Gemini 3 Pro 生成法线贴图：从原理到 Blender/Unity 接入指南

如果你做 3D 美术、技术美术（TA）或者游戏开发，这几天应该看到过这样一个说法：Gemini 3 Pro 可以生成 normal maps（法线贴图）。

这件事值得单独拿出来聊，因为它和“画一张好看的图”完全不同。法线贴图不是靠颜色和构图取胜的贴图，它用 RGB 三个通道编码表面法线方向，直接参与 PBR 光照计算。过去这条链路基本绕不开 Substance Painter、ZBrush 低模高模烘焙、Photoshop 滤镜或者 xNormal 这类专用工具。而现在，一个多模态大模型可以基于文字描述直接给出一张法线贴图，这对 3D 内容生产流程的影响是结构性的。

这篇文章不打算吹概念，而是按实际使用逻辑展开：先说 Gemini 3 Pro 生成法线贴图这件事到底属于什么能力，再看怎么在 API 层面把它调起来，然后重点解决三个实操问题——生成的法线贴图怎么验证、怎么接入 Blender/Unity/Unreal 的 PBR 流程、批量生成时有哪些坑。

适合读者：3D 美术、TA、独立游戏开发者、AI 落地工程人员，以及所有对“大模型进入 3D 资产管线”感兴趣的人。

1. 核心能力速览

先用一张表把关键信息列出来。凡是没有官方明确数字的地方，我统一标注“需实测”，不编数据。

需要说明的是，“生成法线贴图”这个能力的具体边界，比如最大输出分辨率、对无缝平铺的语义理解程度、生成速度，目前公开信息里没有完整数据。这篇文章后面给的是通用验证流程和工程接入方法，你拿到实际调用结果后，可以按同样的方法快速验收。

2. 为什么“生成一张法线贴图”值得关注

要理解这个能力的分量，先看传统法线贴图是怎么来的。

传统流程：高模到低模，烘焙再修缝

标准制作链路是这样的：先在 ZBrush 或 Blender 里雕刻一个细节丰富的高模，再做一个面数可控的低模，然后展开 UV，最后用 Substance Painter、Marmoset Toolbag 或 xNormal 把高模细节烘焙到低模的贴图上。

这个过程有几个硬性门槛：一是必须同时准备高模和低模；二是 UV 展开质量直接影响烘焙结果；三是不论角色、场景还是道具，都需要美术人员掌握一整套 DCC 工具链。对独立开发者来说，哪怕只是想给一个简单箱子加磨损细节，也得走完整流程。

现行 AI 方案的局限性

过去两年，用 Stable Diffusion 生成“像法线贴图”的图并不难。问题是，图像生成模型并不理解法线方向编码，生成的图常常只是视觉上接近法线贴图的紫蓝色纹理，RGB 通道并没有携带正确的法线信息。要真正使用，还得通过 ControlNet normal 模型、深度图反推或者第三方插件二次处理。

也就是说，老方案的瓶颈在于：生成模型不负责物理语义，只负责像素分布。

Gemini 3 Pro 的变化

从 Gemini 3 Pro 透露的能力方向看，它把法线贴图生成直接整合进多模态模型的语义理解流程。模型不是“碰巧画出一张紫色纹理”，而是针对“某种材质表面应该有什么样的微观凹凸结构”做推理，再输出对应的法线贴图。

这意味着三件事：

1. 法线贴图不再需要高模烘焙，只要描述清楚材质，模型直接输出。
2. 非美术人员可以用自然语言快速生成可用的贴图草稿。
3. 大模型的能力边界从“生成 2D 图像”延伸到了“生成携带物理渲染语义的 3D 资产”。

更直接地说，AI 正在吃掉传统 PBR 材质工作流里最依赖经验的那一环。

3. 适用场景与使用边界

适合谁用

• 技术美术（TA）：快速验证材质想法，把法线贴图草稿放进引擎看效果，再决定要不要精修。
• 独立游戏开发者：没有专职美术的情况下，用文字生成占位贴图，把验证场景跑起来。
• 概念设计师：在出图阶段快速确认表面质感，不必先雕刻高模。
• AI 落地工程师：把法线贴图生成能力和现有程序化资产生成流程结合，做批量物料生产。

能解决什么问题

传统流程里，从想法到一张可用的法线贴图，中间隔着雕刻、展 UV、烘焙、修缝多个环节。Gemini 3 Pro 直接跳过大多数中间步骤，把时间成本压缩到“写提示词 + 等结果”。对前期的创意探索和方案验证来说，价值非常明显。

不适合什么场景

• 高精度 CG 电影级资产生产，目前还需要大量人工精修，生成结果只能当底稿。
• 需要严格物理正确的 PBR 项目，例如汽车漆面、特殊光学材质，手工调整不可替代。
• 对贴图分辨率有硬性要求的生产管线，模型输出尺寸可能达不到项目规格，需要二次放大和处理。

使用边界与合规提醒

无论把生成结果用于个人作品还是商业项目，有几点必须注意：

1. 不要上传未获得授权的人脸、品牌 Logo、受版权保护的角色形象作为参考输入。
2. 生成结果若用于商业项目，先确认当前服务条款对生成内容版权的归属约定。
3. 法线贴图如果应用于真实产品或付费资产，需要额外做版权复核。

4. 前置条件与环境准备

Gemini 3 Pro 是云端 API 模型，不涉及本地推理环境。所以环境准备比本地部署模型简单很多。

4.1 你需要准备的

• Google AI Studio 账号，或可用的 Gemini API Key。
• 一个能联网的开发环境，Windows、macOS、Linux 都可以。
• Python 3.9+，用于调用 API 和处理返回结果。
• 可选：Blender 3.x 以上，或 Unity 2021+ / Unreal Engine 5，用于验证生成的法线贴图。
• 本地磁盘空间不需要太大，贴图文件本身很小。

4.2 环境检查清单

不需要 CUDA，不需要本地大模型，不需要考虑显存。这也是这个方案对普通开发者最友好的一点。

4.3 安装依赖

下面的 Python 代码块用到requests库，这是最通用的 HTTP 客户端方案，不依赖具体厂商 SDK：

pip install requests pillow

如果你本机已经有requests，只补一个pillow用于图像格式处理和法线贴图通道检查就行。

另外建议准备一个环境变量来存 API Key，避免写死在脚本里：

export GEMINI_API_KEY="你的API Key"

Windows PowerShell 下这样设置：

$env:GEMINI_API_KEY="你的API Key"

5. 调用 Gemini 3 Pro 生成法线贴图的参考流程

5.1 理解调用方式

Gemini 提供的 API 属于云端服务，调用结构通常是“把提示词发过去，服务端返回生成结果”。生成法线贴图本质上是让模型输出一张图像，所以关键操作有两点：提示词要明确告诉模型生成的是“切线空间法线贴图”，而不是普通彩色纹理；返回结果里要能拿到图片数据的 base64 编码，并解码保存为 PNG。

下面给出一个参考调用结构，使用generateContent风格接口。由于模型 ID 和请求字段在不同版本可能略有调整，代码中用注释标出需要按实际环境确认的位置。

5.2 Python 调用示例

import os import base64 import json import requests from PIL import Image from io import BytesIO # 从环境变量读取 Key API_KEY = os.getenv("GEMINI_API_KEY") if not API_KEY: raise ValueError("请先设置 GEMINI_API_KEY 环境变量") # 注意：模型 ID 请确认当前 API 可用的准确名称 MODEL_ID = "gemini-3-pro" # 通用 endpoint 模板，实际路径以官方文档为准 url = f"https://generativelanguage.googleapis.com/v1beta/models/{MODEL_ID}:generateContent" headers = { "Content-Type": "application/json", } prompt = """ 请生成一张无缝平铺的切线空间法线贴图（tangent-space normal map）。 表面内容：风化岩石墙面，有明显的裂纹、凹陷和颗粒感。 要求： 1. 法线贴图应采用标准切线空间编码，整体呈蓝紫色。 2. 表面纹理必须可以无缝平铺，没有明显接缝。 3. 只输出贴图本身，不要添加文字、边框或背景说明。 4. 输出 PNG 格式。 """ payload = { "contents": [ { "parts": [ {"text": prompt} ] } ], "generationConfig": { "temperature": 0.4, "candidateCount": 1, } } response = requests.post(url, headers=headers, params={"key": API_KEY}, json=payload, timeout=120) response.raise_for_status() data = response.json() # 从返回结果中提取图片 base64。不同版本的返回字段名可能有差异， # 建议先打印 data 查看实际结构，再按字段名解析。 image_data = data["candidates"][0]["content"]["parts"][0]["inlineData"]["data"] image_bytes = base64.b64decode(image_data) # 保存结果 output_path = "stone_wall_normal.png" with open(output_path, "wb") as f: f.write(image_bytes) # 用 Pillow 打开，做基础校验 img = Image.open(output_path) print(f"已保存：{output_path}") print(f"尺寸：{img.size}，模式：{img.mode}")

这个脚本做完三件事：发送提示词、把返回的 base64 图片数据保存为 PNG、打印输出尺寸和图像模式。先跑通这一步，接下来才能做后面的验证。

5.3 curl 调用示例

不习惯用 Python 的话，用 curl 也能测：

# 注意替换 YOUR_API_KEY 和模型 ID curl -L "https://generativelanguage.googleapis.com/v1beta/models/gemini-3-pro:generateContent?key=YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "contents": [ { "parts": [ { "text": "生成一张无缝平铺的砖墙切线空间法线贴图，标准蓝紫色，不要文字和边框，PNG格式。" } ] } ] }' > response.json

返回结果会写在response.json里，再做一次 base64 解码就能拿到图片。实际使用中，Python 脚本比 curl 更适合做后续批量处理，这也是下文推荐的方式。

5.4 保存结果的额外处理

拿到 PNG 只是第一步。生产级用法里，你可能需要把图片裁剪到引擎友好的尺寸，比如 1024x1024 或 2048x2048。用 Pillow 可以直接处理：

from PIL import Image img = Image.open("stone_wall_normal.png") img = img.convert("RGB") img = img.resize((1024, 1024), Image.LANCZOS) img.save("stone_wall_normal_1024.png")

注意：放大后法线细节会被插值算法柔化，所以更推荐你在提示词里明确分辨率要求，或者让生成结果尽量接近目标尺寸。单纯靠放大来凑分辨率，细节会受损。

6. 提示词设计：稳定拿到可用法线贴图的关键

生成法线贴图的效果，一半取决于模型能力，另一半取决于提示词。下面给出几组经过拆解的提示词设计思路。

6.1 提示词四个必要信息

1. 明确贴图类型：必须出现“切线空间法线贴图（tangent-space normal map）”字样。否则模型可能输出一张普通彩色图或者高度图。
2. 指定材质内容：石墙、金属、布料、地形、树皮……材质越具体，法线细节越明确。
3. 强调平铺属性：需要无缝平铺时，直接写“seamless tileable”，并补充“无接缝”。
4. 输出格式约束：PNG、不要多余元素、不要文字。

6.2 可直接复用的提示词模板

模板一：风化石墙

请生成一张无缝平铺的切线空间法线贴图（tangent-space normal map）。 表面内容：风化岩石墙面，有明显裂纹、凹陷、颗粒状凸起。 要求： 1. 整体呈标准蓝紫色法线贴图编码。 2. 纹理必须无缝平铺，边缘无接缝。 3. 没有任何文字、边框、水印。 4. 输出 PNG 格式。

模板二：金属划痕

请生成一张切线空间法线贴图，表面是拉丝金属，带有细密划痕和少量磕碰凹坑。 要求：蓝紫色法线编码，划痕方向一致，无缝平铺，PNG 格式，无文字。

模板三：布纹织物

请生成一张无缝平铺的切线空间法线贴图，表现细密编织布纹，经纬线交叉处有轻微凹凸感。 要求：法线方向正确，布纹规律、平铺后无接缝，PNG 格式，无文字。

模板四：地形苔藓岩石

请生成一张切线空间法线贴图，表现山地岩石与苔藓混合表面，岩石硬朗、苔藓柔软细碎。 要求：无缝平铺，法线细节分明，蓝紫色法线编码，PNG 格式，无文字。

6.3 一次生成不满意怎么办

如果第一张结果的方向、细节密度都不对，不要急着改写提示词。按这个顺序排查：

• 如果图片看起来不像法线贴图，把“切线空间法线贴图”这个短语放在提示词最前面，并增加一句“RGB 通道编码法线方向”。
• 如果细节太弱，加入“强烈的表面凹凸细节”。
• 如果不平铺，删除一切描述背景的词汇，明确写“边缘采样一致，可无缝循环”。
• 如果结果偏绿或偏红，说明模型把普通纹理和法线贴图混了，重置提示词重跑。

7. 效果验证：法线贴图是否真的可用

拿到一张蓝紫色的图，不等于拿到一张可用的法线贴图。下面是一整套验证流程。

7.1 静态检查：先看颜色分布

用 PIL 打开图片，检查三个通道的分布：

from PIL import Image import numpy as np img = Image.open("stone_wall_normal_1024.png").convert("RGB") arr = np.array(img, dtype=np.float32) / 255.0 print("R通道均值：", round(arr[:, :, 0].mean(), 3)) print("G通道均值：", round(arr[:, :, 1].mean(), 3)) print("B通道均值：", round(arr[:, :, 2].mean(), 3))

切线空间法线贴图通常呈现蓝紫色，原因在于法线方向大部分指向表面外侧，也就是 Z 轴方向，B 通道数值较高，R 和 G 通道在 0.5 附近上下波动。如果打印出来 B 通道接近 1，R/G 通道均值接近 0.5，那说明编码结构基本正确。如果三个通道均值接近或没有规律，那大概率只是“长得像法线贴图”的彩色图。

7.2 Blender 中验证光照表现

把法线贴图接入 Blender，是验证表现效果最快的方式。

1. 新建一个平面，细分到 100x100 左右，或者直接加一个默认球体。
2. Shader Editor 里新建：Image Texture（贴图）、Normal Map（法线贴图节点）、Principled BSDF。
3. Image Texture 的 Color Space 设置为 Non-Color（线性空间）。
4. Image Texture Color 输出给 Normal Map 的 Color 输入。
5. Normal Map 的 Normal 输出给 Principled BSDF 的 Normal 输入。
6. 添加一个侧向点光源，旋转视角看凹凸变化。

判断标准：表面凹凸方向是否符合提示词描述，石头裂纹是否有起伏感，金属划痕是否有质感。如果凹凸方向相反，选中 Normal Map 节点，把 Strength 改为负数，或者单独翻转 G 通道。

7.3 Unity 中验证

Unity 导入贴图时，重点检查两处：

• 纹理类型设为 Normal Map。
• 导入后台自动处理色彩空间，不需要手动切 sRGB。

如果贴图导入后场景出现发紫、发灰的光照异常，检查一下纹理类型是不是被设成了 Default，或者色彩空间被当成了 sRGB。

7.4 平铺验证

无缝平铺是法线贴图生产级使用的高频要求。验证方法很简单：在 Blender 中给平面添加多个重复的 Image Texture 采样，或者直接在图像编辑器里打开带边缘重采样效果的预览，看边缘拼接处是否出现明显断层。

如果接缝明显，回到提示词里重新强调“seamless tileable”。也可以用 Substance Sampler 或者 Photoshop 的 Offset 滤镜手动修一遍，做法是水平垂直各偏移 50%，用仿制图章修补接缝后再偏移回来。

7.5 Mipmap 与远距离观察

法线贴图在高频细节下容易出现远处闪烁和摩尔纹。导入引擎后，把相机拉远看整体表现。如果远处出现剧烈闪烁，需要检查是否自动生成了 Mipmap。大多数引擎默认会生成，不用额外处理；但如果使用自定义渲染管线，要确认采样器启用了 mipmap 过滤。

8. 接口 API 与批量任务

单个提示词测试通过之后，批量生成就是自然而然的需求。做 3D 素材，通常不是只要一张墙，而是一整包“石墙、金属、地板、布料”的贴图组。

8.1 基于 CSV 的批量生成脚本

下面这个脚本读取一个prompts.csv文件，每一行是一条提示词和对应的输出文件名，循环调用 API 并保存结果。

prompts.csv格式：

output_name,prompt stone_wall,生成一张无缝平铺的切线空间法线贴图，风化岩石墙面，有裂纹和颗粒感 metal_scratched,生成一张切线空间法线贴图，拉丝金属表面，有划痕和凹坑 brick_wall,生成一张无缝平铺的切线空间法线贴图，红砖墙面，砖缝凹凸明显

批量 Python 脚本：

import os import csv import base64 import time import requests API_KEY = os.getenv("GEMINI_API_KEY") MODEL_ID = "gemini-3-pro" # 以当前 API 可用模型名为准 url = f"https://generativelanguage.googleapis.com/v1beta/models/{MODEL_ID}:generateContent" headers = {"Content-Type": "application/json"} def generate_normal_map(prompt: str, output_path: str): payload = { "contents": [{"parts": [{"text": prompt}]}], "generationConfig": {"temperature": 0.4, "candidateCount": 1}, } resp = requests.post(url, headers=headers, params={"key": API_KEY}, json=payload, timeout=120) resp.raise_for_status() data = resp.json() image_data = data["candidates"][0]["content"]["parts"][0]["inlineData"]["data"] image_bytes = base64.b64decode(image_data) with open(output_path, "wb") as f: f.write(image_bytes) print(f"已生成：{output_path}") with open("prompts.csv", "r", encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: name = row["output_name"].strip() prompt = row["prompt"].strip() output_path = f"outputs/{name}_normal.png" try: generate_normal_map(prompt, output_path) except Exception as e: print(f"生成失败：{name}，原因：{e}") time.sleep(1) # 简单限速，避免触发频率限制

8.2 批量任务的日志与断点续跑

批量任务最大的隐患是跑一半断掉。建议在脚本里加一行结果落盘记录，成功一个就写入一个日志文件：

with open("batch_log.txt", "a", encoding="utf-8") as log: log.write(f"{output_path}\n")

下次再跑时，先读取日志，跳过已经生成的条目。这样断点续跑不用重新生成已经成功的贴图，省时间也省费用。

8.3 失败重试建议

调用云端 API 常见的失败类型是限流和网络抖动。建议对每个请求增加简单的指数退避重试：

import time def request_with_retry(payload, max_retries=3): for attempt in range(max_retries): try: resp = requests.post(url, headers=headers, params={"key": API_KEY}, json=payload, timeout=120) if resp.status_code == 429: wait_time = 2 ** attempt print(f"触发限流，{wait_time} 秒后重试") time.sleep(wait_time) continue resp.raise_for_status() return resp.json() except requests.exceptions.RequestException as e: print(f"请求异常：{e}") if attempt == max_retries - 1: raise time.sleep(2 ** attempt)

批量化不是单纯把单次请求套进循环，而是一个带限速、带日志、带失败重试的小型任务系统。工程上先按这个模板搭起来，再根据实际需求扩展并发数。

9. 资源占用与性能观察

由于 Gemini 3 Pro 是云端模型，本地不涉及显存占用，这里重点说的是 API 调用维度的性能观察方法。

9.1 单次请求耗时

单张法线贴图的生成时间受到多种因素影响，包括模型负载、提示词长度、生成分辨率设定。实际生产中，建议在脚本里记录每次请求的耗时：

start_time = time.time() # 调用 API elapsed = time.time() - start_time print(f"耗时：{elapsed:.2f}s")

不同时间段、不同批次之间，耗时标准差可能很大。批量任务要预留充足的重试缓冲，不要把超时时间设得太短。脚本里使用 120 秒超时是一个相对稳妥的开始值。

9.2 与本地方案的对比

如果你之前用 Stable Diffusion + ControlNet 生成法线贴图，本地需要至少 6G 显存，还要管理模型文件和环境依赖。Gemini 3 Pro 这条路线把硬件成本转移成 API 成本，本地只需要一个 Python 环境和网络连接。

对需要固守本地数据安全的项目，云端方案不适合；但对大多数个人开发者和团队来说，免部署、免维护的优势更明显。

9.3 确认输出分辨率

法线贴图最终用于引擎时，常见规格至少是 1024x1024，规格更高用到 2048 或 4096。如果模型默认输出达不到目标尺寸，可以在保存后做统一缩放，但前面说过，放大不是越多越好。更稳妥的做法是在提示词中描述清楚使用比例，例如“长宽比 1:1，包含足够细节以用于 2048 分辨率贴图”。

10. 常见问题与排查方法

11. 最佳实践与使用建议

11.1 先小参数测试，再批量生产

不要一次性提交几十条提示词。先跑 3 到 5 条，人工确认法线方向、平铺属性、图像格式都没问题，再扩大批量范围。否则一轮跑下来全是方向错乱的结果，浪费时间也浪费调用量。

11.2 保持一套可复用的提示词模板

把材质类型、细节描述、平铺要求、格式约束拆成四个字段，放到 CSV 或 JSON 配置里统一管理。后续需要换风格时，只改参数，不动主脚本。

11.3 分目录管理素材

建议按“项目/材质类型/版本”建目录，例如：

outputs/ project_a/ stone/ v1/ stone_wall_normal.png v2/ stone_wall_normal.png project_b/ metal/ v1/ metal_scratched_normal.png

生成结果只在第一次看起来便宜，后续整理、筛选、复审同样要花成本。目录结构越早规范，后期越省事。

11.4 对关键资产做人工复核

生成的法线贴图可当草稿，但进入正式项目前至少要确认：方向正确、平铺无接缝、与 Albedo/Roughness 贴图风格一致、远距离没有明显闪烁。关键资产宁可多花十分钟人工看一遍，也不要直接进引擎后才发现问题。

11.5 接口服务的安全边界

如果把 Gemini 3 Pro 的调用封装成团队内部接口，不要让 API Key 暴露在客户端。建议在服务端做一层转发，同时加访问控制，避免 Key 泄露和个人开发者的额度被滥用。

11.6 合规使用生成内容

生成法线贴图时，不要使用未授权的人脸、品牌标志、受版权保护的游戏/影视资产作为参考输入。用于商业项目时，先确认服务条款对生成内容版权与使用范围的定义。合法授权、隐私保护、版权合规，是一条不能省略的底线。

12. 总结与下一步

Gemini 3 Pro 生成法线贴图这个能力，最值得尝试的点是：它把传统需要高模烘焙、UV 展开、专用工具处理才能得到的贴图，压缩成了一次 API 调用。对技术美术、独立开发者和 AI 落地工程师来说，这是一个可以快速接入现有工作流的新工具。

建议你按这个顺序验证：先跑通一次 API 调用拿到 PNG，然后用 Blender 球体加侧光检查法线方向，再测试平铺属性，最后把批量脚本跑起来。最容易踩的坑集中在三个地方：提示词没写“切线空间法线贴图”导致输出普通纹理、贴图当 sRGB 导入导致画面发紫、凹凸方向不一致导致表现反了。

后续你可以继续尝试的方向：把生成的多个贴图通道（Albedo、Normal、Roughness）组合成一套程序化材质；把法线贴图生成接入自动建模流程；或者利用批量接口做一个小型材质库，按主题批量产出贴图资产。先把单张贴图的验证流程跑通，后续所有扩展都会顺畅很多。