Text Encoder (Bộ mã hóa văn bản) là một thành phần của Stable Diffusion chịu trách nhiệm chuyển đổi prompt văn bản thành một biểu diễn vector được gọi là text embedding. Text embedding này nắm bắt ý nghĩa ngữ nghĩa của prompt và được sử dụng bởi UNet để hướng dẫn quá trình tạo hình ảnh. Bộ mã hóa văn bản thường là một mô hình ngôn ngữ lớn được huấn luyện trước, chẳng hạn như CLIP, có thể hiểu và biểu diễn ý nghĩa của văn bản.