ویرایشگر تصویر هوش مصنوعی بدون سانسور
یک تصویر موجود را با نوشتن یک جمله تغییر دهید، سبکش را عوض کنید، دوباره نورپردازی کنید، لباسش را تغییر دهید یا ترمیمش کنید. بدون ماسک، بدون فیلتر، بدون رد درخواست — و یک تکنیک که از همه تکنیک‌های دیگر روی هم مهم‌تر است.
خلاصه
Shannon دقیقاً یک تصویر موجود را بر اساس دستوری به زبان ساده ویرایش می‌کند — بدون قلم‌مو، بدون ماسک، بدون انتخاب ناحیه. آن دستور باید بگوید چه چیزی تغییر می‌کند و چه چیزی می‌ماند، چون مدل کل کادر را بازتولید می‌کند: هر چیزی که آن را به‌عنوان بدون تغییر نام نبرید آزاد است که منحرف شود. نام بردن بخش‌های بدون تغییر — «چهره، ژست و لباس را دقیقاً یکسان نگه دار» — بزرگ‌ترین اهرم کیفیتی است که در اختیار دارید. مسیر ویرایش پرامپت منفی می‌پذیرد (متن‌به‌تصویر نمی‌پذیرد)؛ آرتیفکت‌های ناخواسته را آنجا بنویسید، نه اینکه در دستور «بدون فلان» بیاورید. خروجی به‌طور خودکار نسبت ابعاد تصویر مبدأ را به ارث می‌برد. هیچ تولید ویدیویی وجود ندارد و راهی برای متحرک‌سازی تصویر نیست. ویرایش روی خوشه GPU خودمان و در اپ چت اجرا می‌شود، بدون فیلتر محتوا و بدون لایه رد درخواست.
بیشتر کسانی که دنبال یک ویرایشگر تصویر هوش مصنوعی بدون سانسور می‌گردند، یک تصویر دارند و یک مشکل: پس‌زمینه اشتباه است، نور تخت است، رنگ کت درست نیست، غریبه‌ای داخل کادر ایستاده، اسکن یک خط تا دارد — یا ویرایش کاملاً مشروع است و ابزار فعلی‌شان حاضر نیست دست به آن بزند. موضوع این نوشته انجام درست همین کار است: نه اینکه کدام ویرایشگر بیشترین لغزنده تنظیم را دارد، بلکه آن یک عادت که ویرایشی را که به هدف می‌نشیند از ویرایشی که در سکوت چهره سوژه‌تان را بازسازی می‌کند جدا می‌کند.
01ویرایش دستوری در عمل یعنی چه
ویرایش کلاسیک با هوش مصنوعی بخش سخت کار را به خود شما می‌سپارد: بوم را باز کنید، روی ناحیه‌ای که می‌خواهید تغییر کند ماسک بکشید، و عبارتی بنویسید که توصیف می‌کند چه چیزی باید داخل آن باشد. دقیق، کند، و بی‌فایده به‌محض اینکه تغییر شما مرز مشخصی نداشته باشد — یک جابه‌جایی نور، تعویض لباسی که خط بدن را عوض می‌کند، یا یک تصحیح رنگ سراسری.
Shannon برعکس عمل می‌کند. شما هیچ ناحیه‌ای انتخاب نمی‌کنید. یک جمله درباره تصویر می‌نویسید، به هر زبانی، و ناحیه از کلمات شما استنباط می‌شود. همین Shannon را به یک جایگزین عملی و بدون سانسور برای inpainting تبدیل می‌کند، برای هرکسی که نتیجه را می‌خواهد نه کار انتخاب ناحیه را — با یک پیامد مکانیکی که باید اول آن را بفهمید:
هر ویرایش، رندر دوباره کل کادر است که بر تصویر مبدأ شما شرط‌گذاری شده — نه وصله‌ای که روی بخشی از آن گذاشته شود. Image Model تصویر اصلی شما را می‌خواند، دستور شما را می‌خواند، و تصویر جدیدی تولید می‌کند که قرار است همان اصل به‌علاوه تغییر باشد. هیچ چیزی به‌طور مکانیکی منجمد نمی‌شود. در هر ویرایش، هر پیکسل دوباره قابل مذاکره است.
به همین دلیل است که «یک خیابان بارانی در توکیو» — که در ابزار ماسک‌محور بی‌نقص در می‌آید — با شخصی کمی متفاوت که در آن ایستاده برمی‌گردد. در ابزار ماسک‌محور، ماسک می‌گفت آن شخص خارج از محدوده است؛ اینجا جمله شما باید این را بگوید. روی دیگر سکه: ویرایش دستوری کاری می‌کند که ماسک نمی‌تواند — خورشید را جابه‌جا می‌کند و سایه‌ها را با آن هماهنگ می‌کند، لباس را عوض می‌کند و پارچه را روی ژست موجود چین می‌دهد، یک عکس را به مرکب و رنگ تخت بازآفرینی می‌کند و در عین حال ترکیب‌بندی را نگه می‌دارد. این ویرایش‌ها مرزی برای رنگ‌آمیزی ندارند؛ آنها روابطی در سراسر کادرند.
02لنگرگذاری: بزرگ‌ترین اهرم کیفیت
لنگرگذاری یعنی نوشتن هر دستور ویرایش در قالب دو بند: بند تغییر (آنچه باید فرق کند، مثبت و مشخص بیان شده) و بند حفظ (بخش‌هایی که باید دست‌نخورده باقی بمانند، با اسم‌های مشخص نام‌برده شده). هر دو باربَرند — بند تغییر به‌تنهایی فقط یک آرزوست. اگر قرار است تنها یک چیز از این صفحه بردارید: نتیجه شما را میزان صراحتی که در نام بردن آنچه می‌ماند به خرج می‌دهید تعیین می‌کند، نه اینکه چقدر زنده تغییر را توصیف کرده‌اید.
سه راهی که دستورهای بی‌لنگر منحرف می‌شوند
- انحراف هویت. چهره تقریباً درست برمی‌گردد — بینی کمی متفاوت، خط فک بی‌سروصدا زیباتر شده. زیان‌بارترین خطا، چون روی گوشی سخت دیده می‌شود و برای هرکسی که آن شخص را می‌شناسد آشکار است.
- تغییر سبک جانبی. پس‌زمینه جدید خواستید؛ تصحیح رنگ جدید، لنز جدید و پلیوری که قبلاً کبریتی‌بافت بوده هم تحویل گرفتید. مدل دستور را به‌عنوان توصیف کل تصویر مقصد خوانده، نه به‌عنوان تفاوتی نسبت به مبدأ.
- گسترش دامنه به‌خاطر صفت‌ها. «دراماتیک‌تر»، «تمیزتر»، «حرفه‌ای‌تر» هیچ شیئی را نام نمی‌برند. صفتی بدون اسم به همه چیز اعمال می‌شود، پس همه چیز تکان می‌خورد.
واژگان لنگر
لنگرها به‌شکل اسم‌های عینی کار می‌کنند. «همان‌طور بماند» ضعیف است — مدل نمی‌تواند بداند کدام همانی برایتان مهم است. سه تا پنج مورد را که برای ویرایش شما اهمیت دارند انتخاب کنید و صریح نامشان ببرید.
| چیزی که تغییر می‌دهید | لنگرهایی که ارزش نام بردن صریح دارند |
|---|---|
| پس‌زمینه / محیط | چهره و اجزای صورت، مدل مو، ژست، دست‌ها، لباس، زاویه دوربین، کادربندی، نور روی سوژه |
| نور / حال‌وهوا | چهره، حالت صورت، بافت پوست، ژست، لباس، محتوای پس‌زمینه، قاب‌بندی |
| لباس / پوشش | چهره، ریش یا مو، ژست، دست‌ها، تناسبات بدن، پس‌زمینه، جهت نور، تصحیح رنگ |
| سبک / رسانه | ترکیب‌بندی، ژست، بلندی مو، فرم کلی لباس، تعداد سوژه‌ها، کادربندی |
| حذف شیء / ترمیم | هر چیز دیگری در کادر — سوژه، معماری اطراف، دانه‌بندی، تنالیته، کنتراست، رنگ |
| رنگ یک چیز | هر رنگ دیگری در تصویر، به‌علاوه بافت و جنس شیئی که تغییر می‌کند |
به سطر آخر توجه کنید. تغییر رنگ بی‌سروصدا خراب می‌شود، چون «کت را قرمز کن» دعوتی است به بازسازی کت از صفر — برش جدید، جنس جدید، چین‌های جدید. با لنگر: «کت موجود را به قرمز تیره تغییر رنگ بده، با حفظ دقیق برش، درزها، بافت پارچه و شکل افتادنش.» یک بند تفاوت، و نتیجه‌ای به‌شکل چشمگیری بهتر.
03نمونه‌های کارشده: دستور ضعیف، چرا منحرف می‌شود، بازنویسی لنگردار
هر جفت زیر یک نیت است که دو بار نوشته شده. تشخیصی که وسط آمده، همان بخش قابل انتقال است.
الف. جایگزینی پس‌زمینه
چرا منحرف می‌شود: این یک تصویر مقصد را توصیف می‌کند، نه یک تفاوت را. هیچ چیزی درباره آن زن محافظت نشده و هیچ چیزی دوربین را ثابت نگه نمی‌دارد، پس مدل ضمن ساختن صحنه‌ای باورپذیر، او را دوباره قاب‌بندی و رندر می‌کند.
چه چیزی فرق کرد: بند حفظ، هویت و پوشش و قاب‌بندی را میخکوب می‌کند، و عبارت آخر می‌گوید درز میان دو چیز به کدام سو حل شود — پس‌زمینه به نور سوژه تن می‌دهد، نه برعکس.
ب. نورپردازی مجدد
چرا منحرف می‌شود: «بهتر» صفتی بدون اسم است. مدل مجبور است تعریفی از خودش بسازد، و ارزان‌ترین راه برای بهتر به‌نظر رسیدن در یک رندر دوباره، پوست صاف‌شده، دندان‌های روشن‌تر و فک باریک‌تر است. نور خواستید و روتوش گرفتید.
چه چیزی فرق کرد: نور به‌شکل فیزیکی توصیف شده — جهت، کیفیت، دما، افت. بافت پوست صریحاً لنگر شده، چون نورپردازی مجدد همان جایی است که مدل بیشترین وسوسه را برای صاف کردنش دارد.
پ. تغییر لباس سوژه
چرا منحرف می‌شود: کت‌وشلوار خط بدن را عوض می‌کند، پس بالاتنه باید دوباره رندر شود — و سری که رویش قرار دارد معمولاً با آن می‌رود. ویرایش‌های بی‌لنگرِ لباس، پس از تعویض پس‌زمینه، دومین منبع بزرگ انحراف هویت‌اند.
چه چیزی فرق کرد: «دوخته‌شده متناسب با ژست فعلی او» لباس را تابع ژست می‌کند. دست‌ها جداگانه لنگر شده‌اند، چون دست‌ها همان جایی است که ویرایش‌های لباس آشکارتر از همه‌جا از هم می‌پاشند.
ت. تغییر سبک یک عکس
چرا منحرف می‌شود: یک واژه سبک به‌تنهایی همه چیز را واگذار می‌کند — ترکیب‌بندی، کادربندی، مو، لباس، تعداد آدم‌ها — و «انیمه» سی سال سنت‌های ناسازگار است. یک تصویرسازی قابل‌قبول از صحنه‌ای دیگر تحویل می‌گیرید.
چه چیزی فرق کرد: ویرایش‌های سبکی به لنگر متفاوتی نیاز دارند. نمی‌توانید بافت را لنگر کنید — بافت همان چیزی است که جایگزین می‌شود — پس ساختار را لنگر می‌کنید: ترکیب‌بندی، ژست، خطوط بیرونی، کادربندی، تعداد سوژه‌ها. درخواست حفظ «پوست فوتورئالیستی» زیر انیمیشن سلولی یک تناقض است.
ث. حذف کردن چیزی
چرا منحرف می‌شود: یک نفی باز هم آن مفهوم را جلوی چشم مدل می‌گذارد و چیزی درباره اینکه فضای خالی‌شده با چه پر شود نمی‌گوید. حذف‌ها به بیان مثبت هم هدف و هم پرکننده نیاز دارند.
چه چیزی فرق کرد: هدف با شیء، رنگ و موقعیت نام‌برده شده؛ پرکننده مشخص شده، پس مدل جایی که پیاده‌رو باید باشد میدان اختراع نمی‌کند؛ و «هر چیز دیگری» به اسم‌های واقعی باز شده است.
ج. ترمیم یک عکس آسیب‌دیده
چرا منحرف می‌شود: «درست کردن» به‌معنی «بهتر کردن» خوانده می‌شود، و بهتر کردن یک عکس قدیمی یعنی مدرن کردن آن — پوست تمیزتر، کنتراست بالاتر، و چهره‌ای که دیگر کاملاً چهره مادربزرگ شما نیست.
چه چیزی فرق کرد: آسیب‌ها فهرست شده‌اند، پس «درست کردن» دامنه‌ای تعریف‌شده دارد، و دانه‌بندی و تنالیته لنگر شده‌اند چون همان‌ها هستند که چاپ را اصیل و متعلق به آن دوره نشان می‌دهند. آن سه ممنوعیت همان مورد نادری است که نفی جای خودش را دارد — دستورهایی درباره فرایند، نه درباره اشیاء.
شکل یک دستور خوب
هدف را روی ۲۵ تا ۶۰ کلمه بگذارید، در جملات کامل و نه برچسب‌های کلیدواژه‌ای جداشده با ویرگول — Image Model پرامپت‌ها را همان‌طور می‌خواند که یک مدل زبانی می‌خواند، پس نثر بر سوپ برچسب می‌چربد. آشغال‌های دوران SDXL (masterpiece, best quality, 8k) و نحو وزن‌دهی مثل (word:1.3) را کنار بگذارید؛ اینجا هیچ کاری نمی‌کنند. در هر دستور یک تغییر بدهید — دو تغییر بی‌ربط در یک جمله بر سر توجه رقابت می‌کنند و هر دو نیمه‌کاره برمی‌گردند.
04پرامپت منفی — اینجا پشتیبانی می‌شود، برخلاف متن‌به‌تصویر
این نکته باعث سردرگمی می‌شود، پس صریح بگوییم:
| مسیر | تصاویر مبدأ | پرامپت منفی | نسبت ابعاد | شکل پرامپت |
|---|---|---|---|---|
| متن‌به‌تصویر | 0 | پشتیبانی نمی‌شود | انتخابی (پیش‌فرض مربع) | نثر توصیفی |
| ویرایش یک تصویر | دقیقاً ۱ | پشتیبانی می‌شود | به ارث رسیده از مبدأ | دستور: تغییر + حفظ |
| ترکیب ۲ تصویر یا بیشتر | ۲ یا بیشتر | پشتیبانی می‌شود | بوم جدید قابل انتخاب | نثر با نام‌گذاری نقش‌ها |
متن‌به‌تصویر اصلاً پرامپت منفی نمی‌گیرد — وقتی از هیچ تولید می‌کنید، توصیف کردن فقط آنچه می‌خواهید خودِ انضباط کار است (ببینید تولید تصویر بدون سانسور با هوش مصنوعی). ویرایش فرق دارد: شما از قبل یک مبدأ دارید، و خطاهای مشخصه یک رندر دوباره شناخته‌شده و قابل نام بردن‌اند، پس پرامپت منفی چیز عینی‌ای برای سرکوب کردن دارد.
چه چیزی در آن جا دارد
آرتیفکت‌ها، و فقط آرتیفکت‌ها. این یک فهرست نقص است، نه کانال دوم دستور:
- extra fingers, fused fingers, malformed hands — هر ویرایشی که یک انسان را دوباره رندر می‌کند.
- warped text, garbled lettering, misspelled signage — هر چیزی که تابلو، برچسب یا بسته‌بندی در کادر دارد.
- duplicated limbs, duplicated railing, repeated windows — حذف‌ها و گسترش پس‌زمینه.
- smeared texture, blurry patch, halo around the subject, visible seam — تعویض پس‌زمینه و حذف شیء.
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — نورپردازی مجدد، ویرایش پرتره، بهداشت عمومی تصویر.
چه چیزی در آن جا ندارد
تصمیم‌های محتوایی. اگر می‌خواهید کلاه برود، دستور این است: «کلاه را حذف کن» — نه پرامپت منفی‌ای که در آن نوشته باشد «کلاه». پرامپت منفی چیزهایی را که در تصویر مبدأ شما وجود دارند به‌طور قابل‌اتکا حذف نمی‌کند؛ فقط ظاهر شدن نقص‌ها در رندر را دلسرد می‌کند. گذاشتن محتوا در آنجا بدترین حالت هر دو دنیا را به شما می‌دهد: کلاه سر جایش می‌ماند، و جایی که می‌توانست دست‌های تابیده را سرکوب کند از دست می‌رود.
نیمه دیگر این قاعده به خود دستور شما مربوط است: در آن ننویسید «بدون فلان». «خیابانی بدون ماشین»، «پرتره‌ای بدون عینک» هر دو مفهوم ناخواسته را داخل جمله می‌گذارند و از مدل می‌خواهند نفی‌اش کند — کاری که زبان خوب از پسش برمی‌آید و شرط‌گذاری تصویر بد. به‌جایش بگویید چه چیزی باید باشد: «خیابانی خالی با آسفالت تمیز»، «پرتره‌ای با چشمان بی‌مانع». تنها استثنا، همان‌طور که در نمونه «ج» دیدیم، دستوری درباره فرایند است — «شارپ نکن»، «رنگ را تغییر نده» — که به‌جای نام بردن یک شیء، انجام یک عملیات را رد می‌کند.
تقسیم کار، در یک خط
دستور: چه چیزی تغییر می‌کند، چه چیزی می‌ماند — با بیان مثبت. پرامپت منفی: راه‌هایی که یک رندر می‌تواند معیوب شود. این دو را جدا نگه دارید تا هر دو بهتر شوند.
05یک تصویر مبدأ، و اینکه Shannon چطور آن را انتخاب می‌کند
هر ویرایش روی دقیقاً یک تصویر مبدأ عمل می‌کند: یا تصویری که از پیش در گفت‌وگو هست — قبلاً پیوست شده، یا برایتان تولید شده — یا تصویری که به همین پیامی که الان می‌فرستید پیوست شده است. هیچ چیزی از بیرون رشته گفت‌وگو آورده نمی‌شود، و مسیر ویرایش هرگز در سکوت دو تصویر را با هم ادغام نمی‌کند. اگر نیت شما به عناصری از بیش از یک تصویر نیاز دارد — لباس از عکس الف روی شخصِ عکس ب — این یک ترکیب است، با شکل پرامپت متفاوتی که نقش هر تصویر را به‌ترتیب نام می‌برد.
پیگیری‌ها و مرتبط‌ترین تصویر اخیر
وقتی تصویری در گفت‌وگو باشد، پیگیری‌های کوتاه همان‌طور کار می‌کنند که امید دارید. «تیره‌ترش کن.» «حالا در غروب امتحانش کن.» این‌ها بر اساس مرتبط‌ترین تصویر اخیر در رشته گفت‌وگو حل می‌شوند — معمولاً همان نتیجه‌ای که تازه گرفته‌اید — پس دنباله‌ای از دستورهای کوچک مثل پشته‌ای از ویرایش‌ها رفتار می‌کند. سه پیامد دارد:
- تک‌قدمی پیش بروید. هر پیگیری یک رندر دوباره کامل است، پس «تیره‌ترش کن و کتش را عوض کن و دوربین را پایین‌تر ببر» سه ویرایش است که بر سر یک پاس با هم می‌جنگند. سه پیام بفرستید؛ هرجا نتیجه را پسندیدید بایستید.
- مراقب افت نسلی باشید. انحراف‌های کوچک روی هم انباشته می‌شوند؛ تا ششمین ویرایش پیاپی، یک چهره می‌تواند خیلی از اصل فاصله گرفته باشد، حتی اگر هیچ گامی به‌تنهایی اشتباه به‌نظر نرسیده باشد. وقتی انحراف را دیدید، وصله زدن را متوقف کنید — فایل اصلی را دوباره پیوست کنید و یک دستور ترکیبی بنویسید که هر چیزی را که در این مدت فهمیده‌اید می‌خواهید در خود داشته باشد.
- در گفت‌وگوی طولانی، صریح باشید. «با استفاده از عکس ساحل که قبلاً پیوست کردم، …» وقتی چند تصویر در میان باشد ابهام را برمی‌دارد.
کارت تأیید، آخرین فرصت شما برای افزودن یک لنگر
شما به زبان ساده درخواست می‌دهید، به هر زبانی که صحبت می‌کنید. Shannon تشخیص می‌دهد که یک عملیات تصویری درخواست شده، دستور نهایی را خودش به انگلیسی می‌نویسد، و پیش از هر رندری آن را روی یک کارت تأیید به شما نشان می‌دهد. تا تأیید نکنید چیزی تولید نمی‌شود و چیزی محاسبه نمی‌شود. آن کارت را بخوانید — همان‌جاست که پیش از خرج کردن، یک بند حفظ جاافتاده را می‌گیرید.
دو رفتار مرتبط: Shannon هرگز بدون دعوت تولید نمی‌کند — یک سلام، یک پرسش یا عکسی که سرسری پیوست شده هیچ عملیات تصویری‌ای را فعال نمی‌کند. و اینکه صرفاً از Shannon بخواهید به تصویری نگاه کند — توصیفش کند، متن داخلش را بخواند، بگوید چرا ترکیب‌بندی جواب نمی‌دهد — کار عادی بینایی است نه تولید، و هزینه اضافه‌ای ندارد. «چه چیزی از این عکس را تغییر می‌دادی؟» مشورت رایگان است؛ عمل کردن به آن، ویرایش است.
06نسبت ابعاد به‌طور خودکار به ارث می‌رسد
تصویر ویرایش‌شده با همان نسبت ابعاد مبدأش برمی‌گردد. شما یکی را انتخاب نمی‌کنید و نیازی هم ندارید: یک پرتره ۴:۵ همان ۴:۵ می‌ماند، یک فریم ۱۶:۹ همان ۱۶:۹، و یک اسکرین‌شات ناجور موبایل تناسباتش را نگه می‌دارد. ویرایشی که در سکوت تصویر شما را دوباره قاب‌بندی کند ویرایش نیست — یک برش است به‌علاوه حدسی درباره آنچه بیرون مرزهای اصلی قرار داشته.
این تفاوت واقعی با دو مسیر دیگر است. متن‌به‌تصویر از شما می‌خواهد میان square (پیش‌فرض)، portrait، landscape، wide (سینمایی) و tall (پوستر و والپیپر) انتخاب کنید و درخواست صریح همیشه برنده است؛ ترکیب کردن به شما اجازه می‌دهد بوم تازه‌ای انتخاب کنید، چون مبدأ واحدی برای ارث بردن وجود ندارد. پس اگر شکل دیگری می‌خواهید، آن ویرایش نیست — تبدیل یک عکس محصول ۱:۱ به بنر ۱۶:۹ یعنی اختراع پیکسل‌هایی که هرگز عکاسی نشده‌اند. این کار را آگاهانه انجام دهید، با تولید یا ترکیب روی یک بوم جدید.
07هیچ تولید ویدیویی وجود ندارد
صریح می‌گوییم، چون مردم می‌پرسند
Shannon ویدیو تولید نمی‌کند و تصاویر را متحرک نمی‌کند. هیچ مسیر تصویر‌به‌ویدیو، هیچ «این عکس را به حرکت درآور»، هیچ لوپ، هیچ سینماگرافی وجود ندارد. این قابلیتی در پیش‌نمایش یا به‌زودی نیست — در محصول وجود ندارد، و هیچ چیزی در این صفحه نباید اشاره‌ای به خلاف آن خوانده شود.
کاری که Shannon 3 با تصاویر می‌کند دقیقاً سه چیز است: تولید یک تصویر جدید، ویرایش یک تصویر موجود، و ترکیب دو تصویر یا بیشتر در یکی. هر چه اینجا آمده درون دومی از این سه قرار دارد.
ارزش دو بار گفتن را دارد، چون «ویرایشگر تصویر هوش مصنوعی» و «تولیدکننده ویدیو با هوش مصنوعی» در ذهن مردم همسایه شده‌اند، و ابزاری که با کمال میل عکس شما را دوباره نورپردازی می‌کند طوری به‌نظر می‌رسد که انگار تا به حرکت درآوردنش یک دکمه فاصله دارد. این‌طور نیست — و بهتر است این را در دقیقه اول بدانید نه در دقیقه دهم.
08چرا بدون سانسور بودن برای ویرایش مهم‌تر از تولید است
ویرایشگرهای فیلترشده جور دیگری شکست می‌خورند، و معمولاً بدتر. یک تولیدکننده فیلترشده پرامپت شما را رد می‌کند؛ بازنویسی می‌کنید و دوباره امتحان. یک ویرایشگر فیلترشده می‌تواند خود تصویر مبدأ را رد کند، پیش از آنکه یک کلمه از دستورتان را بخواند. یک عکس بالینی از زخم برای گزارش موردی آپلود کنید و همان ورودی رد می‌شود. یک عکس تاریخی جنگ را برای ترمیم خط تا آپلود کنید و تفنگِ داخل کادر گفت‌وگو را تمام می‌کند. کار مشروع، رد قاطع، و هیچ بازنویسی‌ای که کمک می‌کرد.
Shannon مسیر تصویر را بدون فیلتر محتوا روی خروجی و بدون لایه رد درخواست روی مدلی که دستور را می‌نویسد اجرا می‌کند. همین است که این کارهای معمولی را ممکن می‌کند:
- برهنه هنری و کار فیگوراتیو — روتوش، نورپردازی مجدد و تغییر سبک برای هنرمندان و عکاسانی که با سوژه‌های بزرگسال و رضایت‌دهنده کار می‌کنند.
- تصویرسازی پزشکی و جرم‌شناسی — تصاویر بالینی پاکسازی‌شده برای مواد آموزشی، گزارش‌های موردی و کار بازسازی که ویرایشگرهای متعارف در همان نگاه اول ردشان می‌کنند.
- تصاویر پژوهش امنیتی — اسکرین‌شات‌ها، عکس‌های امنیت فیزیکی و مستندسازی سخت‌افزار برای برنامه‌های آگاهی از فیشینگ و گزارش‌نویسی تیم قرمز.
- خشونت در آثار داستانی — هنر تولید فیلم، بازی و کمیک، جایی که زخم یا سلاح خودِ موضوع کار است.
- طنز سیاسی و تصویرسازی سرمقاله‌ای — با چند قرن تاریخ پشت سرش و تقریباً هیچ پشتیبانی‌ای در ابزارهای فیلترشده.
- کار روی برند و چهره توسط صاحب حق — عکاسی محصول خودتان، قفل‌آرایی لوگو و پرتره‌ها، و آرشیوهای خانوادگی دشوار، بدون بحث با یک دسته‌بند بر سر اینکه آیا اجازه دارید یا نه.
بدون سانسور به‌معنای بدون پاسخگویی نیست. Shannon توسط Shannon Lab LLC (نیومکزیکو، ایالات متحده) و ذیل یک سیاست استفاده مسئولانه منتشرشده اداره می‌شود، و مرزهای واقعی همان‌جا هستند — مرزهایی درباره قانون و آسیب، نه درباره ناراحتی یک دسته‌بند از یک عکس زخم. نبودِ یک ردِ بازتابی، حرفی درباره ابزار است، نه درباره مسئولیت شما در قبال آنچه می‌سازید.
09جای API کجاست — و کجا نیست
این یک اشتباه رایج برای خوانندگانی است که از جست‌وجوی API می‌رسند. تولید و ویرایش تصویر در اپ چت Shannon اتفاق می‌افتد، نه روی API. سه گویش /v1 — یعنی /v1/chat/completions (به‌شکل OpenAI)، /v1/messages (به‌شکل Anthropic) و /v1/responses، همه استریمی و همه روی همان مدل‌ها — متن و بینایی را سرو می‌کنند. بینایی یعنی مدل‌ها تصاویری را که می‌فرستید می‌خوانند: توصیفشان می‌کنند، متن را رونویسی می‌کنند، یک نمودار را تحلیل می‌کنند. یعنی تصویری تولید یا اصلاح نمی‌کنند.
با این حال یک الگوی مفید باقی می‌ماند: بینایی به‌علاوه یک مدل متنی بدون سانسور، دستیار قدرتمندی برای نوشتن دستور است. تصویر مبدأتان را به API بفرستید، از آن بخواهید توصیف کند چه چیزی در کادر هست و پیش‌نویس یک دستور لنگردار بنویسد که تغییر و لنگرها را نام ببرد، بعد آن دستور را در چت اجرا کنید — لنگرهایی را می‌گیرد که خودتان فراموش می‌کردید. شکل درخواست و پاسخ در مستندات API آمده است.
10پرسش‌های پرتکرار
ویرایشگر تصویر هوش مصنوعی بدون سانسور چیست؟
ویرایشگری که یک تصویر موجود را همراه با دستوری به زبان ساده می‌گیرد و تصویر ویرایش‌شده را برمی‌گرداند، بدون هیچ فیلتر محتوایی روی خروجی و بدون هیچ لایه رد درخواستی روی مدلی که دستور را می‌نویسد. این ویرایشگر روی خوشه GPU خودمان و درون اپ چت Shannon اجرا می‌شود، بنابراین کارهایی که ویرایشگرهای فیلترشده رد می‌کنند — روتوش برهنه هنری، تصویرسازی پزشکی و جرم‌شناسی، تصاویر پژوهش امنیتی، خشونت در آثار داستانی، طنز سیاسی — به‌جای رد شدن انجام می‌شوند.
چرا وقتی فقط خواسته‌ام پس‌زمینه عوض شود، چهره هم تغییر می‌کند؟
چون ویرایش دستوری کل کادر را با شرط‌گذاری بر تصویر مبدأ شما بازتولید می‌کند، نه فقط ناحیه‌ای را که در ذهن داشتید — هر چیزی که آن را به‌عنوان بدون تغییر نام نبرید آزاد است که منحرف شود. راه‌حل، لنگرگذاری است: یک بند حفظ اضافه کنید، مثلاً «چهره، مدل مو، ژست و لباس را دقیقاً یکسان نگه دار، همان زاویه دوربین و همان کادربندی». نام بردن بخش‌هایی که باید بدون تغییر بمانند، بزرگ‌ترین اهرم کیفیتی است که در اختیار دارید.
آیا ویرایش تصویر Shannon از پرامپت منفی پشتیبانی می‌کند؟
بله. برخلاف مسیر متن‌به‌تصویر که اصلاً پرامپت منفی نمی‌پذیرد، هر دو مسیر ویرایش و ترکیب چند تصویر از آن پشتیبانی می‌کنند. آن را برای آرتیفکت‌های ناخواسته به کار ببرید — انگشت اضافه، متن تابیده، نرده تکراری، بافت ماله‌کشی‌شده، پوست پلاستیکی، واترمارک — به‌جای نوشتن «بدون فلان چیز» در خود دستور. تصمیم‌های محتوایی جای‌شان در دستور است و باید مثبت بیان شوند؛ سرکوب آرتیفکت جایش در پرامپت منفی است.
آیا Shannon می‌تواند تصویر مرا متحرک کند یا به ویدیو تبدیل کند؟
خیر. Shannon ویدیو تولید نمی‌کند و تصاویر را متحرک نمی‌کند. هیچ مسیر تصویر‌به‌ویدیو وجود ندارد و چنین چیزی هم اعلام نشده است. Shannon 3 یک تصویر جدید تولید می‌کند، یک تصویر موجود را ویرایش می‌کند، یا دو تصویر یا بیشتر را در یکی ترکیب می‌کند — همین سه کار و نه چیزی فراتر از آن.
هر ویرایش از چند تصویر مبدأ استفاده می‌کند؟
دقیقاً یکی: یا تصویری که از پیش در گفت‌وگو هست، یا تصویری که به پیام فعلی‌تان پیوست کرده‌اید. اگر عناصر باید از دو تصویر یا بیشتر بیایند — لباسی از یک عکس روی شخصی از عکس دیگر — این یک ترکیب است نه یک ویرایش، و باید تصاویر واقعی را بدهید نه اینکه دومی را با کلمات توصیف کنید.
آیا باید ماسک بکشم یا از inpainting استفاده کنم؟
خیر. هیچ قلم‌مو، کمند یا لایه ماسکی وجود ندارد. شما تغییر را در یک جمله توصیف می‌کنید و ناحیه از زبان شما استنباط می‌شود، و به همین دلیل است که اسم‌های دقیق اهمیت دارند: «خودروی نقره‌ای پارک‌شده در سمت راست» بسیار بهتر از «آن چیز» هدف‌گیری می‌کند. همین Shannon را به یک جایگزین عملی و بدون سانسور برای inpainting تبدیل می‌کند، برای کسانی که نتیجه را می‌خواهند بدون کار انتخاب ناحیه.
آیا می‌توانم تصاویر را از طریق API شرکت Shannon ویرایش کنم؟
خیر. تولید و ویرایش تصویر در اپ چت Shannon قرار دارد. گویش‌های /v1 — یعنی /v1/chat/completions و /v1/messages و /v1/responses — متن و بینایی را سرو می‌کنند: تصاویری را که می‌فرستید می‌خوانند و تحلیل می‌کنند اما تصویری تولید یا ویرایش نمی‌کنند. یک جریان کاری رایج این است که بینایی API پیش‌نویس دستور لنگردار را بنویسد و بعد ویرایش را در چت اجرا کنید.
تصویری را بدون بحث با فیلتر ویرایش کنید
یک عکس پیوست کنید، یک جمله بنویسید، آنچه را باید بماند نام ببرید.
شروع ویرایش مطالعه مستندات APIتصاویر روی خوشه GPU خودمان رندر می‌شوند · تا کارت را تأیید نکنید چیزی رندر یا محاسبه نمی‌شود
Shannon AI توسط Shannon Lab LLC، نیومکزیکو، ایالات متحده اداره می‌شود. تولید، ویرایش و ترکیب تصویر از قابلیت‌های اپ چت Shannon 3 هستند؛ API با مسیر /v1 فقط متن و بینایی را سرو می‌کند. هیچ تولید ویدیویی در محصول وجود ندارد. ویرایش دقیقاً یک تصویر مبدأ می‌پذیرد و نسبت ابعاد آن را به ارث می‌برد. استفاده از مسیرهای تصویری بدون سانسور تابع سیاست استفاده مسئولانه است.