AI jantzi-transferentzia, zentsurarik gabe
Nola konbinatu bi irudi edo gehiago bakar batean Shannon-en — arropa transferitzea, objektua eszenan, pertsona pertsonaren ondoan, produktua pertsonaren gainean — eta hori guztia funtzionarazten duen arau bakarra.
Laburpena
Erantsi irudiak eta deskribatu emaitza irudi bakoitzak zer ekartzen duen izendatuz, ordenan. Lehen irudia subjektu edo eszena nagusia da; geroko irudiek ekartzen diren zatiak ematen dituzte. «Lehen irudiko emakumea bigarren irudiko jertse gorri kanaleztatua jantzita, parke berean zutik.» Ez bihurtu bi irudiko lan bat irudi bakar batean gehi bestearen testu-deskribapenean — deskribatutako jantzi bat jantzi generiko bihurtzen da; benetakoak benetako izaten jarraitzen du. Konbinatzeak prompt negatiboa onartzen du eta oihalaren aspektu berri bat aukeratzen uzten dizu. Ez dago eduki-iragazkirik ez uko egiteko geruzarik — eta ez dago bideo-sorkuntzarik.
Jendeak benetan behar duen irudi-lan gehiena ez da «egidazu gauza baten irudi bat». «Jarri jaka hau pertsona honi», «sartu aulki hau gela honetan», «argazkitu produktu hau esku horretan» da. Horiek guztiek argazki bat baino gehiagoren materiala behar dute, eta guztiek modu berean huts egiten dute: irudi bat eransten da, bestea hitzez deskribatzen da, eta sinesgarria den baina zurea ez den zerbait itzultzen da. Konponbidea espero baino txikiagoa da, eta leku guztietan funtzionatzen du.
01Zer den «irudiak konbinatzea», eta non gertatzen den
Shannon 3-k hiru gauza bereizi egiten ditu irudiekin: deskribapen batetik irudi berri bat sortzen du, lehendik dagoen irudi bat editatzen du, eta bi irudi edo gehiago konbinatzen ditu berri bakar batean. Arau desberdinak dituzte, eta okerra aukeratzea da kalitatea galtzen den lehen lekua.
Erabili konbinaketa amaitutako irudiak argazki bat baino gehiagoren materiala behar duen guztietan: jantzi eta arropa transferitzea, objektu bat eszena batean sartzea, A pertsona B pertsonaren ondoan, benetako modelo batek eutsitako benetako produktu bat, irudi baten estiloa beste baten subjektuari aplikatuta. Bi argazkitara aldi berean seinalatu nahi zenukeela pentsatzen ari bazara, hori da eragiketa.
Hau guztia Shannon txat aplikazioan gertatzen da, elkarrizketa arruntean. Ez dago /v1 APIan — APIak testua eta ikusmena zerbitzatzen ditu, hau da, bidaltzen dizkiozun irudiak irakurtzen ditu, berriak sortu beharrean. API bilaketa batetik iritsi bazara, hori da erantzun zintzoa; ikusi APIaren dokumentazioa amaierapuntuek zer zerbitzatzen duten jakiteko. Irudiak gure GPU kluster propioan errendatzen dira.
Hizkera arruntean eskatzen duzu, hitz egiten duzun hizkuntzan. Shannon-ek ondorioztatzen du irudi bat eskatzen ari zarela, sorkuntza-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 — eta hainbat irudiko lanean txartel hori da rolak eta ordena nahi zenuen bezala atera diren egiaztatzeko lekua. Shannon-ek ez du inoiz gonbidatu gabe sortzen: agur batek, galdera batek edo nolanahi erantsitako argazki batek ez du errendatzerik abiarazten.
02Araua: izendatu irudi bakoitzaren rola, ordenan
Argibideak irudi bakoitzak zer ekartzen duen esan behar du, eta irudiak eman diren ordenan esan behar du. Hori da teknika osoa; beheko guztia arau hori lan zehatz bati aplikatuta da.
Lehen irudia oinarria da — subjektu nagusia, edo eszena, amaitutako irudia gehienbat zerez osatuta dagoen. Nortasuna, jarrera, enkoadraketa, argia eta aldatzeko eskatu ez duzun guztia finkatzen ditu. Geroko irudiak iturriak dira: ekartzen ari diren zatiak. Idatzi esaldia irudiak ordenan eskuan dituen ezezagun batek lana eskuz egin ahal izateko moduan.
Funtzionatzen du
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.
Huts egiten du
Combine these two images. Merge the photos. Put them together.
Huts egiten duten bertsioek ez dute huts egiten laburrak direlako, baizik eta ez dutelako inoiz esaten zein argazki den pertsona eta zein den jertsea. Hiru ohiturak arau hori fidagarri bihurtzen dute:
- Erabili ordinalak esplizituki. «Lehen irudikoa», «bigarren irudikoa». Bi hitz, eta anbiguotasuna joan da.
- Esan zer geratzen den berdin. «Mantendu haren aurpegia, ilea eta jarrera berdin-berdinak». Aldatzen ez diren zatiak izendatzea da Shannon-ek egiten duen irudi-eragiketa orotan kalitate-palanka handiena, eta hemen du garrantzi handiena, konposizio batek urruntzeko bi gauza edo gehiago dituelako.
- Idatzi prosa, ez etiketak. Irudi Ereduak argibideak hizkuntza-eredu batek esaldi bat irakurtzen duen bezala irakurtzen ditu, beraz esaldi osoek komaz bereizitako hitz gakoak gainditzen dituzte. Jarri helburu gisa 30-80 hitz, eta saihestu SDXL garaiko zaborra («masterpiece, best quality, 8k») eta
(word:1.3)moduko pisu-sintaxia.
Irudi batek gauza bat baino gehiago dituenean, izendatu handik zein zati nahi duzun. Bigarren irudia jertsea daraman modelo baten katalogo-argazkia bada, «bigarren irudiko emakumeak daraman jertse gorri kanaleztatua» esateak jantzia nahi duzula esaten du, eta ez modeloa. «Bigarren irudia» soilik utziz gero, haren aurpegia ere jaso dezakezu.
Rol-txantiloiak lanaren arabera
| Lana | Lehen irudia | Bigarren irudia | Argibidearen forma |
|---|---|---|---|
| Jantzi-transferentzia | Pertsona | Jantzia | «Lehen irudiko [pertsona] bigarren irudiko [jantzia] jantzita, [zer geratzen den]» |
| Objektua eszenan | Eszena | Objektua | «Lehen irudiko [gela] bigarren irudiko [objektua] [non] jarrita, [argia] parekatuz» |
| Pertsona + pertsona | A pertsona eta ingurunea | B pertsona | «Lehen irudiko [gizona] bigarren irudiko [emakumearen] ondoan zutik, [kokapenak, begiradak]» |
| Produktua pertsonaren gainean | Modeloa edo eszena | Produktua | «Lehen irudiko [modeloa] bigarren irudiko [produktua] eskuan, [heldulekua, etiketaren norabidea]» |
| Estilo-transferentzia | Subjektua | Estilo-erreferentzia | «Lehen irudiko [subjektua] bigarren irudiaren [estilo-ardatzetan] errendatuta, [subjektua aldatu gabe]» |
03Saiakera gehienak hondatzen dituen akatsa: deskribatzea eranstea beharrean
Hau da iskanbila sortzea merezi duen akatsa, alde handiz ohikoena delako eta funtzionatu duela dirudielako. Erabiltzaileak bi argazki ditu — bere bezeroa eta bere bezeroaren produktua, edo bera eta bere jaka bat. Bat eransten du, eta bestea idatzi.
Akatsa
[emakume baten argazki bat eransten du]
"Put a red knitted sweater on her, cable knit, kind of chunky,
with a rolled collar."
Itzultzen dena jertse gorri kanaleztatu bat daraman emakume bat da. Jertse ona da. Ez da jertse hura. Kanalen eredua asmatuta dago, tindua beste gorri bat da, errebordearen sakonera okerra da, lepoa beste alderantz biltzen da, eta benetako jantzi bat ezagungarri egiten duten asimetria txikiak — konponketa bat, tira bat, ukondoetako luzatzea — desagertu dira, esaldian ez baitzegoen horietako ezer.
Testua kanal galkorra da eta argazki bat ez. Esaldi zaindu batek objektu baten dozena bat ezaugarri eramaten ditu agian; argazkiak milaka eramaten ditu, idaztea inoiz bururatuko ez litzaizkizukeenak eta izendatzen ez dakizkizunak barne. Eranstea beharrean deskribatzeak pentsatu ez duzun guztia botatzen du, hau da, gehiena. Eranstean benetako itxura gordetzen da, benetako itxura bertan dagoelako.
Proba erraza da. Irudiaren gakoa hura izatea bada — jantzi jakin hori, pertsona hori, produktu zehatz hori, gela hori — erantsi ezazu. Elementua ilara batetik bereiz zenezake eta emaitzak aukeratuko zenukeenarekin bat egitea axola bazaizu, deskribapen batek ez du balioko.
Lerro bakarreko bertsioa
Deskribatutako jantzi bat jantzi generiko bihurtzen da. Benetakoak benetako izaten jarraitzen du. Gauza bera bigarren aurpegiarekin, produktuarekin, aulkiarekin eta gelarekin: eranstean nortasuna gordetzen da, deskribatzean batez besteko batekin ordezkatzen da.
Deskribatzeko kasu legitimo bat badago: gauza oraindik existitzen ez denean, edo bertsio generiko bat nahi duzunean. Inork egin ez duen jertse bat diseinatzea, kontzeptu bat zirriborratzea — hori testutik irudirako lana da, eta deskribapena zuzena da ez dagoelako nortasuna gordetzen ari zaren benetako objekturik. Benetako objektu bat aginduan sartzen den unean, haren argazkia ere sartzen da.
Erdi-akats lotu bat: bi irudiak erantsi eta gero bigarrena hala ere zehatz-mehatz deskribatzea. Adjektiboek argazkiaren aurka egin dezakete — idatzi «lodia» benetako jantzia mehea denean eta kontraesan bat sartu duzu. Deskribatu bigarren irudia handik zein zati nahi duzun identifikatzeko adina soilik.
04Jantzi eta arropa transferitzea
Bi irudiko lan kanonikoa. Erantsi pertsona lehenengo eta jantzia bigarren. Jantziaren irudia lauean jarritako argazki bat, esekitokiko argazki bat, katalogo-argazki bat edo beste norbait hura jantzita izan daiteke — denek balio dute, harengandik zein zati esan nahi duzun esaten duzun bitartean.
Jantzi-transferentzia
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
Hiru gauzak egiten dute lana: rolak ordenan izendatuta daude, aldatzen ez diren zatiak ozen zerrendatuta daude (horrek eragozten du aurpegia desbideratzea), eta azken perpausak ereduari esaten dio jantziaren beraren xehetasunak direla kontua — hori gabe, konposizioek kolorea eta silueta gorde ohi dituzte ehundura isilean leunduz.
- Doitzea baieztapen fisiko bat da, beraz egin ezazu. «Naturalki erortzen zaio gorputzean», «gerrian estututa», «mahukak eskumuturrean amaituta» — bestela jantzia bere iturriaren proportzioekin irits daiteke, eta ez daramanarenekin.
- Oklusioa da kasu zaila. Besoak gurutzatuta badaude edo poltsa baten uhalak bularra zeharkatzen badu, esan zer gertatzen zaion. Hor dagoen anbiguotasunak mahuka urtuaren artefaktu klasikoa sortzen du.
- Jantzi gehiagok irudi gehiago esan nahi du. Pertsona lehenengo, gero goiko aldea, gero prakak, gero oinetakoak — eta aipatu bigarren, hirugarren eta laugarren irudi gisa modu koherentean. Ez pasa erdibidean «zapatilen argazkia» esatera.
05Objektu bat eszena batean sartzea
Hemen rolak alderantzikatzen dira: eszena doa lehenengo, eszena baita amaitutako irudia gehienbat osatzen duena, eta objektua da ekartzen den zatia. Barrualdeen maketak, erosi ez dituzun altzariekin gela bat prestatzea, ibilgailu bat errepide batean jartzea, eskultura bat galeria batean kokatzea — forma bera beti.
Objektua eszenan
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
Hemengo hutsegite-modua ez da nortasuna, fisika baizik. Bere argia mantentzen duen objektu batek itsatsita dagoela dirudi, eta ikusleek berehala antzematen dute zergatik esan ezin badute ere. Gastatu zure hitzak objektu isolatu baten argazki batek jakin ezin dituen hiru gauzetan: kokapena (markoan non, zeren aldean), eskala eszenaren arabera eta ez zentimetrotan («gerriaren altueran gutxi gorabehera», «ateko heldulekua bezain altua»), eta argia eta itzala — norabidea, kalitatea, eta itzala non erortzen den. Azken hori da konposatu bat argazki bihurtzen duena.
06A pertsona B pertsonaren ondoan
Inoiz gela berean egon ez ziren bi pertsona: belaunaldi arteko familia-argazkiak, sortzaile baten erretratua bazkidea bidaian zegoenean, bi antzezlerekin egindako kartel bat. Funtzionatzen du, eta subjektu bakarreko lanek behar ez dituzten bi gauza behar ditu.
Bi pertsona
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
Bi gehigarriak: geometria erlatiboa — nor dagoen zein aldetan, zenbateko tartearekin, noren begirada nora doan, eta altuera erlatiboa, modu desberdinean moztutako bi erretratuk ez baitiote ereduari pertsona bat bestea baino buru bat altuagoa dela jakiteko modurik ematen — eta argi partekatu bakar bat, esplizituki adierazita, bi argi-ingurune batzen ari zarelako eta batek irabazi behar duelako.
Hemen ere irabazten du bere lekua oihalaren aspektu berri bat aukeratzeak: erretratu-orientazioko bi iturrik erretratu-orientazioko talde-argazki txarra ematen dute, beraz eskatu landscape edo wide. Eta esan behingoz nabaria dena — benetako pertsona bat egon ez zen irudi batean jartzea indartsua da eta ez da automatikoki kaltegabea. Izan itzazu eskubideak edo baimena; gure erabilera arduratsuaren politika da bertsio laburra.
07Produktua pertsonaren gainean, eta zentsurarik gabeko produktu-argazkigintza
Komertzialki, hau da bere burua ordaintzen duen konposizioa. Produktu-argazki bat duzu zuri gainean eta modelo bat, esku bat, sukalde bat, lantoki bat duzu. Horiek konbinatzeak bizimodu-argazki bat ematen dizu estudio-egunik gabe — eta barruan zure benetako produktua duela, sortutako hurbilketa bat izan beharrean, eta hori da erabilgarria den marketin-materialaren eta barkamena eskatu behar duzun maketa baten arteko alde osoa.
Produktua pertsonaren gainean
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
Produktu-lanari dagozkion bi gehigarri. Heldulekua: objektuei eusten dieten eskuak dira konposizioa maizen okertzen den lekua, beraz esan zein eskurekin, zein altueratan, eta hatzak naturalki biltzen direla etiketa estali gabe. Tratamendu fotografikoa: izendatu kamera bat, objektibo bat eta film edo argi-iturri bat. Irteerak atera zen argazki bat dela irakurri behar du, eta ez konbinatu ziren bi argazki, eta argazki gisa idaztea da hara iristeko bidea.
Zentsurarik gabekoa izateak dirudiena baino modu arruntagoan du garrantzia hemen. Sortzaile iragazkidunek merkataritza arrunt eta legalaren kategoria osoak ukatzen dituzte: barruko arropa eta bainu-jantzien katalogoak, tabakoa eta vape hardwarea, alkohola, su-armen osagarriak, helduentzako ongizate-produktuak, kanabisa legala den lekuan, gailu medikoak, ekipamendu taktikoa eta ehizakoa. Eskubideen jabeak berak egindako marka eta antzekotasun lana ere ukatzen dute. Horietako bat ere ez da muturreko kasu bat; agentzia bateko astearte arrunta da. Shannon-ek ez du eduki-iragazkirik sorkuntza-bidean, ezta uko egiteko geruzarik ere prompta idazten duen ereduan, beraz lana aurrera doa eta eskubideen galdera zurekin geratzen da, dagokion lekuan.
08Estiloa irudi batetik, subjektua bestetik
Subjektua lehenengo, estilo-erreferentzia bigarren. Lan hau desberdina egiten duena da kalitate bat mailegatzen ari zarela objektu bat baino, beraz zein kalitate izendatu behar duzu — eta esan behar duzu erreferentziaren subjektua eta konposizioa ez direla harekin batera etorriko.
Estilo-erreferentzia
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
Izendatu estilo-ardatzak esplizituki, «bigarren irudiaren estiloan» bakarrik zehaztu gabe geratzen delako: paleta (edo kolore zehatzak, color #8B0000 gisa idatzita izendatutako objektu bati lotuta), pintzelkada edo pikorra, argiaren kalitatea, marraren lodiera, abstrakzio-maila, ertzen tratamendua. Aukeratu itxura definitzen duten bi edo hiru; seiak izendatzeak batez bestekoa ateratzen du. Eta ez nahastu kontrako norabideak — «fotorrealista» gehi «akuarela» nahasmen bat sortzen du, ez uztarketa bat. Paleta bat besterik mailegatzen ez duen argazki bat nahi baduzu, esan hori zehazki.
09Prompt negatiboak eta oihalaren aspektu berri bat aukeratzea
Konbinatzeko eta editatzeko existitzen diren baina testutik irudirakoan existitzen ez diren bi gaitasun, eta biak gutxi erabiltzen dira.
Prompt negatiboa
Irudiak konbinatzeak prompt negatiboa onartzen du. Nahi ez diren artefaktuak hor doaz — eta garrantzitsua da hor joatea eta ez argibidean, «hatz gehigarririk ez» argibide nagusian idazteak saihestu nahi duzun gauza nahi duzun guztiarekin batera izendatzen duelako. Jarri baztertzeak beren kanalean. Beren lekua etengabe irabazten duten sarrerak:
- Anatomia — hatz gehigarriak, gorputz-adarrak bikoiztuta, esku deformatuak, bigarren aurpegia.
- Konposatuaren aztarnak — ertz moztuak, joste-lerro ikusgaia, objektu flotatzailea, itzal bikoiztuak, subjektuaren inguruko haloa.
- Argien arteko desparekotasuna — kolore-tenperatura desparekoa, itzalen norabide inkoherentea, subjektuen arteko esposizio desorekatua.
- Ehunduraren hutsegiteak — azal plastikoa, oihal leundua, etiketaren testua deformatuta, logotipo irakurtezina.
Mugatu zure irudiarentzat sinesgarriak diren gutxi batzuetara. Hogeita hamar gauza zerrendatzen dituen prompt negatibo bat argibide lauso bat da, ez indartsu bat.
Oihalaren aspektua
Irudi bakar bat editatzeak iturri-irudiaren aspektu-erlazioa heredatzen du automatikoki — iturri bat dago, eta haren forma da erantzuna. Konbinatzeak ez du halako lehenetsirik, beraz oihalaren aspektu berri bat aukera dezakezu, eta askotan hala egin beharko zenuke, iturri bati zegokion formak gutxitan baitzaio egokia konposizioari.
| Aspektua | Zertarako den onena | Konposizioan ohiko erabilera |
|---|---|---|
| square | Lehenetsia, sare sozialak | Subjektu bakarra elementu transferitu batekin |
| portrait | Pertsonak, gai altuak | Jantzi-transferentzia, modelo batek eutsitako produktua |
| landscape | Paisaiak, taldeak | Bi pertsona ondoz ondo, objektua gela batean jarrita |
| wide | Enkoadraketa zinematografikoa | Talde-argazkiak, ingurune-produktuen eszenak, bannerrak |
| tall | Kartelak, telefonoko horma-paperak | Gorputz osoko jantzi-argazkiak, kartel-diseinuak |
Eskaera esplizitu batek beti irabazten du. Ezer esaten ez baduzu square jasoko duzu — forma okerra bi pertsonako eta gorputz osoko jantzi-lan gehienetarako, beraz hitz bat merezi du.
10Zein irudi erabiltzen dituen Shannon-ek: elkarrizketa eta mezu hau
Bi modu daude irudi bat konposizio batera sartzeko, eta zeinetan oinarritzen ari zaren jakiteak ordena-nahaste gehienak eragozten ditu.
Uneko mezuari erantsita. Bide zuzena: erantsi dena argibidea daraman mezuari, aipatzeko asmoa duzun ordenan, eta «lehen irudia» eta «bigarren irudia» zehazki diruditena esan nahi dute. Erabili hau lehenetsi gisa.
Dagoeneko elkarrizketan. Harizpian lehenago bidalitako argazkiak eskuragarri geratzen dira eta hizkera arruntean aipa daitezke — «lehenago bidali dudan argazkia», «lehenagoko jertsearen argazkia», «egin duzun bigarren bertsioa». Shannon-ek erreferentzia harizpiaren aurka ebazten du, eta hori benetan erosoa da saio luze batean: emaitza batean itera dezakezu eta gero elementu berri bat ekarri dena berriro igo gabe.
Bien babesa berbera da. Berrespen-txartelak argibidea erakusten du ezer errendatu aurretik, aukeratu duen ordena barne. Irakur ezazu. Rolak alderantziz atera badira — jertsea oinarri gisa, pertsona iturri gisa — esan eta konpondu egiten da pixel bakar bat sortu edo fakturatu aurretik. Hala ere, harizpi bat luzea eta irudiz betea denean, erantsi berriro behar dituzunak; sei argazki atzera, «bigarren irudia» anbiguoa da edozein irakurlerentzat.
Shannon-i irudi bat begiratzeko eskatzea — deskribatzea, etiketa irakurtzea, oihala zein den esatea — ikusmen-lan arrunta da, ez sorkuntza bat. Ez du ezer gehiago kostatzen eta egiaztapen ona da konposatu aurretik: Shannon-en deskribapenak axola dizun xehetasuna aipatzen ez badu, zure argibideak izendatu behar du.
11Zentsurarik gabekoa, eta horrek benetan zer esan nahi duen
Ez dago eduki-iragazkirik sorkuntza-bidean, ezta uko egiteko geruzarik ere prompta idazten duen ereduan. Konposizioa da tresna iragazkidunek nabarmenen huts egiten duten lekua, uko-sistema batek ezin baitu bereizi zure irudiak konbinatzea eta izan behar ez zenituzkeen irudiak konbinatzea — beraz biak blokeatzen ditu.
Tresna horiek ohikoa duten ukatzen duten lana ez da exotikoa: arte-biluziak eta figura-azterketa, ilustrazio medikoa eta forentsea, segurtasun-ikerketarako irudiak, fikziozko indarkeria liburu-azaletarako eta jokoen arterako, satira politikoa, eta goian zerrendatutako produktu-kategoria legalak. Guztiak dira lan profesional legitimoa, eta hitz gakoen iragazki batek ezin du gehiegikeriatik bereizi.
Zentsurarik gabekoa izateak ez du esan nahi erantzukizunik gabekoa denik. Benetako objektuen eta askotan benetako pertsonen argazkiak ematen ari zara; eskubideak eta baimena zure esku daude, eta emaitzaren erantzukizuna ere bai. Shannon Lab LLC New Mexicoko enpresa bat da, argitaratutako erabilera arduratsuaren politika baten pean — bost minutu merezi ditu beste pertsonen antzekotasunak dituen lana hasi aurretik.
12Hasi aurretik jakitea merezi duten mugak
Ez dago bideo-sorkuntzarik. Shannon-ek ez ditu irudiak animatzen eta ez du bideorik sortzen, inolako formatan, eragiketa hauetako batetik ere — ez irudi bakar batetik, ez konposizio batetik, ez aukera esperimental gisa. Zure aginduak mugimenduan amaitzen badu, hau ez da azken urratserako tresna. Hori da produktua dena, eta ez ibilbide-orriaren iradokizun bat.
Beste muga zintzo batzuk, denak konponbidearekin:
- Testu txikia da arlorik ahulena. Letra txikia, ontziratzeko testu trinkoa eta serie-zenbaki luzeak ez dira ezin hobeak ateratzen. Enkoadratu produktua testu garrantzitsua handi ager dadin, jarri warped label text prompt negatiboan, eta egiaztatu tamaina osoan.
- Eskala-desparekotasun handia zaila da. 4000 pixeleko produktu-argazki bat gela baten koadro-txiki batekin konbinatzeak lan gutxi ematen dio ereduari. Erabili iturri bakoitzaren duzun kopiarik onena.
- Oklusio handiak mugatu egiten du zer transferi daitekeen. Tolestuta argazkitutako jantzi bati, atzealdea inoiz ikusi gabe, ezin zaio atzealdea fidelki asmatu. Konposizioak atzealdea erakusten badu, eman atzealdea.
- Irudi gehiagok nahasmenerako toki gehiago esan nahi du. Lau iturri erabilgarriak dira ordinalak diziplinaz izendatuz gero, baina hau ez da arinkeriarako lekua — erabili lanak behar duen kopurua eta ez gehiago.
- Bi aldaketa handik aldi berean lehiatu egiten dute. Transferitu jantzia, berretsi, eta gero aldatu atzeko planoa. Edizio sekuentzialek gainkargatutako argibide bakar bat gainditzen dute ia beti, eta urrats bakoitza merkea da egiaztatzeko.
13Maiz egiten diren galderak
Nola konbinatzen ditut bi irudi bakar batean AIrekin?
Erantsi bi irudiak Shannon txatean eta deskribatu emaitza irudi bakoitzak zer ekartzen duen izendatuz, ordenan. Lehen irudia subjektu edo eszena nagusia da; geroko irudiek ekartzen diren zatiak ematen dituzte. Adibidez: lehen irudiko emakumea bigarren irudiko jertse gorri kanaleztatua jantzita, parke berean zutik. Shannon-ek azken argibidea berak idazten du ingelesez, berrespen-txartel batean erakusten dizu, eta ez da ezer errendatzen zuk berretsi arte.
Zergatik ateratzen da jantzia oker jantzia erantsi beharrean deskribatzen dudanean?
Esaldi bat argazki baten deskribapen galkorra delako. «Jertse gorri kanaleztatu bat» idazteak jertse gorri kanaleztatu sinesgarri bat ematen dizu, baina ez zurea — kanalen eredua, errebordeak, tindua, erorialdia, joste-lerroen kokapena eta erabileraren aztarnak, dena asmatuta dago. Bigarren irudia eranstean benetako jantziaren benetako itxura gordetzen da. Irudiaren gakoa objektu, pertsona edo produktu jakin hori bera izatea bada, erantsi ezazu deskribatu beharrean.
Prompt negatiboa eta aspektu-erlazio berri bat onartzen ditu hainbat irudiren konposizioak?
Bai, biak. Irudiak konbinatzeak prompt negatiboa onartzen du, beraz nahi ez diren artefaktuak — hatz gehigarriak, gorputz-adarrak bikoiztuta, logotipoaren testua deformatuta edo josturak ikusgai — hor doaz, eta ez argibidean. Oihalaren aspektu berri bat ere aukera dezakezu: square, portrait, landscape, wide edo tall. Hau desberdina da irudi bakar bat editatzean, orduan iturri-irudiaren aspektu-erlazioa heredatzen baita automatikoki.
Erabil ditzake Shannon-ek dagoeneko elkarrizketan dauden irudiak, edo orain eransten ditudanak soilik?
Biak. Irudiak uneko mezuari erantsi diezazkiokezu, edo harizpian dauden argazkiei erreferentzia egin — «lehenago bidali dudan argazkia», «lehenagoko jertsearen argazkia». Shannon-ek erreferentzia horiek ebazten ditu eta berrespen-txartelak aukeratu duen ordena erakusten du, beraz ordena zuzendu dezakezu ezer errendatu aurretik. Guztia mezu bakarrean eranstea, aipatuko duzun ordenan, da lan egiteko modurik fidagarriena.
Bihur dezake Shannon-ek konbinatutako irudia bideo?
Ez. Shannon-ek ez du bideorik sortzen eta ez ditu irudiak animatzen. Irudi berriak sortzen ditu, lehendik dagoen irudi bat editatzen du, eta bi irudi edo gehiago bakar batean konbinatzen ditu. Irudi-lana Shannon txat aplikazioan gertatzen da; /v1 APIak testua eta ikusmena zerbitzatzen ditu, hau da, irudiak irakurri egiten ditu, ez sortu.
Benetan iragazkirik gabekoa al da zentsurarik gabeko irudi-konposizioa?
Ez dago eduki-iragazkirik sorkuntza-bidean, ezta uko egiteko geruzarik ere prompta idazten duen ereduan. Sortzaile iragazkidunek ohikoa dute konposizio-lan legitimoari uko egitea — barruko arropa eta bainu-jantzien katalogoak, arte-biluziak, ilustrazio medikoa eta forentsea, kontsumo-ondasun arautuak, segurtasun-ikerketarako irudiak, satira politikoa, eta eskubideen jabeak berak egindako marka edo antzekotasun lana. Shannon-ek ez. Iturri-irudien gaineko eskubideak eta erantzukizuna zureak dira; ikusi gure erabilera arduratsuaren politika.
Gida honetan ez da benchmark zenbakirik agertzen, ez dagoelako «jertsea jertse bera izaten jarraitu al du» galderarentzat benchmark publiko zintzorik. Goiko guztia benetako erabileratik ateratako gidalerro operatiboa da. Gaitasun bat falta denean — bideoa, irudi-sorkuntza APIan — hala esaten dugu, zabalik utzi beharrean.
Konbinatu zure irudiak
Erantsi itzazu, izendatu rol bakoitza ordenan, berretsi argibidea, errendatu. Uko egiteko geruzarik ez.
Ireki Shannon txata Irakurri APIaren dokumentazioaShannon Lab LLC · New Mexico, AEB · irudiak gure GPU kluster propioan errendatzen dira
Irudiak sortzea, editatzea eta hainbat irudiren konposizioa Shannon txat aplikazioaren ezaugarriak dira; /v1/chat/completions, /v1/messages eta /v1/responses amaierapuntuek testua eta ikusmena zerbitzatzen dituzte, hau da, irudiak irakurri egiten dituzte, ez sortu. Ez dago bideo-sorkuntzarik. Aspektu-aukerak, prompt negatiboaren euskarria eta berrespen-jokabidea 2026ko irailaren 5ekoak dira. Lotuak: zentsurarik gabeko AI irudi-sorkuntza · zentsurarik gabeko AI irudi-edizioa · erabilera arduratsua · APIaren dokumentazioa · ikerketa-indizea.