અનસેન્સર્ડ AI ઇમેજ એડિટર
એક વાક્ય લખીને એક હયાત ઇમેજને બદલો, રિસ્ટાઇલ કરો, રિલાઇટ કરો, ફરીથી ડ્રેસ કરો અથવા રિપેર કરો. કોઈ માસ્ક નહીં, કોઈ ફિલ્ટર નહીં, કોઈ ઇનકાર નહીં — અને એક ટેકનિક જે બાકીની બધી ટેકનિકો ભેગી કરતાં વધુ મહત્વની છે.
ટૂંકમાં
Shannon સાદી ભાષાની સૂચનાથી બરાબર એક હયાત ઇમેજ એડિટ કરે છે — કોઈ બ્રશ નહીં, કોઈ માસ્ક નહીં, કોઈ સિલેક્શન નહીં. એ સૂચનામાં શું બદલાય છે અને શું રહે છે બંને જણાવવું જરૂરી છે, કારણ કે મોડેલ આખી ફ્રેમ ફરીથી બનાવે છે: તમે જેને બદલાયા વગરનું નામ ન આપો તે ડ્રિફ્ટ થવા માટે મુક્ત છે. બદલાયા વગરના ભાગોને નામ આપવું — "ચહેરો, પોઝ અને કપડાં એકસમાન રાખો" — તમારી પાસેનું સૌથી મોટું ક્વોલિટી લિવર છે. એડિટિંગ પાથ નેગેટિવ પ્રોમ્પ્ટ સ્વીકારે છે (ટેક્સ્ટ-ટુ-ઇમેજ સ્વીકારતું નથી); સૂચનામાં "X નહીં" લખવાને બદલે અનિચ્છનીય આર્ટિફેક્ટ ત્યાં મૂકો. આઉટપુટ આપમેળે સોર્સનો એસ્પેક્ટ રેશિયો વારસામાં લે છે. કોઈ વીડિયો જનરેશન નથી અને ઇમેજને એનિમેટ કરવાની કોઈ રીત નથી. એડિટિંગ ચેટ એપમાં અમારા પોતાના GPU ક્લસ્ટર પર ચાલે છે, કોઈ કન્ટેન્ટ ફિલ્ટર અને કોઈ ઇનકાર સ્તર વગર.
અનસેન્સર્ડ AI ઇમેજ એડિટર શોધતા મોટાભાગના લોકો પાસે એક ઇમેજ અને એક સમસ્યા હોય છે: બેકગ્રાઉન્ડ ખોટું છે, પ્રકાશ ફ્લેટ છે, જેકેટનો રંગ ખોટો છે, ફ્રેમમાં કોઈ અજાણી વ્યક્તિ ઊભી છે, સ્કેનમાં ક્રીઝ છે — અથવા એડિટ સંપૂર્ણપણે કાયદેસર છે અને તેમનું હાલનું ટૂલ તેને સ્પર્શવાનો ઇનકાર કરે છે. આ વિશે વાત એ છે કે એ કામ સારી રીતે કેવી રીતે કરવું: કયા એડિટરમાં સૌથી વધુ સ્લાઇડર છે તે નહીં, પણ એ એક આદત જે સફળ એડિટને એવા એડિટથી અલગ પાડે છે જે તમારા ધ્યાન બહાર જ તમારા વિષયનો ચહેરો ચૂપચાપ ફરીથી બનાવી નાખે છે.
01સૂચના-આધારિત એડિટિંગ ખરેખર શું છે
ક્લાસિક AI એડિટિંગ તમને અઘરું કામ જાતે કરવાનું કહે છે: કેનવાસ ખોલો, જે વિસ્તાર બદલવો છે તેના પર માસ્ક દોરો, અંદર શું હોવું જોઈએ તે વર્ણવતો શબ્દસમૂહ ટાઇપ કરો. ચોક્કસ, ધીમું, અને જેવો તમારા ફેરફારની કોઈ સ્પષ્ટ રૂપરેખા ન હોય કે તરત નકામું — પ્રકાશમાં ફેરફાર, સિલુએટ બદલી નાખતું વોર્ડરોબ સ્વેપ, વૈશ્વિક કલર ગ્રેડ.
Shannon ઊલટી રીતે કામ કરે છે. તમે કંઈ સિલેક્ટ કરતા નથી. તમે ઇમેજ વિશે, કોઈપણ ભાષામાં, એક વાક્ય લખો છો, અને વિસ્તાર તમારા શબ્દો પરથી અનુમાનિત થાય છે. આ તેને સિલેક્શનના કામને બદલે પરિણામ ઇચ્છતા કોઈપણ માટે એક વ્યવહારુ અનસેન્સર્ડ ઇનપેઇન્ટિંગ વિકલ્પ બનાવે છે — પણ પહેલાં સમજવા જેવું એક યાંત્રિક પરિણામ છે:
એડિટ એટલે તમારી સોર્સ ઇમેજ પર આધારિત આખી ફ્રેમનું ફરીથી-રેન્ડર — તેના કોઈ ભાગ પર લગાવેલો પેચ નહીં. ઇમેજ મોડેલ તમારો મૂળ ફોટો વાંચે છે, તમારી સૂચના વાંચે છે, અને એક નવી ઇમેજ બનાવે છે જે મૂળ વત્તા ફેરફાર હોવી જોઈએ. યાંત્રિક રીતે કંઈ જ ફ્રીઝ થયેલું નથી. દરેક એડિટમાં દરેક પિક્સેલ ફરી નક્કી થવા માટે ખુલ્લો છે.
એટલે જ "વરસાદમાં ભીંજાયેલી ટોકિયોની શેરી" — માસ્ક કરેલા ટૂલમાં નિર્દોષ — અહીં થોડી અલગ વ્યક્તિ સાથે પાછી આવે છે. માસ્ક કરેલા ટૂલમાં માસ્કે કહ્યું હતું કે વ્યક્તિ મર્યાદાની બહાર છે; અહીં તમારા વાક્યે એ કહેવું પડે છે. ફાયદો: સૂચના એડિટિંગ એ કરે છે જે માસ્ક કરી શકતા નથી — સૂરજને ખસેડો અને પડછાયાને સહમત કરાવો, વસ્ત્ર બદલો અને હાલની પોઝ પર કાપડને ફોલ્ડ કરાવો, હાલની કમ્પોઝિશન જાળવીને ફોટોગ્રાફને શાહી અને ફ્લેટ કલરમાં રિસ્ટાઇલ કરો. એ એડિટ્સને દોરવા માટે કોઈ સીમા નથી; તે આખી ફ્રેમમાં ફેલાયેલા સંબંધો છે.
02એન્કરિંગ: સૌથી મોટું ક્વોલિટી લિવર
એન્કરિંગનો અર્થ છે દરેક એડિટ સૂચનાને બે ભાગમાં લખવી: ફેરફારની કલમ (શું અલગ હોવું જોઈએ, હકારાત્મક અને નક્કર રીતે જણાવેલું) અને જાળવવાની કલમ (જે ભાગો સ્પર્શ્યા વગર બચવા જોઈએ, ચોક્કસ સંજ્ઞાઓ તરીકે નામ અપાયેલા). બંને જરૂરી છે — એકલી ફેરફારની કલમ ફક્ત એક ઇચ્છા છે. જો આ પાનેથી એક વસ્તુ લેવી હોય તો: તમારું પરિણામ એ વાત પર આધારિત છે કે તમે શું રહે છે તે કેટલી સ્પષ્ટતાથી નામ આપો છો, નહીં કે તમે શું બદલાય છે તેનું કેટલું આબેહૂબ વર્ણન કરો છો.
અનએન્કર્ડ સૂચનાઓ ડ્રિફ્ટ થવાની ત્રણ રીતો
- આઇડેન્ટિટી ડ્રિફ્ટ. ચહેરો લગભગ બરાબર પાછો આવે છે — થોડું અલગ નાક, ચૂપચાપ સુંદર બનાવેલી જડબાની રેખા. સૌથી નુકસાનકારક નિષ્ફળતા, કારણ કે ફોન પર જોવી મુશ્કેલ છે અને વ્યક્તિને ઓળખતા કોઈને પણ સ્પષ્ટ દેખાય છે.
- સાથોસાથ રિસ્ટાઇલ. તમે નવું બેકગ્રાઉન્ડ માગ્યું; તમને નવો કલર ગ્રેડ, નવો લેન્સ, અને એક સ્વેટર પણ મળ્યું જે પહેલાં રિબ્ડ હતું. મોડેલે સૂચનાને સોર્સથી થતા ફેરફારને બદલે આખી લક્ષ્ય ઇમેજના વર્ણન તરીકે વાંચી.
- વિશેષણોથી થતો સ્કોપ ક્રીપ. "વધુ નાટકીય," "વધુ સ્વચ્છ," "વધુ પ્રોફેશનલ" કોઈ ઓબ્જેક્ટનું નામ આપતા નથી. સંજ્ઞા વગરનું વિશેષણ બધા પર લાગુ થાય છે, એટલે બધું જ બદલાય છે.
એન્કરની શબ્દાવલિ
એન્કર નક્કર સંજ્ઞાઓ તરીકે કામ કરે છે. "એ જ રાખો" નબળું છે — મોડેલને ખબર નથી કે તમને કઈ સમાનતાની પરવા છે. તમારા એડિટ માટે મહત્વની ત્રણથી પાંચ વસ્તુઓ પસંદ કરો અને તેમને સ્પષ્ટ નામ આપો.
| તમે શું બદલી રહ્યા છો | સ્પષ્ટ નામ આપવા જેવા એન્કર |
|---|---|
| બેકગ્રાઉન્ડ / સેટિંગ | ચહેરો અને ચહેરાનાં લક્ષણો, હેરસ્ટાઇલ, પોઝ, હાથ, કપડાં, કેમેરા એંગલ, ક્રોપ, વિષય પરનો પ્રકાશ |
| પ્રકાશ / મૂડ | ચહેરો, ભાવ, ત્વચાની ટેક્સ્ચર, પોઝ, કપડાં, બેકગ્રાઉન્ડની સામગ્રી, ફ્રેમિંગ |
| કપડાં / વોર્ડરોબ | ચહેરો, દાઢી કે વાળ, પોઝ, હાથ, શરીરના પ્રમાણ, બેકગ્રાઉન્ડ, પ્રકાશની દિશા, કલર ગ્રેડ |
| સ્ટાઇલ / માધ્યમ | કમ્પોઝિશન, પોઝ, વાળની લંબાઈ, પોશાકના આકાર, વિષયોની સંખ્યા, ક્રોપ |
| ઓબ્જેક્ટ કાઢવું / રિપેર | ફ્રેમમાંનું બાકીનું બધું જ — વિષય, આસપાસનું આર્કિટેક્ચર, ગ્રેન, ટોનાલિટી, કોન્ટ્રાસ્ટ, રંગ |
| એક વસ્તુનો રંગ | ઇમેજમાંનો બાકીનો દરેક રંગ, ઉપરાંત બદલાયેલી વસ્તુની ટેક્સ્ચર અને સામગ્રી |
છેલ્લી પંક્તિ નોંધો. રિકલરિંગ ચૂપચાપ ખોટું જાય છે, કારણ કે "જેકેટને લાલ બનાવો" શરૂઆતથી ફરીથી બનેલા જેકેટને આમંત્રણ આપે છે — નવો કટ, નવી સામગ્રી, નવા ફોલ્ડ. એન્કર્ડ: "હાલના જેકેટને ઘેરા કિરમજી રંગમાં રિકલર કરો, તેનો ચોક્કસ કટ, સીમ, કાપડની ટેક્સ્ચર અને લટકવાની રીત જાળવીને." એક ફેરફારની કલમ, ઘણું સારું પરિણામ.
03ઉદાહરણો: નબળી સૂચના, તે કેમ ડ્રિફ્ટ થાય છે, એન્કર્ડ પુનર્લેખન
નીચેની દરેક જોડી એક જ ઇરાદો બે વાર લખેલો છે. વચ્ચેનું નિદાન એ ટ્રાન્સફર કરી શકાય એવો ભાગ છે.
A. બેકગ્રાઉન્ડ બદલવો
તે કેમ ડ્રિફ્ટ થાય છે: આ એક લક્ષ્ય ઇમેજનું વર્ણન કરે છે, ડેલ્ટા નહીં. સ્ત્રી વિશે કંઈ પણ સુરક્ષિત નથી અને કંઈ પણ કેમેરાને સ્થિર રાખતું નથી, એટલે મોડેલ એક પ્રામાણિક લાગતું દ્રશ્ય બનાવતાં તેને ફરીથી ફ્રેમ કરીને ફરીથી રેન્ડર કરે છે.
શું બદલાયું: જાળવવાની કલમ ઓળખ, વોર્ડરોબ અને ફ્રેમિંગને પિન કરે છે, અને છેલ્લો શબ્દસમૂહ કહે છે કે સાંધો કઈ દિશામાં ઉકેલાય છે — બેકગ્રાઉન્ડ વિષયના પ્રકાશ પ્રમાણે વળે છે, ઊલટું નહીં.
B. રિલાઇટિંગ
તે કેમ ડ્રિફ્ટ થાય છે: "better" સંજ્ઞા વગરનું વિશેષણ છે. મોડેલે એક વ્યાખ્યા શોધવી પડે છે, અને ફરીથી-રેન્ડરમાં વધુ સારું દેખાવાનો સૌથી સસ્તો રસ્તો છે સ્મૂધ કરેલી ત્વચા, ચમકતા દાંત અને પાતળી જડબાની રેખા. તમે પ્રકાશ માગ્યો હતો અને રિટચ મળ્યો.
શું બદલાયું: પ્રકાશનું વર્ણન ભૌતિક રીતે થયું છે — દિશા, ગુણવત્તા, તાપમાન, ફૉલઑફ. ત્વચાની ટેક્સ્ચર સ્પષ્ટપણે એન્કર કરેલી છે, કારણ કે રિલાઇટિંગ વખતે મોડેલને તેને સ્મૂધ કરી નાખવાની સૌથી વધુ લાલચ થાય છે.
C. વિષયને ફરીથી ડ્રેસ કરવો
તે કેમ ડ્રિફ્ટ થાય છે: સૂટ સિલુએટ બદલે છે, એટલે ધડને ફરીથી રેન્ડર કરવું પડે છે — અને તેની ઉપરનું માથું સામાન્ય રીતે તેની સાથે જ બદલાય છે. અનએન્કર્ડ વોર્ડરોબ એડિટ બેકગ્રાઉન્ડ સ્વેપ પછીનું આઇડેન્ટિટી ડ્રિફ્ટનું બીજા નંબરનું સૌથી મોટું કારણ છે.
શું બદલાયું: "tailored to his current posture" વસ્ત્રને પોઝને આધીન બનાવે છે. હાથ અલગથી એન્કર કરેલા છે, કારણ કે વોર્ડરોબ એડિટ સૌથી વધુ સ્પષ્ટ રીતે હાથમાં જ તૂટે છે.
D. ફોટોગ્રાફને રિસ્ટાઇલ કરવો
તે કેમ ડ્રિફ્ટ થાય છે: એકલો સ્ટાઇલ શબ્દ બધું જ સોંપી દે છે — કમ્પોઝિશન, ક્રોપ, વાળ, વોર્ડરોબ, લોકોની સંખ્યા — અને "anime" ત્રીસ વર્ષની અસંગત પરંપરાઓ છે. તમને એક અલગ દ્રશ્યનું સક્ષમ ચિત્રણ મળે છે.
શું બદલાયું: સ્ટાઇલ એડિટને અલગ એન્કરની જરૂર છે. તમે ટેક્સ્ચરને એન્કર કરી શકતા નથી — ટેક્સ્ચર જ બદલાઈ રહી છે — એટલે તમે સ્ટ્રક્ચર એન્કર કરો છો: કમ્પોઝિશન, પોઝ, સિલુએટ, ક્રોપ, વિષયોની સંખ્યા. cel એનિમેશન હેઠળ "ફોટોરિયલિસ્ટિક ત્વચા" જાળવવાનું કહેવું એ વિરોધાભાસ છે.
E. કંઈક કાઢી નાખવું
તે કેમ ડ્રિફ્ટ થાય છે: નકાર છતાં ખ્યાલને મોડેલની સામે મૂકે છે અને ખાલી થયેલી જગ્યામાં શું ભરવું તે વિશે કંઈ કહેતો નથી. કાઢી નાખવા માટે લક્ષ્ય અને ભરણ બંનેનું હકારાત્મક વિધાન જરૂરી છે.
શું બદલાયું: લક્ષ્યને ઓબ્જેક્ટ, રંગ અને સ્થાનથી નામ અપાયું છે; ભરણ સ્પષ્ટ કરેલું છે, એટલે મોડેલ ફૂટપાથ હોવો જોઈએ ત્યાં પ્લાઝા શોધી કાઢતું નથી; અને "બાકીનું બધું" ને ખરેખરી સંજ્ઞાઓમાં લખવામાં આવ્યું છે.
F. નુકસાન પામેલો ફોટોગ્રાફ રિપેર કરવો
તે કેમ ડ્રિફ્ટ થાય છે: "fix" "સુધારો" તરીકે વંચાય છે, અને જૂના ફોટોગ્રાફને સુધારવાનો અર્થ છે તેને આધુનિક બનાવવો — સ્વચ્છ ત્વચા, વધુ કોન્ટ્રાસ્ટ, અને એક ચહેરો જે હવે તમારી દાદીનો બરાબર નથી.
શું બદલાયું: નુકસાનની યાદી બનાવેલી છે, એટલે "fix" ને એક નિશ્ચિત સ્કોપ મળે છે, અને ગ્રેન અને ટોનાલિટી એન્કર કરેલા છે કારણ કે તે પ્રિન્ટને એ સમયગાળાનું અસલી લાગે તેવું બનાવે છે. ત્રણ પ્રતિબંધો એ દુર્લભ કિસ્સો છે જ્યાં નકાર પોતાનું સ્થાન કમાય છે — પ્રક્રિયા વિશેની સૂચનાઓ, ઓબ્જેક્ટ વિશેની નહીં.
સારી સૂચનાનું સ્વરૂપ
અલ્પવિરામથી છૂટા પડેલા કીવર્ડ ટૅગને બદલે પૂરાં વાક્યોમાં 25 થી 60 શબ્દોનું લક્ષ્ય રાખો — ઇમેજ મોડેલ પ્રોમ્પ્ટને એ જ રીતે વાંચે છે જેમ ભાષા મોડેલ વાંચે છે, એટલે ગદ્ય ટૅગ-સૂપ કરતાં ચડિયાતું છે. SDXL-યુગનો કચરો (masterpiece, best quality, 8k) અને (word:1.3) જેવો વેઇટ સિન્ટેક્સ છોડી દો; તે અહીં કંઈ કરતા નથી. દરેક સૂચનામાં એક ફેરફાર કરો — એક વાક્યમાં બે અસંબંધિત ફેરફારો ધ્યાન માટે સ્પર્ધા કરે છે અને બંને અડધા-થયેલા પાછા આવે છે.
04નેગેટિવ પ્રોમ્પ્ટ — અહીં સમર્થિત, ટેક્સ્ટ-ટુ-ઇમેજથી વિપરીત
આ લોકોને મૂંઝવે છે, એટલે સ્પષ્ટ કહી દઈએ:
| પાથ | સોર્સ ઇમેજ | નેગેટિવ પ્રોમ્પ્ટ | એસ્પેક્ટ રેશિયો | પ્રોમ્પ્ટનું સ્વરૂપ |
|---|---|---|---|---|
| ટેક્સ્ટ-ટુ-ઇમેજ | 0 | સમર્થિત નથી | પસંદ કરેલું (ડિફૉલ્ટ ચોરસ) | વર્ણનાત્મક ગદ્ય |
| એક ઇમેજ એડિટ કરો | બરાબર 1 | સમર્થિત | સોર્સ પરથી વારસામાં મળેલું | સૂચના: ફેરફાર + જાળવણી |
| 2+ ઇમેજ જોડો | 2 કે વધુ | સમર્થિત | નવો કેનવાસ પસંદ કરી શકાય | ભૂમિકા-નામ અપાયેલું ગદ્ય |
ટેક્સ્ટ-ટુ-ઇમેજ બિલકુલ નેગેટિવ પ્રોમ્પ્ટ લેતું નથી — કંઈપણ વગરથી જનરેટ કરવું, ફક્ત તમને શું જોઈએ છે તેનું વર્ણન કરવું એ જ શિસ્ત છે (જુઓ અનસેન્સર્ડ AI ઇમેજ જનરેશન). એડિટિંગ અલગ છે: તમારી પાસે પહેલેથી એક સોર્સ છે, અને ફરીથી-રેન્ડરની લાક્ષણિક નિષ્ફળતાઓ જાણીતી અને નામ આપી શકાય તેવી છે, એટલે નેગેટિવ પ્રોમ્પ્ટ પાસે દબાવવા માટે કંઈક નક્કર હોય છે.
તેમાં શું હોવું જોઈએ
ફક્ત આર્ટિફેક્ટ, અને માત્ર આર્ટિફેક્ટ. આ ખામીઓની યાદી છે, બીજી સૂચના ચેનલ નહીં:
- extra fingers, fused fingers, malformed hands — વ્યક્તિને ફરીથી રેન્ડર કરતી કોઈપણ એડિટ.
- warped text, garbled lettering, misspelled signage — ફ્રેમમાં ચિહ્નો, લેબલ કે પેકેજિંગ હોય એવું કંઈપણ.
- duplicated limbs, duplicated railing, repeated windows — કાઢી નાખવાનું અને બેકગ્રાઉન્ડ વિસ્તરણ.
- smeared texture, blurry patch, halo around the subject, visible seam — બેકગ્રાઉન્ડ સ્વેપ અને ઓબ્જેક્ટ કાઢવું.
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — રિલાઇટિંગ, પોર્ટ્રેટ એડિટ, સામાન્ય સ્વચ્છતા.
તેમાં શું ન હોવું જોઈએ
કન્ટેન્ટના નિર્ણયો. જો તમને ટોપી કાઢી નાખવી હોય, તો સૂચના છે "ટોપી કાઢી નાખો" — નેગેટિવ પ્રોમ્પ્ટમાં "hat" લખવું નહીં. નેગેટિવ પ્રોમ્પ્ટ તમારા સોર્સમાં અસ્તિત્વ ધરાવતી વસ્તુઓને વિશ્વસનીય રીતે કાઢી નાખતું નથી; તે રેન્ડરમાં ખામીઓ દેખાવાથી નિરુત્સાહિત કરે છે. ત્યાં કન્ટેન્ટ મૂકવાથી બંને બાજુનું સૌથી ખરાબ મળે છે: ટોપી રહી જાય છે, અને વિકૃત હાથને દબાવી શકતો સ્લોટ જતો રહે છે.
નિયમનો બીજો ભાગ તમારી સૂચનાને લાગુ પડે છે: તેમાં "X નહીં" લખવાનું બંધ કરો. "A street with no cars," "a portrait with no glasses" બંને અનિચ્છનીય ખ્યાલને વાક્યમાં મૂકે છે અને મોડેલને તેને નકારવાનું કહે છે — એ કામ ભાષા સારી રીતે સંભાળે છે અને ઇમેજ કન્ડિશનિંગ નબળી રીતે. તેના બદલે શું હોવું જોઈએ તે કહો: "an empty street with clear asphalt," "a portrait with unobstructed eyes." ઉદાહરણ F ની જેમ એક જ અપવાદ છે પ્રક્રિયા વિશેની સૂચના — "do not sharpen," "do not recolor" — જે ઓબ્જેક્ટનું નામ આપવાને બદલે એક ઓપરેશનનો ઇનકાર કરે છે.
એક લીટીમાં કામની વહેંચણી
સૂચના: શું બદલાય છે, શું રહે છે — હકારાત્મક રીતે જણાવેલું. નેગેટિવ પ્રોમ્પ્ટ: રેન્ડર ખરાબ થવાની રીતો. બંનેને અલગ રાખો અને બંને સારા થાય છે.
05એક સોર્સ ઇમેજ, અને Shannon તેને કેવી રીતે પસંદ કરે છે
એડિટ બરાબર એક સોર્સ ઇમેજ પર કામ કરે છે: કાં તો વાતચીતમાં પહેલેથી હાજર ચિત્ર — અગાઉ જોડેલું, અથવા તમારા માટે જનરેટ કરેલું — અથવા તમે અત્યારે મોકલી રહ્યા છો એ મેસેજ સાથે જોડેલું એક. થ્રેડની બહારથી કંઈ લેવાતું નથી, અને એડિટ પાથ ક્યારેય ચૂપચાપ બે ચિત્રો ભેગાં કરતું નથી. જો તમારા ઇરાદાને એક કરતાં વધુ ઇમેજમાંથી તત્વોની જરૂર હોય — ફોટો A માંનો પોશાક ફોટો B માંની વ્યક્તિ પર — તો એ કમ્બાઇન છે, દરેક ઇમેજની ભૂમિકા ક્રમમાં નામ આપતા અલગ પ્રોમ્પ્ટ સ્વરૂપ સાથે.
ફૉલો-અપ અને સૌથી તાજી સંબંધિત ઇમેજ
એકવાર ઇમેજ વાતચીતમાં આવી જાય, પછી ટૂંકા ફૉલો-અપ તમે ઇચ્છો એ રીતે કામ કરે છે. "Make it darker." "Now try it at sunset." આ થ્રેડમાંની સૌથી તાજી સંબંધિત ઇમેજ સામે ઉકેલાય છે — સામાન્ય રીતે તમને હમણાં જ મળેલું પરિણામ — એટલે નાની સૂચનાઓની શ્રેણી એડિટના ઢગલા જેવી વર્તે છે. ત્રણ પરિણામો:
- એક પગલે એક ફેરફાર કરો. દરેક ફૉલો-અપ બીજું પૂરું ફરીથી-રેન્ડર છે, એટલે "make it darker and change her coat and move the camera lower" એક જ પાસ માટે લડતી ત્રણ એડિટ છે. ત્રણ મેસેજ મોકલો; જે ગમે ત્યાં અટકી જાવ.
- જનરેશનલ નુકસાનનું ધ્યાન રાખો. નાના વિચલનો ભેગા થાય છે; છઠ્ઠી સતત એડિટ સુધીમાં ચહેરો મૂળથી ઘણો દૂર થઈ શકે છે જોકે એકપણ પગલું ખોટું નહોતું લાગ્યું. જ્યારે તમને ડ્રિફ્ટ દેખાય, ત્યારે પેચ કરવાનું બંધ કરો — મૂળ ફાઇલ ફરીથી જોડો અને ત્યારથી તમે જે શીખ્યા છો તે બધું સમાવતી એક સંયુક્ત સૂચના લખો.
- લાંબા થ્રેડમાં, સ્પષ્ટ બનો. "Using the beach photo I attached earlier, …" ઘણી ઇમેજ સામેલ હોય ત્યારે અસ્પષ્ટતા દૂર કરે છે.
પુષ્ટિકરણ કાર્ડ એન્કર ઉમેરવાની તમારી છેલ્લી તક છે
તમે સાદી ભાષામાં, તમે બોલો છો એ કોઈપણ ભાષામાં પૂછો છો. Shannon નક્કી કરે છે કે ઇમેજ ઓપરેશન માગવામાં આવી રહ્યું છે, અંતિમ સૂચના જાતે અંગ્રેજીમાં લખે છે, અને કંઈપણ રેન્ડર થાય તે પહેલાં તેને પુષ્ટિકરણ કાર્ડ પર બતાવે છે. તમે પુષ્ટિ ન કરો ત્યાં સુધી કંઈ બનતું નથી અને કંઈ બિલ થતું નથી. એ કાર્ડ વાંચો — કંઈ ખર્ચતા પહેલાં ખૂટતી જાળવવાની કલમ પકડવાની આ જગ્યા છે.
બે સંબંધિત વર્તન: Shannon ક્યારેય આમંત્રણ વગર જનરેટ કરતું નથી — શુભેચ્છા, પ્રશ્ન કે અકસ્માતે જોડાયેલો ફોટો ઇમેજ ઓપરેશન શરૂ કરતાં નથી. અને Shannon ને ફક્ત ઇમેજ જોવાનું કહેવું — તેનું વર્ણન કરવું, તેમાંનું લખાણ વાંચવું, કમ્પોઝિશન કેમ કામ નથી કરી રહી તે કહેવું — સામાન્ય વિઝન કામ છે, જનરેશન નહીં, અને તેનો કોઈ વધારાનો ખર્ચ થતો નથી. "What would you change about this photo?" મફત સલાહ છે; તેના પર કાર્ય કરવું એ એડિટ છે.
06એસ્પેક્ટ રેશિયો આપમેળે વારસામાં મળે છે
એડિટ કરેલી ઇમેજ તેના સોર્સ જેવા જ એસ્પેક્ટ રેશિયોમાં પાછી આવે છે. તમારે એક પસંદ કરવાની જરૂર નથી અને જરૂર પણ નથી: 4:5 પોર્ટ્રેટ 4:5 જ રહે છે, 16:9 એ જ રહે છે, એક અણઘડ ફોન સ્ક્રીનશોટ પોતાનું પ્રમાણ જાળવે છે. તમારી ઇમેજને ચૂપચાપ ફરીથી ફ્રેમ કરતી એડિટ ખરેખર એડિટ ન હોત — તે એક ક્રોપ વત્તા મૂળ સીમાઓની બહાર શું છે તેનું અનુમાન હોત.
એ બાકીના બે પાથ કરતાં ખરેખરો ફરક છે. ટેક્સ્ટ-ટુ-ઇમેજ તમને square (ડિફૉલ્ટ), portrait, landscape, wide (સિનેમેટિક) અને tall (પોસ્ટર અને વૉલપેપર) માંથી પસંદ કરવાનું કહે છે, અને સ્પષ્ટ વિનંતી હંમેશાં જીતે છે; કમ્બાઇનિંગ તમને નવો કેનવાસ પસંદ કરવા દે છે, કારણ કે વારસામાં લેવા માટે કોઈ એક સોર્સ નથી. એટલે જો તમને અલગ આકાર જોઈએ, તો એ એડિટ નથી — 1:1 પ્રોડક્ટ શોટને 16:9 બેનરમાં ફેરવવાનો અર્થ છે ક્યારેય ફોટોગ્રાફ ન થયેલા પિક્સેલ બનાવવા. તે ઇરાદાપૂર્વક કરો, નવા કેનવાસ પર જનરેટ કરીને અથવા કમ્બાઇન કરીને.
07કોઈ વીડિયો જનરેશન નથી
સ્પષ્ટપણે કહેલું, કારણ કે લોકો પૂછે છે
Shannon વીડિયો જનરેટ કરતું નથી અને ઇમેજને એનિમેટ કરતું નથી. કોઈ ઇમેજ-ટુ-વીડિયો પાથ નથી, કોઈ "make this photo move" નથી, કોઈ લૂપ નથી, કોઈ સિનેમાગ્રાફ નથી. આ પ્રિવ્યૂમાં કે ટૂંક સમયમાં આવનારી ક્ષમતા નથી — તે પ્રોડક્ટમાં અસ્તિત્વમાં જ નથી, અને આ પાનાં પરની કોઈપણ વસ્તુને એથી ઊલટું સૂચવતી ન સમજવી.
Shannon 3 ઇમેજ સાથે બરાબર ત્રણ વસ્તુઓ કરે છે: નવી ઇમેજ જનરેટ કરવી, એક હયાત ઇમેજ એડિટ કરવી, અને બે કે વધુ ઇમેજ જોડવી. અહીંનું બધું જ આમાંના બીજા મુદ્દામાં જ સમાયેલું છે.
બે વાર કહેવા જેવું, કારણ કે "AI image editor" અને "AI video generator" લોકોના મનમાં નજીક-નજીક થઈ ગયા છે, અને જે ટૂલ ખુશીથી તમારો ફોટોગ્રાફ રિલાઇટ કરી આપે તે તેને હલાવવાથી ફક્ત એક બટન દૂર લાગે છે. એવું નથી — અને તમને એ દસમી નહીં, પહેલી મિનિટે જ ખબર હોવી જોઈએ.
08એડિટિંગ માટે અનસેન્સર્ડ હોવું જનરેશન કરતાં કેમ વધુ મહત્વનું છે
ફિલ્ટર કરેલા એડિટર ફિલ્ટર કરેલા જનરેટર કરતાં અલગ રીતે, અને સામાન્ય રીતે વધુ ખરાબ રીતે નિષ્ફળ જાય છે. ફિલ્ટર કરેલો જનરેટર તમારો પ્રોમ્પ્ટ નકારે છે; તમે ફરીથી લખો છો અને ફરી પ્રયત્ન કરો છો. ફિલ્ટર કરેલો એડિટર તમારી સૂચનાનો એક શબ્દ વાંચતાં પહેલાં જ સોર્સ ઇમેજને જ નકારી શકે છે. કેસ રિપોર્ટ માટે ક્લિનિકલ ઘાનો ફોટોગ્રાફ અપલોડ કરો અને તે ઇનપુટ પર જ નકારાય છે. ક્રીઝ રિપેર કરવા ઐતિહાસિક યુદ્ધનો ફોટોગ્રાફ અપલોડ કરો અને ફ્રેમમાંની રાઇફલ વાતચીત ખતમ કરી નાખે છે. કાયદેસર કામ, વર્ગીકૃત ઇનકાર, કોઈ પુનર્લેખન કે જે મદદ કરી શક્યું હોત.
Shannon ઇમેજ પાથ આઉટપુટ પર કોઈ કન્ટેન્ટ ફિલ્ટર વગર અને સૂચના લખતા મોડેલ પર કોઈ ઇનકાર સ્તર વગર ચલાવે છે. એ જ આ સામાન્ય કામોને શક્ય બનાવે છે:
- આર્ટ ન્યૂડ અને ફિગર વર્ક — સંમતિ આપતા પુખ્ત વિષયો સાથે કામ કરતા કલાકારો અને ફોટોગ્રાફરો માટે રિટચિંગ, રિલાઇટિંગ અને રિસ્ટાઇલિંગ.
- મેડિકલ અને ફોરેન્સિક ઇલસ્ટ્રેશન — શિક્ષણ સામગ્રી, કેસ રિપોર્ટ અને પુનર્નિર્માણ કામ માટે સાફ કરેલી ક્લિનિકલ ઇમેજરી જેને મુખ્યધારાના એડિટર જોતાં જ નકારે છે.
- સિક્યુરિટી રિસર્ચ ઇમેજરી — ફિશિંગ-જાગૃતિ કાર્યક્રમો અને રેડ-ટીમ રિપોર્ટિંગ માટે સ્ક્રીનશોટ, ફિઝિકલ-સિક્યુરિટી ફોટોગ્રાફ અને હાર્ડવેર ડોક્યુમેન્ટેશન.
- કાલ્પનિક કથામાં હિંસા — ફિલ્મ, ગેમ અને કૉમિક્સ પ્રોડક્શન આર્ટ જ્યાં ઘા કે હથિયાર જ વિષયવસ્તુ છે.
- રાજકીય વ્યંગ અને એડિટોરિયલ ઇલસ્ટ્રેશન — તેની પાછળ કેટલીક સદીઓનો ઇતિહાસ છે, ફિલ્ટર કરેલા ટૂલિંગમાં લગભગ કોઈ સમર્થન નથી.
- હકધારક દ્વારા બ્રાન્ડ અને ચહેરાનું કામ — તમારી પોતાની પ્રોડક્ટ ફોટોગ્રાફી, લોગો લોકઅપ અને પોર્ટ્રેટ, અને મુશ્કેલ કૌટુંબિક આર્કાઇવ, તમને પરવાનગી છે કે નહીં તે વિશે ક્લાસિફાયર સાથે દલીલ કર્યા વગર.
અનસેન્સર્ડ હોવું જવાબદારીથી મુક્ત નથી. Shannon Shannon Lab LLC (ન્યૂ મેક્સિકો, USA) દ્વારા પ્રકાશિત જવાબદાર ઉપયોગ નીતિ હેઠળ ચલાવવામાં આવે છે, જ્યાં ખરી મર્યાદાઓ રહે છે — કાયદો અને નુકસાન વિશેની, ઘાના ફોટોગ્રાફ સાથે ક્લાસિફાયરની અસ્વસ્થતા વિશેની નહીં. સ્વયંસંચાલિત ઇનકારની ગેરહાજરી એ ટૂલ વિશેનું નિવેદન છે, તમે જે બનાવો છો તેની તમારી જવાબદારી વિશેનું નહીં.
09API ક્યાં બંધબેસે છે — અને ક્યાં નથી બેસતું
API સર્ચ પરથી આવતા વાચકો માટે આ એક સામાન્ય ખોટો વળાંક છે. ઇમેજ જનરેશન અને એડિટિંગ Shannon ચેટ એપમાં થાય છે, API પર નહીં. ત્રણ /v1 ડાયલેક્ટ — /v1/chat/completions (OpenAI-આકારનું), /v1/messages (Anthropic-આકારનું) અને /v1/responses, બધા સ્ટ્રીમિંગ, બધા એ જ મોડેલો પર — ટેક્સ્ટ અને વિઝન સર્વ કરે છે. વિઝનનો અર્થ છે મોડેલો તમે મોકલેલી ઇમેજ વાંચે છે: તેમનું વર્ણન કરે, ટેક્સ્ટ ટ્રાન્સક્રાઇબ કરે, ચાર્ટનું વિશ્લેષણ કરે. તેનો અર્થ એ નથી કે તે ઇમેજ બનાવે કે બદલે.
તેમાં હજુ એક ઉપયોગી પેટર્ન બાકી છે: વિઝન વત્તા અનસેન્સર્ડ ટેક્સ્ટ મોડેલ એક મજબૂત સૂચના-લેખન સહાયક છે. API ને તમારી સોર્સ ઇમેજ મોકલો, તેને ફ્રેમમાં શું છે તેનું વર્ણન કરવા અને ફેરફાર તથા એન્કરનું નામ આપતી એન્કર્ડ સૂચનાનો ડ્રાફ્ટ બનાવવા કહો, પછી એ સૂચનાને ચેટમાં ચલાવો — તે તમે ભૂલી ગયા હોત એવા એન્કર પકડી લે છે. વિનંતી અને પ્રતિભાવના સ્વરૂપો API ડોક્યુમેન્ટેશનમાં છે.
10વારંવાર પુછાતા પ્રશ્નો
અનસેન્સર્ડ AI ઇમેજ એડિટર એટલે શું?
એક એડિટર જે હયાત ઇમેજ અને સાદી ભાષાની સૂચના લે છે અને એડિટ કરેલી ઇમેજ પાછી આપે છે, આઉટપુટ પર કોઈ કન્ટેન્ટ ફિલ્ટર વગર અને સૂચના લખતા મોડેલ પર કોઈ ઇનકાર સ્તર વગર. તે Shannon ચેટ એપની અંદર અમારા પોતાના GPU ક્લસ્ટર પર ચાલે છે, એટલે ફિલ્ટર કરેલા એડિટર જે કામ નકારે છે — આર્ટ ન્યૂડ રિટચિંગ, મેડિકલ અને ફોરેન્સિક ઇલસ્ટ્રેશન, સિક્યુરિટી રિસર્ચ ઇમેજરી, કાલ્પનિક કથામાં હિંસા, રાજકીય વ્યંગ — તે નકારવાને બદલે થાય છે.
મેં ફક્ત બેકગ્રાઉન્ડ બદલવાનું કહ્યું હતું તો ચહેરો કેમ બદલાય છે?
કારણ કે સૂચના એડિટ તમારી સોર્સ ઇમેજ પર આધારિત આખી ફ્રેમને ફરીથી બનાવે છે, ફક્ત તમારા મનમાં રહેલા ભાગને નહીં — તમે જેને 'બદલાયેલ નહીં' તરીકે નામ ન આપો તે ડ્રિફ્ટ થવા માટે મુક્ત છે. ઉકેલ છે એન્કરિંગ: 'ચહેરો, હેરસ્ટાઇલ, પોઝ અને કપડાં એકસમાન રાખો, એ જ કેમેરા એંગલ અને ક્રોપ' જેવી કીપ ક્લોઝ ઉમેરો. બદલાયા વગરના ભાગોને નામ આપવું એ તમારી પાસેનું સૌથી મોટું ક્વોલિટી લિવર છે.
શું Shannon ઇમેજ એડિટિંગ નેગેટિવ પ્રોમ્પ્ટને સમર્થન આપે છે?
હા. ટેક્સ્ટ-ટુ-ઇમેજથી વિપરીત, જે બિલકુલ લેતું નથી, એડિટિંગ અને મલ્ટિ-ઇમેજ કમ્બાઇનિંગ બંને પાથ તેને સમર્થન આપે છે. તેનો ઉપયોગ અનિચ્છનીય આર્ટિફેક્ટ માટે કરો — વધારાની આંગળીઓ, વિકૃત ટેક્સ્ટ, ડુપ્લિકેટ થયેલી રેલિંગ, સ્મીયર થયેલી ટેક્સ્ચર, પ્લાસ્ટિક જેવી ત્વચા, વોટરમાર્ક — સૂચનામાં 'X નહીં' લખવાને બદલે. કન્ટેન્ટના નિર્ણયો સૂચનામાં હોવા જોઈએ, હકારાત્મક રીતે જણાવેલા; આર્ટિફેક્ટ દબાવવાનું કામ નેગેટિવ પ્રોમ્પ્ટનું છે.
શું Shannon મારી ઇમેજને એનિમેટ કરી શકે અથવા વીડિયોમાં ફેરવી શકે?
ના. Shannon વીડિયો જનરેટ કરતું નથી અને ઇમેજને એનિમેટ કરતું નથી. કોઈ ઇમેજ-ટુ-વીડિયો પાથ નથી અને એવું કંઈ જાહેર પણ કરાયું નથી. Shannon 3 નવી ઇમેજ બનાવે છે, એક હયાત ઇમેજ એડિટ કરે છે, અથવા બે કે વધુ ઇમેજને એકમાં જોડે છે — બસ આ ત્રણ વસ્તુઓ, આનાથી વધુ કંઈ નહીં.
એક એડિટ કેટલી સોર્સ ઇમેજ વાપરે છે?
બરાબર એક: કાં તો વાતચીતમાં પહેલેથી હાજર ચિત્ર, અથવા તમારા વર્તમાન મેસેજ સાથે જોડેલું એક. જો તત્વો બે કે વધુ ઇમેજમાંથી આવવાં જોઈએ — એક ફોટોમાંનો પોશાક બીજા ફોટોમાંની વ્યક્તિ પર — તો એ કમ્બાઇન છે, એડિટ નહીં, અને તમારે બીજી ઇમેજને શબ્દોમાં વર્ણવવાને બદલે ખરી ઇમેજ આપવી જોઈએ.
શું મારે માસ્ક દોરવો પડે અથવા ઇનપેઇન્ટિંગ વાપરવું પડે?
ના. કોઈ બ્રશ, લેસો કે માસ્ક લેયર નથી. તમે એક વાક્યમાં ફેરફારનું વર્ણન કરો છો અને વિસ્તાર તમારી ભાષા પરથી અનુમાનિત થાય છે, એટલે ચોક્કસ સંજ્ઞાઓ મહત્વની છે: 'જમણી બાજુ પાર્ક કરેલી ચાંદી રંગની કાર' 'પેલી વસ્તુ' કરતાં ઘણું સારું નિશાન બનાવે છે. આ Shannon ને પસંદગીના કામ વગર પરિણામ ઇચ્છતા લોકો માટે એક વ્યવહારુ અનસેન્સર્ડ ઇનપેઇન્ટિંગ વિકલ્પ બનાવે છે.
શું હું Shannon API દ્વારા ઇમેજ એડિટ કરી શકું?
ના. ઇમેજ જનરેશન અને એડિટિંગ Shannon ચેટ એપમાં થાય છે. /v1 ડાયલેક્ટ — /v1/chat/completions, /v1/messages અને /v1/responses — ટેક્સ્ટ અને વિઝન સર્વ કરે છે: તે તમે મોકલેલી ઇમેજ વાંચે અને વિશ્લેષણ કરે છે પણ તેને બનાવતું કે એડિટ કરતું નથી. એક સામાન્ય વર્કફ્લો એ છે કે API નું વિઝન એન્કર્ડ સૂચનાનો ડ્રાફ્ટ બનાવે, પછી એડિટ ચેટમાં ચલાવો.
ફિલ્ટર સાથે દલીલ કર્યા વગર ઇમેજ એડિટ કરો
ફોટો જોડો, એક વાક્ય લખો, શું રહે છે તે નામ આપો.
એડિટિંગ શરૂ કરો API ડોક્સ વાંચોઇમેજ અમારા પોતાના GPU ક્લસ્ટર પર રેન્ડર થાય છે · તમે કાર્ડની પુષ્ટિ ન કરો ત્યાં સુધી કંઈ રેન્ડર કે બિલ થતું નથી
Shannon AI, Shannon Lab LLC, ન્યૂ મેક્સિકો, USA દ્વારા ચલાવવામાં આવે છે. ઇમેજ જનરેશન, એડિટિંગ અને કમ્બાઇનિંગ Shannon 3ની ચેટ-એપ સુવિધાઓ છે; /v1 API ફક્ત ટેક્સ્ટ અને વિઝન સર્વ કરે છે. પ્રોડક્ટમાં કોઈ વીડિયો જનરેશન અસ્તિત્વમાં નથી. એડિટિંગ બરાબર એક સોર્સ ઇમેજ સ્વીકારે છે અને તેનો એસ્પેક્ટ રેશિયો વારસામાં લે છે. અનસેન્સર્ડ ઇમેજ પાથનો ઉપયોગ જવાબદાર ઉપયોગ નીતિ દ્વારા સંચાલિત છે.