昔に比べて較的文字化けの頻度は減ったと思いますが、文字数が増えるとどうしても精度が下がりを起こします。

これは、文字を図形として認識して似たような形にするためだと思います。
単語であれば成功確率高いですし、英語の方が正確です。

どういったテキストを想定してましたでしょうか？

画像の文字部分、AIで作るとどうしてもおかしい感じになってしまうので、自分は文字部分はあとからfigmaとかで直接打ち込む前提で作ったりしています、、！
質問の回答にはなっておらず恐縮ですが、参考までに..

画像生成する前に日本語フォントのファイルをアップロードし、その後にそれを使用して画像を生成するようにお願いすると上手くいくかもしれないです！