تولید تصویر با هوش مصنوعی

مدل تصویر دقیقا چه کاری می کند

مدلی که روی میلیون ها تصویر و توضیح آموزش دیده، از روی جمله شما یک تصویر تازه می سازد. جستجو نمی کند، فایلی را از جایی برنمی دارد، و تصویری را پیدا نمی کند؛ هر پیکسل خروجی همان لحظه ساخته می شود.

این تفاوت یک نتیجه عملی دارد که اکثر آموزش های فارسی از کنارش رد می شوند. اگر دو بار یک پرامپت را بزنید، دو تصویر متفاوت می گیرید و نه یک تصویر بهتر. پس آن عادت رایج، یعنی زدن دکمه تولید تا وقتی یکی از خروجی ها خوب در بیاید، در واقع دارد شانس می خرد. اهرم واقعی جای دیگری است.

آن اهرم تصویر مرجع است: یک یا چند تصویر که همراه پرامپت می فرستید تا مدل شکل و سبک و شخصیت را از آنها بردارد. این تنها راهی است که یک محصول یا یک آدم در ده تصویر پشت سر هم یکسان بماند، و همان چیزی است که فاصله بین یک تصویر بامزه و یک ست تصویر قابل تحویل را پر می کند. سقف تعداد تصویر مرجع بین مدل ها فرق دارد و در بخش بعد عددهایش آمده.

یک نکته دیگر که در روز اول به چشم نمی آید: این مدل ها دو کار جدا انجام می دهند و در آن دو کار یکسان نیستند. ساخت تصویر از متن یک کار است و ویرایش یک تصویر موجود کار دیگری، و ترتیب مدل ها در این دو با هم فرق دارد. اگر کار شما بیشتر ویرایش است، رتبه ساخت از متن جواب سوال شما نیست.

و آخرین چیزی که باید همین اول گفته شود: خروجی مدل یک فریم است، نه یک فایل تحویلی. برش، فرمت، حجم، رنگ نهایی و هر متنی که قرار است روی تصویر بنشیند هنوز کار شماست. تصویری که مستقیم از مدل به سایت مشتری برود، معمولا هم بزرگ تر از چیزی است که باید و هم دقیقا آن چیزی نیست که خواسته بودید.

کدام مدل ها امروز عدد دارند

در بخش هوش مصنوعی همین سایت شش مدل تصویری با وزن و منبع اعلام شده رتبه بندی شده اند و آن جدول را اینجا دوباره نمی سازیم؛ رتبه بندی مدل های ساخت تصویر جای خودش است. چیزی که یک طراح باید از آن جدول بردارد سه خط است.

خط اول: جی پی تی ایمیج ۲ امروز تنها مدلی است که هر دو تخته سنجش را می برد، هم ساخت از متن و هم ویرایش. خط دوم: نانو بنانا پرو، یعنی مدل گران گوگل، از مدل ارزان خودش نانو بنانا ۲ پایین تر نشسته و دو برابر قیمت دارد. خط سوم: از این شش مدل فقط یکی وزن باز دارد و می شود روی سخت افزار خودتان اجرایش کرد.

قیمت ها را روز نوشتن این درس دوباره از صفحه خود سازنده خواندیم و هر پنج عدد با آنچه در بخش هوش مصنوعی ثبت شده یکی بود. ارزان ترین، فلاکس ۲ کلاین ۴B با ۰.۰۱۴ دلار برای هر تصویر است. جی پی تی ایمیج ۲ در کیفیت متوسط ۰.۰۵۳ دلار می گیرد و در کیفیت بالا ۰.۲۱۱ دلار، یعنی چهار برابر. نانو بنانا ۲ برای تصویر یک کی ۰.۰۶۷ دلار است، فلاکس ۲ مکس از ۰.۰۷ دلار شروع می شود، و نانو بنانا پرو ۰.۱۳۴ دلار.

سقف تصویر مرجع هم عددهای منتشرشده خودش را دارد و برای کار تکراری مهم تر از رتبه است: نانو بنانا ۲ تا ده تصویر شی می پذیرد، نانو بنانا پرو شش تا، فلاکس ۲ روی واسط برنامه نویسی تا هشت تا و کلاین ۴B تا چهار تا. اگر قرار است یک محصول ثابت در یک ست تصویر تکرار شود، همین ستون تصمیم شما را می گیرد و نه ستون کیفیت.

و یک چیزی که فقط با اجرا کردن معلوم می شود: ردیفی که در لیدربورد اول شده، اسم یک پیکربندی است و نه اسم یک مدل. ردیف اول جی پی تی ایمیج ۲ کیفیت متوسط است، همان ۰.۰۵۳ دلار. اگر کیفیت بالا را انتخاب کنید هزینه تان چهار برابر می شود بدون اینکه هیچ عدد سنجیده شده ای پشت آن انتخاب باشد.

چرا اسم میدجرنی در هیچ جدولی از ما نیست

میدجرنی در فهرست پیشنهادهای فارسی همه جا هست و در جدول ما هیچ جا نیست. دلیلش این نیست که بد است، این است که چیزی از آن نخوانده ایم.

روز نوشتن این درس دوباره امتحان کردیم: صفحه اصلی، مستندات و حتی فایل robots.txt سایت میدجرنی، هر سه از سرور ما کد ۴۰۳ برمی گردانند. یعنی نه صفحه قیمتش را می شود خواند، نه شرایط استفاده اش را، و نه حتی آن قاعده ای را که قرار است رعایتش کنیم. برای مقایسه، سایت مستندات اوپن ای آی و گوگل و بلک فارست لبز هر سه از همین سرور باز می شوند.

و چیزی که مهم تر است: میدجرنی روی هیچ کدام از دو تخته سنجش تصویر ردیف ندارد. بخش هوش مصنوعی همین سایت آخرین بار در ۲۱ مرداد ۱۴۰۵ آن دو تخته را خوانده است: هفتاد و هفت مدل روی ساخت از متن و پنجاه و سه مدل روی ویرایش، و اسمش در هیچکدام نبود. پس نه فکتی داریم و نه شاهدی، و ردیف بی عدد هم برایش نمی سازیم.

موضع ما همین است و ساده هم هست: اگر جایی خواندید فلان ابزار بهترین است، بپرسید عددش کجاست. یک فهرست ده تایی از ابزارها بدون یک ستون سنجیده، محتوای سئویی است و نه راهنمای خرید. این حرف علیه میدجرنی نیست؛ علیه هر توصیه ای است که منبع ندارد، از جمله توصیه های ما اگر روزی منبعش را ننویسیم.

پرامپت تصویر را چطور بنویسیم

پرامپت خوب توصیف نیست، بریف است. یعنی به جای اینکه یک جمله شاعرانه بنویسید، شش چیز را صریح تعیین می کنید و بقیه را به مدل می سپارید: سوژه، حالت یا کاری که می کند، قاب و فاصله دوربین، نور، جنس یا سبک، و پالت رنگ. هر کدام از این شش تا را ننویسید، مدل خودش یکی انتخاب می کند و شما تازه وقتی خروجی را دیدید می فهمید چه انتخابی کرده.

چیزی که کمتر گفته می شود: صفت اضافه کردن معمولا کمکی نمی کند. «فوق العاده باکیفیت، هشت کی، سینمایی، جایزه گرفته» یک ردیف کلمه است که هیچ قید واقعی به تصویر اضافه نمی کند. در عوض یک عدد یا یک نسبت واقعی خیلی کار می کند: قاب افقی، سوژه در یک سوم چپ، فضای خالی بالای کادر برای متن. اینها چیزهایی اند که وقتی تصویر را داخل طرح می گذارید معلوم می شود لازم بوده اند.

قید منفی هم بنویسید، ولی کوتاه. فهرست بلند چیزهایی که نمی خواهید، در عمل به همان اندازه فهرست چیزهایی که می خواهید طول می کشد و نتیجه اش را هم نمی شود از قبل حدس زد. دو یا سه مورد که واقعا هر بار خراب می شوند کافی است.

و آخرین قدم که تفاوت اصلی را می سازد: وقتی یکی از خروجی ها سبک درستی داشت، آن را به عنوان تصویر مرجع نگه دارید و بقیه ست را با همان بسازید. این کاری است که ستون تصویر مرجع در بخش قبل برایش وجود دارد، و تنها راهی است که ده تصویر یک مجموعه شبیه هم در بیایند. کسی که این را بلد نیست، هر بار از صفر شانس می زند.

متن فارسی داخل تصویر، همان جایی که کار می شکند

این سوال برای یک طراح ایرانی مهم ترین سوال ممکن است و صادقانه ترین جوابی که داریم این است: هیچ سازنده ای عددی درباره اش منتشر نکرده.

گوگل متن مدل هایش را «پیشرفته» توصیف می کند. اوپن ای آی خودش می نویسد که خروجی هنوز ممکن است در متن مشکل داشته باشد. بلک فارست لبز یکی از نسخه هایش را «تخصصی برای تایپوگرافی» می نامد. سه صفت، صفر اندازه گیری، و هیچکدام از این سه هم اصلا درباره فارسی حرف نزده اند. ما هم این شش مدل را روی فارسی آزمایش نکرده ایم و تا نکنیم عددی نمی نویسیم.

ولی یک توصیه عملی هست که به عدد نیاز ندارد و از سال ها کار با تصویر روی سایت فارسی می آید: متن را داخل تصویر تولید نکنید. تصویر را بدون هیچ نوشته ای بسازید و متن را در ابزار طراحی یا مستقیم با سی اس اس روی آن بگذارید. سه چیز را همزمان می برید: حروف درست، امکان ترجمه همان تصویر به زبان دیگر، و متنی که موتور جستجو و صفحه خوان می توانند بخوانند.

حالت هایی هم هست که این توصیه جواب نمی دهد، مثلا وقتی متن باید روی یک سطح منحنی یا داخل صحنه بنشیند. آنجا هم راه درست این نیست که به مدل امید ببندید؛ راه درست یک پاس ویرایش با ابزار طراحی است.

تصویری که ساختید مال کیست

برای کار شخصی این سوال جدی نیست. برای کاری که فاکتور دارد، جواب باید قبل از ساخت تصویر معلوم باشد و نه بعد از تحویل.

گوگل در شرایط اضافی واسط برنامه نویسی جمینای صریح نوشته است که مالکیت محتوایی را که شما تولید می کنید ادعا نمی کند، و بلافاصله جمله دوم را هم اضافه کرده: می پذیرید که گوگل ممکن است همان محتوا یا شبیه آن را برای دیگران هم تولید کند و همه حقوق این کار برای خودش محفوظ است. یعنی چیزی که می گیرید مالکیت است و نه انحصار. برای یک لوگو این تفاوت کل ماجراست.

بلک فارست لبز پروانه ها را روشن تر نوشته چون وزن مدل را منتشر می کند: فلاکس ۲ کلاین ۴B زیر آپاچی ۲.۰ است، یعنی کار تجاری هم آزاد است و روی کارت گرافیکی با حدود سیزده گیگابایت حافظه اجرا می شود. نسخه ۹B همان خانواده زیر پروانه غیرتجاری خودشان است و نسخه dev هم غیرتجاری. یک اسم خانوادگی، سه شرط متفاوت؛ اگر «فلاکس رایگان است» را جایی خواندید، بپرسید کدام فلاکس.

درباره اوپن ای آی و میدجرنی یک محدودیت خودمان را باید بگوییم: صفحه های شرایط استفاده هر دو از سرور ما ۴۰۳ می دهند. مستندات فنی اوپن ای آی باز می شود و ما فقط از همان نقل می کنیم؛ درباره چیزی که نخوانده ایم چیزی نمی نویسیم. اگر تصویری با یکی از این دو ساخته اید و قرار است در کار مشتری برود، شرایط را از حساب خودتان بخوانید.

و یک نکته که هیچ پروانه ای حلش نمی کند: مالکیت داشتن با اصیل بودن یکی نیست. تصویری که مدل ساخته می تواند قانونا مال شما باشد و باز هم شبیه دویست تصویر دیگر باشد که همان هفته با همان مدل ساخته شده اند. برای هویت بصری یک برند، این خودش یک ریسک است.

کجا از این تصویرها استفاده کنیم و کجا نه

موضع ما ساده است: تصویر هوش مصنوعی جای عکس نیست، جای عکس آرشیوی است.

هر جا که تصویر نقش تزئین دارد و کسی از روی آن تصمیم نمی گیرد، این مدل ها از هر بانک تصویری بهتر و ارزان تر جواب می دهند: پیش نویس یک ایده برای مشتری، تصویر پس زمینه یک اسلاید، شکل توضیحی داخل یک مقاله، مود بورد. آنجا سرعت ارزش دارد و اصالت ارزشی ندارد.

و هر جا که تصویر خودش ادعا دارد، نه. عکس محصولی که قرار است مشتری از رویش خرید کند، عکس تیم، عکس نمونه کار، هر تصویری که می گوید «این ما هستیم» یا «این کالای شماست». تصویر ساختگی در این جاها فقط یک مشکل حقوقی نیست، یک شکاف اعتماد است که وقتی کسی متوجهش شود دیگر بسته نمی شود.

یک لایه سوم هم هست که بیشتر آموزش ها اصلا از آن حرف نمی زنند: تصویری که این مدل ها می سازند معمولا بی نشان نیست. مدل های تصویری گوگل روی هر خروجی یک واترمارک نامرئی می گذارند و بعضی سرویس ها یک شناسنامه امضاشده هم به فایل می چسبانند. اگر می خواهید بدانید داخل فایلی که آپلود می کنید چه چیزی هست، درس واترمارک تصویر هوش مصنوعی و SynthID دقیقا همین را باز می کند.

و اگر خروجی باید یک فایل آماده انتشار باشد و نه یک فریم خام، این همان کاری است که در خدمت طراحی گرافیک انجام می شود.