Một mô hình text-to-image biến chữ thành pixel. Nó đã học từ những bộ sưu tập ảnh và chú thích rất lớn xem một cụm từ, chẳng hạn một chiếc sơ mi linen trên sân hiên lát đá lúc hoàng hôn, thường trông như thế nào, rồi vẽ một bức ảnh mới khớp với mô tả. Kết quả mới ở cách sắp đặt nhưng được dựng từ các khuôn mẫu, không phải từ một vật cụ thể, nên nó có thể thể hiện một chiếc sơ mi hợp lý nhưng không phải chiếc sơ mi của người bán.
Đó là giới hạn cốt lõi đối với ảnh sản phẩm. Một sản phẩm tạo chỉ từ chữ là sản phẩm bịa ra: nó khác món hàng thật về phom dáng, màu sắc, họa tiết, phụ kiện kim loại và nhãn mác, và không thể đại diện cho món hàng đó trong sản phẩm đăng bán, dù trông giống đến đâu. Nhiều sàn yêu cầu ảnh phải thể hiện sản phẩm thật, và một số chỉ cho phép AI tạo nền, bối cảnh hoặc người mẫu quanh ảnh chụp sản phẩm thật. Quy định về công bố và gắn nhãn ảnh AI cũng khác nhau giữa các sàn.
Text-to-image phù hợp với những thứ không có một hình dạng đúng duy nhất: nền, đạo cụ, cảnh tạo không khí, kết cấu và họa tiết, hay bối cảnh cho một chiến dịch. Với chính sản phẩm, con đường đáng tin cậy là image-to-image, trong đó ảnh chụp món hàng thật là điểm xuất phát. Khi một cảnh do AI tạo làm nền cho ảnh tách nền của sản phẩm thật, hướng sáng, bóng đổ và phối cảnh phải khớp với ảnh sản phẩm, nếu không sản phẩm sẽ trông như được dán vào.