Whisk AI图片生成工具测评和使用教程：拖三张图混搭出图

Whisk这个工具最反直觉的一点，是它压根不让你写提示词。你拖三张图进去，一张管主体、一张管场景、一张管风格，剩下的活它自己干：Gemini把这三张图读成一段详细描述，再交给Imagen 3画出来。写提示词那一步，被它整个拿掉了。

它是Google Labs的一个生成式AI实验项目，官方给它的说法是拿图片当提示词，而不是拿文字当提示词。官方的Whisk博客页讲的是玩法，价格和免费额度要到官方入口看当下页面上的提示；博客发布的时候，只面向美国用户开放试用。国内能不能注册、要不要花钱、值不值得花时间，这些和怎么上手一起写在下面。这篇由猎者出海整理，重点不在把官网翻一遍，在它能替你把哪一步活干掉。这类图能不能接上变现，路子写在国外AI工具赚钱里，这里不铺开。

• 三张参考图：主体一张、场景一张、风格一张，混着用
• 两个模型接力：Gemini写详细描述，Imagen 3把描述画成图
• 博客发布日2024年12月16日，页面标注4分钟读完
• 发布时只开放给美国用户，入口是labs.google/whisk
• 官方定位是快速视觉探索，一次过几十个方案再挑

能确定的是玩法和模型路线，钱和地区这两件事，都得打开页面才知道。

下面从它怎么用图片当提示词讲起，再到能干什么、怎么上手、收不收费、国内怎么走，最后是测评和配AI干活的步骤。

Whisk是什么：Google Labs的实验项目，用图片当提示词

官方博客给它的第一句定义是「Whisk is a new Google Labs experiment that lets you prompt using images for a fast and fun creative process.」，紧接着还有一句更直白：「Whisk is a new generative AI tool that lets you create images by inputting images, not text.」。两句合起来就是一个意思：输入的不是文字，是图片。

Google Labs是Google放最新AI实验和技术的地方，官方说他们拿Gemini、Imagen、Veo这些模型做实验，目的是收集对新产品和新功能的反馈。Whisk是其中一个，用Gemini和Imagen 3串起来跑，一个负责把图读成描述，一个负责把描述画成图。

它跟写提示词的做法差在哪：三张图进去，一段描述出来

官方把流程写得很清楚：「You can drag in images for the subject, scene, and style, and then remix them to create something unique. Whisk uses Gemini to automatically write a detailed caption of your images, which is then fed into Imagen 3 to generate the final image.」主体、场景、风格三类图拖进去，Gemini自动写一段详细的图注，这段图注再喂给Imagen 3出图。

所以你的活不在敲字，在选图。选三张能代表你想要的东西的图，比想半天形容词有用。站里另有一篇讲Midjourney AI绘画的，走的是另一条路，这里不重复。

它抓的是神韵不是复制，所以能反复混搭

官方这句要划出来：「This process captures the essence of your subject, not an exact replica, allowing you to easily remix your subjects, scenes, and styles in novel ways.」它抓的是主体图里的那点神韵，不是精确复制品。正因为不复制，主体、场景、风格三样才能换着花样重组。

这句话也解释了为什么同一张主体图，换一张场景图，出来就是另一个东西。反过来，你要是想让主角跟原图分毫不差，这条路本身就不通。

谁做的、什么时候发的

博客署名两个人：Google Labs产品管理总监Thomas Iljic，和Google DeepMind产品经理Nicole Brichtova。发布日2024年12月16日，页面标注阅读时长4分钟。

时间点有含义。Google Labs首页写得很直白，他们提供早期访问、收集反馈，让一部分实验长成日常在用的产品。Whisk是2024年底的实验项目，形态和入口都可能被调整，这点后面讲入口时会碰到。

Whisk能做什么：按你要干的活分四类

官方给的例子不多，但每一个都能对上具体产出。前三条是它写在博客里的能力，第四条是它自己划出来的边界。

把三张参考图混成一个新主体：毛绒玩偶、珐琅徽章、贴纸

官方举的例子是数字毛绒玩偶（digital plushie）、珐琅徽章（enamel pin）和贴纸（sticker）。这三样有个共同点，都是把某个形象做成周边形态。你拿一张角色图、一张场景图、一张风格图丢进去，出来的是一个被重新包装过的主体。

做周边的人看这一段会有感觉。以前要出徽章稿，得找画师画，或者自己开软件描半天。Whisk的产出停在“看一眼这个方向对不对”这一步，后面的打样、生产、找谁做，是另一条线，但最花钱的那个判断它帮你提前了。

一次过几十个方案，再从里面挑

官方原句是「It’s about exploring ideas in new and creative ways, allowing you to work through dozens of options and download the ones you love.」一次过几十个选项，喜欢的再下载。

这个用法跟“出一张，不满意改词再出一张”是两种节奏。前一种是把量堆起来再筛，后一种是瞄准了打。Whisk站的是前一种，所以它的价值在筛，不在第一发就命中。筛这一步做好了，后面每一张都省事。

图不像就改底层描述，不用推倒重来

官方自己承认它会跑偏：「Whisk may miss the mark, so we let you view and edit the underlying prompts at any time.」所以它把Gemini写的那段描述开放给你看，随时能改。

这一条是它跟“只能换图”的做法最大的差别。出图不对，换图是很多人的第一选择，换了还不对就没辙。Whisk多给了一个把手：描述里写“短发”，你嫌不对，改成“齐肩发”，再重新生成，主体图不用动。

它不做的事：不是修图软件，别指望像素级精修

官方的边界划得很死：「We built it for rapid visual exploration, not pixel-perfect edits.」为快速视觉探索而建，不做像素级精修。另一处说，早期跟艺术家和创意人测试的时候，人们把它形容成一种新的创作工具，而不是传统的图片编辑器。

所以拿它去修老照片、抠图换背景、调色，都是走错门。这些活有专门的工具干，后面测评那一节说往哪走。

Whisk怎么用：从入口到出图的分步教程

官方在博客里把动作写得很省：拖图，开始。真正要花心思的地方有两个，一是入口，二是三类参考图怎么选。

第一步 找入口：labs.google/whisk现在会跳走

Whisk发布时的入口是labs.google/whisk，官方原句是「If you are based in the US, you can try it out today at labs.google/whisk and tell us what you think.」。现在打开labs.google/whisk，会跳到Google Flow的介绍页，地址是flow.google.com/about?from=whisk，页面标题和正文都是Flow，不是Whisk的界面。

换句话讲，老地址还在，落点换了。按页面给出的按钮往下走。至于Whisk现在是不是还独立开着，以你打开那一刻页面上写的为准。

第二步 准备三类参考图：主体一张、场景一张、风格一张

官方原句：「Whisk lets you input images for the subject, one for the scene and another image for the style.」主体图决定画的是谁或是什么，场景图决定它站在哪，风格图决定整体长什么样。

选图有个原则，跟那句“抓神韵不复制”对着看：主体图选特征清楚的，正脸、轮廓明确；场景图选背景干净的，别一张图里塞三四个元素；风格图选质感统一的，插画就一路插画，别一半照片一半手绘。三张图越干净，Gemini写出来的描述越不容易跑偏。

第三步 拖进去，开始生成

官方原句就六个字：「Simply drag in images, and start creating.」拖进去，开始创作。没有输入框要你憋词，这一步省下来的时间是真省下来的。

生成的过程中它会先给你看Gemini写的那段描述。这一段值得停下来读，读一遍你就知道AI把你的图理解成了什么，后面要改也从这里改。

第四步 看描述、手动改、再生成

官方写明用户可以随时查看并编辑底层提示词。看到描述里写的身高、发型、肤色跟你要的不一样，直接在描述里改，改完重新生成。

这一步是整个流程里最花时间的。第一遍出来的东西对不上是常态，改描述比换图快，因为换图等于把整段描述推倒重来，前面的判断白做。

第五步 挑图下载，顺手延展成周边形态

几十个结果里挑几张下载，这是官方写明的用法。挑完别急着收工，同一批图可以再往周边形态上推一步，玩偶、徽章、贴纸就是官方举的三样。

图挑出来要排版、要配字、要出成套的视觉，站里那篇Canva设计工具写了怎么接。

Whisk收费吗：价格和免费次数怎么算，同门Flow的价目摆在这里

想知道Whisk多少钱、免费几次、要不要订阅，打开官方入口看页面上标的额度，这是唯一准的一处。博客页讲的是怎么玩，账目不在这上面。

Google Labs首页还有一个入口可以留意：订阅他们的新闻邮件，可以拿到新实验的早期访问。Whisk是Labs里的实验，Labs有新动作的时候，邮件是官方给的第一手消息。

同门的Google Flow是有明码标价的，摆在这里只当参照，不是Whisk的价格。Flow免费档每天50个点数，没订阅的人只有这50个可用，当天没用完不结转。

这是Flow的账，不是Whisk的账。摆出来只为一件事：同一个门里的产品，标价可以标得很细，Whisk那份细账目前不在同一个地方。

还有两个细节要记住。订阅的月度点数在计费周期开始时刷新，没用完不带到下个月。价格页每一条后面都带星号，注明价格可能因市场而异。

国内读者怎么走：官方原句只写到美国，替代品有哪些

Whisk博客里关于地区只有两句，指的都是美国：「If you are based in the US, you can try it out today at labs.google/whisk and tell us what you think.」和「Today in the US, we’re launching our newest experiment in generative AI: Whisk.」。发布时面向美国用户，这是官方明写的范围。

账号这边还有两条通用条款要知道。Google服务条款写明Google服务由Google LLC提供，这家公司依美国特拉华州法律组建、按美国法律运营。同一条款还写明，没到自行管理Google账号所需年龄的用户，要拿到父母或法定监护人的许可才能用Google账号。

现在就想动手的，站里有两篇可以接上。图片和视频一起做的看即梦AI图片视频生成，Google家能出图也能出视频的是Google Flow。两个方向都能接着往下走，不用在原地等。

Whisk测评：它值在哪，坑在哪

把定位摆出来，它的长处和短处都从同一句话长出来，官方原话是「We built it for rapid visual exploration, not pixel-perfect edits.」

Whisk的长处：不用憋提示词，一次给你一堆选项

不用写提示词，这条对不会憋提示词的人最省事。三张图拖进去，Gemini把描述写好，你只要判断出来的东西对不对。量也够，官方说可以过几十个选项再挑，比一次出一张、改一版等一版的节奏快得多。它还把底层描述开着，出图跑偏有地方改，不是只能换图重来。产出能往周边形态上延展，玩偶、徽章、贴纸都是官方点过名的方向。

Whisk的坑：它会改脸，也会改规则

官方自己写了：「Since Whisk extracts only a few key characteristics from your image, it might generate images that differ from your expectations. For example, the generated subject might have a different height, weight, hairstyle or skin tone.」它只从图里提少量关键特征，所以出来的主体身高、体重、发型、肤色都可能变。

做角色一致性的人要提前想清楚这一点。同一张主体图连出几次，出来可能是几个不同的人。要固定形象，只能靠改描述往回拉，拉不拉得回来另说。

还有个事是实验标签。博客页原本那句标注写着生成式AI处于实验阶段。实验产品意味着功能和形态都可能变，入口从labs.google/whisk跳到Flow页就是一个现成的例子。Google服务条款里也写了，他们有时会增加或删除功能、提高或降低服务限制、开始提供新服务或停掉旧服务；重大变化会提前给合理通知，紧急情况除外。

最后是账号规矩。Google服务条款明确禁止两类用法：拿Google服务生成的内容去开发机器学习模型或相关AI技术；误导别人以为生成式AI内容是人做的。这两条不是Whisk单独定的，是整个Google账号通用的条款，用它出图的人迟早会碰到。

什么人用它划算，什么人会白费工夫

找灵感、出概念图、给一个形象试几种周边形态，这些事它做得快。它的价值落在“先看一眼”这一步：一个角色做成徽章好不好看，做成贴纸合不合适，出几张图就有判断了，不用先花钱找人画。

反过来，要像素级精修、要固定同一个角色、要把一张图改到能直接用，它接不住。这类活往修图那条线走，站里的Pixlr AI修图绘画是绘画和修图方向，老照片修复看Remini老照片修复。方向不一样，别硬拧。

用AI配合Whisk干活：三步把出图接进出海工作流

Whisk本身已经把Gemini用在写描述上了，你能再叠一层的地方在描述之外：把参考图想清楚、把描述改准、把结果接下去。三步走。

先做的是把三类参考图变成文字。挑图之前先写清楚你要的主体是什么、站在哪、什么质感，写完再去找图，你会找得更准。官方写明Whisk就是拿Gemini自动为图片写详细描述、再交给Imagen 3出图的，你先写一遍，等于把它的内部动作提前做了一遍。

接下来一次生成多个方案，挑完再动描述。别在第一张上死磕，先把量跑出来看整体方向；方向对了，再打开底层描述，把身高、体重、发型、肤色这些偏掉的词改掉，重新生成。

最后把挑出来的图往周边形态延展。官方的例子是数字毛绒玩偶、珐琅徽章、贴纸，这三个形态覆盖的正是“这个形象能不能做成实物”这个判断。同一条主体，三种形态各出一版，摆在一起看，比在脑子里想清楚快。

下面三条提示词是本文给的示例，不是官方模板，可以直接复制到Gemini里改：

1. 把这张主体图里的角色，放进这张场景图的背景里，用这张风格图的配色和质感，输出一张方形构图、主体居中的图片。
2. 保留主体图里角色的发型和服装轮廓，把肤色和身高按我文字描述调整，场景换成纯色背景，风格保持参考图的插画质感。
3. 基于当前这张图，再出3个变体：一个做成珐琅徽章、一个做成贴纸、一个做成毛绒玩偶，都保留主体特征。

必须你自己动手的有三件：把主体、场景、风格三类参考图分别拖进对应位置；生成之后打开底层描述，按实际的偏差改完再重新生成；从几十个结果里挑出要下载的那几张。这三步AI替不了，因为它不知道你要的是哪一个。

我做SEO十几年，最耗时间的从来不是写，是把官方原文和条款一条条对清楚。这类整理资料、对照官方条款的活，可以交给猎者出海的AI Agent，省下来的是查的时间，不是判断的时间。

工具摸熟之后，真正要花脑子的是拿它做什么、给谁看、怎么变成内容。这条线上的活，可以交给猎者出海的AI Agent接着往下走。

常见问题

Whisk和Gemini、Imagen 3是什么关系？

Whisk是外面那一层，你在页面上拖图、看结果；里面是两个模型接力。官方原句是「Whisk uses Gemini to automatically write a detailed caption of your images, which is then fed into Imagen 3 to generate the final image.」Gemini读图写描述，Imagen 3拿描述出图。

用Whisk要准备几张图？

三张，一张主体、一张场景、一张风格。官方写明是分别输入，不是三张一起堆进去让AI自己猜。三张图各自干净，出来的偏差就小。

Whisk免费吗，一次能出多少张？

Google Flow免费档每天50个点数，Plus是$7.99/mo，Pro是$19.99/月，Ultra分$99.99/月和$199.99/月两档，价格可能因市场而异。这是Flow的价目，Whisk那份要打开它自己的页面看。一次能出多少，官方给的说法是「work through dozens of options and download the ones you love」，一次过几十个选项，喜欢的再下载。

Whisk现在还能从labs.google/whisk进去吗？

现在打开labs.google/whisk会跳到flow.google.com/about?from=whisk，落点是Flow的介绍页，不是Whisk的界面。老地址先留着，能不能进去以页面为准。

Whisk生成的图能商用吗？

Whisk博客页没有单独写商用授权和版权归属，能对照的只有Google服务条款的通用条款。那里面明确禁止拿Google服务生成的内容去开发机器学习模型或相关AI技术，也禁止误导别人以为生成式AI内容是人做的。素材本身的权利，用之前要自己确认。

Whisk出的图跟原图不像，正常吗？

正常。官方写明它只提取少量关键特征，生成的主体身高、体重、发型、肤色都可能跟原图不一样。要往回拉就改底层描述，改完重新生成，主体图不用动。