Vestotransigo per AI, sencenzura

Plej multe de la bilda laboro, kiun homoj efektive bezonas, ne estas "faru al mi bildon de io". Ĝi estas "metu ĉi tiun jakon sur ĉi tiun personon", "faligu ĉi tiun seĝon en ĉi tiun ĉambron", "fotu ĉi tiun produkton en tiu mano". Ĉiuj tiuj bezonas materialon el pli ol unu fotografaĵo, kaj ĉiuj fiaskas same: unu bildo estas alfiksata, la alia estas priskribata per vortoj, kaj revenas io kredinda, kio ne estas la afero, kiun vi posedas. La solvo estas pli malgranda ol vi atendus, kaj ĝi funkcias ĉie.

01Kio estas "kombini bildojn", kaj kie tio okazas

Shannon 3 faras tri apartajn aferojn kun bildoj: ĝi generas novan bildon el priskribo, ĝi redaktas unu ekzistantan bildon, kaj ĝi kombinas du aŭ pli da bildoj en unu novan. Ili havas malsamajn regulojn, kaj elekti la malĝustan estas la unua loko, kie kvalito perdiĝas.

Uzu kombinadon kiam ajn la finita bildo bezonas materialon el pli ol unu fotografaĵo: transigo de vestoj kaj garderobo, meti objekton en scenon, persono A apud persono B, vera produkto tenata de vera modelo, la stilo de unu bildo aplikita al la subjekto de alia. Se vi trovas vin dezirante montri al du bildoj samtempe, tio estas la operacio.

Ĉio ĉi okazas en la babilaplikaĵo Shannon, en ordinara konversacio. Ĝi ne estas en la API /v1 — la API servas tekston kaj vidon, kio signifas, ke ĝi legas bildojn, kiujn vi sendas, anstataŭ produkti novajn. Se vi alvenis el API-serĉo, jen la honesta respondo; vidu la API-dokumentadon pri tio, kion la finpunktoj ja servas. Bildoj bildiĝas sur nia propra GPU-aro.

Vi petas per ordinara lingvaĵo, en kiu ajn lingvo vi parolas. Shannon konkludas, ke bildo estas petata, verkas la generadan instrukcion mem en la angla, kaj montras ĝin al vi sur konfirmokarto antaŭ ol io bildiĝas. Nenio estas generata kaj nenio estas fakturita ĝis vi konfirmas — kaj por plurbilda laboro tiu karto estas la loko, kie vi kontrolas, ke la roloj kaj la ordo eliris tiel, kiel vi intencis. Shannon neniam generas neinvitite: saluto, demando aŭ hazarde alfiksita foto ne ekigas bildigon.

02La regulo: nomu la rolon de ĉiu bildo, laŭvice

La instrukcio devas diri, kion ĉiu bildo kontribuas, kaj ĝi devas diri tion en la ordo, laŭ kiu la bildoj estis donitaj. Tio estas la tuta tekniko; ĉio sube estas tiu regulo aplikita al specifa tasko.

La unua bildo estas la bazo — la ĉefa subjekto, aŭ la sceno, kiu ajn el ili konsistigas la plejparton de la finita bildo. Ĝi fiksas identecon, pozon, kadradon, lumon kaj ĉion, kion vi ne petis ŝanĝi. Postaj bildoj estas fontoj: la partoj, kiuj estas enportataj. Verku la frazon tiel, ke fremdulo tenanta la bildojn laŭvice povus plenumi la taskon permane. La ekzemplaj instrukcioj sube aperas en la angla, ĉar tio estas la lingvo, en kiu la instrukcio finfine atingas la Bildmodelon; vi mem povas peti en ajna lingvo.

Funkcias
The woman from the first image wearing the red knitted sweater
from the second image, standing in the same park, same pose and
same afternoon light, her face and hair unchanged.

Fiaskas
Combine these two images.   Merge the photos.   Put them together.

La fiaskaj versioj fiaskas ne ĉar ili estas mallongaj, sed ĉar ili neniam diras, kiu bildo estas la persono kaj kiu estas la svetero. Tri kutimoj faras la regulon fidinda:

• Uzu ordan lingvaĵon eksplicite. "El la unua bildo", "el la dua bildo". Kvar vortoj, kaj la ambigueco malaperas.
• Diru, kio restas sama. "Konservu ŝian vizaĝon, harojn kaj pozon identaj." Nomi la neŝanĝitajn partojn estas la plej granda kvalita levilo en ĉiu bilda operacio, kiun Shannon faras, kaj ĝi plej gravas ĉi tie, ĉar kunmetaĵo havas du aŭ pli da aferoj, de kiuj ĝi povus forvagi.
• Skribu prozon, ne etikedojn. La Bildmodelo legas instrukciojn tiel, kiel lingvomodelo legas frazon, do plenaj frazoj superas kom-apartigitajn ŝlosilvortojn. Celu 30 ĝis 80 vortojn, kaj preterlasu la rubon el la SDXL-epoko ("masterpiece, best quality, 8k") kaj pezosintakson kiel (word:1.3).

Kiam bildo enhavas pli ol unu aferon, nomu la parton, kiun vi volas el ĝi. Se la dua bildo estas kataloga foto de modelo portanta la sveteron, "la ruĝa trikita svetero portata de la virino en la dua bildo" diras, ke vi volas la vestaĵon, ne la modelon. Lasu ĝin ĉe "la dua bildo" kaj vi eble ricevos ankaŭ ŝian vizaĝon.

Rolŝablonoj laŭ tasko

Tasko	Unua bildo	Dua bildo	Formo de la instrukcio
Vestotransigo	La persono	La vestaĵo	"La [persono] el la unua bildo portanta la [vestaĵon] el la dua bildo, [kio restas]"
Objekto en sceno	La sceno	La objekto	"La [ĉambro] el la unua bildo kun la [objekto] el la dua bildo metita [kie], kongrue kun [lumo]"
Persono + persono	Persono A kaj la medio	Persono B	"La [viro] el la unua bildo staranta apud la [virino] el la dua bildo, [pozicioj, rigardolinioj]"
Produkto sur persono	La modelo aŭ la sceno	La produkto	"La [modelo] el la unua bildo tenanta la [produkton] el la dua bildo, [teno, etikedo alfrontanta]"
Stiltransigo	La subjekto	La stila referenco	"La [subjekto] el la unua bildo bildigita en la [stilaj aksoj] de la dua bildo, [subjekto neŝanĝita]"

03La eraro, kiu ruinigas plej multajn provojn: priskribi anstataŭ alfiksi

Jen la eraro inda je bruo, ĉar ĝi estas ege la plej ofta kaj ĉar ĝi aspektas kvazaŭ ĝi funkciis. La uzanto havas du fotografaĵojn — sian klienton kaj la produkton de sia kliento, aŭ sin mem kaj jakon, kiun li posedas. Li alfiksas unu, kaj li tajpas la alian.

La eraro
[alfiksas unu foton de virino]
"Put a red knitted sweater on her, cable knit, kind of chunky,
with a rolled collar."

Kio revenas estas virino en ruĝa trikita svetero. Ĝi estas bona svetero. Ĝi ne estas la svetero. La ŝnurmodelo estas elpensita, la tinkturo estas alia ruĝo, la profundo de la ripoj malĝustas, la kolumo ruliĝas malĝustadirekten, kaj la malgrandaj malsimetrioj, kiuj igas veran vestaĵon rekonebla — riparo, tirita fadeno, la streĉo ĉe la kubutoj — malaperis, ĉar nenio en la frazo enhavis ilin.

Teksto estas perdoplena kanalo kaj fotografaĵo ne estas. Zorga frazo portas eble dekduon da atributoj de objekto; la fotografaĵo portas milojn, inkluzive de ĉiu, kiun vi neniam pensus noti, kaj tiuj, kiujn vi ne povas nomi. Priskribi anstataŭ alfiksi forĵetas ĉion, pri kio vi ne pensis, kio estas la plejparto. Alfiksado konservas la veran aspekton, ĉar la vera aspekto ĉeestas.

La testo estas simpla. Se la esenco de la bildo estas, ke temas pri tiu unu — tiu specifa vestaĵo, tiu persono, tiu ekzakta produkto, tiu ĉambro — alfiksu ĝin. Se vi povus elekti la objekton el vico kaj gravas, ke la rezulto kongruu kun tiu, kiun vi elektus, priskribo ne sufiĉos.

Ekzistas legitima kazo por priskribi: kiam la afero ankoraŭ ne ekzistas, aŭ kiam ĝenerala versio estas ĝuste tio, kion vi volas. Desegni sveteron, kiun neniu trikis, skizi koncepton — tio estas teksto-al-bilda laboro, kaj priskribo pravas, ĉar ne ekzistas vera objekto, kies identecon vi konservas. En la momento, kiam vera objekto eniras la taskon, eniras ankaŭ ĝia fotografaĵo.

Rilata duon-eraro: alfiksi ambaŭ bildojn kaj poste tamen priskribi la duan detale. La adjektivoj povas batali kontraŭ la fotografaĵo — skribu "dika" kiam la vera vestaĵo estas fajnkalibra kaj vi enkondukis kontraŭdiron. Priskribu la duan bildon nur sufiĉe por identigi, kiun parton de ĝi vi volas.

04Transigo de vestoj kaj garderobo

La kanona dubilda tasko. Alfiksu la personon unue kaj la vestaĵon due. La bildo de la vestaĵo povas esti plata aranĝo, foto sur pendigilo, kataloga foto, aŭ iu alia portanta ĝin — ĉiuj funkcias, kondiĉe ke vi diras, kiun parton de ĝi vi celas.

Vestotransigo
The woman from the first image wearing the red knitted sweater
from the second image. Keep her face, hair, pose and the park
background exactly as they are, with the same soft overcast light.
The sweater should hang naturally on her frame, with the cable
pattern and collar of the original garment intact.

Negative prompt: warped cable pattern, extra sleeves, distorted
hands, plastic-looking fabric, mismatched lighting

Tri aferoj faras la laboron: la roloj estas nomitaj laŭvice, la neŝanĝitaj partoj estas listigitaj laŭtvoĉe (kio estas tio, kio haltigas la drivon de la vizaĝo), kaj la lasta klaŭzo diras al la modelo, ke la propraj detaloj de la vestaĵo estas la esenco — sen ĝi kunmetaĵoj emas konservi koloron kaj silueton dum ili kviete glatigas la teksturon.

• Sido estas fizika aserto, do faru ĝin. "Pendas nature sur ŝia korpo", "streĉita ĉe la talio", "manikoj finiĝantaj ĉe la pojno" — alie la vestaĵo povas alveni en siaj fontaj proporcioj anstataŭ en tiuj de la portanto.
• Kovrado estas la malfacila kazo. Se la brakoj estas krucitaj aŭ saka rimeno transiras la bruston, diru, kio okazas al ĝi. Ambigueco tie produktas la klasikan artefakton de fandita maniko.
• Pli da vestaĵoj signifas pli da bildoj. Persono unue, poste supra vesto, poste pantalono, poste ŝuoj — kaj referencu ilin kiel la duan, trian kaj kvaran bildon konsekvence. Ne ŝanĝu al "la ŝua bildo" duonvoje.

05Meti objekton en scenon

Ĉi tie la roloj inversiĝas: la sceno venas unue, ĉar la sceno konsistigas la plejparton de la finita bildo, kaj la objekto estas la parto, kiu estas enportata. Internaj modeloj, aranĝi ĉambron per mebloj, kiujn vi ne aĉetis, faligi veturilon sur vojon, meti skulptaĵon en galerion — sama formo ĉiufoje.

Objekto en sceno
The living room from the first image with the green velvet
armchair from the second image placed beside the window on the
left, angled slightly toward the camera and standing about waist
height in frame. Match the room's warm late-afternoon light, with
a soft shadow falling to the right of the chair onto the rug.
Keep the rest of the room and the camera angle unchanged.

Negative prompt: floating object, cut-out edges, duplicate
shadows, mismatched color temperature

La fiasko-modo ĉi tie ne estas identeco, ĝi estas fiziko. Objekto, kiu konservas sian propran lumon, aspektas algluita, kaj spektantoj rimarkas tion tuj eĉ kiam ili ne povas diri kial. Elspezu viajn vortojn por la tri aferoj, kiujn fotografaĵo de izolita objekto ne povas scii: lokado (kie en la kadro, rilate al kio), skalo laŭ la sceno anstataŭ laŭ centimetroj ("ĉirkaŭ ĝis la talio", "same alta kiel la pordokliniko"), kaj lumo kaj ombro — direkto, kvalito, kaj kien falas la ombro. Tiu lasta estas tio, kio konvertas kunmetaĵon en fotografaĵon.

06Persono A apud persono B

Du homoj, kiuj neniam estis en la sama ĉambro: familiaj fotografaĵoj tra generacioj, portreto de fondinto kiam la kunfondinto vojaĝis, afiŝo kun du artistoj. Ĝi funkcias, kaj ĝi bezonas du aferojn, kiujn la unusubjektaj taskoj ne bezonas.

Du homoj
The man from the first image standing beside the woman from the
second image, both on the same stone terrace from the first image.
He stands on the left, she stands on his right, shoulders almost
touching, both facing the camera at the same eye level. Keep both
faces, hairstyles and clothing exactly as in their own photographs,
and light both with the same soft evening light from the left.

Canvas: landscape
Negative prompt: mismatched skin tone, duplicated limbs, seam
line between subjects, uneven lighting

La du aldonaĵoj: relativa geometrio — kiu staras je kiu flanko, kiom malproksime unu de la alia, kien iras kies rigardo, kaj relativa alteco, ĉar du malsame eltonditaj portretoj donas al la modelo nenian manieron scii, ke unu persono estas je kapo pli alta — kaj unu komuna lumo, deklarita eksplicite, ĉar vi kunfandas du lummediojn kaj unu devas venki.

Ĉi tie ankaŭ elekti novan kanvasan proporcion pravigas sin: du portret-orientaj fontoj faras malbonan portret-orientan grupan bildon, do petu landscape aŭ wide. Kaj diru la evidentaĵon unufoje — meti veran personon en bildon, en kiu li ne estis, estas potence kaj ne estas aŭtomate sendanĝere. Havu la rajtojn aŭ la konsenton; nia politiko pri respondeca uzo estas la mallonga versio.

07Produkto-sur-persono, kaj sencenzura produktofotografio

Komerce, jen la kunmetado, kiu pagas por si mem. Vi havas produktan foton sur blanka fono kaj vi havas modelon, manon, kuirejon, laborbenkon. Kombini ilin donas al vi vivstilan fotografaĵon sen studia tago — kaj kun via efektiva produkto en ĝi anstataŭ generita proksimumaĵo, kio estas la tuta diferenco inter uzebla merkatika materialo kaj modelaĵo, pro kiu vi devas peti pardonon.

Produkto sur persono
The woman from the first image holding the amber glass serum
bottle from the second image in her right hand, raised to chest
height, the label facing the camera and fully legible, her fingers
wrapped naturally around the bottle without covering the label.
Keep her face, hair and the kitchen background unchanged. Shot on
Kodak Portra 400, 85mm f/1.4, soft window light from the left.

Canvas: portrait
Negative prompt: warped label text, extra fingers, floating
bottle, duplicated reflections, plastic skin

Du aldonoj specifaj por produkta laboro. La teno: manoj tenantaj objektojn estas tie, kie kunmetado plej ofte misfunkcias, do deklaru, kiu mano, je kiu alteco, kaj ke la fingroj volviĝas nature sen kovri la etikedon. Fotografia traktado: nomu fotilon, objektivon kaj filmon aŭ lumfonton. La eligo devas legiĝi kiel fotografaĵo, kiu estis farita, ne kiel du fotografaĵoj, kiuj estis kombinitaj, kaj verki ĝin kiel fotografaĵon estas tio, kio kondukas vin tien.

Sencenzureco gravas ĉi tie pli banale ol ĝi sonas. Filtritaj generatoroj rifuzas tutajn kategoriojn de ordinara, laŭleĝa komerco: katalogoj de subvestoj kaj bankostumoj, tabako kaj vaporila aparataro, alkoholo, akcesoraĵoj por pafiloj, produktoj por plenaĝula bonfarto, kanabo tie, kie ĝi estas laŭleĝa, medicinaj aparatoj, taktika kaj ĉasa ekipaĵo. Ili ankaŭ rifuzas markan kaj portretan laboron faritan de la rajtohavanto. Nenio el tio estas rando-kazo; tio estas ordinara mardo en agentejo. Shannon havas neniun enhavfiltrilon sur la generada vojo kaj neniun rifuzan tavolon sur la modelo, kiu verkas la instrukcion, do la laboro trapasas kaj la rajta demando restas ĉe vi, kie ĝi apartenas.

08Stilo el unu bildo, subjekto el alia

Subjekto unue, stila referenco due. Kio faras ĉi tiun taskon malsama estas, ke vi pruntas kvaliton anstataŭ objekton, do vi devas nomi, kiujn kvalitojn — kaj diri, ke la propra subjekto kaj kompozicio de la referenco ne venas kune.

Stila referenco
The portrait of the man from the first image rendered in the
visual style of the second image: the same muted teal and ochre
palette, visible dry-brush texture, and flat even lighting. Keep
his face, expression and pose recognizable and unchanged. Do not
carry over the subject, background or composition of the second
image.

Negative prompt: second face, borrowed background, photographic
texture

Nomu la stilajn aksojn eksplicite, ĉar "en la stilo de la dua bildo" sola estas subspecifita: paletro (aŭ ekzaktaj koloroj, skribitaj kiel color #8B0000 alkroĉitaj al nomita objekto), peniktrajtoj aŭ grajno, kvalito de la lumo, linidikeco, grado de abstraktado, traktado de la randoj. Elektu la du aŭ tri, kiuj difinas la aspekton; nomi ĉiujn ses mezumigas ilin. Kaj ne miksu kontraŭajn direktojn — "fotorealisma" plus "akvarelo" produktas konfuzon, ne miksaĵon. Se vi volas fotografaĵon, kiu nur pruntas paletron, diru ĝuste tion.

09Negativaj instrukcioj kaj elekto de nova kanvasa proporcio

Du kapabloj, kiuj ekzistas por kombinado kaj redaktado sed ne por teksto-al-bildo, kaj ambaŭ estas subuzataj.

La negativa instrukcio

Kombinado de bildoj subtenas negativan instrukcion. Nedezirataj artefaktoj iras tien — kaj gravas, ke ili iru tien anstataŭ en la instrukcion, ĉar skribi "neniuj kromaj fingroj" en la ĉefa instrukcio nomas la aferon, kiun vi provas eviti, en la sama spiro kiel ĉion, kion vi volas. Metu ekskludojn en ilian propran kanalon. La eroj, kiuj konstante meritas sian lokon:

• Anatomio — kromaj fingroj, duobligitaj membroj, misformitaj manoj, dua vizaĝo.
• Signoj de kunmetado — eltonditaj randoj, videbla kunig-linio, ŝvebanta objekto, duoblaj ombroj, aŭreolo ĉirkaŭ la subjekto.
• Malkongrua lumo — malkongrua kolortemperaturo, nekonsekvenca ombrodirekto, neegala ekspono inter subjektoj.
• Teksturaj fiaskoj — plasta haŭto, glatigita ŝtofo, tordita etikeda teksto, nelegebla emblemo.

Tenu ĝin ĉe la manpleno, kiu estas kredebla por via bildo. Negativa instrukcio listiganta tridek aferojn estas disa instrukcio, ne forta.

La kanvasa proporcio

Redaktado de unu bildo heredas la bildproporcion de la fontbildo aŭtomate — ekzistas unu fonto, kaj ĝia formo estas la respondo. Kombinado ne havas tian defaŭlton, do vi povas elekti novan kanvasan proporcion, kaj vi ofte devus, ĉar la formo, kiu taŭgis por unu fonto, malofte taŭgas por la kunmetaĵo.

Proporcio	Plej taŭga por	Tipa kunmeta uzo
square	Defaŭlta, sociretaj fluoj	Unuopa subjekto kun unu transigita elemento
portrait	Homoj, altaj subjektoj	Vestotransigo, produkto tenata de unu modelo
landscape	Pejzaĝoj, grupoj	Du homoj flank-al-flanke, objekto metita en ĉambron
wide	Kinema kadrado	Grupaj bildoj, medi-produktaj scenoj, standardoj
tall	Afiŝoj, telefonaj fonbildoj	Plenlongaj vestaj bildoj, afiŝaj aranĝoj

Eksplicita peto ĉiam venkas. Diru nenion kaj vi ricevas kvadraton — la malĝusta formo por plej multe da duperson-a kaj plenlonga vesta laboro, do ĝi valoras unu vorton.

10Kiujn bildojn Shannon uzas: la konversacio kontraŭ ĉi tiu mesaĝo

Ekzistas du manieroj, laŭ kiuj bildo eniras kunmetaĵon, kaj scii, kiun el ili vi uzas, malhelpas plej multajn ord-konfuzojn.

Alfiksita al la nuna mesaĝo. La rekta vojo: alfiksu ĉion al la mesaĝo, kiu portas la instrukcion, en la ordo, laŭ kiu vi intencas referenci ĝin, kaj "unua bildo" kaj "dua bildo" signifas ĝuste tion, kion ili aspektas. Uzu ĉi tion defaŭlte.

Jam en la konversacio. Bildoj senditaj pli frue en la fadeno restas disponeblaj kaj povas esti referencataj per ordinara lingvaĵo — "la foto, kiun mi sendis pli frue", "la bildo de la svetero de antaŭe", "la dua versio, kiun vi faris". Shannon solvas la referencon kontraŭ la fadeno, kio estas vere oportuna dum longa seanco: vi povas iteracii sur rezulto kaj poste enporti novan elementon sen realŝuti ĉion.

La sekurigilo por ambaŭ estas la sama. La konfirmokarto montras la instrukcion antaŭ ol io bildiĝas, inkluzive de la ordo, kiun ĝi elektis. Legu ĝin. Se la roloj eliris inversigitaj — la svetero kiel bazo, la persono kiel fonto — diru tion kaj tio estas korektita antaŭ ol eĉ unu rastrumero estas generita aŭ fakturita. Tamen, kiam fadeno estas longa kaj plena de bildoj, realfiksu tiujn, kiujn vi bezonas; ses bildojn pli frue, "la dua bildo" estas ambigua por ĉiu leganto.

Peti Shannon rigardi bildon — priskribi ĝin, legi la etikedon, diri al vi, kia estas la ŝtofo — estas ordinara vida laboro, ne generado. Ĝi kostas nenion kroman kaj ĝi estas bona kontrolo antaŭ kunmetado: se la priskribo de Shannon ne mencias la detalon, pri kiu vi zorgas, via instrukcio devas nomi ĝin.

11Sencenzura, kaj kion tio efektive signifas

Ekzistas neniu enhavfiltrilo sur la generada vojo kaj neniu rifuza tavolo sur la modelo, kiu verkas la instrukcion. Kunmetado estas tie, kie filtritaj iloj fiaskas plej videble, ĉar rifuza sistemo ne povas distingi inter kombini bildojn, kiujn vi posedas, kaj kombini bildojn, kiujn vi ne devus havi — do ĝi blokas ambaŭ.

La laboro, kiun tiuj iloj rutine rifuzas, ne estas ekzotika: artaj nudoj kaj figurstudo, medicina kaj krimmedicina ilustrado, bildoj por sekureca esplorado, perforto en fikcio por librokovriloj kaj ludarto, politika satiro, kaj la laŭleĝaj produktokategorioj listigitaj supre. Ĉiu el ili estas legitima profesia laboro, kiun ŝlosilvorta filtrilo ne povas distingi disde misuzo.

Sencenzura ne signifas senresponsa. Vi liveras fotografaĵojn de veraj objektoj kaj ofte de veraj homoj; la rajtoj kaj la konsento estas viaj por teni, kaj same estas la respondeco pri la rezulto. Shannon Lab LLC estas nov-meksika kompanio funkcianta sub publikigita politiko pri respondeca uzo — inda je kvin minutoj antaŭ ol vi komencas laboron implikantan la portretojn de aliaj homoj.

12Limoj indaj je scio antaŭ ol vi komencas

Ne ekzistas videogenerado. Shannon ne animacias bildojn kaj ne produktas videon, en ajna formo, el ajna el ĉi tiuj operacioj — nek el unuopa bildo, nek el kunmetaĵo, nek kiel eksperimenta opcio. Se via tasko finiĝas per movo, ĉi tio ne estas la ilo por la lasta paŝo. Tio estas tio, kio la produkto estas, ne aludo pri vojmapo.

Aliaj honestaj limoj, ĉiuj kun ĉirkaŭvojoj:

• Fajna teksto estas la plej malforta areo. Malgranda preso, densa pakaĵa teksto kaj longaj seriaj numeroj povas eliri neperfektaj. Kadrigu la produkton tiel, ke la grava teksto estu granda, metu warped label text en la negativan instrukcion, kaj kontrolu ĉe plena grandeco.
• Ekstrema skala malkongruo estas malfacila. Produkta foto de 4000 rastrumeroj kombinita kun malgranda bildeto de ĉambro donas al la modelo malmulton por labori. Uzu la plej bonan kopion de ĉiu fonto, kiun vi havas.
• Forta kovrado limigas tion, kio povas esti transigita. Vestaĵo fotita faldita, kies dorso neniam estas videbla, ne povas havi sian dorson fidele elpensita. Se la kunmetaĵo montras la dorson, liveru la dorson.
• Pli da bildoj signifas pli da spaco por konfuzo. Kvar fontoj estas prilaboreblaj kun disciplinita orda nomado, sed tio ne estas la loko por esti senzorga — uzu la nombron, kiun la tasko bezonas, kaj ne pli.
• Du grandaj ŝanĝoj samtempe konkuras. Transigu la veston, konfirmu, poste ŝanĝu la fonon. Sinsekvaj redaktoj superas unu troŝarĝitan instrukcion preskaŭ ĉiufoje, kaj ĉiu paŝo estas malmultekoste kontrolebla.

13Oftaj demandoj

---

Bildgenerado, bildoredaktado kaj plurbilda kunmetado estas funkcioj de la babilaplikaĵo Shannon; la finpunktoj /v1/chat/completions, /v1/messages kaj /v1/responses servas tekston kaj vidon, kio signifas, ke ili legas bildojn anstataŭ generi ilin. Ne ekzistas videogenerado. La opcioj pri proporcio, la subteno de negativa instrukcio kaj la konfirma konduto validas je la 5-a de septembro 2026. Rilataj: sencenzura AI-bildgenerado · sencenzura AI-bildoredaktado · respondeca uzo · API-dokumentado · esplora indekso.