La sencenzura AI-bildoredaktilo
Ŝanĝu, restiligu, relumigu, revestu aŭ riparu unu ekzistantan bildon skribante unu frazon. Neniuj maskoj, neniuj filtriloj, neniuj rifuzoj — kaj unu tekniko, kiu gravas pli ol ĉiuj aliaj kune.
Resume
Shannon redaktas ekzakte unu ekzistantan bildon el instrukcio en ordinara lingvaĵo — neniu peniko, neniu masko, neniu elektado. Tiu instrukcio devas diri kio ŝanĝiĝas KAJ kio restas, ĉar la modelo regeneras la tutan kadron: ĉio, kion vi ne nomas neŝanĝita, rajtas drivi. Nomi la neŝanĝitajn partojn — "konservu la vizaĝon, la pozon kaj la vestojn identaj" — estas la plej granda kvalita levilo, kiun vi havas. La redakta vojo ja akceptas negativan instrukcion (teksto-al-bildo ne); metu nedezirataj artefaktojn tien anstataŭ skribi "neniu X" en la instrukcion. La eligo heredas la bildproporcion de la fonto aŭtomate. Ne ekzistas videogenerado kaj ne ekzistas maniero animacii bildon. Redaktado funkcias sur nia propra GPU-aro en la babilaplikaĵo, kun neniu enhavfiltrilo kaj neniu rifuza tavolo.
Plej multaj homoj, kiuj serĉas sencenzuran AI-bildoredaktilon, havas unu bildon kaj unu problemon: la fono malĝustas, la lumo estas plata, la jako havas malĝustan koloron, fremdulo staras en la kadro, la skanaĵo havas faldon tra si — aŭ la redakto estas tute legitima kaj ilia nuna ilo rifuzas tuŝi ĝin. Ĉi tio temas pri fari tion bone: ne pri tio, kiu redaktilo havas la plej multajn ŝovilojn, sed pri la unu kutimo, kiu apartigas redakton, kiu trafas, disde redakto, kiu kviete rekonstruas la vizaĝon de via subjekto dum vi ne rigardis.
01Kio efektive estas instrukcia redaktado
Klasika AI-redaktado petas vin fari la malfacilan parton mem: malfermi kanvason, pentri maskon super la regiono, kiun vi volas ŝanĝi, kaj tajpi frazon priskribantan tion, kio apartenas interne. Preciza, malrapida, kaj senutila en la momento, kiam via ŝanĝo ne havas puran konturon — lumŝanĝo, vestointerŝanĝo, kiu modifas la silueton, ĝenerala kolorgradado.
Shannon funkcias inverse. Vi elektas nenion. Vi skribas frazon pri la bildo, en ajna lingvo, kaj la regiono estas deduktita el viaj vortoj. Tio faras ĝin praktika sencenzura alternativo al inpainting por ĉiu, kiu volas la rezulton anstataŭ la elektolaboron — kun unu mekanika sekvo, kiun vi devas kompreni unue:
Redakto estas rebildigo de la tuta kadro, kondiĉigita de via fontbildo — ne flikaĵo aplikata al parto de ĝi. La Bildmodelo legas vian originalon, legas vian instrukcion, kaj produktas novan bildon, kiu supozeble estas la originalo plus la ŝanĝo. Nenio estas mekanike frostigita. Ĉiu rastrumero estas remarĉandebla ĉe ĉiu redakto.
Jen kial "pluvoplena strato en Tokio" — senmakula en maskila ilo — revenas kun subtile alia persono staranta en ĝi. En maskila ilo la masko diris, ke la persono estas netuŝebla; ĉi tie via frazo devas diri tion. La avantaĝo: instrukcia redaktado faras tion, kion maskoj ne povas — movi la sunon kaj igi la ombrojn konsenti, ŝanĝi veston kaj lasi la ŝtofon faldiĝi super la ekzistanta pozo, restiligi fotografaĵon en inkon kaj platajn kolorojn tenante la kompozicion. Tiuj redaktoj havas nenian limon por pentri; ili estas rilatoj tra la tuta kadro.
02Ankrado: la plej granda kvalita levilo
Ankrado signifas verki ĉiun redaktan instrukcion kiel du klaŭzojn: la ŝanĝa klaŭzo (kio estu malsama, deklarita pozitive kaj konkrete) kaj la konserva klaŭzo (la partoj, kiuj devas travivi netuŝitaj, nomitaj kiel specifaj substantivoj). Ambaŭ portas ŝarĝon — la ŝanĝa klaŭzo sola estas nur deziro. Se vi prenas unu aferon el ĉi tiu paĝo: vian rezulton regas tio, kiom eksplicite vi nomas tion, kio restas, ne tio, kiom vive vi priskribas tion, kio ŝanĝiĝas.
Tri manieroj, laŭ kiuj neankritaj instrukcioj drivas
- Identeca drivo. La vizaĝo revenas preskaŭ ĝusta — iomete alia nazo, makzellinio kviete beligita. La plej damaĝa fiasko, ĉar ĝi malfacile videblas sur telefono kaj estas evidenta al ĉiu, kiu konas la personon.
- Kroma restiligo. Vi petis novan fonon; vi ricevis ankaŭ novan kolorgradadon, novan objektivon, kaj svetero, kiu iam estis ripa. La modelo legis la instrukcion kiel priskribon de la tuta celbildo anstataŭ kiel diferencon disde la fonto.
- Amplekso-kresko el adjektivoj. "Pli drame", "pli pure", "pli profesie" nomas neniun objekton. Adjektivo sen substantivo validas por ĉio, do ĉio moviĝas.
La ankra vortprovizo
Ankroj funkcias kiel konkretaj substantivoj. "Konservu ĝin sama" estas malforta — la modelo ne povas scii, pri kiu sameco vi zorgas. Elektu tri ĝis kvin erojn, kiuj gravas por via redakto, kaj nomu ilin rekte.
| Kion vi ŝanĝas | Ankroj indaj je eksplicita nomado |
|---|---|
| Fono / medio | vizaĝo kaj vizaĝtrajtoj, hararanĝo, pozo, manoj, vestoj, fotila angulo, eltondo, lumo sur la subjekto |
| Lumo / etoso | vizaĝo, mieno, haŭtoteksturo, pozo, vestoj, enhavo de la fono, kadrado |
| Vestoj / garderobo | vizaĝo, barbo aŭ haroj, pozo, manoj, korpaj proporcioj, fono, lumdirekto, kolorgradado |
| Stilo / medio de la bildo | kompozicio, pozo, harlongo, formoj de la vestoj, nombro da subjektoj, eltondo |
| Forigo de objekto / riparo | ĉio alia en la kadro — subjekto, ĉirkaŭa arkitekturo, grajno, tonaleco, kontrasto, koloro |
| Koloro de unu afero | ĉiu alia koloro en la bildo, plus la teksturo kaj la materialo de la ŝanĝata objekto |
Rimarku la lastan vicon. Rekolorigo misfunkcias kviete, ĉar "faru la jakon ruĝa" invitas jakon rekonstruitan de nulo — nova tranĉo, nova materialo, novaj faldoj. Ankrite: "rekolorigu la ekzistantan jakon al profunda karmezino, konservante ĝian ekzaktan tranĉon, kudrojn, ŝtofteksturon kaj la manieron, kiel ĝi pendas." Unu klaŭzo da diferenco, draste pli bona rezulto.
03Ellaboritaj ekzemploj: malforta instrukcio, kial ĝi drivas, ankrita reverko
Ĉiu paro sube estas la sama intenco skribita dufoje. La diagnozo en la mezo estas la transdonebla parto. La ekzemplaj instrukcioj aperas en la angla, ĉar tio estas la lingvo, en kiu la instrukcio finfine atingas la Bildmodelon; vi mem povas peti en ajna lingvo.
A. Anstataŭigi fonon
Kial ĝi drivas: ĉi tio priskribas cel-bildon, ne diferencon. Nenio pri la virino estas protektata kaj nenio tenas la fotilon senmova, do la modelo rekadras kaj rebildigas ŝin dum ĝi konstruas kredindan scenon.
Kio ŝanĝiĝis: la konserva klaŭzo fiksas identecon, vestojn kaj kadradon, kaj la lasta frazparto diras, en kiu direkto la kunigo solviĝas — la fono fleksiĝas al la lumo de la subjekto, ne inverse.
B. Relumigo
Kial ĝi drivas: "pli bona" estas adjektivo sen substantivo. La modelo devas elpensi difinon, kaj la plej malmultekosta maniero aspekti pli bone en rebildigo estas glatigita haŭto, pli brilaj dentoj kaj pli maldika makzelo. Vi petis lumon kaj ricevis retuŝon.
Kio ŝanĝiĝis: la lumo estas priskribita fizike — direkto, kvalito, temperaturo, lumfalo. La haŭtoteksturo estas ankrita eksplicite, ĉar relumigo estas ĝuste tiam, kiam modelo plej emas forglatigi ĝin.
C. Revesti subjekton
Kial ĝi drivas: kompleto ŝanĝas la silueton, do la torso devas esti rebildigita — kaj la kapo super ĝi kutime iras kune. Neankritaj vestaj redaktoj estas la dua plej granda fonto de identeca drivo post fonŝanĝoj.
Kio ŝanĝiĝis: "tailored to his current posture" subigas la veston al la pozo. La manoj estas ankritaj aparte, ĉar la manoj estas tie, kie vestaj redaktoj plej videble disfalas.
D. Restiligi fotografaĵon
Kial ĝi drivas: stilvorto sola transdonas ĉion — kompozicion, eltondon, harojn, vestojn, nombron da homoj — kaj "anime" estas tridek jaroj da nekongruaj tradicioj. Vi ricevas kompetentan ilustraĵon de alia sceno.
Kio ŝanĝiĝis: stilaj redaktoj bezonas alian ankron. Vi ne povas ankri teksturon — la teksturo estas ĝuste tio, kio estas anstataŭigata — do vi ankras strukturon: kompozicion, pozon, siluetojn, eltondon, nombron da subjektoj. Peti konservi "fotorealisman haŭton" sub ĉelanimacio estas memkontraŭdiro.
E. Forigi ion
Kial ĝi drivas: neado tamen metas la koncepton antaŭ la modelon kaj diras nenion pri tio, kio plenigas la liberigitan spacon. Forigoj bezonas pozitivan deklaron kaj de la celo kaj de la plenigaĵo.
Kio ŝanĝiĝis: la celo estas nomita per objekto, koloro kaj pozicio; la plenigaĵo estas specifita, do la modelo ne elpensas placon tie, kie apartenas trotuaro; kaj "ĉio alia" estas literumita en verajn substantivojn.
F. Ripari damaĝitan fotografaĵon
Kial ĝi drivas: "ripari" legiĝas kiel "plibonigi", kaj plibonigi malnovan fotografaĵon signifas moderngi ĝin — pli pura haŭto, pli alta kontrasto, kaj vizaĝo, kiu ne plu estas tute tiu de via avino.
Kio ŝanĝiĝis: la damaĝo estas listigita, do "ripari" havas difinitan amplekson, kaj la grajno kaj la tonaleco estas ankritaj, ĉar ili igas la presaĵon legiĝi kiel epok-aŭtenta. La tri malpermesoj estas la malofta kazo, kiam neado meritas sian lokon — direktivoj pri procezo, ne pri objektoj.
La formo de bona instrukcio
Celu 25 ĝis 60 vortojn, en plenaj frazoj anstataŭ kom-apartigitaj ŝlosilvortaj etikedoj — la Bildmodelo legas instrukciojn tiel, kiel lingvomodelo legas tekston, do prozo superas etikedsupon. Preterlasu la rubon el la SDXL-epoko (masterpiece, best quality, 8k) kaj pezosintakson kiel (word:1.3); ili faras nenion ĉi tie. Faru unu ŝanĝon por unu instrukcio — du nerilataj ŝanĝoj en unu frazo konkuras pri atento kaj ambaŭ revenas duonfaritaj.
04La negativa instrukcio — subtenata ĉi tie, malkiel en teksto-al-bildo
Ĉi tio konfuzas homojn, do jen ĝi klare:
| Vojo | Fontbildoj | Negativa instrukcio | Bildproporcio | Formo de la instrukcio |
|---|---|---|---|---|
| Teksto-al-bildo | 0 | Ne subtenata | Elektata (kvadrato defaŭlte) | Priskriba prozo |
| Redakti unu bildon | Ekzakte 1 | Subtenata | Heredita de la fonto | Instrukcio: ŝanĝo + konservo |
| Kombini 2+ bildojn | 2 aŭ pli | Subtenata | Nova kanvaso elektebla | Prozo kun nomitaj roloj |
Teksto-al-bildo tute ne akceptas negativan instrukcion — kiam vi generas el nenio, priskribi nur tion, kion vi volas, estas la disciplino (vidu sencenzuran AI-bildgeneradon). Redaktado estas alia: vi jam havas fonton, kaj la karakterizaj fiaskoj de rebildigo estas konataj kaj nomeblaj, do negativa instrukcio havas ion konkretan por subpremi.
Kio apartenas tien
Artefaktoj, kaj nur artefaktoj. Ĝi estas listo de difektoj, ne dua instrukcia kanalo:
- extra fingers, fused fingers, malformed hands — ĉiu redakto, kiu rebildigas personon.
- warped text, garbled lettering, misspelled signage — ĉio kun ŝildoj, etikedoj aŭ pakaĵoj en la kadro.
- duplicated limbs, duplicated railing, repeated windows — forigoj kaj plilarĝigoj de la fono.
- smeared texture, blurry patch, halo around the subject, visible seam — fonŝanĝoj kaj forigo de objektoj.
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — relumigo, portretaj redaktoj, ĝenerala higieno.
Kio ne
Enhavaj decidoj. Se vi volas, ke la ĉapelo malaperu, la instrukcio estas "forigu la ĉapelon" — ne negativa instrukcio tekstanta "ĉapelo". La negativa instrukcio ne fidinde forigas aferojn, kiuj ekzistas en via fonto; ĝi malkuraĝigas difektojn aperi en la bildigo. Enhavo tie donas al vi la malbonon de ambaŭ mondoj: la ĉapelo restas, kaj sloto, kiu povus subpremi torditajn manojn, malaperis.
La alia duono de la regulo validas por via instrukcio: ĉesu skribi "neniu X" en ĝi. "Strato sen aŭtoj", "portreto sen okulvitroj" ambaŭ metas la nedeziratan koncepton en la frazon kaj petas la modelon nei ĝin — laboro, kiun lingvo bone traktas kaj bilda kondiĉigo malbone. Diru, kio anstataŭe estu tie: "malplena strato kun pura asfalto", "portreto kun neŝirmitaj okuloj". La sola escepto, kiel en ekzemplo F, estas direktivo pri procezo — "ne akrigu", "ne rekolorigu" — kiu rifuzas operacion anstataŭ nomi objekton.
La labordivido, en unu linio
Instrukcio: kio ŝanĝiĝas, kio restas — deklarite pozitive. Negativa instrukcio: la manieroj, laŭ kiuj bildigo povas misformiĝi. Tenu ilin apartaj kaj ambaŭ pliboniĝas.
05Unu fontbildo, kaj kiel Shannon elektas ĝin
Redakto funkcias sur ekzakte unu fontbildo: aŭ bildo jam en la konversacio — alfiksita pli frue, aŭ generita por vi — aŭ unu alfiksita al la mesaĝo, kiun vi sendas ĝuste nun. Nenio estas enportata el ekster la fadeno, kaj la redakta vojo neniam kviete kunfandas du bildojn. Se via intenco bezonas elementojn el pli ol unu bildo — la vesto el foto A sur la persono en foto B — tio estas kombino, kun alia instrukcia formo, kiu nomas la rolon de ĉiu bildo laŭvice.
Postsekvaj petoj kaj la plej lastatempa rilata bildo
Post kiam bildo estas en la konversacio, mallongaj postsekvaj petoj funkcias tiel, kiel vi esperus. "Faru ĝin pli malhela." "Nun provu ĝin ĉe sunsubiro." Ĉi tiuj solviĝas kontraŭ la plej lastatempa rilata bildo en la fadeno — normale la rezulto, kiun vi ĵus ricevis — do sinsekvo de malgrandaj instrukcioj kondutas kiel stako da redaktoj. Tri sekvoj:
- Iteraciu per unuopaj paŝoj. Ĉiu postsekva peto estas alia plena rebildigo, do "faru ĝin pli malhela kaj ŝanĝu ŝian mantelon kaj movu la fotilon pli malalten" estas tri redaktoj batalantaj pri unu paso. Sendu tri mesaĝojn; haltu ĉe tiu, kiu plaĉis al vi.
- Atentu generacian perdon. Malgrandaj devioj akumuliĝas; je la sesa sinsekva redakto vizaĝo povas esti malproksime de la originalo kvankam neniu unuopa paŝo aspektis malĝusta. Kiam vi rimarkas drivon, ĉesu fliki — realfiksu la originalan dosieron kaj skribu unu kombinitan instrukcion enkodigantan ĉion, kion vi intertempe lernis voli.
- En longa fadeno, estu eksplicita. "Uzante la plaĝan foton, kiun mi alfiksis pli frue, …" forigas ambiguecon, kiam pluraj bildoj estas en ludo.
La konfirmokarto estas via lasta ŝanco aldoni ankron
Vi petas per ordinara lingvaĵo, en kiu ajn lingvo vi parolas. Shannon decidas, ke bilda operacio estas petata, verkas la finan instrukcion mem en la angla, kaj montras ĝin al vi sur konfirmokarto antaŭ ol io bildiĝas. Nenio estas produktata kaj nenio estas fakturita ĝis vi konfirmas. Legu tiun karton — tie vi kaptas mankantan konservan klaŭzon antaŭ ol elspezi ion ajn.
Du rilataj kondutoj: Shannon neniam generas neinvitite — saluto, demando aŭ hazarde alfiksita foto ne ekigas bildan operacion. Kaj peti Shannon simple rigardi bildon — priskribi ĝin, legi la tekston en ĝi, diri kial la kompozicio ne funkcias — estas ordinara vida laboro, ne generado, kaj kostas nenion kroman. "Kion vi ŝanĝus pri ĉi tiu foto?" estas senpaga konsilo; agi laŭ ĝi estas la redakto.
06La bildproporcio estas heredata, aŭtomate
Redaktita bildo revenas en la sama bildproporcio kiel ĝia fonto. Vi ne elektas ĝin kaj vi ne bezonas: 4:5-portreto restas 4:5, 16:9-fotogramo restas 16:9, mallerta telefona ekrankopio konservas siajn proporciojn. Redakto, kiu silente rekadrus vian bildon, ne estus redakto — ĝi estus eltondo plus konjekto pri tio, kio kuŝas ekster la originalaj randoj.
Tio estas reala diferenco disde la aliaj du vojoj. Teksto-al-bildo petas vin elekti inter square (defaŭlta), portrait, landscape, wide (kinema) kaj tall (afiŝoj kaj fonbildoj), kaj eksplicita peto ĉiam venkas; kombinado lasas vin elekti freŝan kanvason, ĉar ne ekzistas unuopa fonto por heredi. Do se vi bezonas alian formon, tio ne estas redakto — transformi 1:1-produktofoton en 16:9-standardon signifas elpensi rastrumerojn, kiuj neniam estis fotitaj. Faru tion intence, generante aŭ kombinante sur novan kanvason.
07Ne ekzistas videogenerado
Dirite klare, ĉar homoj demandas
Shannon ne generas videon kaj ne animacias bildojn. Ne ekzistas vojo de bildo al video, neniu "movigu ĉi tiun foton", neniu buklo, neniu cinemagrafo. Ĉi tio ne estas kapablo en antaŭrigardo aŭ baldaŭ venonta — ĝi ne ekzistas en la produkto, kaj nenio sur ĉi tiu paĝo estu legata kiel aludo alia.
Kion Shannon 3 faras kun bildoj estas ekzakte tri aferoj: generi novan bildon, redakti unu ekzistantan bildon, kaj kombini du aŭ pli da bildoj en unu. Ĉio ĉi tie loĝas ene de la dua el ili.
Indas diri dufoje, ĉar "AI-bildoredaktilo" kaj "AI-videogeneratoro" fariĝis najbaraj en la kapoj de homoj, kaj ilo, kiu volonte relumigos vian fotografaĵon, sentiĝas kiel unu butono for de movigi ĝin. Ĝi ne estas — kaj vi devus scii tion en la unua minuto anstataŭ en la deka.
08Kial sencenzureco gravas pli por redaktado ol por generado
Filtritaj redaktiloj fiaskas alimaniere ol filtritaj generatoroj, kaj kutime pli malbone. Filtrita generatoro rifuzas vian instrukcion; vi reverkas kaj reprovas. Filtrita redaktilo povas rifuzi la fontbildon mem, antaŭ ol legi eĉ unu vorton de via instrukcio. Alŝutu klinikan foton de vundo por kazraporto kaj ĝi estas malakceptita ĉe la enigo. Alŝutu historian militan fotografaĵon por ripari faldon kaj la fusilo en la kadro finas la konversacion. Legitima laboro, kategoria rifuzo, neniu reverko, kiu estus helpinta.
Shannon funkciigas la bildan vojon kun neniu enhavfiltrilo sur la eligo kaj neniu rifuza tavolo sur la modelo, kiu verkas la instrukcion. Jen kio faras ĉi tiujn ordinarajn taskojn eblaj:
- Artaj nudoj kaj figura laboro — retuŝado, relumigo kaj restiligo por artistoj kaj fotistoj laborantaj kun konsentantaj plenaĝaj subjektoj.
- Medicina kaj krimmedicina ilustrado — klinikaj bildoj purigitaj por instrua materialo, kazraportoj kaj rekonstrua laboro, kiujn ĉefaj redaktiloj rifuzas tuj.
- Bildoj por sekureca esplorado — ekrankopioj, fotografaĵoj pri fizika sekureco kaj aparatara dokumentado por programoj pri phishing-konscio kaj raportado de ruĝaj teamoj.
- Perforto en fikcio — produkta arto por filmo, ludoj kaj bildstrioj, kie vundo aŭ armilo estas la temo mem.
- Politika satiro kaj redakcia ilustrado — pluraj jarcentoj da historio malantaŭ ĝi, preskaŭ nula subteno en filtritaj iloj.
- Marka kaj portreta laboro de la rajtohavanto — via propra produktofotografio, emblemaj kunmetaĵoj kaj portretoj, kaj malfacilaj familiaj arkivoj, sen disputi kun klasifikilo pri tio, ĉu vi rajtas.
Sencenzura ne signifas senrespondeca. Shannon estas funkciigata de Shannon Lab LLC (Nov-Meksiko, Usono) sub publikigita Politiko pri Respondeca Uzo, kie loĝas la veraj limoj — tiuj pri leĝo kaj damaĝo anstataŭ pri la malkomforto de klasifikilo antaŭ foto de vundo. La foresto de refleksa rifuzo estas deklaro pri la ilo, ne pri via respondeco por tio, kion vi faras.
09Kie la API taŭgas — kaj kie ne
Ĉi tio estas ofta malĝusta turno por legantoj alvenantaj el API-serĉo. Bildgenerado kaj bildoredaktado okazas en la babilaplikaĵo Shannon, ne en la API. La tri dialektoj /v1 — /v1/chat/completions (laŭ la formo de OpenAI), /v1/messages (laŭ la formo de Anthropic) kaj /v1/responses, ĉiuj flusendaj, ĉiuj sur la samaj modeloj — servas tekston kaj vidon. Vido signifas, ke la modeloj legas bildojn, kiujn vi sendas: priskribas ilin, transskribas tekston, analizas diagramon. Ĝi ne signifas, ke ili produktas aŭ modifas bildojn.
Tio tamen lasas utilan ŝablonon: vido plus sencenzura teksta modelo estas forta asistanto por verki instrukciojn. Sendu al la API vian fontbildon, petu ĝin priskribi tion, kio estas en la kadro, kaj verki ankritan instrukcion, kiu nomas la ŝanĝon kaj la ankrojn, poste rulu tiun instrukcion en la babilejo — ĝi kaptas la ankrojn, kiujn vi estus forgesinta. La formoj de petoj kaj respondoj troviĝas en la API-dokumentado.
10Oftaj demandoj
Kio estas sencenzura AI-bildoredaktilo?
Redaktilo, kiu prenas ekzistantan bildon plus instrukcion en ordinara lingvaĵo kaj redonas la redaktitan bildon, sen enhavfiltrilo sur la eligo kaj sen rifuza tavolo sur la modelo, kiu verkas la instrukcion. Ĝi funkcias sur nia propra GPU-aro ene de la babilaplikaĵo Shannon, do laboro, kiun filtritaj redaktiloj rifuzas — retuŝado de artaj nudoj, medicina kaj krimmedicina ilustrado, bildoj por sekureca esplorado, perforto en fikcio, politika satiro — estas farata anstataŭ rifuzata.
Kial la vizaĝo ŝanĝiĝas, kiam mi petis nur ŝanĝi la fonon?
Ĉar instrukcia redakto regeneras la tutan kadron kondiĉigite de via fontbildo, ne nur la regionon, kiun vi havis en la kapo — ĉio, kion vi ne nomas neŝanĝita, rajtas drivi. La solvo estas ankrado: aldonu konservan klaŭzon kiel "konservu la vizaĝon, la hararanĝon, la pozon kaj la vestojn identaj, sama fotila angulo kaj eltondo". Nomi la neŝanĝitajn partojn estas la plej granda kvalita levilo, kiun vi havas.
Ĉu bildoredaktado ĉe Shannon subtenas negativan instrukcion?
Jes. Malkiel teksto-al-bildo, kiu tute ne akceptas ĝin, la redakta vojo kaj la plurbilda kombina vojo ambaŭ subtenas unu. Uzu ĝin por nedezirataj artefaktoj — kromaj fingroj, tordita teksto, duobligitaj balustradoj, ŝmirita teksturo, plasta haŭto, akvomarkoj — anstataŭ skribi "neniu X" en la instrukcio. Enhavaj decidoj apartenas al la instrukcio, deklaritaj pozitive; subpremado de artefaktoj apartenas al la negativa instrukcio.
Ĉu Shannon povas animacii mian bildon aŭ transformi ĝin en videon?
Ne. Shannon ne generas videon kaj ne animacias bildojn. Ne ekzistas vojo de bildo al video kaj neniu estas anoncata. Shannon 3 generas novan bildon, redaktas unu ekzistantan bildon, aŭ kombinas du aŭ pli da bildoj en unu — tiuj tri aferoj kaj nenio preter ili.
Kiom da fontbildoj uzas unu redakto?
Ekzakte unu: aŭ bildo jam en la konversacio, aŭ unu alfiksita al via nuna mesaĝo. Se elementoj devas veni el du aŭ pli da bildoj — vesto el unu foto sur personon el alia — tio estas kombino, ne redakto, kaj vi devus provizi la verajn bildojn anstataŭ priskribi la duan per vortoj.
Ĉu mi devas desegni maskon aŭ uzi inpainting?
Ne. Ne ekzistas peniko, laso aŭ maska tavolo. Vi priskribas la ŝanĝon per unu frazo kaj la regiono estas deduktita el via lingvaĵo, kaj ĝuste tial precizaj substantivoj gravas: "la parkumita arĝenta aŭto dekstre" celas multe pli bone ol "tiu aĵo". Tio faras Shannon praktika sencenzura alternativo al inpainting por homoj, kiuj volas la rezulton sen la elektolaboro.
Ĉu mi povas redakti bildojn per la API de Shannon?
Ne. Bildgenerado kaj bildoredaktado troviĝas en la babilaplikaĵo Shannon. La dialektoj /v1 — /v1/chat/completions, /v1/messages kaj /v1/responses — servas tekston kaj vidon: ili legas kaj analizas bildojn, kiujn vi sendas, sed ne produktas nek redaktas ilin. Ofta laborfluo estas peti la vidon de la API verki la ankritan instrukcion, kaj poste ruli la redakton en la babilejo.
Redaktu bildon sen disputi kun filtrilo
Alfiksu foton, skribu unu frazon, nomu tion, kio restas.
Komencu redakti Legu la API-dokumentojnBildoj bildiĝas sur nia propra GPU-aro · nenio bildiĝas nek estas fakturita ĝis vi konfirmas la karton
Shannon AI estas funkciigata de Shannon Lab LLC, Nov-Meksiko, Usono. Bildgenerado, bildoredaktado kaj kombinado estas funkcioj de la babilaplikaĵo de Shannon 3; la API /v1 servas nur tekston kaj vidon. Neniu videogenerado ekzistas en la produkto. Redaktado akceptas ekzakte unu fontbildon kaj heredas ĝian bildproporcion. La uzo de la sencenzuraj bildaj vojoj estas regata de la Politiko pri Respondeca Uzo.