የAI ምስል ጥያቄ መመሪያ

አብዛኞቹ ሰዎች የሚመጡት በ SDXL ላይ በተማሩት የጥያቄ ልማዶች ነው፦ በኮማ የተለያየ የስሞች ሕብረቁምፊ፣ የጥራት ቃላት መግቢያ፣ ጥቂት በቅንፍ የተከበቡ ክብደቶች፣ እንዲሁም እንደ አዎንታዊው የሚረዝም አሉታዊ ጥያቄ። እነዚያ ልማዶች ለእነዚያ ሞዴሎች ትክክል ነበሩ፤ እዚህ ግን ተቃራኒ ውጤት አላቸው። ይህ በእውነት የሚሠራው ነገር አጭር ቅጂ ነው — Shannon የመፍጠሪያውን ጥያቄ ራሱ ስለሚጽፍልህና ምንም ከመሳሉ በፊት ስለሚያሳይህ ደግሞ Shannon የሚያቀርበውን የማንበብና የማረም መመሪያም ጭምር ነው።

01ትረካ ከመለያዎች ለምን ይሻላል፦ ሞዴሉ እንደ ቋንቋ ሞዴል ያነባል

አብዛኛው የጥያቄ ምክር የተጻፈላቸው የቀድሞ የስርጭት ሞዴሎች ይጠቀሙ የነበረው የጽሑፍ ኢንኮደር በተግባር እንደ የፅንሰ ሐሳብ ከረጢት ይሠራ ነበር፦ ሰዋስው ብዙም አይጠቅምም ነበር፤ አሸናፊው ስልትም ተዛማጅ ስሞችን ማከማቸትና በክብደት ማዘንበል ነበር። የመለያ ክምር ለዚያ ኢንኮደር ትክክለኛው የጥያቄ ቅርጽ ነበር።

የ Shannon የምስል ሞዴል ግን በዚያ መንገድ አይሠራም። ጥያቄን የሚያነበው ቋንቋ ሞዴል ጽሑፍን በሚያነብበት መንገድ ነው፤ ስለዚህ አገባብ ትርጉም ይሸከማል። "Holding an umbrella against her shoulder" በሰው፣ በዕቃና በሰውነት ክፍል መካከል ያለ ግንኙነት ነው፤ "umbrella, shoulder" ግን በአጋጣሚ የተገኙ ሁለት ነገሮች ናቸው። መስተዋድዶች ነገሮችን ያስቀምጣሉ። ግሦች አቀማመጥ ይፈጥራሉ። ሐረጎች ዝርዝርን በምስሉ ላይ እንዲንሳፈፍ ከመተው ይልቅ ከትክክለኛው ስም ጋር ያያይዙታል።

ተመሳሳዩ ምስል በሁለቱም መንገዶች ተጠይቆ እነሆ።

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

የመለያው ቅጂ ሊገልጸው የማይችለውን ተመልከት። ጃንጥላው እንደተያዘ ፈጽሞ አይናገርም፤ ስለዚህ መሬት ላይ ተኝቶ ሊገኝ ይችላል። ኒዮኑ በአስፋልቱ ላይ እንደሚንጸባረቅ ፈጽሞ አይናገርም፤ ሁለቱም እንዳሉ ብቻ ይናገራል፤ ስለዚህ ምልክቶችንና እርጥብ መንገድን ታገኛለህ፣ በመካከላቸው ግን ምንም የብርሃን ግንኙነት የለም። ሴቲቱ ወዴት እንደምትመለከት ፈጽሞ አይናገርም፤ ስለዚህ አቀማመጧ የዕድል ጉዳይ ነው። "Cinematic lighting" የስሜት መለያ እንጂ የብርሃን ምንጭ አይደለም። የመጨረሻዎቹ አምስት ቃላትም ጫጫታ ናቸው፤ እንደ መቆጣጠሪያ መያዣ ሳይሆን ስለ ፎቶግራፍ እንደ ተጻፉ የእንግሊዝኛ ቃላት ይነበባሉ።

የትረካው ቅጂ የረዘመው ያሸበረቀ ስለሆነ አይደለም። የረዘመው የመለያው ቅጂ ክፍት ትቷቸው የነበሩትን ጥያቄዎች ስለሚመልስ ነው። ሙሉ ብልሃቱ ይኸው ነው።

02የምስል ጥያቄ ምን ያህል ረጅም መሆን አለበት?

ከ30 እስከ 80 ቃላት አነጣጥር። ከ100 በጣም አታልፍ። ይህ ላንተ ካሉት የጥራት መቆጣጠሪያዎች በጣም ቀላሉ ነው፤ የክልሉ ሁለቱም ጫፎችም ይጠቅማሉ።

ከ30 ቃላት በታች ቅንብሩ፣ ብርሃኑና ክፈፉ ስላልተገለጹ ሞዴሉ በስታቲስቲክስ በጣም የተለመደውን ይመርጣል። "A woman in a coffee shop" የሚለው ትክክለኛ ጥያቄ ነው፤ የሚያመርተው ግን የማይታወስ ምስል ነው፤ ምክንያቱም እያንዳንዱን አስደሳች ውሳኔ አሳልፈህ ሰጥተሃል።

ከ100 ቃላት በላይ ደግሞ ሌላ ውድቀት ይታያል፦ የኋለኞቹ ሐረጎች ከቀዳሚዎቹ ጋር ለተመሳሳይ የምስሉ ክፍሎች ይወዳደራሉ፤ ዝርዝር ከመከማቸት ይልቅ መሟሟት ታገኛለህ። ሦስተኛው የብርሃን መግለጫ የመጀመሪያውን ይሽራል፤ በመጀመሪያዎቹ ስምንት ቃላት ውስጥ ያቆምከው ርዕሰ ጉዳይም በምትጨምረው እያንዳንዱ ዓረፍተ ነገር አንጻራዊ ትኩረቱን ያጣል። ረጅም ጥያቄዎች ሲነበቡ ጥልቅ ይመስላሉ። ሲሳሉ ግን ጥልቅ አይሆኑም።

ሥነ ሥርዓቱ ይህ ነው፦ የምትፈልገውን ጥያቄ ጻፍ፤ ከዚያም ቢወጡ ምስሉን ወደሚለውጡ ዓረፍተ ነገሮች ብቻ ቀንሰው።

03የቅደም ተከተል ሥነ ሥርዓት፦ በጣም አስፈላጊው ነገር አስቀድሞ

ሞዴሉ በተከታታይ ስለሚያነብ ቦታ ማለት ትኩረት ነው፦ አስቀድሞ የመጣው ምስሉን ያጸናል፣ በመጨረሻ የመጣው ያስተካክለዋል። ነገሮችን ሞዴሉ በሚፈልጋቸው ቅደም ተከተል አስቀምጥ፦

1. ርዕሰ ጉዳይ — ይህ ምስል ስለ ማን ወይም ስለ ምን እንደሆነ፣ በተጨባጭ።
2. ድርጊት ወይም አቀማመጥ — ምን እያደረጉ እንደሆነ፣ እንዴት እንደተያዙ።
3. ቅጥ ወይም ስሜት — ፎቶግራፍ፣ የዘይት ሥዕል፣ ቴክኒካዊ ሥዕል፣ እንዲሁም ያለበት ደረጃ።
4. ቦታና ብርሃን — ይህ የት እንደሚሆንና ምን ብርሃን እንደሚወድቅበት።
5. ቴክኒካዊ — ክፈፍ፣ ሌንስ፣ የመስክ ጥልቀት፣ የቀለም ዝርዝሮች።

በጣም የተለመደው ራስን የመጉዳት ስህተት በቴክኒካዊ ሐረግ መጀመር ነው። "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" ብሎ መጀመር ለሞዴሉ የሚነግረው መልኩ ርዕሰ ጉዳዩ እንደሆነና ሰውዬው ዝርዝር እንደሆነ ነው። ውጤቱም ውብ ግን ባዶ ክፈፍ ነው፤ በውስጡም ትንሽና ግልጽ ያልሆነ ምስል አለ።

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

ከመጀመሪያው ቅጂ የመጣ እያንዳንዱ ንጥረ ነገር በሁለተኛው ውስጥ ተጠብቋል፤ ምንም አልተጣለም። ሞዴሉ አሁን እንዴት እንደሚቀረጽ ከመነገሩ በፊት ምስሉ ስለ ምን እንደሆነ ያውቃል — ያ ቅደም ተከተል መቀየር ብቻ ደግሞ ርዕሰ ጉዳዩን ከአጋጣሚ ወደ ማዕከል ያንቀሳቅሰዋል።

04ስለ ርዕሰ ጉዳዩ ተጨባጭ ሁን

"A person" ርዕሰ ጉዳይ አይደለም፤ ቦታ ያዥ ነው — ሞዴሉም ቦታ ያዦችን የሚሞላው ካየው ሁሉ አማካይ ነው፤ ያ አንጸባራቂ፣ ዕድሜ የለሽና ባሕርይ የለሽ መልክ የሚመጣውም በትክክል ከዚያ ነው። ተጨባጭነት አምስት ቃላት ያስወጣል፣ የተለየ ሰው ግን ይገዛልሃል፦

ቅርጹን አስተውል፦ ዕድሜ ወይም ዘመን፣ አንድ መዋቅራዊ ባሕርይ፣ አንድ የሚለይ ጉድለት። ውጤቱ ከመፈጠር ይልቅ እንደተነሳ ፎቶ እንዲሰማ የሚያደርገው ያ ሦስተኛው ንጥል ነው። የተሰበረ ጥርስ፣ ያለቀ ጫፍ፣ በቀለም የተሸፈነ ምልክት — ትናንሽ አለመመጣጠኖች ከፕላስቲክ መልክ ለመራቅ ያሉት በጣም ጠንካራ ምልክቶች ናቸው፤ በቃላት በጀትህም ውስጥ ምንም ማለት ይቻላል አያስወጡም።

05ፎቶ መምሰል፦ ጥያቄውን እንደ ፎቶግራፍ ጻፈው

ጥበብ፣ ሥዕል ወይም አኒሜ ካልጠየቅህ በስተቀር ፎቶ መምሰል ነባሪው ደረጃ ነው። "photorealistic" የሚለው ቃል ግን ብዙም አይሠራም። ፎቶግራፍ የሚያመርተው የፎቶግራፍ ተግባርን መግለጽ ነው፦ እውነተኛ ካሜራ፣ እውነተኛ ሌንስ፣ እንዲሁም እውነተኛ የፊልም ዓይነት ወይም የብርሃን ምንጭ።

ምክንያቱ ግልጽ ነው። "Kodak Portra 400" ተብሎ የተጻፈለት እያንዳንዱ ምስል የተሠራው በተለየ ሂደት ነው፤ የተለየ የቅንጣት አወቃቀር፣ የብርሃን ጫፍ አወራረድና የቆዳ አሳሳል ነበረው፤ የፊልሙን ዓይነት መጥራትም ያንን ሁሉ ይጠራል። "8k ultra detailed" የታየው በአክሲዮን ፎቶ ጣቢያዎች ቆሻሻ ላይ ብቻ ነው፤ ስለዚህ የሚጠራው የአክሲዮን ጣቢያ ቆሻሻን ነው። ጥቂት አስተማማኝ የምግብ አዘገጃጀት መሰል ውሁዶች እነሆ፤ እያንዳንዳቸው ስለ አንድ ርዕሰ ጉዳይ በግልጽ የተለየ ምስል ያመርታሉ፦

መሠረቱን ከውሁዱ ጋር አዛምድ — ፊት ሰማንያ ፒክስል ብቻ በሚረዝምበት 24mm ሰፊ ምስል ውስጥ የቀዳዳ ደረጃ የቆዳ ሸካራነት ምንም ማለት አይደለም — ከዚያም ጨምረው። የመሠረት ዝርዝር ማለት — ይህን በእውነት ሌንስ እንደመዘገበው የሚያሳይ የሸካራነት ማስረጃ ነው። የሚታዩ የቆዳ ቀዳዳዎችና ቀጭን የፊት ጸጉር። የተልባ እግር ሸሚዝ ሽመና። በብርሃን ጨረር ውስጥ ያሉ የአቧራ ቅንጣቶች። በቆዳ ጫማ ላይ ያለ ጭረት። በደማቅ ጀርባ ላይ የሚታዩ የተነሱ ጸጉሮች። ሁለት ወይም ሦስት በቂ ናቸው፤ እነሱም በአንድ ሰው ሥዕልና በአንድ ሰው ፎቶግራፍ መካከል ያለው ልዩነት ናቸው።

06የተደራረቡ ትዕይንቶች፦ ፊት ለፊት፣ መካከል፣ ጀርባ

አንድ ትዕይንት ጥልቀት ሲኖረው ሦስቱን ንብርብሮች ለየብቻና በቅደም ተከተል ግለጽ። ይህ ምስሎች እንደ ዳራ ሳይሆን እንደ እውነተኛ ቦታዎች እንዲሰማቸው ለማድረግ በጣም ውጤታማው ዘዴ ነው፤ ሆኖም ማንም ማለት ይቻላል አያደርገውም። ያለሱ ጠፍጣፋነት ታገኛለህ፦ ጥያቄው የሚጠቅሰው ሁሉ ማለት ይቻላል በአንድ ርቀት ላይ ያርፋል፤ ለተመሳሳዩ የክፈፉ መካከለኛ ክፍልም ይወዳደራል። ንብርብሮችን መጥራት ለሞዴሉ የሚያወጣው የጥልቀት በጀት ይሰጠዋል።

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

ሁለት ማሻሻያዎች። በፊት ንብርብሩ ውስጥ ሆን ተብሎ ከትኩረት ውጭ የሆነ ነገር አስቀምጥ — የጥልቅ ትዕይንቶች እውነተኛ ፎቶግራፎች ማለት ይቻላል ሁልጊዜ አንድ አላቸው፤ አለመኖሩም የተለመደ ማጋለጫ ነው። እንዲሁም ርዕሰ ጉዳዩ የትኛውን ንብርብር እንደሚይዝ ተናገር፦ የብስክሌት አድራሹ የምስሉ ነጥብ ከሆነች የመካከለኛው ንብርብር ናት፤ አለበለዚያ ሕንፃውና የቡና ጽዋው ስለ ክፈፉ ይታገሏታል።

07ትክክለኛ ቀለሞች፦ የ hex ኮዶች፣ ከነገሮች ጋር ተያይዘው

ለምርት ስም ሥራ፣ ለአልባሳት ቀጣይነት፣ ወይም "ቀይ" የሚለው በቂ ትክክለኛ ላልሆነበት ቦታ ሁሉ የ hex ኮዱን እንደ color #RRGGBB ጻፍና በስም ከተጠራ ነገር ጋር አያይዘው፦

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

ሦስት የጣት ደንቦች። በእውነት ለሚያስፈልጉት ሁለት ወይም ሦስት ቀለሞች hex ተጠቀም፤ ለቀሩት ደግሞ ተራ ቃላት — ስድስት hex ኮዶች ያሉት ጥያቄ አብዛኛውን በጀቱን በቀለም ናሙናዎች ላይ ያባክናል። ኮዱን ጠርዝ ካለው ነገር ጋር አያይዘው፤ ፈጽሞ ከ"ብርሃኑ" ወይም ከ"ስሜቱ" ጋር አይሁን። እንዲሁም የሚገልጸው የነገሩን ቀለም እንጂ የመጨረሻውን የፒክስል ዋጋ አለመሆኑን አስታውስ፦ በወርቃማ ሰዓት ከጀርባ በሚመጣ ብርሃን ውስጥ ያለ የ #8B0000 ኮት ከናሙናው ይበልጥ ሞቅ ብሎ ይሳላል፤ በሕይወትም እንደሚሆነው በትክክል።

08የገጽታ ጥምርታን መምረጥ

አምስት ጥምርታዎች አሉ፤ ትክክለኛውም አብዛኛውን ጊዜ በርዕሰ ጉዳዩ ይጠቆማል፤ ሆኖም ካንተ የመጣ ግልጽ ጥያቄ ሁልጊዜ ያሸንፋል — የግድግዳ ወረቀት ጠይቅ፣ ይዘቱ ምንም ቢጠቁም tall ታገኛለህ።

ይህን መሳሳት ከሚመስለው በላይ ጎጂ ነው። በwide ክፈፍ ውስጥ ያለ ሙሉ ቁመት ያለው ቆሞ ያለ ሰው በትልቅ ክፈፍ ውስጥ ትንሽ ሰው አይሰጥህም — አብዛኛውን ጊዜ የተቆረጠ ይሰጥሃል፤ ምክንያቱም ሞዴሉ ስፋቱን ይሞላል፤ ራሱ ወይም እግሮቹም ከክፈፉ ይወጣሉ። ክፈፉን ከርዕሰ ጉዳዩ ገዢ ዘንግ ጋር አዛምድ፤ አብዛኞቹ የቅንብር ቅሬታዎችም ይጠፋሉ።

ማስታወስ የሚገባቸው ሁለት ባሕርያት፦ አርትዖት የምንጩን ምስል የገጽታ ጥምርታ በራሱ ይይዛል፤ ስለዚህ በአርትዖት እንደገና መቅረጽ አትችልም፤ ማዋሃድ ግን አዲስ ሸራ እንድትመርጥ ይፈቅድልሃል — አስቀድሞ ያለህን ነገር ቅርጽ ለመቀየር አብዛኛውን ጊዜ ንጹሑ መንገድ ነው።

09መተው ያለባቸው ልማዶች፦ ማቆም ያለብህ ነገር

የጥራት ቃላት፦ "masterpiece, best quality, 8k, ultra detailed"

እነዚህ በማኅበረሰብ የተገኙ መያዣዎች ነበሩ፤ ለተለየ የቀድሞ የሥልጠና ስርጭት፣ የተወሰኑ የመግለጫ ሐረጎች ከተወሰኑ የምስል ምንጮች ጋር በሚዛመዱበት። እነሱ አይተላለፉም። እዚህ እንደ ተራ የእንግሊዝኛ ቃላት ይነበባሉ፣ ምንም አያበረክቱም፣ አስቀድሞ ጠባብ እንደሆነ የተነገረህንም የቃላት በጀት ክፍል ይበላሉ። ምትኩ የትኛውን ዝርዝር እንደምትፈልግ መናገር ነው፦ "ultra detailed" ሳይሆን "visible weave in the coat fabric and fine stubble along the jaw" — ተመሳሳይ ሐሳብ፣ ሞዴሉ ሊስለው በሚችል መልኩ የተገለጸ።

የክብደት አገባብ፦ (word:1.3)፣ [word]፣ {{word}}

አይተነተኑም። ቅንፎቹ፣ ማዕዘናዊ ቅንፎቹ፣ ኮሎኖቹና ቁጥሮቹ እንደ ቀጥተኛ ጽሑፍ ያርፋሉ፤ ካለ ደግሞ በዙሪያው ያለውን ሐረግ ለማንበብ ያከብዳሉ። በአንድ ነገር ላይ ተጨማሪ ትኩረት ከፈለግህ የሚሠሩትን ሁለት መቆጣጠሪያዎች ተጠቀም፦ በጥያቄው ውስጥ ወደፊት አንቀሳቅሰው፣ እንዲሁም ተጨማሪ ቃላት ስጠው። "A crimson silk scarf, its fringed ends lifting in the wind" ከ"(red scarf:1.4)" በሚያስፈልገው መለኪያ ሁሉ ይበልጣል።

የሚጋጩ አቅጣጫዎች

የማይጣጣሙ መመሪያዎችን መቀላቀል አያዋህዳቸውም፤ አብዛኛውን ጊዜ ሁለቱንም የማያረካ ያልተረጋጋ አማካይ ያመርታል። ተደጋጋሚ ጥፋተኞቹ፦

• መገናኛ — "photorealistic" ከ"watercolor" ጋር፤ "oil painting" ከ"shot on 85mm" ጋር። አንዱን ምረጥና ጽና።
• ክፈፍ — "wide establishing shot" ከ"extreme close-up on her eyes" ጋር፤ "full body" ከ"detailed facial pores" ጋር።
• ብርሃን — "harsh midday sun" ከ"soft golden hour glow" ጋር፤ "low key, deep shadows" ከ"bright and airy" ጋር።
• ዘመን — "1970s film aesthetic" ከ"modern minimalist" እና ከ"cyberpunk" ጋር።
• ቅጥ ማከማቸት — በአንድ ጊዜ አራት አርቲስቶች ወይም አራት ዘውጎች። ሁለት ተዛማጅ ማጣቀሻዎች ሊሠሩ ይችላሉ፤ አራቱ ግን ተሽራርፈው ወደ ጠቅላላነት ይለወጣሉ።
• መንዛዛት — "rustic, weathered, ancient, timeworn wooden door" አንድ ሐሳብ አራት ጊዜ የተጻፈ ነው፤ እያንዳንዱ ድግግሞሽም የቀረውን ጥያቄ ያሟሙታል።

10በጽሑፍ-ወደ-ምስል ውስጥ አሉታዊ ጥያቄ የለም

ልምድ ያላቸውን ተጠቃሚዎች በጣም የሚይዘው ልማድ ይህ ነው፤ ምክንያቱም በቀድሞ ሥርዓቶች ላይ አሉታዊ ጥያቄ የክህሎቱ ግማሽ ነበር።

ለምስል መፍጠር ደንቡ ፍጹምና ትንሽ ተቃራኒ የሚመስል ነው፦ "no text, no watermark, no extra fingers" ብለህ በጥያቄው ውስጥ መጻፍ እነዚያን ነገሮች ያነሰ ሳይሆን ይበልጥ የሚቻል ያደርጋቸዋል። ሞዴሉ "no text" የሚለውን የሚያነበው text የሚለውን ፅንሰ ሐሳብ የያዘ ዓረፍተ ነገር አድርጎ ነው፤ አሉታዊነት ደካማ ምልክት ሲሆን ስሙ ግን ጠንካራ ነው። በተግባር ጽሑፍ ጠይቀሃል ማለት ነው። በምትኩ ሁልጊዜ አዎንታዊውን መልክ ተናገር፦

ለአርትዖትና ለማዋሃድ ግን አሉታዊ ጥያቄ አለ፤ ልትጠቀምበትም ይገባል — ለጉድለቶች እንጂ ለይዘት ግን አይደለም። ጥሩ ቁሳቁስ፦ የውኃ ምልክት፣ የጽሑፍ ሽፋን፣ የተደገሙ እጅና እግር፣ የተጣመሙ እጆች፣ ከመጠን በላይ የሹልነት ክብ ብርሃን፣ የ JPEG ብሎክ መልክ፣ በተዋሃደ ጠርዝ ላይ ያሉ የስፌት መስመሮች። መጥፎ ቁሳቁስ፦ ምስሉ ስለ ምን እንደሆነ የሚናገር ማንኛውም ነገር፤ ያ በመመሪያው ውስጥ መሆን አለበት።

11Shannon የሚጽፍልህን ጥያቄ ማንበብ

ይህን መመሪያ ከንድፈ ሐሳብ ይልቅ ወዲያውኑ ጥቅም ላይ የሚውል የሚያደርገው ይህ ነው። የመፍጠሪያውን ጥያቄ ራስህ መጻፍ የለብህም። በቀላል ቋንቋ፣ በማንኛውም ቋንቋ ትጠይቃለህ፤ Shannon ምስል እየተጠየቀ መሆኑን ይገነዘባል፣ የእንግሊዝኛውን የመፍጠሪያ ጥያቄ ያዘጋጃል፣ እንዲሁም ምንም ከመሳሉ በፊት በማረጋገጫ ካርድ ላይ ያሳይሃል። እስክታረጋግጥ ድረስ ምንም አይፈጠርም፤ ምንም አይከፈልም።

ስለዚህ በጣም የሚከፍለው ክህሎት ጥያቄዎችን ከባዶ መጻፍ አይደለም — በካርዱ ላይ ያለውን ማንበብ ነው። ይህን ዝርዝር አልፍ፦

1. ርዕሰ ጉዳዩ ተጨባጭ ነው? ካርዱ "a person" ወይም "a woman" የሚል ከሆነ ካሉት በጣም ትልቁን ማሻሻያ አግኝተሃል። ዕድሜ፣ ቁመና፣ አንድ ባሕርይ ስጠው።
2. ርዕሰ ጉዳዩ አስቀድሟል? ጥያቄው በቅጥ ወይም በካሜራ የሚጀምር ከሆነ በምትኩ በርዕሰ ጉዳዩ እንዲመራ ጠይቅ።
3. በክልሉ ውስጥ ነው? ከ30 ቃላት በታች ከሆነ ስለ ብርሃንና ስለ ቦታ ተጨማሪ ዝርዝር ጠይቅ። ከ100 በላይ ከሆነ እንዲቀነስ ጠይቅ።
4. የብርሃን ምንጭ አለ? የስሜት ቃል አይደለም — እውነተኛ ብርሃን፦ መስኮት፣ የመንገድ መብራት፣ ፍላሽ፣ የደመና ሰማይ፣ softbox።
5. ግጭት አለ? በአንድ ጥያቄ ውስጥ ሁለት መገናኛዎችን፣ ሁለት ክፈፎችን ወይም ሁለት የብርሃን ሁኔታዎችን ፈልግ።
6. የተሸሸጉ አሉታዎች አሉ? ካርዱ "without"፣ "no" ወይም "avoid" የሚል ከያዘ ያ የሚጠራውን ነገር የሚጠይቅ የጽሑፍ-ወደ-ምስል ጥያቄ ነው።
7. ጥምርታው ለርዕሰ ጉዳዩ ትክክል ነው? ሙሉ ቁመት ያለው ሰው በwide ውስጥ የተለመደው አለመዛመድ ነው።

ማስተካከያዎች በንግግር ይሆናሉ፦ "make her early thirties with a scar through one eyebrow, shoot it on Portra at 85mm, and use portrait" ፍጹም ጥሩ መመሪያ ነው። አዲስ ካርድ ታገኛለህ፤ ያንንም ታረጋግጣለህ። ደጋግሞ ለመሞከር ምንም ቅጣት የለም፤ ምክንያቱም እስካሁን ምንም አልተሳለም።

Shannon ሳይጠየቅም አይፈጥርም። ሰላምታ፣ ጥያቄ ወይም ለውይይት የምታያይዘው ፎቶ መሳልን አያስነሳም። Shannon አንድን ምስል እንዲመለከት መጠየቅ — እንዲገልጸው፣ እንዲያነበው፣ እንዲተነትነው — ተራ የራእይ ሥራ እንጂ መፍጠር አይደለም፤ ተጨማሪ ወጪም የለውም።

12ክህሎቱ ለአርትዖትና ለማዋሃድ እንዴት እንደሚለወጥ

ከላይ ያሉት ደንቦች የተጻፉት ለምስል መፍጠር ነው። ሁለት ተጓዳኝ ዘዴዎች ግን የጥያቄውን ቅርጽ ይለውጣሉ።

አንድ ምስል ማረም

የአርትዖት ጥያቄ መግለጫ ሳይሆን መመሪያ ነው፦ ምን እንደሚለወጥና ምን እንደሚቆይ ተናገር። ያልተለወጡትን ክፍሎች መጥራት በምርቱ ውስጥ ትልቁ የጥራት መቆጣጠሪያ ነው — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" የሚለው ተጣጥሞ ይቆያል፤ ያ ሐረግ የሌለው ተመሳሳይ ጥያቄ ግን ፊቷን በዝምታ እንደገና ይስላል። ስለ መልህቁ የተለየ ሁን፦ ፊቱን፣ አቀማመጡን፣ ጸጉሩንና ልብሱን ተመሳሳይ አድርገህ አቆይ። በትክክል አንድ ምንጭ ምስል ጥቅም ላይ ይውላል፤ ውጤቱም የገጽታ ጥምርታውን ይይዛል።

ሁለት ወይም ከዚያ በላይ ምስሎችን ማዋሃድ

ንጥረ ነገሮች ከአንድ በላይ ከሆኑ ምስሎች በሚመጡበት ጊዜ ሁሉ — የልብስ ዝውውር፣ ዕቃ ወደ ትዕይንት፣ ሁለት ሰዎች በአንድ ክፈፍ፣ ምርት በሰው ላይ፣ ከአንድ ምስል የተወሰደ ቅጥ ከሌላው ርዕሰ ጉዳይ ጋር — ጥያቄው የእያንዳንዱን ምስል ሚና በተራ መጥራት አለበት፦ "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." የመጀመሪያው ምስል ዋናው ርዕሰ ጉዳይ ወይም ትዕይንት ነው፤ የኋለኞቹ ምስሎች የሚገቡትን ክፍሎች ያቀርባሉ። የበርካታ ምስል ጥያቄን ወደ አንድ ምንጭ ሲደመር የጽሑፍ መግለጫ አታሳንሰው — እነዚያ ነገሮች በእውነት እንዴት እንደሚመስሉ የሚጠብቀው እውነተኞቹን ምስሎች ማዋሃድ ነው።

13ሳንሱር-አልባ ጥያቄ አጻጻፍ፦ የምትፈልገውን ተናገር

በመፍጠሪያው መንገድ ላይ ምንም የይዘት ማጣሪያ የለም፤ ጥያቄውን በሚጽፈው ሞዴል ላይም ምንም የእምቢታ ንብርብር የለም። የምርቱ ሙሉ ነጥብ ይኸው ነው፦ የተጣሩ መፍጠሪያዎች ሕጋዊ ሥራን በተደጋጋሚ እምቢ ይላሉ — የጥበብ ራቁት ሥዕል፣ የሕክምናና የፎረንሲክ ሥዕል፣ የደኅንነት ምርምር ምስሎች፣ በልብ ወለድ ውስጥ ያለ ጥቃት፣ የፖለቲካ ሽሙጥ፣ በባለመብቱ የሚሠራ የምርት ስምና የመልክ ሥራ። በተጣሩ መድረኮች ላይ የጥያቄ ክህሎቱ ግማሽ የማለዘቢያ ቃል ምሕንድስና ነው፤ ማለዘቢያ ቃል ደግሞ የትክክለኛ ምስል ጠላት ነው።

ስለዚህ በካርዱ ላይ ማረጋገጥ ያለብህ አንድ ተጨማሪ ነገር አለ፦ ሰዎች ከተጣሩ መሣሪያዎች በሚማሩት አድበስባሽ ቃላት ሳይሆን ትክክለኛውን ርዕሰ ጉዳይ በተራ ቃላት መግለጹን። የቁስል የፎረንሲክ ሥዕል ቁስሉ ምን እንደሆነ መናገር አለበት። አድበስባሽ ቋንቋ በየትም ቦታ የከፋ ምስል ያመርታል፤ ምክንያቱም ሞዴሉ የሚስለው ቃላቱ የሚሉትን ነው።

አቅምና ፍርድ የተለያዩ ነገሮች ናቸው። Shannon Lab LLC ይህን የሚያንቀሳቅሰው በታተመ የኃላፊነት አጠቃቀም ፖሊሲ ሥር ነው፦ ያልተጣራ መፍጠር ሙያዊ መሣሪያ ነው፤ ፈቃድ፣ መብትና ሕግም በምትሠራው ነገር ላይ ሁሉ አሁንም ተፈጻሚ ናቸው።

14API የት እንደሚገባ

ከ API ፍለጋ ለሚደርሱ አንባቢዎች አንድ የትክክለኛነት ነጥብ፦ ምስል መፍጠር፣ አርትዖትና ማዋሃድ የሚኖሩት በ Shannon የቻት መተግበሪያ ውስጥ እንጂ በ/v1 API ላይ አይደለም። API ጽሑፍንና ራእይን ያገለግላል — የምትልክለትን ምስሎች በሦስቱም ቀበሌኛዎች (/v1/chat/completions፣ /v1/messages፣ /v1/responses፣ ሁሉም በዥረት) ማንበብ፣ መግለጽና መተንተን ይችላል — ግን አይፈጥራቸውም። ምስሎችን መረዳት የሚያስፈልገው ሂደት እየሠራህ ከሆነ የAPI ሰነድ መጀመሪያው ቦታ ነው። ምስሎችን መሥራት ከፈለግህ ግን ያ የቻት መተግበሪያው ነው፤ በዚህ መመሪያ ውስጥ ያለውም ሁሉ እዚያ ይሠራል። ምስሎች የሚሳሉት በራሳችን GPU ክላስተር ላይ ነው።

15በተደጋጋሚ የሚጠየቁ ጥያቄዎች

ተዛማጅ ንባብ፦ ሳንሱር-አልባ የAI ምስል መፍጠር · ሳንሱር-አልባ የAI ምስል አርትዖት · የኃላፊነት አጠቃቀም ፖሊሲ · የAPI ሰነድ · ሁሉም የ Shannon ምርምር። እዚህ ያለው መመሪያ የተወሰደው የ Shannon የምስል ሞዴል ላይ ካደረግነው የራሳችን ሙከራ ነው፤ ለቀድሞ የስርጭት ሥርዓቶች የተጻፈ ምክር በአጠቃላይ አይተላለፍም።