असेन्सॉर्ड AI इमेज एडिटर
एक वाक्य लिहून एक विद्यमान प्रतिमा बदला, तिची शैली बदला, प्रकाश बदला, कपडे बदला किंवा दुरुस्त करा. मास्क नाही, फिल्टर नाही, नकार नाही — आणि इतर सगळ्या तंत्रांपेक्षा एकत्रितपणे जास्त महत्त्वाचे असे एक तंत्र.
थोडक्यात
Shannon साध्या भाषेतील सूचनेवरून नेमकी एक विद्यमान प्रतिमा एडिट करते — ब्रश नाही, मास्क नाही, निवड नाही. त्या सूचनेत काय बदलते आणि काय तसेच राहते हे दोन्ही सांगावे लागते, कारण मॉडेल संपूर्ण फ्रेम पुन्हा तयार करते: जे काही तुम्ही अपरिवर्तित म्हणून नाव घेऊन सांगत नाही ते भरकटायला मोकळे असते. अपरिवर्तित भागांना नाव देणे — “चेहरा, पवित्रा आणि कपडे जसेच्या तसे ठेवा” — हाच तुमच्या हातातला गुणवत्तेचा सर्वात मोठा लीव्हर आहे. एडिटिंग मार्ग निगेटिव्ह प्रॉम्प्ट स्वीकारतो (टेक्स्ट-टू-इमेज स्वीकारत नाही); सूचनेत “X नको” लिहिण्याऐवजी नको असलेले दोष तिथे टाका. आउटपुटला स्रोताचा आस्पेक्ट रेशो आपोआप मिळतो. व्हिडिओ जनरेशन नाही आणि प्रतिमेला अ‍ॅनिमेट करण्याचा कोणताही मार्ग नाही. एडिटिंग चॅट अ‍ॅपमध्ये आमच्या स्वतःच्या GPU क्लस्टरवर चालते, कंटेंट फिल्टरशिवाय आणि नकार स्तराशिवाय.
असेन्सॉर्ड AI इमेज एडिटर शोधणाऱ्या बहुतेकांकडे एक प्रतिमा आणि एक अडचण असते: पार्श्वभूमी चुकीची आहे, प्रकाश सपाट आहे, जॅकेटचा रंग चुकीचा आहे, फ्रेममध्ये एक अनोळखी माणूस उभा आहे, स्कॅनमध्ये घडी पडली आहे — किंवा एडिट पूर्णपणे वैध आहे आणि त्यांचे सध्याचे साधन तिला हातही लावायला नकार देते. हा लेख ते काम चांगले कसे करायचे याविषयी आहे: कोणत्या एडिटरमध्ये सर्वात जास्त स्लायडर आहेत याविषयी नाही, तर जी एक सवय यशस्वी एडिट आणि तुमच्या नकळत तुमच्या विषयाचा चेहरा गुपचूप पुन्हा बांधणारी एडिट यांच्यात फरक करते तिच्याविषयी.
01सूचनेवर आधारित एडिटिंग म्हणजे प्रत्यक्षात काय
पारंपरिक AI एडिटिंग कठीण भाग तुमच्याकडूनच करवून घेते: कॅनव्हास उघडा, बदलायच्या भागावर मास्क रंगवा, त्यात काय असावे याचे वर्णन करणारे वाक्य टाइप करा. अचूक, संथ, आणि तुमच्या बदलाला स्वच्छ सीमारेषा नसेल त्या क्षणी निरुपयोगी — प्रकाशातील बदल, आकृतिबंध बदलणारा पोशाखाचा बदल, संपूर्ण चित्रावरील रंगछटा.
Shannon याच्या उलट काम करते. तुम्ही काहीही निवडत नाही. तुम्ही प्रतिमेविषयी कोणत्याही भाषेत एक वाक्य लिहिता, आणि तुमच्या शब्दांवरून भाग ओळखला जातो. यामुळे निवडीच्या कामाऐवजी निकाल हवा असणाऱ्या कोणासाठीही तो एक व्यावहारिक असेन्सॉर्ड इनपेंटिंग पर्याय ठरतो — पण त्याचा एक यांत्रिक परिणाम आधी समजून घ्यावा लागतो:
एडिट म्हणजे तुमच्या स्रोत प्रतिमेवर आधारित संपूर्ण फ्रेमचे पुन्हा रेंडरिंग — तिच्या एका भागावर लावलेले ठिगळ नव्हे. इमेज मॉडेल तुमची मूळ प्रतिमा वाचते, तुमची सूचना वाचते, आणि मूळ प्रतिमा अधिक तो बदल अशी नवी प्रतिमा तयार करते. यांत्रिकरीत्या काहीही गोठवलेले नसते. प्रत्येक एडिटमध्ये प्रत्येक पिक्सेल पुन्हा वाटाघाटीसाठी खुला असतो.
म्हणूनच “पावसात भिजलेला टोकियोचा रस्ता” — मास्क वापरणाऱ्या साधनात निर्दोष — इथे त्यात उभी असलेली किंचित वेगळी व्यक्ती घेऊन परत येते. मास्क वापरणाऱ्या साधनात ती व्यक्ती वर्ज्य आहे हे मास्कने सांगितले होते; इथे ते तुमच्या वाक्यानेच सांगावे लागते. याची जमेची बाजू: मास्क जे करू शकत नाहीत ते सूचनेवर आधारित एडिटिंग करते — सूर्य हलवा आणि सावल्याही त्याच्याशी जुळतील, कपडा बदला आणि तो विद्यमान पवित्र्यावर घड्या पडेल, छायाचित्राला शाई-आणि-सपाट-रंगाच्या शैलीत बदला पण रचना तशीच राहील. या एडिटना रंगवण्यासाठी सीमाच नसते; त्या संपूर्ण फ्रेमभर पसरलेली नाती असतात.
02अँकरिंग: गुणवत्तेचा सर्वात मोठा एकमेव लीव्हर
अँकरिंग म्हणजे प्रत्येक एडिट सूचना दोन वाक्यरचनांमध्ये लिहिणे: बदलाची वाक्यरचना (काय वेगळे असावे, होकारार्थी आणि ठोसपणे सांगितलेले) आणि ठेव-वाक्यरचना (जे भाग अस्पर्श राहायलाच हवेत, ठोस नामांनी नाव घेतलेले). दोन्ही भार पेलणारे आहेत — एकटी बदलाची वाक्यरचना म्हणजे नुसती इच्छा. या पानावरून एकच गोष्ट घ्यायची असेल तर ती ही: तुमचा निकाल तुम्ही काय तसेच राहते हे किती स्पष्टपणे नाव घेऊन सांगता यावर ठरतो, काय बदलते याचे किती रसरशीत वर्णन करता यावर नाही.
अँकर नसलेल्या सूचना भरकटण्याचे तीन मार्ग
- ओळख भरकटणे. चेहरा जवळपास बरोबर परत येतो — नाक थोडे वेगळे, जबड्याची रेषा गुपचूप सुंदर केलेली. सर्वात नुकसानकारक अपयश, कारण फोनवर ते दिसणे कठीण आणि त्या व्यक्तीला ओळखणाऱ्या कोणालाही लगेच जाणवते.
- अनुषंगिक शैलीबदल. तुम्ही नवी पार्श्वभूमी मागितली; सोबत नवी रंगछटा, नवी लेन्स आणि पूर्वी रिबिंग असलेला स्वेटर वेगळाच मिळाला. मॉडेलने ती सूचना स्रोतापासूनचा फरक न मानता संपूर्ण लक्ष्य प्रतिमेचे वर्णन मानले.
- विशेषणांमुळे व्याप्ती वाढणे. “अधिक नाट्यमय,” “अधिक स्वच्छ,” “अधिक व्यावसायिक” यात कोणत्याही वस्तूचे नावच नाही. नाम नसलेले विशेषण सगळ्यालाच लागू होते, त्यामुळे सगळेच हलते.
अँकरची शब्दसंपदा
अँकर ठोस नामांच्या रूपात काम करतात. “तसेच ठेवा” हे कमकुवत आहे — कोणते सारखेपण तुम्हाला महत्त्वाचे आहे हे मॉडेलला कळू शकत नाही. तुमच्या एडिटसाठी महत्त्वाच्या तीन ते पाच गोष्टी निवडा आणि त्यांचे नाव थेट सांगा.
| तुम्ही काय बदलत आहात | स्पष्टपणे नाव घेण्याजोगे अँकर |
|---|---|
| पार्श्वभूमी / परिसर | चेहरा आणि चेहऱ्याची वैशिष्ट्ये, केशरचना, पवित्रा, हात, कपडे, कॅमेरा कोन, क्रॉप, विषयावरील प्रकाश |
| प्रकाश / वातावरण | चेहरा, हावभाव, त्वचेचा पोत, पवित्रा, कपडे, पार्श्वभूमीतील आशय, फ्रेमिंग |
| कपडे / पोशाख | चेहरा, दाढी किंवा केस, पवित्रा, हात, शरीराचे प्रमाण, पार्श्वभूमी, प्रकाशाची दिशा, रंगछटा |
| शैली / माध्यम | रचना, पवित्रा, केसांची लांबी, पोशाखाचे आकार, विषयांची संख्या, क्रॉप |
| वस्तू काढणे / दुरुस्ती | फ्रेममधले बाकी सर्व काही — विषय, आजूबाजूची वास्तुरचना, ग्रेन, स्वरछटा, कॉन्ट्रास्ट, रंग |
| एका गोष्टीचा रंग | प्रतिमेतील इतर प्रत्येक रंग, तसेच बदललेल्या वस्तूचा पोत आणि साहित्य |
शेवटची ओळ लक्षात घ्या. रंग बदलणे गुपचूप चुकते, कारण “जॅकेट लाल कर” हे जॅकेट सुरुवातीपासून नव्याने बांधण्याचे आमंत्रण देते — नवा कट, नवे साहित्य, नव्या घड्या. अँकर केलेले: “विद्यमान जॅकेटचा रंग गडद किरमिजी करा, त्याचा नेमका कट, शिवण, कापडाचा पोत आणि तो अंगावर पडण्याची पद्धत तशीच ठेवून.” फरक एका वाक्यरचनेचा, निकाल कितीतरी चांगला.
03प्रत्यक्ष उदाहरणे: कमकुवत सूचना, ती का भरकटते, अँकर केलेले पुनर्लेखन
खालील प्रत्येक जोडी हा एकच हेतू दोनदा लिहिलेला आहे. मधले निदान हाच इतरत्र वापरता येणारा भाग आहे.
A. पार्श्वभूमी बदलणे
ती का भरकटते: हे अंतिम प्रतिमेचे वर्णन आहे, फरकाचे नाही. त्या स्त्रीबद्दल काहीही संरक्षित नाही आणि कॅमेरा स्थिर ठेवणारे काहीही नाही, त्यामुळे विश्वासार्ह दृश्य उभे करताना मॉडेल तिलाही नव्याने फ्रेम करते आणि पुन्हा रेंडर करते.
काय बदलले: ठेव-वाक्यरचना ओळख, पोशाख आणि फ्रेमिंग पक्के करते, आणि शेवटचा भाग सांधा कोणत्या बाजूने जुळेल हे सांगतो — पार्श्वभूमी विषयाच्या प्रकाशाशी वाकते, उलट नाही.
B. प्रकाश पुन्हा लावणे
ती का भरकटते: “चांगला” हे नाम नसलेले विशेषण आहे. मॉडेलला त्याची व्याख्या स्वतः शोधावी लागते, आणि पुन्हा रेंडरमध्ये चांगले दिसण्याचा सर्वात स्वस्त मार्ग म्हणजे गुळगुळीत त्वचा, अधिक पांढरे दात आणि निमुळता जबडा. तुम्ही प्रकाश मागितला आणि रिटच मिळाला.
काय बदलले: प्रकाशाचे वर्णन भौतिक स्वरूपात केले आहे — दिशा, गुणवत्ता, तापमान, उतार. त्वचेचा पोत स्पष्टपणे अँकर केला आहे, कारण प्रकाश पुन्हा लावताना मॉडेलला तो गुळगुळीत करून टाकण्याचा सर्वात जास्त मोह होतो.
C. विषयाचे कपडे बदलणे
ती का भरकटते: सूट आकृतिबंध बदलतो, त्यामुळे धड पुन्हा रेंडर करावे लागते — आणि त्यावरचे डोकेही सहसा त्यासोबतच जाते. अँकर नसलेल्या पोशाख एडिट हे पार्श्वभूमी बदलानंतर ओळख भरकटण्याचे दुसऱ्या क्रमांकाचे मोठे कारण आहेत.
काय बदलले: “त्याच्या सध्याच्या पवित्र्याला शिवलेला” यामुळे कपडा पवित्र्याच्या अधीन होतो. हात वेगळे अँकर केले आहेत, कारण पोशाख एडिटमध्ये हातांमध्येच सर्वात स्पष्टपणे गडबड होते.
D. छायाचित्राची शैली बदलणे
ती का भरकटते: एकटा शैलीदर्शक शब्द सगळेच सोपवून टाकतो — रचना, क्रॉप, केस, पोशाख, माणसांची संख्या — आणि “अ‍ॅनिमे” म्हणजे तीस वर्षांच्या परस्परविरोधी परंपरा. तुम्हाला एका वेगळ्याच दृश्याचे सक्षम चित्रण मिळते.
काय बदलले: शैली एडिटना वेगळा अँकर लागतो. पोत तुम्ही अँकर करू शकत नाही — पोतच तर बदलला जात आहे — म्हणून तुम्ही रचनाबंध अँकर करता: रचना, पवित्रा, आकृतिबंध, क्रॉप, विषयांची संख्या. सेल-अ‍ॅनिमेशनखाली “छायाचित्रासारखी त्वचा” ठेवायला सांगणे हा विरोधाभास आहे.
E. काहीतरी काढून टाकणे
ती का भरकटते: नकार तरीही ती संकल्पना मॉडेलसमोर ठेवतो आणि रिकाम्या झालेल्या जागेत काय भरायचे याबद्दल काहीच सांगत नाही. काढून टाकण्यासाठी लक्ष्य आणि भरणी दोन्हीचे होकारार्थी विधान लागते.
काय बदलले: लक्ष्याचे नाव वस्तू, रंग आणि स्थानाने दिले आहे; भरणी नेमकी सांगितली आहे, त्यामुळे जिथे पदपथ हवा तिथे मॉडेल चौक उभा करत नाही; आणि “बाकी सर्व काही” प्रत्यक्ष नामांमध्ये उलगडून सांगितले आहे.
F. खराब झालेले छायाचित्र दुरुस्त करणे
ती का भरकटते: “नीट कर” हे “सुधार” असे वाचले जाते, आणि जुने छायाचित्र सुधारणे म्हणजे ते आधुनिक करणे — अधिक स्वच्छ त्वचा, अधिक कॉन्ट्रास्ट, आणि आता अगदी तुमच्या आजीचा न राहिलेला चेहरा.
काय बदलले: नुकसानाची यादी दिली आहे, त्यामुळे “नीट कर” ला निश्चित व्याप्ती मिळते, आणि ग्रेन व स्वरछटा अँकर केले आहेत कारण त्यांच्यामुळेच ती प्रत त्या काळाची वाटते. तिन्ही मनाई हे नकाराला जागा मिळण्याचे दुर्मीळ उदाहरण आहे — त्या वस्तूंविषयी नव्हे तर प्रक्रियेविषयी दिलेल्या सूचना आहेत.
चांगल्या सूचनेचा आकार
25 ते 60 शब्दांचे ध्येय ठेवा, स्वल्पविरामाने वेगळ्या केलेल्या कीवर्ड टॅगऐवजी पूर्ण वाक्यांत — इमेज मॉडेल प्रॉम्प्ट भाषा मॉडेलप्रमाणे वाचते, त्यामुळे गद्य टॅगच्या गर्दीपेक्षा सरस ठरते. SDXL-काळातील निरुपयोगी शब्द (masterpiece, best quality, 8k) आणि (word:1.3) सारखी वजन-वाक्यरचना टाळा; इथे त्यांचा काहीही उपयोग नाही. प्रत्येक सूचनेत एकच बदल करा — एका वाक्यातील दोन असंबंधित बदल लक्षासाठी भांडतात आणि दोन्ही अर्धवट परत येतात.
04निगेटिव्ह प्रॉम्प्ट — टेक्स्ट-टू-इमेजच्या उलट, इथे तो चालतो
याविषयी लोकांचा गोंधळ होतो, म्हणून स्पष्ट सांगतो:
| मार्ग | स्रोत प्रतिमा | निगेटिव्ह प्रॉम्प्ट | आस्पेक्ट रेशो | प्रॉम्प्टचे स्वरूप |
|---|---|---|---|---|
| टेक्स्ट-टू-इमेज | 0 | समर्थित नाही | निवडलेला (डीफॉल्ट चौरस) | वर्णनात्मक गद्य |
| एक प्रतिमा एडिट करणे | नेमकी 1 | समर्थित | स्रोताकडून मिळालेला | सूचना: बदल + ठेव |
| 2+ प्रतिमा एकत्र करणे | 2 किंवा अधिक | समर्थित | नवा कॅनव्हास निवडता येतो | भूमिका नाव घेतलेले गद्य |
टेक्स्ट-टू-इमेज निगेटिव्ह प्रॉम्प्ट अजिबात घेत नाही — शून्यातून तयार करताना तुम्हाला काय हवे तेवढेच वर्णन करणे हीच शिस्त आहे (पाहा असेन्सॉर्ड AI इमेज जनरेशन). एडिटिंग वेगळे आहे: तुमच्याकडे आधीच स्रोत असतो, आणि पुन्हा रेंडरिंगमधली ठरावीक अपयशे माहीत असतात व त्यांना नाव देता येते, त्यामुळे निगेटिव्ह प्रॉम्प्टकडे दाबण्यासाठी काहीतरी ठोस असते.
त्यात काय टाकावे
दोष, आणि फक्त दोष. ती दोषांची यादी आहे, दुसरी सूचना वाहिनी नाही:
- extra fingers, fused fingers, malformed hands — माणसाला पुन्हा रेंडर करणारी कोणतीही एडिट.
- warped text, garbled lettering, misspelled signage — फ्रेममध्ये पाट्या, लेबले किंवा पॅकेजिंग असलेले काहीही.
- duplicated limbs, duplicated railing, repeated windows — काढून टाकणे आणि पार्श्वभूमी वाढवणे.
- smeared texture, blurry patch, halo around the subject, visible seam — पार्श्वभूमी बदल आणि वस्तू काढणे.
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — प्रकाश पुन्हा लावणे, पोर्ट्रेट एडिट, सर्वसाधारण स्वच्छता.
त्यात काय टाकू नये
आशयाचे निर्णय. टोपी काढून टाकायची असेल, तर सूचना “टोपी काढून टाका” अशी आहे — “hat” असे लिहिलेला निगेटिव्ह प्रॉम्प्ट नव्हे. तुमच्या स्रोतात असलेल्या गोष्टी निगेटिव्ह प्रॉम्प्ट विश्वासार्हपणे काढून टाकत नाही; तो रेंडरमध्ये दोष उमटण्यापासून परावृत्त करतो. तिथे आशय टाकल्याने दोन्ही बाजूंनी तोटा होतो: टोपी तशीच राहते, आणि वेडीवाकडी हात दाबू शकणारी एक जागा वाया जाते.
या नियमाचा दुसरा अर्धा भाग तुमच्या सूचनेला लागू होतो: तिच्यात “X नको” लिहिणे थांबवा. “गाड्या नसलेला रस्ता,” “चष्मा नसलेले पोर्ट्रेट” या दोन्ही वाक्यांत नको असलेली संकल्पना ठेवली जाते आणि मॉडेलला ती नाकारायला सांगितले जाते — भाषा हे काम चांगले करते, पण प्रतिमा-कंडिशनिंग वाईट करते. त्याऐवजी काय असावे ते सांगा: “स्वच्छ डांबराचा रिकामा रस्ता,” “डोळे मोकळे दिसणारे पोर्ट्रेट.” उदाहरण F मध्ये दिसते तसा एकच अपवाद म्हणजे प्रक्रियेविषयीची सूचना — “शार्प करू नका,” “रंग बदलू नका” — जी वस्तूचे नाव घेण्याऐवजी एक क्रिया नाकारते.
कामाची वाटणी, एका ओळीत
सूचना: काय बदलते, काय तसेच राहते — होकारार्थी स्वरूपात. निगेटिव्ह प्रॉम्प्ट: रेंडर बिघडण्याचे मार्ग. दोन्ही वेगळे ठेवा आणि दोन्ही सुधारतात.
05एकच स्रोत प्रतिमा, आणि Shannon ती कशी निवडते
एडिट नेमक्या एका स्रोत प्रतिमेवर चालते: एकतर संभाषणात आधीच असलेली प्रतिमा — आधी जोडलेली, किंवा तुमच्यासाठी तयार केलेली — किंवा तुम्ही आत्ता पाठवत असलेल्या संदेशाला जोडलेली एक. धाग्याबाहेरून काहीही आणले जात नाही, आणि एडिट मार्ग कधीही गुपचूप दोन प्रतिमा एकत्र करत नाही. तुमच्या हेतूसाठी एकाहून अधिक प्रतिमांमधले घटक लागत असतील — फोटो A मधला पोशाख फोटो B मधल्या व्यक्तीवर — तर ते संयोजन आहे, ज्यात प्रत्येक प्रतिमेची भूमिका क्रमाने नाव घेऊन सांगणारे वेगळे प्रॉम्प्ट स्वरूप वापरले जाते.
पुढील विनंत्या आणि सर्वात अलीकडची संबंधित प्रतिमा
एकदा प्रतिमा संभाषणात आली की छोट्या पुढील विनंत्या तुम्ही अपेक्षा कराल तशाच चालतात. “ती अधिक गडद कर.” “आता सूर्यास्ताच्या वेळी करून बघ.” या धाग्यातील सर्वात अलीकडच्या संबंधित प्रतिमेवर लागू होतात — सहसा तुम्हाला नुकताच मिळालेला निकाल — त्यामुळे लहान सूचनांची मालिका एडिटच्या थप्पीसारखी वागते. याचे तीन परिणाम:
- एकेका पावलाने पुढे जा. प्रत्येक पुढील विनंती म्हणजे आणखी एक पूर्ण पुन्हा रेंडर, त्यामुळे “ती अधिक गडद कर आणि तिचा कोट बदल आणि कॅमेरा खाली घे” म्हणजे एकाच पासमध्ये भांडणाऱ्या तीन एडिट. तीन संदेश पाठवा; जिथे आवडेल तिथे थांबा.
- पिढी-दर-पिढी होणाऱ्या झिजेकडे लक्ष द्या. लहान विचलने साठत जातात; सलग सहाव्या एडिटपर्यंत चेहरा मूळपासून बराच दूर जाऊ शकतो, जरी एकही पाऊल चुकीचे वाटले नसले तरी. भरकट जाणवली की ठिगळे लावणे थांबवा — मूळ फाइल पुन्हा जोडा आणि तोपर्यंत तुम्हाला काय हवे होते हे सर्व एकत्र करून एकच सूचना लिहा.
- लांब धाग्यात स्पष्ट बोला. “मी आधी जोडलेल्या समुद्रकिनाऱ्याच्या फोटोवर, …” असे लिहिल्याने अनेक प्रतिमा वापरात असताना संदिग्धता संपते.
अँकर जोडण्याची तुमची शेवटची संधी म्हणजे पुष्टीकरण कार्ड
तुम्ही तुमच्या भाषेत, साध्या शब्दांत विचारता. Shannon ठरवते की प्रतिमेवरील कामाची मागणी होत आहे, अंतिम सूचना स्वतः इंग्रजीत लिहिते, आणि काहीही रेंडर होण्यापूर्वी ती तुम्हाला पुष्टीकरण कार्डवर दाखवते. तुम्ही पुष्टी करेपर्यंत काहीही तयार होत नाही आणि काहीही बिल होत नाही. ते कार्ड वाचा — काहीही खर्च होण्यापूर्वी हरवलेली ठेव-वाक्यरचना तिथेच तुमच्या लक्षात येते.
याच्याशी संबंधित दोन वर्तने: Shannon कधीही न मागता प्रतिमा तयार करत नाही — अभिवादन, प्रश्न किंवा सहज जोडलेला फोटो प्रतिमेवरील काम सुरू करत नाही. आणि Shannon ला फक्त एका प्रतिमेकडे बघायला सांगणे — तिचे वर्णन कर, तिच्यातला मजकूर वाच, रचना का जमत नाही ते सांग — हे साधे व्हिजन काम आहे, जनरेशन नाही, आणि त्याचा जास्तीचा खर्च नाही. “या फोटोत तू काय बदलशील?” हा फुकट सल्ला आहे; त्यावर कृती करणे ही एडिट आहे.
06आस्पेक्ट रेशो आपोआप स्रोताकडून मिळतो
एडिट केलेली प्रतिमा तिच्या स्रोताच्याच आस्पेक्ट रेशोत परत येते. तुम्ही तो निवडत नाही आणि निवडायची गरजही नाही: 4:5 पोर्ट्रेट 4:5 राहते, 16:9 स्थिरचित्र 16:9 राहते, विचित्र आकाराचा फोन स्क्रीनशॉट त्याचे प्रमाण टिकवतो. तुमची प्रतिमा गुपचूप पुन्हा फ्रेम करणारी एडिट ही एडिट नसेल — तो क्रॉप असेल आणि मूळ सीमांच्या बाहेर काय आहे याचा अंदाज असेल.
हा इतर दोन मार्गांपेक्षा खरा फरक आहे. टेक्स्ट-टू-इमेज तुम्हाला square (डीफॉल्ट), portrait, landscape, wide (सिनेमॅटिक) आणि tall (पोस्टर आणि वॉलपेपर) यांतून निवडायला सांगते, आणि स्पष्ट विनंती नेहमी जिंकते; संयोजनात तुम्हाला नवा कॅनव्हास निवडता येतो, कारण वारसा घ्यायला एकच स्रोत नसतो. म्हणून तुम्हाला वेगळा आकार हवा असेल तर ती एडिट नाही — 1:1 उत्पादन फोटोचे 16:9 बॅनर करणे म्हणजे कधीही छायाचित्रित न झालेले पिक्सेल शोधून काढणे. ते जाणीवपूर्वक करा, नव्या कॅनव्हासवर जनरेट करून किंवा संयोजन करून.
07व्हिडिओ जनरेशन नाही
स्पष्ट सांगतो, कारण लोक विचारतात
Shannon व्हिडिओ तयार करत नाही आणि प्रतिमांना अ‍ॅनिमेट करत नाही. इमेज-टू-व्हिडिओ मार्ग नाही, “हा फोटो हलवा” नाही, लूप नाही, सिनेमाग्राफ नाही. हे प्रिव्ह्यूमधले किंवा लवकरच येणारे वैशिष्ट्य नाही — ते उत्पादनात अस्तित्वातच नाही, आणि या पानावरचे काहीही याउलट सुचवते असे वाचले जाऊ नये.
Shannon 3 प्रतिमांसोबत नेमक्या तीनच गोष्टी करते: नवी प्रतिमा तयार करणे, एक विद्यमान प्रतिमा एडिट करणे, आणि दोन किंवा अधिक प्रतिमा एकत्र करून एक बनवणे. इथले सर्व काही यांतल्या दुसऱ्या गोष्टीच्या आत येते.
हे दोनदा सांगण्याजोगे आहे, कारण “AI इमेज एडिटर” आणि “AI व्हिडिओ जनरेटर” लोकांच्या मनात शेजारी-शेजारी आले आहेत, आणि जे साधन तुमच्या छायाचित्राचा प्रकाश आनंदाने बदलून देते ते हलवण्यापासून एका बटणाच्या अंतरावर असावे असे वाटते. तसे नाही — आणि हे तुम्हाला दहाव्या मिनिटाला नव्हे तर पहिल्याच मिनिटाला कळायला हवे.
08जनरेशनपेक्षा एडिटिंगसाठी असेन्सॉर्ड असणे अधिक महत्त्वाचे का
फिल्टर लावलेले एडिटर फिल्टर लावलेल्या जनरेटरपेक्षा वेगळ्या पद्धतीने अपयशी ठरतात, आणि सहसा अधिक वाईट पद्धतीने. फिल्टर लावलेला जनरेटर तुमचा प्रॉम्प्ट नाकारतो; तुम्ही तो पुन्हा लिहून पुन्हा प्रयत्न करता. फिल्टर लावलेले एडिटर तुमची सूचना एक शब्दही वाचण्यापूर्वी स्रोत प्रतिमाच नाकारू शकते. केस रिपोर्टसाठी जखमेचे वैद्यकीय छायाचित्र अपलोड करा आणि ते इनपुटलाच नाकारले जाते. घडी दुरुस्त करण्यासाठी युद्धाचे ऐतिहासिक छायाचित्र अपलोड करा आणि फ्रेममधली रायफल संभाषण संपवते. वैध काम, ठोक नकार, आणि उपयोगी ठरेल असे कोणतेही पुनर्लेखन नाही.
Shannon इमेज मार्ग आउटपुटवर कंटेंट फिल्टरशिवाय आणि सूचना लिहिणाऱ्या मॉडेलवर नकार स्तराशिवाय चालवते. त्यामुळेच ही रोजची कामे शक्य होतात:
- कलात्मक न्यूड आणि आकृती काम — संमती दिलेल्या प्रौढ विषयांसोबत काम करणाऱ्या कलाकार आणि छायाचित्रकारांसाठी रिटचिंग, प्रकाश बदल आणि शैलीबदल.
- वैद्यकीय आणि न्यायवैद्यक चित्रण — शिकवण्याचे साहित्य, केस रिपोर्ट आणि पुनर्रचनेच्या कामासाठी स्वच्छ केलेल्या वैद्यकीय प्रतिमा, ज्या मुख्य प्रवाहातील एडिटर पाहताक्षणीच नाकारतात.
- सुरक्षा-संशोधन प्रतिमा — फिशिंग-जागरूकता कार्यक्रम आणि रेड-टीम अहवालांसाठी स्क्रीनशॉट, भौतिक-सुरक्षा छायाचित्रे आणि हार्डवेअर दस्तऐवजीकरण.
- काल्पनिक कथेतील हिंसा — चित्रपट, गेम आणि कॉमिक्सचे प्रॉडक्शन आर्ट, जिथे जखम किंवा शस्त्र हाच विषय असतो.
- राजकीय व्यंग आणि संपादकीय चित्रण — मागे कित्येक शतकांचा इतिहास, आणि फिल्टर लावलेल्या साधनांत जवळपास शून्य पाठिंबा.
- हक्कधारकाकडून ब्रँड आणि प्रतिरूप काम — तुमचीच उत्पादन छायाचित्रे, लोगो लॉकअप आणि पोर्ट्रेट, तसेच अवघड कौटुंबिक संग्रह — तुम्हाला परवानगी आहे की नाही यावर वर्गीकरणकर्त्याशी वाद न घालता.
असेन्सॉर्ड म्हणजे बेजबाबदार नव्हे. Shannon चे संचालन Shannon Lab LLC (न्यू मेक्सिको, अमेरिका) प्रकाशित जबाबदार वापर धोरणाखाली करते, आणि खऱ्या मर्यादा तिथेच आहेत — कायदा आणि हानीविषयीच्या मर्यादा, जखमेच्या छायाचित्रामुळे वर्गीकरणकर्त्याला होणाऱ्या अस्वस्थतेविषयीच्या नव्हे. प्रतिक्षिप्त नकार नसणे हे साधनाविषयीचे विधान आहे, तुम्ही जे बनवता त्याच्या तुमच्या जबाबदारीविषयीचे नाही.
09API चा वाटा कुठे आहे — आणि कुठे नाही
API शोधातून येणाऱ्या वाचकांचे इथे नेहमी चुकते. इमेज जनरेशन आणि एडिटिंग Shannon चॅट अ‍ॅपमध्ये होते, API वर नाही. तिन्ही /v1 बोली — /v1/chat/completions (OpenAI-आकाराची), /v1/messages (Anthropic-आकाराची) आणि /v1/responses, सर्व स्ट्रीमिंग, सर्व एकाच मॉडेलवर — मजकूर आणि व्हिजन पुरवतात. व्हिजन म्हणजे मॉडेल तुम्ही पाठवलेल्या प्रतिमा वाचतात: त्यांचे वर्णन करतात, मजकूर उतरवतात, आलेखाचे विश्लेषण करतात. याचा अर्थ ते प्रतिमा तयार किंवा बदलतात असा नाही.
तरीही एक उपयुक्त पद्धत उरते: व्हिजन आणि असेन्सॉर्ड मजकूर मॉडेल मिळून सूचना लिहिण्यासाठी उत्तम सहायक ठरतात. API ला तुमची स्रोत प्रतिमा पाठवा, फ्रेममध्ये काय आहे याचे वर्णन करायला आणि बदल व अँकर यांची नावे घेणारी अँकर केलेली सूचना लिहायला सांगा, मग ती सूचना चॅटमध्ये चालवा — तुम्ही विसरला असता असे अँकर ते पकडते. विनंती आणि प्रतिसादाचे स्वरूप API दस्तऐवजीकरणात आहे.
10वारंवार विचारले जाणारे प्रश्न
असेन्सॉर्ड AI इमेज एडिटर म्हणजे काय?
असे एडिटर जे एक विद्यमान प्रतिमा आणि साध्या भाषेतील सूचना घेते आणि एडिट केलेली प्रतिमा परत देते — आउटपुटवर कोणताही कंटेंट फिल्टर नाही आणि सूचना लिहिणाऱ्या मॉडेलवर नकार स्तर नाही. ते Shannon चॅट अ‍ॅपमध्ये आमच्या स्वतःच्या GPU क्लस्टरवर चालते, त्यामुळे फिल्टर लावलेले एडिटर जे काम नाकारतात — कलात्मक न्यूड रिटचिंग, वैद्यकीय व न्यायवैद्यक चित्रण, सुरक्षा-संशोधन प्रतिमा, काल्पनिक कथेतील हिंसा, राजकीय व्यंग — ते नाकारले जाण्याऐवजी पूर्ण होते.
मी फक्त पार्श्वभूमी बदलायला सांगितली असताना चेहरा का बदलतो?
कारण सूचनेवर आधारित एडिट तुमच्या स्रोत प्रतिमेवर आधारित संपूर्ण फ्रेम पुन्हा तयार करते, फक्त तुमच्या मनातला भाग नव्हे — जे काही तुम्ही अपरिवर्तित म्हणून नाव घेऊन सांगत नाही ते भरकटायला मोकळे असते. यावर उपाय म्हणजे अँकरिंग: “चेहरा, केशरचना, पवित्रा आणि कपडे जसेच्या तसे ठेवा, कॅमेरा कोन आणि क्रॉप तोच ठेवा” अशी ठेव-वाक्यरचना जोडा. अपरिवर्तित भागांना नाव देणे हाच तुमच्या हातातला गुणवत्तेचा सर्वात मोठा लीव्हर आहे.
Shannon इमेज एडिटिंगमध्ये निगेटिव्ह प्रॉम्प्टला पाठिंबा आहे का?
होय. टेक्स्ट-टू-इमेज मार्ग निगेटिव्ह प्रॉम्प्ट अजिबात घेत नाही, पण एडिटिंग आणि बहु-प्रतिमा संयोजन हे दोन्ही मार्ग तो घेतात. सूचनेत “X नको” असे लिहिण्याऐवजी नको असलेल्या दोषांसाठी तो वापरा — जास्तीची बोटे, वेडीवाकडी अक्षरे, दुप्पट झालेले कठडे, फरफटलेला पोत, प्लास्टिकसारखी त्वचा, वॉटरमार्क. आशयाचे निर्णय सूचनेत, होकारार्थी स्वरूपात; दोष दाबणे निगेटिव्ह प्रॉम्प्टमध्ये.
Shannon माझ्या प्रतिमेला अ‍ॅनिमेट करू शकते किंवा तिचा व्हिडिओ बनवू शकते का?
नाही. Shannon व्हिडिओ तयार करत नाही आणि प्रतिमांना अ‍ॅनिमेट करत नाही. इमेज-टू-व्हिडिओ मार्ग नाही आणि तसा कोणताही जाहीर केला जात नाही. Shannon 3 नवीन प्रतिमा तयार करते, एक विद्यमान प्रतिमा एडिट करते, किंवा दोन किंवा अधिक प्रतिमा एकत्र करून एक बनवते — याच तीन गोष्टी, याच्या पलीकडे काहीही नाही.
एका एडिटमध्ये किती स्रोत प्रतिमा वापरल्या जातात?
नेमकी एक: एकतर संभाषणात आधीच असलेली प्रतिमा, किंवा तुमच्या सध्याच्या संदेशाला जोडलेली एक. जर घटक दोन किंवा अधिक प्रतिमांमधून यायला हवे असतील — एका फोटोतील पोशाख दुसऱ्या फोटोतील व्यक्तीवर — तर ते संयोजन आहे, एडिट नाही, आणि दुसरी प्रतिमा शब्दांत वर्णन करण्याऐवजी तुम्ही खऱ्या प्रतिमा द्याव्यात.
मला मास्क काढावा लागतो का किंवा इनपेंटिंग वापरावी लागते का?
नाही. ब्रश, लॅसो किंवा मास्क थर नाही. तुम्ही बदल एका वाक्यात वर्णन करता आणि भाग तुमच्या भाषेवरून ओळखला जातो — म्हणूनच नेमकी नामे महत्त्वाची: “उजवीकडे उभी असलेली चंदेरी कार” हे “ती वस्तू” पेक्षा कितीतरी अचूक लक्ष्य ठरते. यामुळेच निवडीचे काम न करता निकाल हवा असणाऱ्यांसाठी Shannon हा एक व्यावहारिक असेन्सॉर्ड इनपेंटिंग पर्याय ठरतो.
मी Shannon API मधून प्रतिमा एडिट करू शकतो का?
नाही. इमेज जनरेशन आणि एडिटिंग Shannon चॅट अ‍ॅपमध्ये आहेत. /v1 बोली — /v1/chat/completions, /v1/messages आणि /v1/responses — मजकूर आणि व्हिजन पुरवतात: तुम्ही पाठवलेल्या प्रतिमा त्या वाचतात आणि विश्लेषित करतात, पण त्या तयार किंवा एडिट करत नाहीत. एक नेहमीचा कार्यप्रवाह म्हणजे API च्या व्हिजनकडून अँकर केलेली सूचना लिहून घ्यायची, आणि मग ती एडिट चॅटमध्ये चालवायची.
फिल्टरशी वाद न घालता प्रतिमा एडिट करा
एक फोटो जोडा, एक वाक्य लिहा, काय तसेच राहायचे त्याचे नाव सांगा.
एडिट करायला सुरुवात करा API दस्तऐवज वाचाप्रतिमा आमच्या स्वतःच्या GPU क्लस्टरवर रेंडर होतात · तुम्ही कार्डला पुष्टी देईपर्यंत काहीही रेंडर किंवा बिल होत नाही
Shannon AI चे संचालन Shannon Lab LLC, न्यू मेक्सिको, अमेरिका करते. इमेज जनरेशन, एडिटिंग आणि संयोजन ही Shannon 3 ची चॅट-अ‍ॅप वैशिष्ट्ये आहेत; /v1 API फक्त मजकूर आणि व्हिजन पुरवते. उत्पादनात व्हिडिओ जनरेशन अस्तित्वात नाही. एडिटिंग नेमकी एक स्रोत प्रतिमा स्वीकारते आणि तिचा आस्पेक्ट रेशो घेते. असेन्सॉर्ड इमेज मार्गांचा वापर जबाबदार वापर धोरणानुसार नियंत्रित होतो.