 126 KI-Bildern note.com
- Qwen-Image Technical Report (arXiv 2508.02324) arxiv.org
- X-Omni / LongText-Bench (arXiv 2507.22058) arxiv.org
- GitHub: X-Omni-Team/X-Omni github.com
- OneIG-Bench Paper (arXiv 2506.07977) arxiv.org
- GitHub: OneIG-Bench github.com
- Character-Aware Models Improve Visual Text Rendering (arXiv 2212.10562) arxiv.org
- Glyph-ByT5 (arXiv 2403.09622) arxiv.org
- Flow-GRPO (arXiv 2505.05470) arxiv.org
- ERNIE-Image Report (arXiv 2605.25347) arxiv.org
- UltraText Bench (arXiv 2610.09823) arxiv.org
- MULTITEXTEDIT (arXiv 2605.08163) arxiv.org
- DEV Community: Kling Image 4.0 Review (deepfox) dev.to
- eachlabs: Kling Image 4.0 Review eachlabs.ai
- Relevant Audience: Thai-Text-Test auf AiPASS relevantaudience.com
- ai-imagelab.de: Google Gemini Flash Experimental ai-imagelab.de
- ki-kompass.at: Die besten KI-Bildgeneratoren ki-kompass.at
- ITHome: Kling Image 4.0 ithome.com
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.