Zentsurarik gabeko AI irudi-editorea
Aldatu, estiloa aldatu, birrargiztatu, berriro jantzi edo konpondu lehendik dagoen irudi bat esaldi bat idatzita. Maskararik ez, iragazkirik ez, ukorik ez — eta beste guztiak batuta baino gehiago axola duen teknika bat.
Laburpena
Shannon-ek lehendik dagoen irudi bakar bat editatzen du hizkera arrunteko argibide batetik — pintzelik ez, maskararik ez, hautaketarik ez. Argibide horrek zer aldatzen den ETA zer geratzen den esan behar du, ereduak marko osoa birsortzen duelako: aldaezin gisa izendatzen ez duzun ororek desbideratzeko askatasuna du. Aldatzen ez diren zatiak izendatzea — «mantendu aurpegia, jarrera eta arropa berdin-berdinak» — da dituzun kalitate-palanka handiena. Edizio-bideak prompt negatibo bat bai onartzen du (testutik irudirakoak ez); jarri hor nahi ez dituzun artefaktuak, argibidean «X-rik ez» idatzi beharrean. Irteerak iturriaren aspektu-erlazioa heredatzen du automatikoki. Ez dago bideo-sorkuntzarik eta ez dago irudi bat animatzeko modurik. Edizioa gure GPU kluster propioan exekutatzen da, txat aplikazioan, eduki-iragazkirik eta uko egiteko geruzarik gabe.
Jende gehienak zentsurarik gabeko AI irudi-editore bat bilatzen duenean irudi bat eta arazo bat ditu: atzeko planoa okerra da, argia laua da, jaka koloreak ez du balio, ezezagun bat markoaren barruan dago, eskaneatuak tolestura bat du zeharka — edo edizioa guztiz legitimoa da eta haien uneko tresnak ukitzeari uko egiten dio. Hau hori ondo egiteari buruzkoa da: ez zein editorek dituen kontrol gehien, baizik eta emaitza ematen duen edizioa eta zure subjektuaren aurpegia isilean berreraikitzen duen edizioa bereizten dituen ohitura bakarra.
01Zer den benetan argibide bidezko edizioa
AI edizio klasikoak zati zaila zuk zeuk egitea eskatzen dizu: ireki oihal bat, margotu maskara bat aldatu nahi duzun eremuaren gainean, idatzi barruan zer doan deskribatzen duen esaldi bat. Zehatza, motela, eta erabat alferrikakoa zure aldaketak silueta garbirik ez duen unetik — argi-aldaketa bat, silueta aldatzen duen jantzi-aldaketa bat, kolore-gradazio orokor bat.
Shannon-ek alderantziz jokatzen du. Ez duzu ezer hautatzen. Irudiari buruzko esaldi bat idazten duzu, edozein hizkuntzatan, eta eremua zure hitzetatik ondorioztatzen da. Horrek inpainting-aren alternatiba zentsurarik gabeko praktiko bihurtzen du hautaketa-lana baino emaitza nahi duen edonorentzat — lehenik ulertu behar duzun ondorio mekaniko batekin:
Edizio bat marko osoaren birrerrendatze bat da, zure iturri-irudian baldintzatuta — ez haren zati bati aplikatutako adabaki bat. Irudi Ereduak zure jatorrizkoa irakurtzen du, zure argibidea irakurtzen du, eta jatorrizkoa gehi aldaketa izan behar lukeen irudi berri bat sortzen du. Ez dago ezer mekanikoki izoztuta. Pixel guztiak berriro negoziagarriak dira edizio bakoitzean.
Horregatik itzultzen da «Tokioko kale euritsu bat» — maskaradun tresna batean akatsik gabea — barruan zertxobait bestelako pertsona batekin. Maskaradun tresna batean maskarak esaten zuen pertsona ukiezina zela; hemen zure esaldiak esan behar du. Alde ona: argibide bidezko edizioak maskarek ezin dutena egiten du — mugitu eguzkia eta itzalak bat etorraraztea, jantzi bat aldatu eta oihala lehendik dagoen jarreraren gainean tolestea, argazki bat tinta eta kolore lauetara eraldatzea konposizioari eutsiz. Edizio horiek ez dute margotzeko mugarik; marko osoko harremanak dira.
02Ainguratzea: kalitate-palanka handiena
Ainguratzeak esan nahi du edizio-argibide oro bi perpausekin idaztea: aldaketa-perpausa (zer izan behar den desberdina, positiboki eta zehatz esanda) eta mantentze-perpausa (ukitu gabe iraun behar duten zatiak, izen zehatzekin izendatuta). Biak dira sostengu-elementuak — aldaketa-perpausa bakarrik desio bat da. Orri honetatik gauza bakar bat hartzen baduzu: zure emaitza zer geratzen den zeinen esplizituki izendatzen duzun horrek menderatzen du, eta ez zer aldatzen den zeinen bizi deskribatzen duzun.
Ainguratu gabeko argibideek desbideratzeko hiru modu
- Nortasunaren desbideratzea. Aurpegia ia zuzen itzultzen da — sudur apur bat desberdina, masailezur bat isilean edertua. Hutsegiterik kaltegarriena, telefonoan ikusten zaila delako eta pertsona ezagutzen duen edonorentzat nabaria.
- Kolateraleko estilo-aldaketa. Atzeko plano berri bat eskatu duzu; kolore-gradazio berri bat, objektibo berri bat eta lehen kanaleztatua zen jertse bat ere jaso dituzu. Ereduak argibidea helburu-irudi osoaren deskribapen gisa irakurri du, eta ez iturriarekiko alde gisa.
- Adjektiboetatik datorren hedadura-hazkundea. «Dramatikoagoa», «garbiagoa», «profesionalagoa» esaldiek ez dute objekturik izendatzen. Izenik gabeko adjektibo bat guztiari aplikatzen zaio, beraz dena mugitzen da.
Ainguren hiztegia
Aingurek izen zehatz gisa funtzionatzen dute. «Mantendu berdin» ahula da — ereduak ezin du jakin zein berdintasunek axola dizun. Aukeratu zure edizioarentzat garrantzitsuak diren hiru edo bost elementu eta izendatu argi.
| Zer ari zaren aldatzen | Esplizituki izendatzea merezi duten aingurak |
|---|---|
| Atzeko planoa / ingurunea | aurpegia eta aurpegiko ezaugarriak, orrazkera, jarrera, eskuak, arropa, kamera-angelua, enkoadraketa, subjektuaren gaineko argia |
| Argia / giroa | aurpegia, aurpegiera, azalaren ehundura, jarrera, arropa, atzeko planoaren edukia, enkoadraketa |
| Arropa / jantziak | aurpegia, bizarra edo ilea, jarrera, eskuak, gorputzaren proportzioak, atzeko planoa, argiaren norabidea, kolore-gradazioa |
| Estiloa / euskarria | konposizioa, jarrera, ilearen luzera, jantzien formak, subjektu kopurua, enkoadraketa |
| Objektua kentzea / konpontzea | markoko gainerako guztia — subjektua, inguruko arkitektura, pikorra, tonalitatea, kontrastea, kolorea |
| Gauza baten kolorea | irudiko beste kolore guztiak, gehi aldatutako objektuaren ehundura eta materiala |
Erreparatu azken errenkadari. Kolorez aldatzea isilean okertzen da, «egin jaka gorria» esateak hutsetik berreraikitako jaka bat gonbidatzen duelako — ebaketa berria, material berria, tolestura berriak. Ainguratuta: «koloreztatu berriro lehendik dagoen jaka gorri sakon batez, haren ebaketa, joste-lerroak, oihalaren ehundura eta zintzilikatzeko modua zehazki mantenduz». Perpaus bakarreko aldea, emaitza izugarri hobea.
03Landutako adibideak: argibide ahula, zergatik desbideratzen den, birridazketa ainguratua
Beheko bikote bakoitza asmo bera da bi aldiz idatzita. Erdiko diagnostikoa da zati transferigarria.
A. Atzeko plano bat ordezkatzea
Zergatik desbideratzen den: honek helmuga-irudi bat deskribatzen du, eta ez alde bat. Emakumeari buruz ez dago ezer babestuta eta ezerk ez du kamera geldi eusten, beraz ereduak berriro enkoadratu eta birrerrendatzen du eszena sinesgarri bat eraikitzen duen bitartean.
Zer aldatu den: mantentze-perpausak nortasuna, jantziak eta enkoadraketa finkatzen ditu, eta azken esaldiak esaten du zein aldetara ebazten den josturaren tirabira — atzeko planoa subjektuaren argira makurtzen da, eta ez alderantziz.
B. Birrargiztatzea
Zergatik desbideratzen den: «hobea» izenik gabeko adjektibo bat da. Ereduak definizio bat asmatu behar du, eta birrerrendatze batean hobeto ikusteko modurik merkeena azal leundua, hortz distiratsuagoak eta masailezur meheagoa da. Argia eskatu duzu eta erretokatze bat jaso duzu.
Zer aldatu den: argia fisikoki deskribatzen da — norabidea, kalitatea, tenperatura, erorialdia. Azalaren ehundura esplizituki ainguratuta dago, birrargiztatzea baita eredu bat hura leuntzera gehien tentatzen den unea.
C. Subjektu bat berriro janztea
Zergatik desbideratzen den: traje batek silueta aldatzen du, beraz enborra birrerrendatu behar da — eta gainean dagoen burua harekin joan ohi da. Ainguratu gabeko jantzi-edizioak dira nortasunaren desbideratzearen bigarren iturri handiena, atzeko planoaren aldaketen ondoren.
Zer aldatu den: «tailored to his current posture» esaldiak jantzia jarreraren mendeko bihurtzen du. Eskuak bereiz ainguratuta daude, eskuak baitira jantzi-edizioak nabarmenen puskatzen diren tokia.
D. Argazki baten estiloa aldatzea
Zergatik desbideratzen den: estilo-hitz batek berak dena eskuordetzen du — konposizioa, enkoadraketa, ilea, jantziak, pertsona kopurua — eta «anime» hogeita hamar urteko tradizio bateraezinak dira. Beste eszena baten ilustrazio duin bat jasoko duzu.
Zer aldatu den: estilo-edizioek bestelako aingura bat behar dute. Ezin duzu ehundura ainguratu — ehundura da ordezkatzen ari dena —, beraz egitura ainguratzen duzu: konposizioa, jarrera, siluetak, enkoadraketa, subjektu kopurua. Zelulu-animazioaren azpian «azal fotorrealista» mantentzeko eskatzea kontraesan bat da.
E. Zerbait kentzea
Zergatik desbideratzen den: ezeztapen batek kontzeptua ereduaren aurrean jartzen du oraindik, eta ez du ezer esaten hutsik geratzen den lekua zerk betetzen duen. Kentzeek helburuaren eta betegarriaren adierazpen positiboa behar dute, biena.
Zer aldatu den: helburua objektuz, kolorez eta kokapenez izendatuta dago; betegarria zehaztuta dago, beraz ereduak ez du plaza bat asmatzen espaloi bat dagoen lekuan; eta «gainerako guztia» benetako izenetan zehaztuta dago.
F. Hondatutako argazki bat konpontzea
Zergatik desbideratzen den: «konpondu» hitzak «hobetu» esan nahi du irakurketan, eta argazki zahar bat hobetzeak modernizatzea esan nahi du — azal garbiagoa, kontraste handiagoa, eta jada zure amonarena guztiz ez den aurpegi bat.
Zer aldatu den: kalteak zerrendatuta daude, beraz «konpondu» hitzak hedadura definitu bat du, eta pikorra eta tonalitatea ainguratuta daude horiek egiten baitute kopia garaikoa dela irakurtzea. Hiru debekuak dira ezeztapenak bere lekua irabazten duen kasu bakanetakoa — prozesuari buruzko aginduak dira, eta ez objektuei buruzkoak.
Argibide on baten forma
Jarri helburu gisa 25 eta 60 hitz artean, esaldi osoetan eta ez komaz bereizitako hitz gakoetan — Irudi Ereduak promptak hizkuntza-eredu batek bezala irakurtzen ditu, beraz prosak etiketa-zopa gainditzen du. Saihestu SDXL garaiko zaborra (masterpiece, best quality, 8k) eta (word:1.3) moduko pisu-sintaxia; ez dute ezertarako balio hemen. Egin aldaketa bakarra argibide bakoitzeko — lotu gabeko bi aldaketak esaldi bakarrean arreta bereganatzeko lehiatzen dira eta biak erdi eginda itzultzen dira.
04Prompt negatiboa — hemen onartua, testutik irudirakoan ez bezala
Honek jendea nahasten du, beraz argi esan dezagun:
| Bidea | Iturri-irudiak | Prompt negatiboa | Aspektu-erlazioa | Promptaren forma |
|---|---|---|---|---|
| Testutik irudira | 0 | Ez da onartzen | Aukeratua (square lehenetsia) | Prosa deskribatzailea |
| Irudi bat editatu | Zehazki 1 | Onartua | Iturritik heredatua | Argibidea: aldatu + mantendu |
| 2+ irudi konbinatu | 2 edo gehiago | Onartua | Oihal berria hautagarria | Rolak izendatzen dituen prosa |
Testutik irudirakoak ez du prompt negatiborik batere hartzen — hutsetik sortzean, nahi duzuna soilik deskribatzea da disziplina (ikusi zentsurarik gabeko AI irudi-sorkuntza). Edizioa desberdina da: dagoeneko iturri bat duzu, eta birrerrendatze baten hutsegite bereizgarriak ezagunak eta izendagarriak dira, beraz prompt negatibo batek badu zerbait zehatza kentzeko.
Zer doan bertan
Artefaktuak, eta artefaktuak soilik. Akats-zerrenda bat da, ez bigarren argibide-kanal bat:
- extra fingers, fused fingers, malformed hands — pertsona bat birrerrendatzen duen edozein edizio.
- warped text, garbled lettering, misspelled signage — markoan seinale, etiketa edo ontziratzeren bat duen edozer.
- duplicated limbs, duplicated railing, repeated windows — kentzeak eta atzeko planoaren luzapenak.
- smeared texture, blurry patch, halo around the subject, visible seam — atzeko planoaren aldaketak eta objektuak kentzea.
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — birrargiztatzea, erretratu-edizioak, higiene orokorra.
Zer ez doan
Eduki-erabakiak. Kapela kendu nahi baduzu, argibidea «kendu kapela» da — eta ez «kapela» dioen prompt negatibo bat. Prompt negatiboak ez ditu modu fidagarrian kentzen zure iturrian dauden gauzak; errendatzean akatsak agertzea eragozten du. Bertan edukia jartzeak bi munduetako txarrena ematen dizu: kapelak jarraitzen du, eta esku deformatuak kendu zitzakeen tarte bat galdu duzu.
Arauaren beste erdia zure argibideari dagokio: utzi bertan «X-rik ez» idazteari. «Autorik gabeko kale bat», «betaurrekorik gabeko erretratu bat» esaldiek nahi ez den kontzeptua esaldian jartzen dute eta ereduari ezeztatzeko eskatzen diote — hizkuntzak ondo egiten duen lana eta irudiaren baldintzatzeak gaizki egiten duena. Esan zer egon behar duen horren ordez: «kale huts bat asfalto garbiarekin», «erretratu bat begiak oztoporik gabe». Salbuespen bakarra, F adibidean bezala, prozesuari buruzko agindu bat da — «ez zorroztu», «ez koloreztatu berriro» — eragiketa bati uko egiten diona objektu bat izendatu beharrean.
Lan-banaketa, lerro bakarrean
Argibidea: zer aldatzen den, zer geratzen den — positiboki esanda. Prompt negatiboa: errendatze bat deformatzeko moduak. Bereizita mantendu eta biak hobetzen dira.
05Iturri-irudi bakarra, eta nola aukeratzen duen Shannon-ek
Edizio batek zehazki iturri-irudi bakar baten gainean egiten du lan: edo dagoeneko elkarrizketan dagoen argazki bat — lehenago erantsia, edo zuretzat sortua — edo orain bidaltzen ari zaren mezuari erantsitako bat. Ez da ezer ekartzen harizpitik kanpotik, eta edizio-bideak ez ditu inoiz isilean bi argazki batzen. Zure asmoak irudi bat baino gehiagoren elementuak behar baditu — A argazkiko jantzia B argazkiko pertsonaren gainean — hori konbinaketa bat da, irudi bakoitzaren rola ordenan izendatzen duen bestelako prompt-forma batekin.
Jarraipenak eta irudi garrantzitsurik berriena
Irudi bat elkarrizketan dagoenean, jarraipen laburrek espero zenukeen moduan funtzionatzen dute. «Egin ilunagoa». «Orain probatu ilunabarrean». Horiek harizpiko irudi garrantzitsurik berrienarekin ebazten dira — normalean jaso berri duzun emaitzarekin — beraz argibide txikien segida batek edizio-pila baten moduan jokatzen du. Hiru ondorio:
- Egin iterazioak urrats bakarreko. Jarraipen bakoitza beste birrerrendatze oso bat da, beraz «egin ilunagoa eta aldatu haren berokia eta jaitsi kamera» hiru edizio dira pasaldi bakar batengatik borrokan. Bidali hiru mezu; gelditu gehien gustatu zaizunean.
- Kontuz belaunaldi-galerarekin. Desbideratze txikiak metatu egiten dira; seigarren edizio jarraituan aurpegi bat jatorrizkotik urrun egon daiteke urrats bakar batek ere okerra ez zirudien arren. Desbideratzea nabaritzen duzunean, utzi adabakiak jartzeari — erantsi berriro jatorrizko fitxategia eta idatzi argibide bateratu bat harrezkero nahi zenuela ikasi duzun guztia bilduta.
- Harizpi luze batean, izan esplizitu. «Lehenago erantsi dudan hondartzako argazkia erabilita, …» esateak anbiguotasuna kentzen du hainbat irudi jokoan daudenean.
Berrespen-txartela da aingura bat gehitzeko azken aukera
Hizkera arruntean eskatzen duzu, hitz egiten duzun hizkuntzan. Shannon-ek erabakitzen du irudi-eragiketa bat eskatzen ari zarela, azken argibidea berak idazten du ingelesez, eta berrespen-txartel batean erakusten dizu ezer errendatu aurretik. Ez da ezer sortzen eta ez da ezer fakturatzen zuk berretsi arte. Irakurri txartel hori — hor harrapatzen duzu falta den mantentze-perpaus bat ezer gastatu aurretik.
Bi jokabide lotu: Shannon-ek ez du inoiz gonbidatu gabe sortzen — agur batek, galdera batek edo nolanahi erantsitako argazki batek ez du irudi-eragiketarik abiarazten. Eta Shannon-i irudi bat begiratzeko soilik eskatzea — deskribatzea, bertako testua irakurtzea, konposizioak zergatik ez duen funtzionatzen esatea — ikusmen-lan arrunta da, ez sorkuntza bat, eta ez du ezer gehiago kostatzen. «Zer aldatuko zenuke argazki honetan?» galdera doako aholkua da; hura egitea da edizioa.
06Aspektu-erlazioa heredatu egiten da, automatikoki
Editatutako irudi bat bere iturriaren aspektu-erlazio berean itzultzen da. Ez duzu bat aukeratzen eta ez duzu behar: 4:5 erretratu bat 4:5 mantentzen da, 16:9 fotograma bat 16:9 mantentzen da, telefonoko pantaila-argazki baldar batek bere proportzioak gordetzen ditu. Zure irudia isilean berriro enkoadratzen duen edizio bat ez litzateke edizio bat izango — mozketa bat izango litzateke gehi jatorrizko ertzetatik kanpo zer dagoen asmatzea.
Hori benetako aldea da beste bi bideekiko. Testutik irudirakoak square (lehenetsia), portrait, landscape, wide (zinematografikoa) eta tall (kartelak eta horma-paperak) artean aukeratzeko eskatzen dizu, eta eskaera esplizitu batek beti irabazten du; konbinatzeak oihal berri bat aukeratzen uzten dizu, ez baitago heredatzeko iturri bakar bat. Beraz, bestelako forma bat behar baduzu, hori ez da edizio bat — 1:1 produktu-argazki bat 16:9 banner bihurtzeak inoiz argazkitu ez ziren pixelak asmatzea esan nahi du. Egin nahita, oihal berri batean sortuz edo konbinatuz.
07Ez dago bideo-sorkuntzarik
Argi esanda, jendeak galdetzen duelako
Shannon-ek ez du bideorik sortzen eta ez ditu irudiak animatzen. Ez dago iruditik bideorako biderik, ez «mugiarazi argazki hau» delakorik, ez begiztarik, ez zinemagrafiarik. Hau ez da aurrebistan dagoen edo laster datorren gaitasun bat — ez da existitzen produktuan, eta orri honetan ez da ezer kontrakoa iradokitzen ari denik irakurri behar.
Shannon 3-k irudiekin egiten duena zehazki hiru gauza da: irudi berri bat sortu, lehendik dagoen irudi bat editatu, eta bi irudi edo gehiago bakar batean konbinatu. Hemen dagoen guztia horietako bigarrenaren barruan bizi da.
Bi aldiz esatea merezi du, «AI irudi-editorea» eta «AI bideo-sortzailea» jendearen buruan ondoan geratu direlako, eta zure argazkia gustura birrargiztatuko duen tresna batek hura mugiaraztetik botoi bakarrera egon behar lukeela ematen duelako. Ez dago — eta hori lehen minutuan jakin beharko zenuke, eta ez hamargarrenean.
08Zergatik axola duen gehiago zentsurarik gabekoa izateak edizioan sorkuntzan baino
Editore iragazkidunek sortzaile iragazkidunek baino modu desberdinean huts egiten dute, eta okerragoan gehienetan. Sortzaile iragazkidun batek zure promptari uko egiten dio; birridatzi eta berriro saiatzen zara. Editore iragazkidun batek iturri-irudiari berari uko egin diezaioke, zure argibideko hitz bakar bat irakurri aurretik. Igo zauri baten argazki kliniko bat kasu-txosten baterako eta sarreran baztertzen da. Igo gerrako argazki historiko bat tolestura bat konpontzeko eta markoko fusilak elkarrizketa amaitzen du. Lan legitimoa, uko kategorikoa, eta ez dago lagunduko zukeen birridazketarik.
Shannon-ek irudi-bidea irteeran eduki-iragazkirik gabe eta argibidea idazten duen ereduan uko egiteko geruzarik gabe exekutatzen du. Horrek egiten ditu posible eguneroko lan hauek:
- Arte-biluziak eta figura-lana — erretokatzea, birrargiztatzea eta estiloa aldatzea adin nagusiko subjektu baimenduekin lan egiten duten artista eta argazkilarientzat.
- Ilustrazio medikoa eta forentsea — irudi klinikoak garbituta irakaskuntza-materialetarako, kasu-txostenetarako eta editore nagusiek berehala baztertzen duten berreraikuntza-lanerako.
- Segurtasun-ikerketarako irudiak — pantaila-argazkiak, segurtasun fisikoko argazkiak eta hardwarearen dokumentazioa phishingari buruzko kontzientziazio-programetarako eta red team txostenetarako.
- Fikziozko indarkeria — zineko, jokoetako eta komikietako produkzio-artea, zauri bat edo arma bat gaia denean.
- Satira politikoa eta editorial-ilustrazioa — mende batzuetako historia atzean, eta ia batere euskarririk ez tresneria iragazkidunean.
- Eskubideen jabeak egindako marka eta antzekotasun lana — zure produktu-argazkigintza, logotipo-konposizioak eta erretratuak, eta familia-artxibo zailak, sailkatzaile batekin baimenik duzun eztabaidatu gabe.
Zentsurarik gabekoa izateak ez du esan nahi erantzukizunik gabekoa denik. Shannon Shannon Lab LLC-k (New Mexico, AEB) kudeatzen du argitaratutako Erabilera Arduratsuaren Politika baten pean, eta hor bizi dira benetako mugak — legeari eta kalteari buruzkoak, eta ez sailkatzaile bati zauri baten argazkiak eragiten dion deserosotasunari buruzkoak. Uko erreflexiborik ez egoteak tresnari buruzko baieztapen bat da, eta ez egiten duzunaren gaineko zure erantzukizunari buruzkoa.
09Non kokatzen den APIa — eta non ez
Hau da API bilaketa batetik datozen irakurleen okerreko bidegurutze ohikoena. Irudiak sortzea eta editatzea Shannon txat aplikazioan gertatzen dira, ez APIan. Hiru /v1 dialektoek — /v1/chat/completions (OpenAI formakoa), /v1/messages (Anthropic formakoa) eta /v1/responses, denak streamingarekin, denak eredu berberen gainean — testua eta ikusmena zerbitzatzen dituzte. Ikusmenak esan nahi du ereduek bidaltzen dizkiezun irudiak irakurtzen dituztela: deskribatzea, testua transkribatzea, grafiko bat aztertzea. Ez du esan nahi irudiak sortzen edo aldatzen dituztenik.
Horrek eredu baliagarri bat uzten du hala ere: ikusmena gehi zentsurarik gabeko testu-eredu bat argibideak idazteko laguntzaile indartsua da. Bidali APIari zure iturri-irudia, eskatu markoan zer dagoen deskribatzeko eta aldaketa eta aingurak izendatzen dituen argibide ainguratu bat zirriborratzeko, eta gero exekutatu argibide hori txatean — ahaztuko zenituzkeen aingurak harrapatzen ditu. Eskaeren eta erantzunen formak APIaren dokumentazioan daude.
10Maiz egiten diren galderak
Zer da zentsurarik gabeko AI irudi-editore bat?
Lehendik dagoen irudi bat eta hizkera arrunteko argibide bat hartu eta editatutako irudia itzultzen duen editore bat da, irteeran eduki-iragazkirik gabe eta argibidea idazten duen ereduan uko egiteko geruzarik gabe. Gure GPU kluster propioan exekutatzen da, Shannon txat aplikazioaren barruan, eta horrela editore iragazkidunek ukatzen duten lana — arte-biluzien erretokatzea, ilustrazio medikoa eta forentsea, segurtasun-ikerketarako irudiak, fikziozko indarkeria, satira politikoa — egin egiten da, ukatu beharrean.
Zergatik aldatzen da aurpegia atzeko planoa aldatzeko soilik eskatu badut?
Argibide bidezko edizio batek marko osoa birsortzen duelako zure iturri-irudian oinarrituta, eta ez buruan zenuen eremua bakarrik — aldaezin gisa izendatzen ez duzun ororek desbideratzeko askatasuna du. Konponbidea ainguratzea da: gehitu mantentze-perpaus bat, adibidez «mantendu aurpegia, orrazkera, jarrera eta arropa berdin-berdinak, kamera-angelu eta enkoadraketa berberarekin». Aldatzen ez diren zatiak izendatzea da dituzun kalitate-palanka handiena.
Prompt negatiboa onartzen al du Shannon-en irudi-edizioak?
Bai. Testutik irudirako bideak batere onartzen ez duen arren, edizio-bideak eta hainbat irudi konbinatzeko bideak biek onartzen dute bat. Erabili nahi ez diren artefaktuetarako — hatz gehigarriak, testu deformatua, barandak bikoiztuta, ehundura lohitua, azal plastikoa, ur-markak — argibidean «X-rik ez» idatzi beharrean. Eduki-erabakiak argibidean daude, positiboki esanda; artefaktuak kentzea prompt negatiboan.
Anima dezake Shannon-ek nire irudia edo bideo bihurtu?
Ez. Shannon-ek ez du bideorik sortzen eta ez ditu irudiak animatzen. Ez dago iruditik bideorako biderik eta ez da halakorik iragartzen ari. Shannon 3-k irudi berri bat sortzen du, lehendik dagoen irudi bat editatzen du, edo bi irudi edo gehiago bakar batean konbinatzen ditu — hiru gauza horiek eta ez besterik.
Zenbat iturri-irudi erabiltzen ditu edizio batek?
Bat zehazki: edo dagoeneko elkarrizketan dagoen argazki bat, edo uneko mezuari erantsitako bat. Elementuek bi irudi edo gehiagotatik etorri behar badute — argazki bateko jantzia beste bateko pertsona baten gainean —, hori konbinaketa bat da, ez edizio bat, eta benetako irudiak eman behar dituzu bigarrena hitzez deskribatu beharrean.
Maskara bat marraztu edo inpainting erabili behar al dut?
Ez. Ez dago pintzelik, ez lakiorik, ez maskara-geruzarik. Aldaketa esaldi batean deskribatzen duzu eta eremua zure hizkeratik ondorioztatzen da; horregatik dute garrantzia izen zehatzek: «eskuinaldean aparkatuta dagoen auto zilarkara» askoz hobeto zuzentzen du «gauza hori» baino. Horrek Shannon inpainting-aren alternatiba zentsurarik gabeko praktiko bihurtzen du hautaketa-lanik gabe emaitza nahi dutenentzat.
Shannon APIaren bidez edita ditzaket irudiak?
Ez. Irudiak sortzea eta editatzea Shannon txat aplikazioan daude. /v1 dialektoek — /v1/chat/completions, /v1/messages eta /v1/responses — testua eta ikusmena zerbitzatzen dituzte: bidaltzen dizkiezun irudiak irakurri eta aztertzen dituzte, baina ez dituzte sortzen ez editatzen. Ohiko lan-fluxu bat da APIaren ikusmenak ainguratutako argibidea zirriborratzea, eta gero edizioa txatean exekutatzea.
Editatu irudi bat iragazki batekin eztabaidatu gabe
Erantsi argazki bat, idatzi esaldi bat, izendatu zer geratzen den.
Hasi editatzen Irakurri APIaren dokumentazioaIrudiak gure GPU kluster propioan errendatzen dira · ez da ezer errendatzen ez fakturatzen txartela berretsi arte
Shannon AI Shannon Lab LLC-k kudeatzen du, New Mexico, AEB. Irudiak sortzea, editatzea eta konbinatzea Shannon 3-ren txat aplikazioko ezaugarriak dira; /v1 APIak testua eta ikusmena soilik zerbitzatzen ditu. Ez dago bideo-sorkuntzarik produktuan. Edizioak zehazki iturri-irudi bat onartzen du eta haren aspektu-erlazioa heredatzen du. Zentsurarik gabeko irudi-bideen erabilera Erabilera Arduratsuaren Politikak arautzen du.