文本转3D生成是从自然语言提示中生成三维模型、网格或场景的任务，而非平面图像或视频。它处于文本转图像生成与3D计算机图形学的交叉点，截至2020年代中期，其成熟度仍不如对应的2D技术，所生成的几何体和纹理往往需要人工清理才能用于生产场景。
基础
该领域依托于两项与深度学习同步发展的图形技术。神经辐射场（NeRF）于2020年引入，将3D场景表示为一种神经网络，能预测空间中任意点的颜色和密度，从而从稀疏的输入照片集中渲染出照片级逼真的新视角。3D高斯溅射于2023年引入，将场景表示为大量柔软的、带颜色的椭球体集合，以匹配输入视角，具有相当的视觉质量但渲染速度更快，迅速成为实时应用中对NeRF的热门替代方案。仅凭这两种技术本身无法从文本生成新内容；它们都是早期文本转3D系统利用2D模型的监督信号来优化学习的表示。
文本转3D的方法
早期文本转3D方法，如2022年的DreamFusion，使用预训练的扩散模型作为监督信号：将3D表示从随机视角反复渲染，根据2D扩散模型提示，每个渲染图像都被驱使其更好地匹配文本提示，这是一个缓慢的、逐对象的优化过程，单个结果可能需要较大的计算量。后来的系统转向前馈生成，训练一个网络直接从文本或单幅输入图像预测3D表示，在保持一定画质的情况下大幅缩短生成时间，这与文本转图像模型从优化转向直接生成的方式相似。
应用
文本转3D工具用于游戏开发中的快速原型制作、产品可视化、虚拟现实和增强现实内容、以及影视预告片前期的资产创建，在这些场景中，一个粗略的3D草稿可以为模型师节省不少手工建模时间，即使之后仍需人工细化。该技术也被视为世界模型研究和具身智能的潜在输入，因为需要在真实或虚拟3D环境中规划和行动的智能体，若能生成合理的3D内容和场景而不仅仅依赖预设资产，将大大受益。
局限性
与2D图像和视频生成相比，文本转3D输出通常在几何一致性、纹理质量和生成可直接用于标准3D软件流程的、干净可编辑网格的能力上有所欠缺。多视角一致性，即生成一个从各个角度皆正确而非仅从优化时所取视角正确的形状，仍是核心的技术挑战。截至2025年，文本转3D被认为是比文本转图像或视频生成更早期阶段的领域。虽然主要实验室和专门初创公司都在积极研究之中，但在图像领域，尚无与Midjourney或Stable Diffusion相匹敌的单一主导商用产品。