zi2zi 是比較早期的 GAN 架構，現在的主流技術已經轉向擴散模型 (Diffusion Models) 或更精細的元件解耦技術，這讓字型推論在處理複雜的中文字或是風格極端的設計時，效果比以前好很多。
Few-shot Font Generation 簡稱 FFG，這是一種利用人工智慧自動生成字體的技術。傳統製作一套字體需要設計師逐一繪製數千個甚至上萬個漢字，耗時耗力。FFG 的核心目標是只要給程式看少數幾個字樣（通常是 1 到 10 個），它就能學會該字體的風格特色，並自動推導出剩下所有沒看過的文字。
核心運作機制
FFG 通常使用深度學習中的生成對抗網路（GAN）或擴散模型（Diffusion Model）來達成。它會把一個字拆解成內容與風格兩個維度。內容指的是這個字是什麼字（例如：木字部的結構），而風格則是筆畫的粗細、鉤筆的弧度或裝飾。程式在看到參考字樣後，會提取出風格特徵，再將這些特徵套用到其他標準字體的骨架上，從而產出風格統一的新字體。
常見的技術挑戰
漢字的結構非常複雜，具有大量的偏旁部首。如果訓練樣本太少，AI 很難掌握細微的書寫規律，容易導致生成的字體筆畫斷裂、結構歪斜，或者無法處理部首繁雜的生僻字。目前主流的研究方向在於如何讓 AI 更準確地分離內容與風格，以及如何利用跨語言的資訊（例如從韓文或日文學到的風格）來輔助漢字生成。
實際應用場景
這項技術對個人創作者或字型公司非常有幫助。如果你有一手漂亮的書法，只需要寫下幾個範例，AI 就能幫你完成一整套屬於自己的手寫體。在商業上，它也能加速品牌標準字的產出，或是讓遊戲、網頁開發者能根據特定氛圍快速切換不同風格的標題字，大幅降低設計成本。
FontDiffuser 與擴散模型技術
這是 2024 年 AAAI 發表的作品，也是目前 GitHub 上很熱門的專案。
https://github.com/yeungchenwa/FontDiffuser
它捨棄了傳統 GAN 的作法，改用去噪擴散模型。這項技術的優點在於它能處理結構非常複雜的中文字，並透過多尺度內容聚合與風格對比學習，讓推論出來的字型在筆畫細節上比 zi2zi 準確很多。它只需要提供一張風格參考圖，就能進行風格遷移，甚至可以做到跨語言推論，例如用中文風格產出韓文字。
MX-Font 及其最新演進 MX-Font++
MX-Font 是一系列針對中文這類具有組字零件特性的字型所設計的模型。
MX-Font++: Mixture of Heterogeneous
Aggregation Experts for Few-shot Font Generation
https://arxiv.org/pdf/2503.02799
最新的 MX-Font++ 在 2025 年發表，它引入了混合異質聚合專家 (MOHAE) 機構。簡單來說，它把每個中文字拆解成不同的組件，並讓不同的專家模型負責提取特定的風格特徵。這種作法能有效解決風格與內容糾纏不清的問題，避免產生的字型出現筆畫斷裂或風格不統一的情況，非常適合處理中文這類字數龐大的語系。
mxfont
https://github.com/clovaai/mxfont
Few-shot Font Generation
https://github.com/clovaai/fewshot-font-generation
Generate Like Experts 與多階段生成
這是在 CVPR 2024 提出的新思路。研究人員發現字型設計師在畫字時通常是先定輪廓再補細節，因此他們開發了一種多階段的生成框架。第一階段先確定字符的全局結構，第二階段再透過擴散過程填補細節風格。這種方法能顯著減少生成過程中的結構錯誤，產出的成品看起來更像由專業設計師手繪的字體，而非電腦生硬模擬的圖像。
FontAnimate 提升生成一致性
2025 年發表的 FontAnimate 則是將字型生成視為一種動態演化的過程。
https://openaccess.thecvf.com/content/ICCV2025/papers/Fu_FontAnimate_High_Quality_Few-shot_Font_Generation_via_Animating_Font_Transfer_ICCV_2025_paper.pdf
它參考了影片生成的邏輯，確保從原始字型轉換到目標風格字型的過程中，每一筆一劃的變動都是連貫且符合邏輯的。這項技術解決了以往模型在處理風格差異極大的參考圖時，容易產出崩壞字元的問題，大幅提升了生成結果的穩定性與視覺美感。
VecFusion 向量化字型生成
如果你需要的是可以直接使用的字型檔 (TTF/OTF)，而非單純的圖片，VecFusion 是 2024 年比較關鍵的技術。它直接在向量空間中進行擴散生成，這意味著它產出的結果天生就是向量路徑，不需要再經過圖片轉向量的二次失真過程。這對於需要高品質、可無限縮放的專業字型開發來說，是非常實用的技術進展。
FontCLIP: A Semantic Typography Visual-Language Model for Multilingual Font Applications
https://yukistavailable.github.io/fontclip.github.io/
Code:
https://github.com/yukistavailable/FontCLIP
這是一個非常有趣的專案，FontCLIP 將 OpenAI 的 CLIP 模型應用在字型領域，打破了傳統字型推論只能靠圖片對圖片（Image-to-Image）的局限，引入了文字描述（Text-to-Font）與風格語義的維度。
FontCLIP 的核心技術與特點如下：
跨模態的字型理解
FontCLIP 最大的突破在於它建立了一個共同的嵌入空間（Embedding Space），將字型圖像與自然語言描述連結在一起。傳統的 zi2zi 只能理解像素的變動，但 FontCLIP 能理解什麼是「優雅的」、「恐怖的」、「現代的」或「復古的」。這意味著你可以透過輸入形容詞，讓模型去尋找或生成符合該語義特徵的字型細節。
屬性控制與調整
不同於以往模型只能概略地模仿風格，FontCLIP 允許使用者透過文字指令來微調字型屬性。例如，你可以要求字型變得「更粗一點」或「更具裝飾性」。這種基於語義的控制（Semantic Control）讓字型設計不再只是黑盒子的隨機產出，而是具備了可解釋的設計參數。
零樣本字型辨識 (Zero-shot Recognition)
由於它繼承了 CLIP 強大的泛化能力，FontCLIP 可以辨識出它在訓練期間從未見過的字型風格分類。只要你給它一個新的形容詞，它就能在字型庫中定位出最接近該感覺的字型，或者引導生成模型往該方向演化。
對字型開發者的意義
對於像你這樣具備全端開發經驗且對字型有研究的使用者來說，FontCLIP 提供了一個新的自動化維度。它不只可以用來生成字型，更可以用來建立「字型搜尋引擎」或是「自動化風格標註系統」。你可以利用它來處理大量字型檔，自動為它們分類或打上風格標籤，省去人工標註的成本。
實際運用的挑戰
雖然 FontCLIP 在理解「風格」上非常出色，但它通常需要與其他的生成器（如 Diffusion 或 GAN）配合使用。單純的 FontCLIP 主要是負責「理解」與「對齊」，如果要產出高品質、可商用的字型檔（TTF/OTF），通常會將 FontCLIP 的輸出作為條件（Condition），輸入到像 FontDiffuser 這樣的生成模型中，才能兼顧語義準確度與筆畫細節。
你是否在考慮將這種語義搜尋或文字描述控制的功能，整合到你目前的字型開發流程中？