A szövegből képet generáló mesterséges intelligencia alig néhány év alatt egy kutatási eredményből professzionális alkotói eszközzé fejlődött. Ma már bárki leírhat egy képet természetes nyelven, és másodpercek alatt kiváló minőségű eredményt kaphat – nincs szükség tervezőszoftverre, képadatbázis-előfizetésre, sem pedig technikai ismeretekre.
Ez az útmutató minden olyan információt tartalmaz, amelyet a kezdőknek tudniuk kell: a technikai alapokat, a hatékony promptírás módját, a különböző feladatokhoz leginkább megfelelő modellek kiválasztását, valamint a kezdők által elkövetett gyakori hibákat.
Mi az a „Szövegből kép” AI?
A „Szövegből kép AI” egy olyan generatív modell, amely szöveges leírásokat (ún.nyom”) vizuális képekké alakít át. Ha beírod, hogy „egy vörös róka ül a szürkületben egy havas erdőben, olajfestmény stílusban”, a modell létrehoz egy képet, amely megfelel a leírásnak.
A technológia mögött adiffúziós modell” (kiterjesztéses generálás) elnevezésű módszer áll. A modell véletlenszerű zajból indul ki, majd a prompt (utasítás) iránymutatásával fokozatosan finomul, amíg egy koherens képet nem generál. A modern kiterjesztéses modelleket több százmillió kép-szöveg párra edzik, ezért képesek ilyen széles körű leírásokat feldolgozni – a hiperrealista portréktól az absztrakt művészeten át a termékvázlatokig mindenre kiterjedően.
Hogyan működik valójában a szövegből képet generáló mesterséges intelligencia?
Az alapelvek megértése jelentősen javíthatja a promptírási képességeidet.
A folyamat három fő szakaszra osztható:
1. Szövegkódolás— A megadott szöveget a nyelvi modell (hasonlóan ahhoz, ahogy a ChatGPT kezeli a szöveget) numerikus formába alakítja át, hogy megragadja a szöveg szemantikai jelentését.
2. Potenciális proliferáció— A modell a tömörített rejtett térben véletlenszerű zajból indul ki, majd fokozatosan eltávolítja a zajt, és az eredményt a prompt jelentése felé tereli. Minden lépéssel a kép egyre élesebbé válik.
3. Dekódolás— A feldolgozott rejtett ábrázolás letölthető, teljes felbontású képpé alakítható.
Fontos tudnivaló: A modell nem úgy „rajzol” képet, mint az ember, hanem statisztikailag rekonstruál egy olyan képet, amely megfelel a képzés során megtanult mintáknak. Éppen ezért a konkrét, leíró jellegű utasítások sokkal hatékonyabbak, mint a homályosak.
Első kulcsszó: 5 kulcsfontosságú elem
A legtöbb kezdő által írt leírás túl rövid és túl homályos. Egy jó leírás általában öt elemből áll:
1. Téma
Mi a fő hangsúly? Legyen konkrét!
- Gyenge: egy kutya
- Erős: egy golden retriever kölyökkutya
2. Mozgás vagy testtartás
Mit csinál a szereplő?
- Gyenge: ül
- Erős: oldalra fekszik, az első mancsait előre nyújtja, a szeme félig csukva
3. Környezet
Hol játszódik a jelenet?
- Gyenge: Kint
- Erős: Ősszel, egy viharvert fa verandán, körülötte szétszóródott juharfalevelek
4. Fény
A fény szinte minden más elemnél nagyobb hatással van a hangulatra.
- Gyenge: (nincs fényinformáció)
- Erős: lágy, aranyszínű „aranyóra” háttérvilágítás, meleg borostyánszínű árnyalatok, kis mélységélesség
5. Stílus vagy médium
Milyen stílusban kell megjeleníteni a képet?
- Gyenge: Realista
- Erős: 35 mm-es filmfotózás, Fuji Superia 400, enyhe színtelenítés
Teljes példa:„Egy golden retriever kölyökkutya fekszik az őszi szél által megkopott fa verandán, körülötte juharlevelek hevernek; lágy, aranyszínű háttérvilágítás, meleg borostyánszínű tónusok, kis mélységélesség, 35 mm-es filmfelvétel, Fuji Superia 400, enyhe színtelítettségcsökkentés”
Amint a fenti ábrán látható, hatalmas a különbség a szokásos és a részletes leírások között. Ugyanazon jelenet esetében minél pontosabb a leírás, annál professzionálisabb az eredmény.
A megfelelő modell kiválasztása a GPT Image 2-n
A különböző modelleknek megvannak a maguk előnyei; a megfelelő modell kiválasztásával időt és krediteket takaríthat meg.
| modellezés | A legjobb forgatókönyvek | tempo | Részletezési szintek |
|---|---|---|---|
| Nano Banana 2 | Univerzális, multifunkcionális | éles (a kések vagy az ész) | a (tiszteletbeli) |
| Nano Banana Pro | Portré, finom részletek, realisztikus | középső | nagyon magas |
| Nano Banana | Gyors vázlatok, koncepcionális feltárások | nagyon gyors | középső |
| Seedream | Művészeti stílus, illusztráció | középső | a (tiszteletbeli) |
| GPT Image 1.5 | Összetett jelenetek, szöveg képekben | lassan | nagyon magas |
| Z-Image | Filmszerű, drámai jelenetek | középső | a (tiszteletbeli) |
| Flux 2 | Absztrakció, kreatív kísérletezés | éles (a kések vagy az ész) | a (tiszteletbeli) |
**Gyakorlati elvek:**A legtöbb feladat a Nano Banana 2-vel kezdődik. Ha portréminőségre vagy finom részletekre van szükség, válts át a Nano Banana Pro-ra. Ha a leírásban szerepel, hogy a képen szövegnek kell megjelenni, használd a GPT Image 1.5-öt.
6 gyakori helyzet és példa a prompt szövegekre
Közösségi média tartalom
„Reggeli kávé felülnézetből, kerámia bögre latte-mintával, kinyitott napló, friss virágok egy kis vázában, természetes ablakfény, lágy árnyékok, életmódfotózás, meleg, semleges színek”
Termékfotó
„Minimalista parfümös üveg fekete márványfelületen, drámai oldalsó megvilágítás, egyetlen jobb oldali fényforrás, luxuskozmetikai reklám, sötét, titokzatos háttér, 4K-s üzleti fotózás”
Koncepciórajz
„A felhők felett lebegő jövőbeli város, az art deco építészet és a sci-fi elemek ötvözete, aranytornyok és üvegtornyok, a naplemente meleg fényei, tágas panorámaképek, digitális háttérrajzok, rendkívül részletgazdag”
Portré
"40 év feletti, magabiztos nő stúdióban készült portréja, természetes arckifejezés, nagy ablakon beáramló természetes fény, Rembrandt-megvilágítás, kis mélységélesség, Canon 5D Mark IV, 85 mm-es objektív, professzionális igazolványkép"
Háttérkép
„Absztrakt folyadékművészet, mélytengeri kék-zöld és fémes arany vonalak fonódnak össze és forognak, makrofotó, sima, nedves felületi textúra, díjnyertes művészi fotó”
Logó és márka koncepció
„Technológiai startupok számára készült minimalista, geometrikus logókoncepció: egyszínű, letisztult vonalak, fehér háttér, vektoros stílus, professzionális márka arculattervezés”
Magasság-szélesség arány: melyiket válasszuk?
A kép arányai legalább annyira befolyásolják a kép által keltett benyomást, mint maga a tartalom.
| arányok | méretek | legmegfelelőbb |
|---|---|---|
| 1:1 | négyzet | Instagram bejegyzések, avatarok |
| 16:9 | merőleges | YouTube miniatűrök, blog borítók, háttérképek |
| 9:16 | függőlegesen | Instagram Stories、TikTok、Pinterest |
| 4:3 | norm | Prezentációk, általános weboldalak |
| 3:2 | Fotó szabványok | Nyomtatás, kiváló minőségű szerkesztés |
5 gyakori hiba, amit a kezdők elkövetnek
1. Túl rövid jelzők— „Egy hegy” túl kevés információt ad az AI-nek. Adj hozzá fényviszonyokat, stílust, hangulatot és érzelmeket is.
2. Ellentétes irányelvek— A „sötét és világos” vagy a „finom és minimalista” megközelítés megzavarhatja a modellt. Válasszon egy irányt.
3. A tökéletesség elvárása az első alkalommal— A kulcsszavak módosítása előtt készítsen elő 3–5 változatot. A természetes véletlenszerűség gyakran váratlan meglepetéseket tartogat.
4. A negatív jelzések figyelmen kívül hagyása— A legtöbb platformon beállíthatod, hogy milyen tartalmakat nem szeretnél látni. Alapbeállításként add hozzá a „homályos, rossz minőségű, felesleges testrészek, torzítás” kifejezéseket a tiltott kulcsszavak listájához.
5. A rossz forgatókönyv modellezése— Ha általános modellt használunk portrék készítéséhez, vagy portrémodellt absztrakt művészethez, az eredmény mindkét esetben középszerű lesz. A modellt a feladathoz kell igazítani.
Az első kép létrehozásának lépései a GPT Image 2-n
- Látogasson el a GPT Image 2 oldalra
- Válassza ki azNano Banana 2” modellt kiindulási modellként
- Írjon leíró szavakat a fenti 5 elemből álló szerkezet alapján
- Képarány kiválasztása (a legtöbb tartalomhoz 16:9, a közösségi médiához 1:1)
- Kattintson a „Létrehozás” gombra, és várjon körülbelül 15 másodpercet
- Ha az eredmény nem kielégítő, minden alkalommal csak egy elemet módosítson – ne írja át az egész leírást
Az új felhasználók regisztráció után ingyenes krediteket kapnak, amelyek elegendőek ahhoz, hogy különböző promptokkal és modellekkel többször is kísérletezzenek.
Következő lépés
Miután elsajátítottuk a „Szövegből kép” alapjait, a következő lépés a „Képből kép AI” – azaz a referencia-képek segítségével történő generálás –, amelynek segítségével konzisztensebb és jobban szabályozható eredményeket érhetünk el.
A promptírás részletes technikáiról bővebben a „AI Picture Cue Word útmutató” című cikkünkben olvashat.
