AI इमेज प्रॉम्प्ट मार्गदर्शिका

बहुतेक लोक SDXL वर शिकलेल्या प्रॉम्प्ट सवयी घेऊन येतात: स्वल्पविरामाने विभागलेली नामांची माळ, गुणवत्ता-टोकनची प्रस्तावना, कंसातली काही वेट, आणि सकारात्मक प्रॉम्प्टइतकाच लांब निगेटिव्ह प्रॉम्प्ट. त्या मॉडेलसाठी त्या सवयी बरोबर होत्या आणि इथे त्या उलट परिणाम करतात. खरोखर काय चालते याची ही संक्षिप्त आवृत्ती आहे — आणि Shannon तुमच्यासाठी जनरेशन प्रॉम्प्ट लिहून काहीही रेंडर होण्यापूर्वी तो दाखवत असल्याने, Shannon जे सुचवते ते वाचण्याची आणि दुरुस्त करण्याची मार्गदर्शिकाही तितकीच आहे.

01टॅगपेक्षा गद्य का चांगले: मॉडेल भाषा मॉडेलसारखे वाचते

बहुतांश प्रॉम्प्ट सल्ला ज्या जुन्या डिफ्यूजन मॉडेलसाठी लिहिला गेला होता ती अशा टेक्स्ट एन्कोडरचा वापर करत, जो व्यवहारात संकल्पनांच्या पोतडीसारखा वागत असे: व्याकरणाला फारसे महत्त्व नव्हते, आणि संबंधित नामे रचून त्यांना वेट देऊन झुकवणे हीच जिंकणारी रणनीती होती. त्या एन्कोडरसाठी टॅगचा ढीग हाच प्रॉम्प्टचा योग्य आकार होता.

Shannon चे इमेज मॉडेल तसे काम करत नाही. ते प्रॉम्प्ट तसेच वाचते जसे भाषा मॉडेल मजकूर वाचते, त्यामुळे वाक्यरचनेला अर्थ असतो. "Holding an umbrella against her shoulder" हा व्यक्ती, वस्तू आणि शरीराचा अवयव यांच्यातील संबंध आहे; "umbrella, shoulder" म्हणजे केवळ उपस्थित असलेल्या दोन गोष्टी. शब्दयोगी अव्यये गोष्टींना जागा देतात. क्रियापदे मुद्रा तयार करतात. उपवाक्ये तपशील संपूर्ण प्रतिमेवर तरंगत ठेवण्याऐवजी योग्य नामाला जोडतात.

तेच चित्र दोन्ही पद्धतींनी मागितलेले इथे आहे.

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

टॅग आवृत्ती काय व्यक्त करू शकत नाही ते पाहा. छत्री धरलेली आहे असे ती कधीच सांगत नाही, त्यामुळे ती जमिनीवर पडलेली असू शकते. निऑन डांबरात प्रतिबिंबित होते असे ती सांगत नाही, फक्त दोन्ही अस्तित्वात आहेत एवढेच, त्यामुळे तुम्हाला पाट्या आणि ओला रस्ता मिळतो पण त्यांच्यात कोणताही प्रकाशीय संबंध नसतो. ती स्त्री कुठे पाहत आहे हेही ती सांगत नाही, त्यामुळे तिची मुद्रा नाण्याच्या कौलावर ठरते. "Cinematic lighting" हे मूडचे लेबल आहे, प्रकाशाचा स्रोत नाही. आणि शेवटची पाच टोकन म्हणजे गोंगाट, जी नियंत्रणाचे हातखंडे नव्हे तर छायाचित्रणाबद्दलचे इंग्रजी शब्द म्हणून वाचली जातात.

गद्य आवृत्ती अलंकारिक असल्यामुळे लांब नाही. टॅग आवृत्तीने अनुत्तरित सोडलेल्या प्रश्नांची उत्तरे ती देते म्हणून लांब आहे. संपूर्ण युक्ती एवढीच आहे.

02इमेज प्रॉम्प्ट किती लांब असावा?

30 ते 80 शब्दांचे लक्ष्य ठेवा. 100 च्या फार पुढे जाऊ नका. तुमच्याकडे उपलब्ध असलेला हा गुणवत्तेचा सर्वात सोपा लीव्हर आहे, आणि या पल्ल्याची दोन्ही टोके महत्त्वाची आहेत.

साधारण 30 शब्दांखाली रचना, प्रकाश आणि चौकट अनिर्दिष्ट राहतात, त्यामुळे मॉडेल सांख्यिकीदृष्ट्या जे सर्वात सामान्य आहे तेच निवडते. "A woman in a coffee shop" हा वैध प्रॉम्प्ट आहे जो विसरून जाण्याजोगी प्रतिमा देतो, कारण प्रत्येक रंजक निर्णय तुम्ही दुसऱ्यावर सोपवला.

साधारण 100 शब्दांच्या वर वेगळेच अपयश दिसते: नंतरची उपवाक्ये प्रतिमेच्या त्याच भागांसाठी आधीच्या उपवाक्यांशी स्पर्धा करतात, आणि तपशील साचण्याऐवजी विरळ होतो. प्रकाशाचे तिसरे वर्णन पहिले पुसून टाकते, आणि पहिल्या आठ शब्दांत तुम्ही स्थापन केलेल्या विषयाला तुम्ही जोडलेल्या प्रत्येक वाक्यासोबत कमी सापेक्ष लक्ष मिळते. लांब प्रॉम्प्ट वाचायला सखोल वाटतात. ते सखोल रेंडर होत नाहीत.

शिस्त अशी: तुम्हाला हवा तो प्रॉम्प्ट लिहा, मग काढून टाकल्यास चित्र बदलेल एवढीच वाक्ये ठेवून बाकी छाटा.

03क्रमाची शिस्त: सर्वात महत्त्वाची गोष्ट आधी

मॉडेल क्रमाने वाचत असल्यामुळे स्थान म्हणजे भर: आधी येते ते प्रतिमेला स्थिर करते, शेवटी येते ते तिला समायोजित करते. मॉडेलला ज्या क्रमाने लागतात त्या क्रमाने गोष्टी मांडा:

1. विषय — हे चित्र नेमके कोणाचे किंवा कशाचे आहे.
2. कृती किंवा मुद्रा — ते काय करत आहेत, कसे उभे किंवा धरलेले आहेत.
3. शैली किंवा मूड — छायाचित्र, तैलचित्र, तांत्रिक चित्रण, आणि त्याचा सूर.
4. परिसर आणि प्रकाश — हे कुठे घडते आणि त्यावर कोणता प्रकाश पडतो.
5. तांत्रिक — चौकट, लेन्स, डेप्थ ऑफ फील्ड, रंगांचे तपशील.

सर्वात सामान्य स्वतःहून केलेली चूक म्हणजे तांत्रिक वाक्याने सुरुवात करणे. "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" अशी सुरुवात मॉडेलला सांगते की दिसणे हाच विषय आहे आणि तो माणूस एक तपशील आहे. तुम्हाला सुंदर पण रिकामी चौकट मिळते ज्यात एक लहान अस्पष्ट आकृती असते.

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

पहिल्या आवृत्तीतील प्रत्येक घटक दुसरीत टिकून आहे; काहीही वगळलेले नाही. फक्त आता मॉडेलला ते कसे चित्रित करायचे हे सांगण्याआधी चित्र कशाचे आहे हे कळते — आणि एवढ्या क्रमबदलानेच विषय दुय्यम स्थानावरून मध्यवर्ती स्थानी येतो.

04विषयाबद्दल ठोस राहा

"A person" हा विषय नाही, ती रिकामी जागा आहे — आणि मॉडेल रिकाम्या जागा त्याने पाहिलेल्या सर्वाच्या सरासरीने भरते, आणि तिथूनच तो चकचकीत, वयहीन, वैशिष्ट्यहीन लुक येतो. ठोसपणा पाच शब्द खर्च करतो आणि एक विशिष्ट माणूस मिळवून देतो:

नमुना लक्षात घ्या: वय किंवा काळ, एक रचनात्मक वैशिष्ट्य, एक वेगळेपण दाखवणारी अपूर्णता. तिसरी गोष्टच निकालाला तयार केलेले नव्हे तर छायाचित्रित वाटायला लावते. तुटलेला दात, झिजलेली किनार, रंगवून झाकलेली पाटी — लहान असममितता हा उपलब्ध असलेला सर्वात प्रभावी प्लास्टिक-विरोधी संकेत आहे, आणि तुमच्या शब्द बजेटमध्ये त्यांचा खर्च जवळपास शून्य आहे.

05छायाचित्रवास्तववाद: विनंती छायाचित्र म्हणून लिहा

तुम्ही कला, चित्रण किंवा अ‍ॅनिमे मागितले नाही तर छायाचित्रवास्तववाद हाच डीफॉल्ट सूर आहे. पण "photorealistic" हा शब्द फारसे काम करत नाही. छायाचित्र तयार करते ते छायाचित्रणाच्या कृतीचे वर्णन: खरा कॅमेरा, खरी लेन्स, आणि खरा फिल्म स्टॉक किंवा प्रकाश स्रोत.

कारण सरळ आहे. "Kodak Portra 400" असे शीर्षक असलेली प्रत्येक प्रतिमा विशिष्ट प्रक्रियेने बनली होती, जिची विशिष्ट ग्रेन रचना, हायलाइट रोल-ऑफ आणि त्वचेचे रेंडरिंग होते, आणि तो स्टॉक नाव घेऊन सांगितल्याने ते सर्व सोबत येते. "8k ultra detailed" हे फक्त स्टॉक-साइट स्पॅमवरच दिसत असे, त्यामुळे ते स्टॉक-साइट स्पॅमच सोबत आणते. काही विश्वासार्ह पाककृती, ज्यातील प्रत्येक त्याच विषयाची स्पष्टपणे वेगळी प्रतिमा देते:

आधार पाककृतीशी जुळवा — ज्या 24mm रुंद चौकटीत चेहरा ऐंशी पिक्सेल उंच आहे तिथे छिद्रांच्या पातळीवरची त्वचेची पोत निरर्थक आहे — आणि मग तो जोडा. आधार देणारा तपशील म्हणजे — लेन्सने हे खरोखर टिपले असल्याचा पोताचा पुरावा. दिसणारी त्वचेची छिद्रे आणि बारीक चेहऱ्यावरचे केस. तागाच्या शर्टाची वीण. प्रकाशाच्या झोतातले धुळीचे कण. चामड्याच्या बुटावरचा ओरखडा. उजळ पार्श्वभूमीवर उडणारे केस. दोन-तीन पुरेसे आहेत, आणि माणसाच्या रेंडरिंगमध्ये आणि माणसाच्या छायाचित्रात तेवढाच फरक असतो.

06स्तरित दृश्ये: अग्रभाग, मध्यभाग, पार्श्वभूमी

दृश्याला खोली असेल तेव्हा तीन पातळ्या स्वतंत्रपणे आणि क्रमाने वर्णन करा. पार्श्वपटासारखी नव्हे तर खरी ठिकाणे वाटावीत अशा प्रतिमांसाठी हे सर्वात प्रभावी तंत्र आहे, आणि जवळपास कोणीच ते करत नाही. त्याशिवाय सपाटपणा येतो: प्रॉम्प्टमध्ये उल्लेखलेले सर्वकाही साधारण एकाच अंतरावर येते आणि चौकटीच्या त्याच मधल्या पट्ट्यासाठी स्पर्धा करते. पातळ्यांना नाव दिल्याने मॉडेलला खर्च करण्यासाठी खोलीचे बजेट मिळते.

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

दोन सुधारणा. अग्रभागात जाणीवपूर्वक फोकसबाहेर असलेले काहीतरी ठेवा — खोल दृश्यांच्या खऱ्या छायाचित्रांत जवळपास नेहमीच असे काहीतरी असते, आणि त्याची अनुपस्थिती हा नेहमीचा सुगावा असतो. आणि विषय कोणत्या पातळीवर आहे ते सांगा: ती सायकलस्वार हाच चित्राचा मुद्दा असेल तर ती मध्यभागात हवी, अन्यथा तो टॉवर आणि कॉफीचा कप तिच्याशी चौकटीसाठी भांडतील.

07नेमके रंग: hex कोड, वस्तूंना जोडलेले

ब्रँड काम, पोशाखातील सातत्य, किंवा जिथे "लाल" पुरेसे नेमके नाही अशा ठिकाणी, hex कोड color #RRGGBB असा लिहा आणि तो नाव घेतलेल्या वस्तूला जोडा:

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

तीन ढोबळ नियम. जे दोन-तीन रंग खरोखर महत्त्वाचे आहेत त्यांच्यासाठी hex वापरा आणि बाकीच्यांसाठी साधे शब्द — सहा hex कोड असलेला प्रॉम्प्ट आपले बहुतांश बजेट रंगांच्या तुकड्यांवर खर्च करतो. कोड कडा असलेल्या वस्तूला बांधा, "प्रकाशाला" किंवा "मूडला" कधीच नाही. आणि लक्षात ठेवा की तो वस्तूचा रंग सांगतो, अंतिम पिक्सेल मूल्य नाही: सोनेरी तासाच्या मागील प्रकाशात #8B0000 कोट रंगपट्टीपेक्षा अधिक उबदार दिसतो, अगदी प्रत्यक्षात दिसेल तसाच.

08आस्पेक्ट रेशो निवडणे

पाच रेशो उपलब्ध आहेत आणि योग्य तो सहसा विषयावरूनच सूचित होतो, पण तुमची स्पष्ट विनंती नेहमी जिंकते — वॉलपेपर मागा आणि आशय काहीही सुचवत असो, तुम्हाला tall मिळेल.

हे चुकणे वाटते त्यापेक्षा जास्त नुकसानकारक आहे. wide चौकटीतील पूर्ण उंचीची उभी आकृती तुम्हाला मोठ्या चौकटीत लहान आकृती देत नाही — ती सहसा कापलेली आकृती देते, कारण मॉडेल रुंदी भरते आणि डोके किंवा पाय चौकटीबाहेर जातात. चौकट विषयाच्या प्रभावी अक्षाशी जुळवा आणि रचनेच्या बहुतेक तक्रारी नाहीशा होतात.

लक्षात ठेवण्याजोगी दोन वर्तने: संपादन स्रोत प्रतिमेचा आस्पेक्ट रेशो आपोआप कायम ठेवते, त्यामुळे संपादनाने चौकट बदलता येत नाही, तर संयोजन तुम्हाला नवा कॅनव्हास निवडू देते — तुमच्याकडे आधीच असलेल्या गोष्टीचा आकार बदलण्याचा हा सहसा सर्वात स्वच्छ मार्ग.

09टाळायच्या सवयी: काय करणे थांबवावे

गुणवत्ता टोकन: "masterpiece, best quality, 8k, ultra detailed"

हे एका विशिष्ट जुन्या प्रशिक्षण वितरणासाठी समुदायाने शोधलेले हातखंडे होते, जिथे काही विशिष्ट शीर्षक वाक्यांचा काही विशिष्ट प्रतिमा स्रोतांशी सहसंबंध होता. ते इथे लागू होत नाहीत. इथे ते साधे इंग्रजी शब्द म्हणून वाचले जातात, काहीही योगदान देत नाहीत, आणि आधीच घट्ट असल्याचे सांगितलेल्या शब्द बजेटचा भाग खातात. त्याऐवजी तुम्हाला कोणता तपशील हवा ते सांगा: "ultra detailed" नव्हे तर "visible weave in the coat fabric and fine stubble along the jaw" — तोच हेतू, पण मॉडेल रेंडर करू शकेल अशा स्वरूपात मांडलेला.

वेट वाक्यरचना: (word:1.3), [word], {{word}}

ती वाचली जात नाही. कंस, चौकोनी कंस, अपूर्णविराम आणि आकडे अक्षरशः मजकूर म्हणून उतरतात आणि उलट आजूबाजूचे वाक्य वाचायला अधिक कठीण करतात. एखाद्या गोष्टीवर अधिक भर हवा असेल, तर खरोखर चालणारे दोन लीव्हर वापरा: प्रॉम्प्टमध्ये ती आधी हलवा, आणि तिला अधिक शब्द द्या. "A crimson silk scarf, its fringed ends lifting in the wind" हे "(red scarf:1.4)" पेक्षा प्रत्येक महत्त्वाच्या निकषावर वरचढ आहे.

परस्परविरोधी दिशा

विसंगत सूचना मिसळल्याने त्यांचे मिश्रण होत नाही; एक अस्थिर सरासरी तयार होते जी सहसा दोन्हींपैकी एकालाही समाधानकारक नसते. वारंवार होणाऱ्या चुका:

• माध्यम — "photorealistic" अधिक "watercolor"; "oil painting" अधिक "shot on 85mm". एक निवडा आणि त्यालाच चिकटा.
• चौकट — "wide establishing shot" अधिक "extreme close-up on her eyes"; "full body" अधिक "detailed facial pores".
• प्रकाश — "harsh midday sun" अधिक "soft golden hour glow"; "low key, deep shadows" अधिक "bright and airy".
• काळ — "1970s film aesthetic" अधिक "modern minimalist" अधिक "cyberpunk".
• शैलींची रास — एकाच वेळी चार कलाकार किंवा चार प्रकार. दोन संबंधित संदर्भ चालू शकतात; चार एकमेकांना रद्द करून सर्वसामान्य निकाल देतात.
• पसरटपणा — "rustic, weathered, ancient, timeworn wooden door" ही एकच कल्पना चार वेळा लिहिली आहे, आणि प्रत्येक पुनरावृत्ती उर्वरित प्रॉम्प्ट विरळ करते.

10मजकूर-ते-प्रतिमामध्ये निगेटिव्ह प्रॉम्प्ट नाही

अनुभवी वापरकर्त्यांना सर्वात जास्त अडवणारी हीच सवय आहे, कारण जुन्या रचनांमध्ये निगेटिव्ह प्रॉम्प्ट हे अर्धे कौशल्य होते.

जनरेशनसाठी नियम निरपवाद आणि थोडा उलटा वाटणारा आहे: प्रॉम्प्टमध्ये "no text, no watermark, no extra fingers" लिहिल्याने त्या गोष्टींची शक्यता कमी नव्हे तर जास्त होते. मॉडेल "no text" हे text ही संकल्पना असलेले वाक्य म्हणून वाचते; नकार हा कमजोर संकेत आहे आणि नाम हा प्रबळ. तुम्ही प्रत्यक्षात मजकूरच मागितला आहे. त्याऐवजी नेहमी सकारात्मक रूप सांगा:

संपादन आणि संयोजनासाठी निगेटिव्ह प्रॉम्प्ट अस्तित्वात आहे आणि तो वापरावा — पण नको असलेल्या घटकांसाठी, आशयासाठी नाही. योग्य मजकूर: वॉटरमार्क, मजकुराचा थर, दुप्पट झालेले अवयव, वाकडे हात, अतिधारदारपणाची वलये, JPEG ब्लॉकिंग, जोडणीच्या कडेवरील शिवणरेषा. अयोग्य मजकूर: चित्र कशाचे आहे याबद्दलचे काहीही, जे सूचनेत असावे.

11Shannon तुमच्यासाठी लिहिणारा प्रॉम्प्ट वाचणे

ही मार्गदर्शिका सैद्धांतिक नव्हे तर लगेच वापरण्याजोगी करणारी गोष्ट इथे आहे. जनरेशन प्रॉम्प्ट तुम्हाला स्वतः लिहावा लागत नाही. तुम्ही कोणत्याही भाषेत, साध्या शब्दांत विचारता; Shannon ओळखते की प्रतिमेची मागणी होत आहे, इंग्रजी जनरेशन प्रॉम्प्ट रचते, आणि काहीही रेंडर होण्यापूर्वी तो तुम्हाला पुष्टीकरण कार्डवर दाखवते. तुम्ही पुष्टी करेपर्यंत काहीही तयार होत नाही आणि काहीही बिल होत नाही.

त्यामुळे सर्वाधिक फायदा देणारे कौशल्य म्हणजे शून्यातून प्रॉम्प्ट लिहिणे नव्हे — ते कार्डवरचा प्रॉम्प्ट वाचणे आहे. ही यादी तपासा:

1. विषय ठोस आहे का? कार्डवर "a person" किंवा "a woman" असेल, तर तुम्हाला उपलब्ध असलेली सर्वात मोठी सुधारणा सापडली आहे. त्याला वय, बांधा, एखादे वैशिष्ट्य द्या.
2. विषय आधी आहे का? प्रॉम्प्ट शैलीने किंवा कॅमेराने सुरू होत असेल, तर त्याऐवजी विषयाने सुरुवात करायला सांगा.
3. लांबी पल्ल्यात आहे का? 30 शब्दांखाली असेल तर प्रकाश आणि परिसराबद्दल अधिक नेमकेपणा मागा. 100 च्या वर असेल तर छाटायला सांगा.
4. प्रकाशाचा स्रोत आहे का? मूडचा शब्द नव्हे — खरा प्रकाश: खिडकी, रस्त्यावरचा दिवा, फ्लॅश, ढगाळ आकाश, सॉफ्टबॉक्स.
5. काही विरोधाभास आहेत का? एकाच प्रॉम्प्टमध्ये दोन माध्यमे, दोन चौकटी, किंवा दोन प्रकाश स्थिती आहेत का ते पाहा.
6. लपून आलेले नकार आहेत का? कार्डमध्ये "without", "no", किंवा "avoid" असेल, तर तो मजकूर-ते-प्रतिमा प्रॉम्प्ट नाव घेतलेली गोष्टच मागत आहे.
7. विषयासाठी रेशो योग्य आहे का? wide मध्ये पूर्ण उंचीची आकृती ही नेहमीची चूक आहे.

दुरुस्त्या संभाषणातूनच होतात: "तिचे वय तीसच्या सुरुवातीचे कर, एका भुवईवर व्रण ठेव, Portra वर 85mm ने शूट कर, आणि portrait वापर" ही अगदी योग्य सूचना आहे. तुम्हाला नवे कार्ड मिळते आणि तुम्ही त्याची पुष्टी करता. पुनरावृत्तीसाठी कोणताही दंड नाही, कारण अजून काहीही रेंडर झालेले नाही.

आणि Shannon न मागता प्रतिमा तयार करत नाही. अभिवादन, प्रश्न, किंवा चर्चेसाठी तुम्ही जोडलेले छायाचित्र रेंडर सुरू करत नाही. Shannon ला प्रतिमा पाहायला सांगणे — तिचे वर्णन कर, ती वाच, तिचे विश्लेषण कर — हे सामान्य व्हिजन काम आहे, जनरेशन नाही, आणि त्यासाठी काहीही अतिरिक्त खर्च होत नाही.

12संपादन आणि संयोजनासाठी हे कौशल्य कसे बदलते

वरील नियम जनरेशनसाठी लिहिले आहेत. दोन शेजारच्या पद्धती प्रॉम्प्टचा आकार बदलतात.

एक प्रतिमा संपादित करणे

संपादन प्रॉम्प्ट म्हणजे वर्णन नव्हे तर सूचना असते: काय बदलते आणि काय तसेच राहते ते सांगा. न बदलणारे भाग नाव घेऊन सांगणे हा या उत्पादनातील गुणवत्तेचा सर्वात मोठा लीव्हर आहे — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" हे टिकून राहते, तर तेच वाक्य त्या शेवटच्या भागाशिवाय दिल्यास तिचा चेहरा गुपचूप पुन्हा काढला जातो. अँकरबद्दल नेमके राहा: चेहरा, मुद्रा, केस आणि कपडे तसेच ठेवा. नेमकी एकच स्रोत प्रतिमा वापरली जाते, आणि आउटपुट तिचा आस्पेक्ट रेशो कायम ठेवते.

दोन किंवा अधिक प्रतिमा एकत्र करणे

जेव्हा घटक एकापेक्षा जास्त चित्रांतून येतात — पोशाख हस्तांतरण, दृश्यात एखादी वस्तू, एकाच चौकटीत दोन व्यक्ती, उत्पादन-व्यक्तीवर, एका प्रतिमेतील शैली आणि दुसरीतील विषय — तेव्हा प्रॉम्प्टमध्ये प्रत्येक प्रतिमेची भूमिका, क्रमाने, नाव घेऊन सांगावी लागते: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." पहिली प्रतिमा मुख्य विषय किंवा दृश्य असते; नंतरच्या प्रतिमा आणले जाणारे भाग पुरवतात. बहु-प्रतिमा विनंतीला एक स्रोत अधिक शाब्दिक वर्णन असे संकुचित करू नका — खऱ्या प्रतिमा एकत्र केल्यानेच त्या गोष्टी प्रत्यक्षात कशा दिसतात ते जपले जाते.

13असेन्सॉर्ड प्रॉम्प्टिंग: जे म्हणायचे आहे तेच म्हणा

जनरेशन मार्गावर कंटेंट फिल्टर नाही आणि प्रॉम्प्ट लिहिणाऱ्या मॉडेलवर नकार स्तर नाही. हाच या उत्पादनाचा संपूर्ण मुद्दा आहे: फिल्टर लावलेले जनरेटर वैध कामाला नियमितपणे नकार देतात — कलात्मक न्यूड, वैद्यकीय व न्यायवैद्यक चित्रण, सुरक्षा-संशोधन प्रतिमा, काल्पनिक कथेतील हिंसा, राजकीय व्यंग, हक्कधारकाकडून केलेले ब्रँड व प्रतिरूप काम. फिल्टर लावलेल्या प्लॅटफॉर्मवरील अर्धे प्रॉम्प्ट कौशल्य म्हणजे सौम्य शब्दांची अभियांत्रिकी असते, आणि सौम्य शब्द हे अचूक प्रतिमेचे शत्रू आहेत.

त्यामुळे कार्डवर आणखी एक गोष्ट तपासायची: तो फिल्टर लावलेल्या साधनांतून शिकलेल्या सावध शब्दसंग्रहाऐवजी खरा विषय साध्या शब्दांत वर्णन करतो का. जखमेच्या न्यायवैद्यक चित्रणात ती जखम काय आहे ते सांगायला हवे. सावध भाषा सर्वत्र वाईट प्रतिमा देते, कारण मॉडेल शब्द जे सांगतात तेच रेंडर करते.

क्षमता आणि विवेक या वेगळ्या गोष्टी आहेत. Shannon Lab LLC हे प्रकाशित जबाबदार वापर धोरणाअंतर्गत चालवते: फिल्टरविरहित जनरेशन हे व्यावसायिक साधन आहे, आणि तुम्ही जे बनवता त्याला संमती, हक्क आणि कायदा हे सर्व लागू राहतात.

14API कुठे बसते

API शोधातून आलेल्या वाचकांसाठी अचूकतेचा एक मुद्दा: इमेज जनरेशन, एडिटिंग आणि संयोजन Shannon चॅट अ‍ॅपमध्ये आहेत, /v1 API वर नाहीत. API मजकूर आणि व्हिजन पुरवते — तिन्ही बोलींवर (/v1/chat/completions, /v1/messages, /v1/responses, सर्व स्ट्रीमिंगसह) तुम्ही पाठवलेल्या प्रतिमा ते वाचू, वर्णन करू आणि विश्लेषण करू शकते — पण ते त्या तयार करत नाही. प्रतिमा समजून घ्याव्या लागणारी साखळी तुम्ही बांधत असाल, तर API दस्तऐवजीकरण ही सुरुवात करण्याची जागा आहे. तुम्हाला प्रतिमा बनवायच्या असतील, तर ते चॅट अ‍ॅप आहे, आणि या मार्गदर्शिकेतील सर्व काही तिथे लागू आहे. प्रतिमा आमच्या स्वतःच्या GPU क्लस्टरवर रेंडर होतात.

15वारंवार विचारले जाणारे प्रश्न

संबंधित वाचन: असेन्सॉर्ड AI इमेज जनरेशन · असेन्सॉर्ड AI इमेज एडिटिंग · जबाबदार वापर धोरण · API दस्तऐवजीकरण · सर्व Shannon संशोधन. इथले मार्गदर्शन Shannon च्या इमेज मॉडेलच्या आमच्या स्वतःच्या चाचण्यांवर आधारित आहे; जुन्या डिफ्यूजन रचनांसाठी लिहिलेला सल्ला सहसा इथे लागू होत नाही.