અનસેન્સર્ડ AI ઇમેજ જનરેટર

"અનસેન્સર્ડ AI ઇમેજ જનરેટર" શોધતા મોટા ભાગના લોકો કંઈ મર્યાદા ઓળંગવા માગતા નથી. તેઓ એવા ચિત્રકારો છે જેમને લાઇફ-ડ્રોઇંગ સંદર્ભ માટે ના પાડવામાં આવી, એવા મેડિકલ લેખકો જેમને એનાટોમી પ્લેટ માટે ના પાડવામાં આવી, એવા સિક્યુરિટી સંશોધકો જેમને તાલીમ ડેકમાં જોઈતી નકલી લોગિન સ્ક્રીન માટે ના પાડવામાં આવી, એવા નવલકથાકારો જેમને યુદ્ધદૃશ્ય માટે ના પાડવામાં આવી, એવા કાર્ટૂનિસ્ટ જેમને રાજકારણી દોરવા માટે ના પાડવામાં આવી. ફિલ્ટરે એવું નક્કી કર્યું ન હતું કે તેમનું કામ નુકસાનકારક છે. તેણે નક્કી કર્યું કે તે પારખી શકતું નથી, અને ખોટા પડવા કરતાં નકારવું સસ્તું છે. આ લેખ સમજાવે છે કે Shannon તેના બદલે શું કરે છે, અને તમે વિનંતી ટાઇપ કરો તે ક્ષણથી પ્રવાહ બરાબર કેવી રીતે ચાલે છે.

01ઇમેજ જનરેટર માટે "અનસેન્સર્ડ" નો ખરેખર અર્થ શું?

આ શબ્દ એટલો ઢીલો વપરાય છે કે લગભગ અર્થહીન બની ગયો છે, એટલે અહીં ચોકસાઈવાળી આવૃત્તિ છે. આધુનિક ઇમેજ પ્રોડક્ટમાં ઓછામાં ઓછી ચાર જગ્યાએ વિનંતી મરી શકે છે:

1. ઇનપુટ વર્ગીકરણ — બીજું કંઈ થાય તે પહેલાં તમારા લખાણને વિષય શ્રેણીઓ સામે સ્કોર કરવામાં આવે છે, અને ઊંચો સ્કોર વિનંતીને મારી નાખે છે.
2. પ્રોમ્પ્ટ ફરી લખવું — કોઈ સહાયક ચૂપચાપ તમારો પ્રોમ્પ્ટ "સુધારે" છે, જેનો વ્યવહારમાં અર્થ એ કે તમે માગેલી ચોક્કસ વસ્તુ ઘસી નાખવામાં આવે છે.
3. સહાયક પર ઇનકાર સ્તર — તમારી સાથે વાત કરતું મોડેલ વિનંતી આગળ મોકલવાની ના પાડે છે, સામાન્ય રીતે તે કેમ મદદ ન કરી શકે તેના ફકરા સાથે.
4. આઉટપુટ વર્ગીકરણ — તૈયાર ઇમેજને રેન્ડર થયા પછી સ્કોર કરીને રોકી લેવામાં આવે છે, એટલે તમારું જનરેશન વપરાય છે અને હાથમાં કશું આવતું નથી.

Shannon પર, જનરેશન પાથ પર કોઈ કન્ટેન્ટ ફિલ્ટર નથી અને પ્રોમ્પ્ટ લખતા મોડેલ પર કોઈ ઇનકાર સ્તર નથી. તમારી વિનંતીને વિષયોની બ્લોકલિસ્ટ સામે સ્કોર કરવામાં આવતી નથી, ચૂપચાપ કંઈક વધુ સલામતમાં ફરી લખવામાં આવતી નથી, અને તેમાંનો કોઈ શબ્દ જોખમ શ્રેણી સાથે મેળ ખાધો એટલા માટે નકારવામાં આવતી નથી. તમારો સંદેશો વાંચતું મોડેલ એવો જનરેશન પ્રોમ્પ્ટ લખે છે જે તમે ખરેખર માગ્યું છે તેને પ્રતિબિંબિત કરે છે, અને પછી તપાસવા માટે તમને સોંપે છે.

"અનસેન્સર્ડ" એ શું નથી: આ દાવો નથી કે દરેક રેન્ડર માસ્ટરપીસ હશે, કે એનાટોમી અને ભૌતિકશાસ્ત્ર હંમેશાં સાચાં આવશે — એ ક્ષમતાના પ્રશ્નો છે, જેની પ્રામાણિક ચર્ચા પ્રોમ્પ્ટ માર્ગદર્શિકામાં છે. વળી આ દાવો પણ નથી કે બધું જ ચાલે. Shannon Lab LLC એક જવાબદાર ઉપયોગ નીતિ ચલાવે છે, અને સ્વયંસંચાલિત ફિલ્ટરની ગેરહાજરી જ એ કારણ છે કે તેના બદલે એ નીતિ પર ભાર આવે છે. બુઠ્ઠું હથિયાર દૂર કરવાથી હાથમાં સાધન પકડનાર માણસ માટેનું ધોરણ ઊંચું થાય છે; ધોરણ દૂર થતું નથી.

02ઇનકારની સમસ્યા: કાયદેસર કામ જે ફિલ્ટર કરેલા જનરેટર રોકે છે

કન્ટેન્ટ ફિલ્ટર ઉપરછલ્લાં લક્ષણોથી વર્ગીકરણ કરે છે, કારણ કે મોટા પાયે સસ્તામાં તેઓ એટલું જ કરી શકે છે. તેઓ શબ્દો અને પિક્સેલ જુએ છે. તેઓ હેતુ, વ્યાવસાયિક સંદર્ભ, કે કોણ પૂછી રહ્યું છે તે જોતા નથી. એ અંતરમાં જ નુકસાન થાય છે, અને પ્રોડક્ટે-પ્રોડક્ટે તે નોંધપાત્ર રીતે એકસરખું છે: એ જ થોડીક શ્રેણીઓ બધે નકારાય છે, એ જ માળખાગત કારણસર.

કામની શ્રેણી	ફિલ્ટર કેમ નકારે છે	ખરેખર શું માગવામાં આવ્યું હતું
આર્ટ ન્યૂડ અને ફિગર સ્ટડી	ન્યુડિટી ક્લાસિફાયર લલિતકળાની પરંપરાને પોર્નોગ્રાફીથી અલગ પાડી શકતાં નથી, એટલે શરીર પોતે જ જોખમનો સંકેત બની જાય છે.	લાઇફ-ડ્રોઇંગ સંદર્ભ, એનાટોમી અભ્યાસ, શિલ્પ માટેની આકૃતિની કલ્પના — પાંચ સદીથી કલા-તાલીમનો પાયો.
મેડિકલ ઇલસ્ટ્રેશન	સર્જિકલ દૃશ્યો, ઘા અને આંતરિક એનાટોમી હિંસક ચિત્રો પર તાલીમ પામેલા ક્લાસિફાયરને લોહિયાળ દૃશ્ય લાગે છે.	પાઠ્યપુસ્તકની પ્લેટ, દર્દી-શિક્ષણનો આકૃતિપટ, ત્વચારોગનું નિદર્શન, જર્નલનું ચિત્ર.
ફોરેન્સિક ઇલસ્ટ્રેશન	ઈજાની ભાત અને ઘટનાસ્થળનું પુનર્નિર્માણ પિક્સેલ આંકડાશાસ્ત્રથી હિંસક કન્ટેન્ટથી અલગ પાડી શકાતું નથી.	અદાલતનું પ્રદર્શન, અકસ્માત-વિશ્લેષણનું પુનર્નિર્માણ, તપાસકર્તાઓ માટેની તાલીમ ઇમેજ.
સિક્યુરિટી-રિસર્ચ ઇમેજ	ખાતરીલાયક નકલી સાઇન-ઇન સ્ક્રીન બરાબર એ જ દુરુપયોગ જેવી દેખાય છે જેને ઓળખતાં શીખવવા તે બનાવાઈ છે.	ફિશિંગ-જાગૃતિની તાલીમ સામગ્રી, રેડ-ટીમ રિપોર્ટનું ચિત્ર, પરિષદના વક્તવ્યની સ્લાઇડ.
કાલ્પનિક કથામાં હિંસા	નુકસાનનું કોઈપણ ચિત્રણ નુકસાન તરીકે સ્કોર થાય છે; ફિલ્ટરને કથાના માળખાની કોઈ સમજ નથી.	યુદ્ધ-નવલકથાનું કવર આર્ટ, ગ્રાફિક-નોવેલનું પેનલ, સ્ટોરીબોર્ડ, ગેમ કન્સેપ્ટ, ઐતિહાસિક યુદ્ધદૃશ્ય.
રાજકીય વ્યંગ	ઓળખી શકાય તેવી જાહેર વ્યક્તિ સાથે અપ્રિય સંદર્ભ ભળે એટલે ચહેરા અને બદનામીના નિયમો એકસાથે તૂટે છે.	સંપાદકીય કાર્ટૂન — ફોટોગ્રાફી કરતાં જૂનું, સંરક્ષિત અભિવ્યક્તિ સ્વરૂપ.
બ્રાન્ડ અને ચહેરાનું કામ	ટ્રેડમાર્ક અને ચહેરાની બ્લોકલિસ્ટ બધાને સરખી લાગુ પડે છે, હક ધરાવનારને પણ.	એજન્સી પોતાના જ ક્લાયન્ટના પેકેજિંગનું મોક-અપ બનાવે; સંગીતકાર પોતાનું જ ટૂર પોસ્ટર બનાવે.

એ છેલ્લી પંક્તિ ધ્યાનથી જુઓ, કારણ કે તે આખી ડિઝાઇન ખુલ્લી પાડે છે. સામૂહિક ચહેરા-બ્લોક હક ધરાવનારને ઉલ્લંઘન કરનાર જેવો જ ગણે છે: બ્રાન્ડ કે ચહેરા પર સૌથી મજબૂત દાવો ધરાવતી વ્યક્તિને અજાણ્યા માણસ જેવો જ સંદેશો આપીને નકારવામાં આવે છે. કોઈ ફિલ્ટર એ સુધારી શકે નહીં, કારણ કે ખૂટતી માહિતી પ્રોમ્પ્ટમાં નથી — તે "કોણ પૂછે છે" તેમાં છે, અને ક્લાસિફાયર એ ક્યારેય જાણતું નથી. એ જ અસમતુલા દરેક પંક્તિમાં ચાલે છે. પિક્સેલમાં એવું કશું નથી જે એનાટોમી પ્લેટને પોર્નોગ્રાફીથી, કે ફોરેન્સિક પુનર્નિર્માણને લોહિયાળ દૃશ્યથી અલગ પાડે. કર્મચારીઓને તાલીમ આપવા બનાવેલા ફિશિંગ મોક-અપ અને છેતરવા બનાવેલા મોક-અપ વચ્ચે કશું ફરક પાડતું નથી: ડિઝાઇનથી જ તે એક જ ઇમેજ છે. બીજાને પકડવા દરવાજો બાંધો તો પહેલો હંમેશાં ભેગો પકડાય છે.

બીજી કિંમત પણ છે, જે ભાગ્યે જ ગણાય છે: લોકો કેવી રીતે લખે છે તેના પર પડતી ઠંડક. ત્રણ ઇનકાર પછી તમે બચાવપૂર્વક લખવા માંડો છો — ગોળગોળ ફેરવીને, નરમ શબ્દો વાપરીને, જે વિગત મહત્ત્વની હતી તે છોડી દઈને, તાવીજની જેમ "સુરુચિપૂર્ણ" ઉમેરીને. પરિણામ ખરાબ થાય છે એટલા માટે નહીં કે મોડેલ ખરાબ થયું, પણ એટલા માટે કે તમે જે જોઈએ છે તેનું વર્ણન કરવાનું બંધ કરી દીધું. અનસેન્સર્ડ જનરેટર બરાબર આ કારણસર અંશતઃ ગુણવત્તાની સુવિધા છે: તમે સાચું વર્ણન લખી શકો છો, એટલે તમને સાચી ઇમેજ મળે છે.

03Shannon નો રેન્ડર-પહેલાં-પુષ્ટિ પ્રવાહ કેવી રીતે કામ કરે છે

ફિલ્ટર દૂર કરવાથી એક સ્પષ્ટ પ્રશ્ન ઊભો થાય છે: જો કશું વિનંતી તપાસતું ન હોય, તો ગેરસમજ એવા રેન્ડરમાં ફેરવાઈ જતાં શું રોકે છે જે તમે ઇચ્છ્યું ન હતું અને જેના પૈસા ચૂકવવાની અપેક્ષા પણ ન હતી? Shannon નો જવાબ બીજો સ્વયંસંચાલિત દરવાજો નથી. જવાબ છે તમને પ્રોમ્પ્ટ બતાવીને પૂછવું.

ચાર પગલાં

1. તમે સાદી ભાષામાં, કોઈપણ ભાષામાં પૂછો છો. કોઈ ખાસ સિન્ટેક્સ નથી, કોઈ /imagine આદેશ નથી, કોઈ પેરામીટર સ્ટ્રિંગ નથી. તમે જે જોઈએ છે તેનું વર્ણન એ જ રીતે કરો છો જેમ કોઈ માણસને કરો. તમે જે ભાષામાં લખો તેમાં Shannon કામ કરે છે.
2. Shannon નક્કી કરે છે કે ઇમેજ માગવામાં આવી રહી છે. આ ઇરાદા વિશેનો નિર્ણય છે, કીવર્ડનો મેળ નહીં. ફોટોગ્રાફ વિશે વાત કરવી એટલે ફોટોગ્રાફ માગવો નહીં.
3. Shannon જનરેશન પ્રોમ્પ્ટ પોતે લખે છે, અંગ્રેજીમાં. તમે જે ભાષામાં પૂછ્યું હોય, પ્રોમ્પ્ટ અંગ્રેજીમાં રચાય છે — તમારું વર્ણન એ વિષય-પ્રથમ, ગદ્ય-શૈલીના સ્વરૂપમાં વિસ્તારાય છે જેને ઇમેજ મોડેલ સૌથી સારો પ્રતિસાદ આપે છે, એસ્પેક્ટ રેશિયો પસંદ કરાય છે, અને ટૂંકી વિનંતીમાં છૂટી ગયેલી નક્કર વિગત ભરાય છે.
4. પુષ્ટિકરણ કાર્ડ દેખાય છે — અને અટકે છે. કશું રેન્ડર થાય તે પહેલાં તમે Shannon એ લખેલો આખો પ્રોમ્પ્ટ જુઓ છો. તમે પુષ્ટિ ન કરો ત્યાં સુધી કશું બનતું નથી અને કશું બિલ થતું નથી. તમે તેને મંજૂર કરી શકો, નકારી શકો, અથવા Shannon ને શું બદલવું તે કહીને સુધારેલું કાર્ડ મેળવી શકો.

આ ફિલ્ટર કરતાં કેમ સારું છે

ફિલ્ટર એ તમારા વિશે લેવાયેલો નિર્ણય છે, અદૃશ્યપણે, એવી માહિતીના આધારે જે તેની પાસે નથી. પુષ્ટિકરણ કાર્ડ એ તમારા દ્વારા લેવાયેલો નિર્ણય છે, દેખીતી રીતે, ઉપલબ્ધ બધી માહિતી સાથે. તેનાં પરિણામો ભેગાં થાય છે:

• અણધાર્યા ચાર્જ નહીં. રેન્ડર એ મોંઘું પગલું છે, અને કાર્ડ પહેલાં આવે છે — એટલે ખોટી સમજાયેલી વિનંતીની કિંમત એક નજર છે, આખું જનરેશન નહીં.
• રેન્ડર પહેલાં જ ભટકાવ પકડાય છે. જો તમે જાપાનીઝમાં કોઈ ખાસ પ્રકારના પ્રકાશ માટે પૂછ્યું હોય અને અંગ્રેજી પ્રોમ્પ્ટ સહેજ જુદો નીકળ્યો હોય, તો તમે તે લખાણમાં જુઓ છો, ત્રીસ સેકન્ડ પછી ચિત્રમાં નહીં.
• પ્રોમ્પ્ટ શીખવે છે. Shannon "વાયોલિનવાદકનું મૂડભર્યું પોર્ટ્રેટ" ને કેમેરા, લેન્સ, પ્રકાશ અને સ્થળ સાથે આખા ફકરામાં કેવી રીતે વિસ્તારે છે તે વાંચવું એ ઇમેજ મોડેલ શેનો પ્રતિસાદ આપે છે તે શીખવાનો સૌથી ઝડપી રસ્તો છે.
• અસ્પષ્ટતાનો લાભ તમને મળે છે. જ્યાં ફિલ્ટર કરેલી પ્રોડક્ટ સાવચેત અનુમાન કરે છે અને ઘણી વાર નકારે છે, ત્યાં Shannon પોતાનું શ્રેષ્ઠ અર્થઘટન લખે છે અને તમને સુધારવા દે છે.

એક ઉદાહરણ. તમે પોર્ટુગીઝમાં લખો છો, લગભગ આવું: "જૂના થિયેટરમાં મારા બેન્ડના શો માટે પોસ્ટર બનાવો, ખરબચડું, થોડું 70ના દાયકા જેવું." Shannon ઇમેજ વિનંતી ઓળખે છે, તમે પોસ્ટર કહ્યું એટલે tall પસંદ કરે છે, અને લખે છે:

A four-piece rock band standing in the lobby of a decaying 1920s theater,
lit by a single bare bulb overhead, three of them facing camera and one
turned away. Shot on expired Kodak Portra 400, 35mm, heavy grain and
slight color shift toward magenta. Peeling gilt plasterwork and torn red
velvet drapes behind them, dust visible in the light. Shallow depth of
field, harsh top light, deep shadows under the eyes.

એ કાર્ડ પર જ તમને ધ્યાનમાં આવે છે કે તમને ચાર નહીં, પાંચ બેન્ડ સભ્યો જોઈતા હતા. તમે એમ કહો છો, કાર્ડ અપડેટ થાય છે, અને ત્યાર પછી જ કંઈ રેન્ડર થાય છે. ફિલ્ટર કરેલી પ્રોડક્ટમાં તમે પહેલાં ખોટી ઇમેજના પૈસા ચૂકવ્યા હોત.

04Shannon ક્યારેય વગર માગ્યે ઇમેજ બનાવતું નથી

ઊલટી નિષ્ફળતા પણ એટલી જ મહત્ત્વની છે. ઇમેજ બનાવવા ઉત્સુક પ્રોડક્ટ થકવી નાખે છે: તમે સ્ક્રીનશોટ વિશે પૂછવા ચોંટાડો અને સામે "સુધારેલી" આવૃત્તિ મળે; તમે અલંકાર તરીકે "કલ્પના કરો" કહો અને ચિત્ર મળે. Shannon આવું કરતું નથી.

• અભિવાદન એ વિનંતી નથી. નમસ્તે કહેવાથી જવાબ મળે છે, રેન્ડર નહીં.
• પ્રશ્ન એ વિનંતી નથી. સારું આલ્બમ કવર શેનાથી બને છે એ પૂછવાથી આલ્બમ કવર વિશે જવાબ મળે છે.
• અમસ્તો જોડેલો ફોટો એ વિનંતી નથી. ચર્ચા કરવા વાતચીતમાં ઇમેજ મૂકવાથી એડિટ શરૂ થતું નથી.
• ઇમેજ વિશે વાત કરવી એટલે ઇમેજ માગવી નહીં. ચિત્ર, ફોટોગ્રાફરની ટેકનિક કે ડિઝાઇન બ્રીફની ચર્ચા વાતચીત જ રહે છે.

અને તેનું અનુસંધાન, જે રોજિંદા કામમાં લોકોને સૌથી ઉપયોગી લાગે છે: Shannon ને ઇમેજ જોવાનું કહેવું એ સામાન્ય વિઝન કામ છે, જનરેશન નહીં. આ ફોટોનું વર્ણન કરો, આ સ્ક્રીનશોટમાંનું લખાણ વાંચો, આ લેઆઉટમાં શું ખોટું છે તે કહો, આ હસ્તલિખિત નોંધ ઉતારો, આ છોડ ઓળખો — એ બધું વાંચવાનું છે, બનાવવાનું નહીં. તેમાં કોઈ પુષ્ટિકરણ કાર્ડ આવતું નથી અને સામાન્ય વાતચીત ઉપરાંત કશો વધારાનો ખર્ચ થતો નથી. જનરેશન એ અલગ, ઇરાદાપૂર્વકનું કૃત્ય છે જેની આગળ દેખાતો દરવાજો છે, અને બાકીનું બધું માત્ર વાત છે.

05એસ્પેક્ટ રેશિયો: પાંચ આકાર, અને તમારો જીતે છે

ફ્રેમિંગ એ સજાવટ નથી. તે રચના બદલે છે, મોડેલ વિગત કેવી રીતે વહેંચે છે તે બદલે છે, અને પરિણામ તમે જ્યાં મૂકવા માગો છો ત્યાં બંધબેસે છે કે નહીં તે નક્કી કરે છે. Shannon પાંચ રેશિયો આપે છે, તમારા વર્ણનમાંથી સમજદાર રેશિયોનું અનુમાન કરે છે, અને તમે પસંદગી જણાવો તે ક્ષણે તમારી વાત માને છે.

રેશિયો	શેના માટે વાપરવો	નોંધ
square	સામાન્ય ઉપયોગ, પ્રોડક્ટ શોટ, આઇકન, સોશિયલ પોસ્ટ, એકલ વસ્તુઓ.	ડિફોલ્ટ. વિનંતીમાં કોઈ આકારનો સંકેત ન હોય ત્યારે પસંદ થાય છે.
portrait	લોકો, એકલ આકૃતિ, ઊંચા વિષયો, પુસ્તકનાં કવર, પાત્ર-કળા.	ઊભી આકૃતિને માથું કે પગ કપાયા વગર જગ્યા આપે છે.
landscape	દૃશ્યો, અંદરની જગ્યાઓ, લોકોનાં જૂથ, સ્થાપક શોટ.	ઊંચાઈ કરતાં પહોળી હોય એવી કોઈપણ વસ્તુ માટે કુદરતી આકાર.
wide	સિનેમેટિક ફ્રેમિંગ, બેનર, હેડર, પેનોરમિક દૃશ્યો.	landscape કરતાં પહોળું. મોડેલને ફિલ્મી રચના તરફ ધકેલે છે.
tall	પોસ્ટર, ફોન વોલપેપર, ઊભા લેઆઉટ, કાર્યક્રમનાં ફ્લાયર.	portrait કરતાં ઊંચું. પોસ્ટરનું લખાણ સામાન્ય રીતે જ્યાં બેસે ત્યાં જગ્યા છોડે છે.

બે વ્યવહારુ નોંધ. તમારી સ્પષ્ટ વિનંતી હંમેશાં જીતે છે — wide કહો તો wide જ મળે, ભલે એકલી ઊભી આકૃતિ હોય. અને રેશિયો કન્ટેન્ટ સાથે આંતરક્રિયા કરે છે: પહોળી ફ્રેમ મોડેલને બાજુઓ ભરવા આમંત્રે છે, એટલે એક વ્યક્તિનું wide પોર્ટ્રેટ સામાન્ય રીતે તેની આસપાસ વાતાવરણ ઉગાડે છે; જો તમને પહોળી ફ્રેમમાં ચુસ્ત ચહેરો જોઈતો હોય, તો કહી દો ("ચુસ્ત માથું-અને-ખભાનું ફ્રેમિંગ, પાછળનું દૃશ્ય દૂર ધકેલાયેલું"). એડિટિંગ ઇરાદાપૂર્વક જુદી રીતે વર્તે છે — એડિટ આપોઆપ મૂળ ઇમેજનો એસ્પેક્ટ રેશિયો જાળવે છે, કારણ કે તમે જે ઇમેજ બદલવાનું કહ્યું હોય તેનો આકાર જ બદલી નાખવો લગભગ ક્યારેય તમારો ઇરાદો હોતો નથી. ઇમેજ જોડતી વખતે તમે નવો કેનવાસ પસંદ કરી શકો છો, કારણ કે આઉટપુટ ખરેખર નવી રચના છે.

06તમે ખરેખર શું બનાવી શકો છો

ત્રણ ક્રિયાઓ. તેમની વચ્ચેની સીમા વિશે ચોકસાઈ રાખવી જરૂરી છે, કારણ કે ખોટી ક્રિયા પસંદ કરવી એ નિરાશાજનક પરિણામનું સૌથી સામાન્ય કારણ છે.

નવી ઇમેજ બનાવો

લખાણ અંદર, ઇમેજ બહાર. તમે કળા, ચિત્રકામ કે એનિમે ન માગો ત્યાં સુધી ફોટોરિયલિઝમ ડિફોલ્ટ છે — એટલે તમને પેઇન્ટિંગ જોઈતું હોય તો પેઇન્ટિંગ કહો. Shannon પર ટેક્સ્ટ-ટુ-ઇમેજ નેગેટિવ પ્રોમ્પ્ટ લેતું નથી: માત્ર તમને જે જોઈએ છે તેનું વર્ણન કરો. "કોઈ કાર નહીં, કોઈ લોકો નહીં" લખવાથી સામાન્ય રીતે તમે જે બાકાત રાખ્યું તે જ હાજર થાય છે, કારણ કે મોડેલ સંજ્ઞા વાંચે છે, નકાર નહીં.

એક હયાત ઇમેજ એડિટ કરો

બરાબર એક સ્રોત ઇમેજ — વાતચીતમાં પહેલેથી હોય, અથવા હાલના સંદેશા સાથે જોડેલી — અને સાથે એવી સૂચના જે કહે કે શું બદલાય છે અને શું રહે છે. જે ભાગ બદલાવાના નથી તેમનું નામ લેવું એ સિસ્ટમમાં ગુણવત્તાનું સૌથી મોટું લિવર છે: "પૃષ્ઠભૂમિ બદલીને નિયોન પ્રતિબિંબવાળી વરસાદી રાતની શહેરી શેરી કરો, સ્ત્રીને બરાબર જેમ છે તેમ જ રાખો" વિષયને એવી રીતે પકડી રાખે છે જે "પૃષ્ઠભૂમિ બદલો" કરી શકતું નથી. એડિટિંગ નેગેટિવ પ્રોમ્પ્ટને ટેકો આપે છે, એટલે અનિચ્છનીય ખામીઓ સૂચનામાં નહીં પણ ત્યાં મૂકવી.

બે કે વધુ ઇમેજ જોડો

જ્યારે પણ ઘટકો એકથી વધુ ચિત્રમાંથી આવતા હોય: પોશાકનું સ્થાનાંતર, વસ્તુ X ને દૃશ્ય Y માં મૂકવી, વ્યક્તિ A ને વ્યક્તિ B ની બાજુમાં, પ્રોડક્ટ-ઓન-પર્સન, અથવા એક ઇમેજની શૈલી સાથે બીજીનો વિષય. પ્રોમ્પ્ટે દરેક ઇમેજની ભૂમિકા ક્રમમાં જણાવવી જોઈએ — પહેલી ઇમેજ મુખ્ય વિષય કે દૃશ્ય છે, પછીની ઇમેજ લાવવાના ભાગો પૂરા પાડે છે. મલ્ટિ-ઇમેજ કામને એક સ્રોત વત્તા બીજાના લખાણ-વર્ણનમાં સંકોચી ન નાખો; સાચી બીજી ઇમેજ વાપરવાથી જ તેનો ખરો દેખાવ જળવાય છે, અને વર્ણવવાને બદલે જોડવાનું આખું કારણ એ જ છે.

એવા વિષયો જે બીજાં સાધનો નકારે છે

નક્કર રીતે, અને ઉપરની શ્રેણીઓમાંથી લઈને, અહીં કોઈ દલીલ વગર ચાલતું કામ આ પ્રકારનું છે:

• ચિત્રકામ, શિલ્પ સંદર્ભ અને લલિતકળાના અભ્યાસ માટે ફિગર સ્ટડી અને આર્ટ ન્યૂડ.
• મેડિકલ અને એનાટોમિકલ ઇલસ્ટ્રેશન — સર્જિકલ દૃશ્યો, ત્વચારોગનાં નિદર્શન, દર્દી-શિક્ષણનાં ચિત્રો — અને રિપોર્ટ, પ્રદર્શન તથા તપાસકર્તાની તાલીમ માટે ફોરેન્સિક પુનર્નિર્માણ.
• સિક્યુરિટી-રિસર્ચ દૃશ્યો: નકલી ઇન્ટરફેસ, સોશિયલ-એન્જિનિયરિંગનાં દૃશ્યો, ફિશિંગ-જાગૃતિની તાલીમ સામગ્રી.
• કાલ્પનિક કથામાં હિંસા અને ઈજા: નવલકથાનાં કવર, ગ્રાફિક-નોવેલનાં પેનલ, સ્ટોરીબોર્ડ, ગેમ કન્સેપ્ટ આર્ટ, ઐતિહાસિક યુદ્ધદૃશ્યો, હોરર અને બોડી હોરર.
• જાહેર વ્યક્તિઓને સાંકળતું રાજકીય વ્યંગ અને સંપાદકીય કાર્ટૂનિંગ.
• જેની પાસે હક છે તે પક્ષ દ્વારા બ્રાન્ડ, પેકેજિંગ અને ચહેરાનું કામ.

એ યાદી પ્રોડક્ટ શું રોકતું નથી તે વર્ણવે છે. તે કાયદો કે જવાબદાર ઉપયોગ નીતિ અવગણવાની પરવાનગી નથી; વિભાગ 09 સ્પષ્ટ કહે છે કે રેખાઓ ક્યાં છે.

07ઇમેજ મોડેલ સમજે એવો પ્રોમ્પ્ટ કેવી રીતે લખવો

Shannon તમારા માટે પ્રોમ્પ્ટ લખે છે, એટલે તમારે આ શીખવું પડે એવું નથી — પણ કાર્ડ સંપાદનયોગ્ય છે, અને ઇમેજ મોડેલ કેવી રીતે વાંચે છે તે જાણવાથી તમે ચોકસાઈથી દોરી શકો છો. ટૂંકી આવૃત્તિ; આખી ચર્ચા પ્રોમ્પ્ટ માર્ગદર્શિકામાં છે:

• ટૅગ નહીં, ગદ્ય લખો. ઇમેજ મોડેલ પ્રોમ્પ્ટને એ રીતે વાંચે છે જેમ ભાષા મોડેલ લખાણ વાંચે છે. પૂરાં વાક્યો અલ્પવિરામથી છૂટા પડેલા કીવર્ડ કરતાં ચડિયાતાં છે. "A woman in her 30s at a rain-soaked Tokyo crosswalk at night" એ "woman, 30s, Tokyo, rain, night" કરતાં સારું પરિણામ આપે છે.
• 30–80 શબ્દોનું લક્ષ્ય રાખો, અને 100 થી બહુ આગળ ક્યારેય નહીં. તેની પછી પાછળનાં ઉપવાક્યોનો પ્રભાવ ઘટવા માંડે છે.
• મોડેલ જે ક્રમે વાંચે તે ક્રમે ગોઠવો: વિષય → ક્રિયા કે મુદ્રા → શૈલી અને મિજાજ → સ્થળ અને પ્રકાશ → ટેકનિકલ વિગત જેમ કે ફ્રેમિંગ, ડેપ્થ ઓફ ફીલ્ડ અને રંગ. સૌથી મહત્ત્વની વસ્તુ પહેલી.
• વિષયને નક્કર બનાવો. "A man in his 40s with a salt-and-pepper beard" એ વિષય છે. "A person" એ ખાલી જગ્યા છે જેને મોડેલ સરેરાશથી ભરી દે છે.
• ફોટોગ્રાફ માટે, તેને ફોટોગ્રાફ તરીકે લખો. સાચા કેમેરા, લેન્સ, અને ફિલ્મ કે પ્રકાશનું નામ આપો — "shot on Kodak Portra 400, 85mm f/1.4, soft window light" — અને પાયાની વિગત ઉમેરો: ત્વચાનાં છિદ્રો, કાપડની વણાટ, કુદરતી અપૂર્ણતાઓ. સ્તરવાળાં દૃશ્યો માટે અગ્રભૂમિ, મધ્યભૂમિ અને પૃષ્ઠભૂમિનું અલગ ઉપવાક્યોમાં વર્ણન કરો, અને ચોક્કસ રંગોને હેક્સ મૂલ્ય સાથે વસ્તુ પર બાંધો: "a jacket, color #8B0000".
• SDXL-યુગનો કચરો છોડી દો. "masterpiece, best quality, 8k" અહીં કશું કરતું નથી, અને (word:1.3) જેવું વેઇટ સિન્ટેક્સ પાર્સ થતું નથી. વિરોધાભાસી દિશાઓ ક્યારેય ભેળવશો નહીં — એક જ પ્રોમ્પ્ટમાં "photorealistic" અને "watercolor" હોય તો બેમાંથી એકેય મળતું નથી.

વ્યવહારમાં: elderly fisherman, portrait, weathered face, harbor, morning, photorealistic, masterpiece, best quality, 8k ને બદલે, મોડેલ ખરેખર જે રીતે વાંચે છે તે રીતે લખો:

An elderly fisherman in his 70s with a deeply weathered face and white
stubble, mending a net across his knees, looking down at his hands. Quiet,
unposed documentary mood. A small working harbor at first light, wooden
hulls and coiled rope behind him, mist over the water. Shot on Kodak Portra
400, 85mm f/1.4, soft overcast light, shallow depth of field, visible skin
texture and pores.

એ માત્ર લંબાઈ ખાતર લાંબું નથી. દરેક ઉપવાક્ય એવો નિર્ણય બદલે છે જે મોડેલ નહીંતર આડેધડ લેત, અને તેની જગ્યાએ તમે ઇરાદાપૂર્વક લીધેલો નિર્ણય મૂકે છે.

08આ ક્યાં છે: ચેટ એપમાં, API પર નહીં — અને વીડિયો નથી

અહીં બે વાત એવી છે જે તમે સાઇન અપ કરો તે પછી નહીં, પહેલાં કહી દેવાનું અમે પસંદ કરીએ છીએ.

ઇમેજ કામ ચેટ એપમાં છે

જનરેશન, એડિટિંગ અને મલ્ટિ-ઇમેજ કમ્પોઝિશન બધું Shannon ચેટ એપમાં થાય છે. તે /v1 API પર ઉપલબ્ધ નથી. Shannon નું API — /v1/chat/completions, /v1/messages અને /v1/responses, બધાં સ્ટ્રીમિંગ, બધાંનું દસ્તાવેજીકરણ shannon-ai.com/docs/api પર — ટેક્સ્ટ અને વિઝન આપે છે. વિઝન એટલે મોડેલ તમે મોકલેલી ઇમેજ વાંચે છે: વર્ણન કરવું, વિશ્લેષણ કરવું, ઉતારો કરવો, ચાર્ટ કે સ્ક્રીનશોટ વિશે તર્ક કરવો. તેનો અર્થ ઇમેજ બનાવવી નથી. જો તમે "અનસેન્સર્ડ ઇમેજ જનરેશન API" શોધતાં આ પાનું મળ્યું હોય, તો પ્રામાણિક જવાબ એ છે, અને તમે ઇન્ટિગ્રેશન કર્યા પછી શોધી કાઢો તેના કરતાં અમે અત્યારે સ્પષ્ટ કહી દેવાનું પસંદ કરીએ છીએ. API જેમાં સારું છે તે એ જ સમસ્યાનો બીજો અડધો ભાગ છે: અનસેન્સર્ડ ટેક્સ્ટ અને વિઝન, કોઈ ઇનકાર સ્તર નહીં, ત્રણ API બોલી, અમારા પોતાના GPU ક્લસ્ટર પર. સંશોધન અનુક્રમણિકામાં દરેક મોડેલ માટે મોડેલ કાર્ડ છે.

અમે આ ખુલ્લેઆમ કહીએ છીએ કારણ કે "અનસેન્સર્ડ ઇમેજ જનરેટર" અને "અનસેન્સર્ડ વીડિયો જનરેટર" સર્ચ પરિણામોમાં પાસે પાસે બેસે છે, અને ગેરહાજર સુવિધા વિશે અસ્પષ્ટ રહેતું પાનું આશા રાખે છે કે તમે નોંધો તે પહેલાં સાઇન અપ કરી લો. ઇમેજ અમારા પોતાના GPU ક્લસ્ટર પર રેન્ડર થાય છે. વીડિયો ક્યાંય રેન્ડર થતો નથી, કારણ કે અમે એ કરતા નથી.

09જવાબદાર ઉપયોગ, સ્પષ્ટ શબ્દોમાં

Shannon Lab LLC એ ન્યૂ મેક્સિકોની કંપની છે જે યુનાઇટેડ સ્ટેટ્સના કાયદા હેઠળ કામ કરે છે. સ્વયંસંચાલિત ફિલ્ટર દૂર કરવાથી ન કાયદો દૂર થાય છે, ન અમારી નીતિ. તે જે કરે છે તે એ છે કે નિર્ણય એવા ક્લાસિફાયર પાસેથી, જે સંદર્ભ જોઈ શકતું નથી, એવા વ્યાવસાયિક પાસે ખસેડે છે જે જોઈ શકે છે — અને જે પરિણામ માટે જવાબદાર છે.

સગીરોને સાંકળતું જાતીય કન્ટેન્ટ સંપૂર્ણપણે પ્રતિબંધિત છે અને કોઈપણ ધોરણે એ ધૂંધળો વિસ્તાર નથી. એ જ રીતે કોઈ સાચી વ્યક્તિને હેરાન કરવા, બદનામ કરવા, છેતરવા કે તેનો ઢોંગ કરવા બનાવેલું કન્ટેન્ટ — જેમાં કોઈ સાચી, ઓળખી શકાય તેવી વ્યક્તિની સંમતિ વગર બનાવેલી જાતીય ઇમેજ પણ આવે — અને છેતરવા માટે બીજા પક્ષની બ્રાન્ડ કે ચહેરાનો ઉપયોગ. આ એવી ફિલ્ટર શ્રેણીઓ નથી જે અમસ્તી બંધ કરી દેવાઈ છે; આ પ્રોડક્ટના પ્રતિબંધિત ઉપયોગો છે, જે કીવર્ડ સામે નહીં પણ ખાતાં સામે લાગુ કરાય છે, કારણ કે ઇરાદો ખરેખર એ સ્તરે જ દેખાય છે. પૂરી શરતો જવાબદાર ઉપયોગ નીતિમાં છે. સોદો સીધો છે: એવું સાધન જે તમારા વ્યવસાય પર શંકા કરતું નથી, તેના બદલામાં તમે એ વ્યાવસાયિક બનો જેવા તે તમને માની લે છે.

10વારંવાર પુછાતા પ્રશ્નો

11આ શ્રેણીનો બાકીનો ભાગ

ચાર સાથી લેખો એ ભાગોમાં ઊંડે ઊતરે છે જેમાં તમે ખરેખર સમય વિતાવશો:

• અનસેન્સર્ડ AI ઇમેજ એડિટિંગ — સૂચના પ્રોમ્પ્ટ, શું રહે તેનું એન્કરિંગ, નેગેટિવ પ્રોમ્પ્ટ, વારસામાં મળતો એસ્પેક્ટ રેશિયો.
• અનસેન્સર્ડ મલ્ટિ-ઇમેજ કમ્પોઝિશન — ભૂમિકાનો ક્રમ, પોશાક-સ્થાનાંતર, પ્રોડક્ટ-ઓન-પર્સન, વિષય-ઇન-સીન.
• અનસેન્સર્ડ ઇમેજ પ્રોમ્પ્ટ માર્ગદર્શિકા — ટૅગ કરતાં ગદ્ય, વિષય-પ્રથમ ક્રમ, કેમેરા અને ફિલ્મની ભાષા, હેક્સ રંગ, નિષ્ક્રિય ટોકન.
• અનસેન્સર્ડ vs. ફિલ્ટર કરેલું ઇમેજ AI — એ જ વિનંતીઓ બંને ડિઝાઇનમાંથી, શ્રેણી-દર-શ્રેણી.

પ્લેટફોર્મની ટેક્સ્ટ અને વિઝન બાજુ માટે — API પાછળનાં અનસેન્સર્ડ મોડેલ — સંશોધન અનુક્રમણિકાથી શરૂ કરો.

---

Shannon Lab LLC, ન્યૂ મેક્સિકો, USA. ઇમેજ જનરેશન, એડિટિંગ અને મલ્ટિ-ઇમેજ કમ્પોઝિશન એ Shannon ચેટ એપની સુવિધાઓ છે અને /v1 API પર ઉપલબ્ધ નથી, જે ટેક્સ્ટ અને વિઝન આપે છે. વીડિયો જનરેશન નથી. અહીં વર્ણવેલા એસ્પેક્ટ રેશિયો, પુષ્ટિકરણ પ્રવાહ અને ક્રિયાઓ 5 સપ્ટેમ્બર, 2026 સુધીની પ્રોડક્ટને પ્રતિબિંબિત કરે છે.