คู่มือเขียนพรอมป์ภาพ AI

คนส่วนใหญ่มาถึงที่นี่พร้อมนิสัยการเขียนพรอมป์ที่เรียนมาจาก SDXL: สตริงคำนามคั่นด้วยจุลภาค คำนำที่เป็นโทเค็นคุณภาพ น้ำหนักในวงเล็บอีกสองสามตัว และพรอมป์เชิงลบที่ยาวพอ ๆ กับพรอมป์เชิงบวก นิสัยเหล่านั้นถูกต้องสำหรับโมเดลเหล่านั้น แต่ให้ผลตรงกันข้ามที่นี่ นี่คือฉบับย่อของสิ่งที่ได้ผลจริง — และเพราะ Shannon เขียนพรอมป์สร้างภาพให้คุณและแสดงมันก่อนที่อะไรจะถูกเรนเดอร์ มันจึงเป็นคู่มือสำหรับการอ่านและแก้ไขสิ่งที่ Shannon เสนอมาไปพร้อมกันด้วย

01ทำไมร้อยแก้วจึงชนะแท็ก: โมเดลอ่านแบบโมเดลภาษา

โมเดลดิฟฟิวชันรุ่นเก่าที่คำแนะนำการเขียนพรอมป์ส่วนใหญ่เขียนขึ้นเพื่อมัน ใช้ตัวเข้ารหัสข้อความที่ในทางปฏิบัติทำตัวเหมือนถุงแนวคิด: ไวยากรณ์แทบไม่มีความหมาย และกลยุทธ์ที่ชนะคือการกองคำนามที่เกี่ยวข้องแล้วเอนเอียงมันด้วยน้ำหนัก ซุปแท็กคือรูปทรงพรอมป์ที่ถูกต้องสำหรับตัวเข้ารหัสแบบนั้น

โมเดลภาพของ Shannon ไม่ได้ทำงานแบบนั้น มันอ่านพรอมป์แบบเดียวกับที่โมเดลภาษาอ่านข้อความ วากยสัมพันธ์จึงบรรจุความหมายไว้ "ถือร่มพาดไว้บนไหล่" คือความสัมพันธ์ระหว่างคน วัตถุ และอวัยวะ ส่วน "ร่ม, ไหล่" คือสองสิ่งที่บังเอิญปรากฏอยู่ คำบุพบทวางตำแหน่งของสิ่งต่าง ๆ คำกริยาสร้างท่าทาง อนุประโยคติดรายละเอียดเข้ากับคำนามที่ถูกต้อง แทนที่จะปล่อยให้มันลอยกระจายทั่วทั้งภาพ

นี่คือภาพเดียวกันที่ขอด้วยสองวิธี

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.

ดูสิ่งที่เวอร์ชันแท็กแสดงออกไม่ได้ มันไม่เคยบอกว่าร่มถูกถือไว้ ร่มจึงอาจไปจบลงที่นอนอยู่บนพื้น มันไม่เคยบอกว่าแสงนีออนสะท้อนในยางมะตอย บอกแค่ว่าทั้งสองอย่างมีอยู่ คุณจึงได้ป้ายกับถนนเปียกที่ไม่มีความสัมพันธ์เชิงแสงระหว่างกัน มันไม่เคยบอกว่าผู้หญิงคนนั้นมองไปทางไหน ท่าทางของเธอจึงเป็นการโยนหัวก้อย "cinematic lighting" เป็นป้ายอารมณ์ ไม่ใช่แหล่งกำเนิดแสง และโทเค็นห้าตัวสุดท้ายคือสัญญาณรบกวน ที่ถูกอ่านเป็นคำภาษาอังกฤษเกี่ยวกับการถ่ายภาพ ไม่ใช่ตัวจับสำหรับควบคุม

เวอร์ชันร้อยแก้วไม่ได้ยาวกว่าเพราะมันหรูหรา มันยาวกว่าเพราะมันตอบคำถามที่เวอร์ชันแท็กเปิดค้างไว้ นั่นคือเคล็ดลับทั้งหมด

02พรอมป์ภาพควรยาวแค่ไหน?

ตั้งเป้าที่ 30 ถึง 80 คำ อย่าเกิน 100 คำไปมากนัก นี่คือคันโยกคุณภาพที่ง่ายที่สุดเพียงอันเดียวที่คุณมี และปลายทั้งสองด้านของช่วงนี้ล้วนสำคัญ

ต่ำกว่าราว 30 คำ การจัดองค์ประกอบ แสง และการจัดเฟรมจะไม่ถูกระบุ โมเดลจึงเลือกสิ่งที่ธรรมดาที่สุดในเชิงสถิติ "ผู้หญิงคนหนึ่งในร้านกาแฟ" เป็นพรอมป์ที่ใช้ได้ซึ่งผลิตภาพที่ลืมได้ง่าย เพราะคุณมอบหมายการตัดสินใจที่น่าสนใจทั้งหมดไปให้โมเดล

เหนือราว 100 คำจะเกิดความล้มเหลวอีกแบบ: วลีท้าย ๆ แข่งกับวลีต้น ๆ เพื่อแย่งพื้นที่เดียวกันของภาพ และแทนที่จะสะสมรายละเอียด คุณกลับได้การเจือจาง คำบรรยายแสงชุดที่สามลบล้างชุดแรก และประธานที่คุณตั้งไว้ในแปดคำแรกก็ได้ความสนใจสัมพัทธ์น้อยลงทุกครั้งที่คุณเติมประโยค พรอมป์ยาวอ่านดูรอบด้าน แต่มันไม่ได้เรนเดอร์ออกมารอบด้าน

วินัยที่ควรมี: เขียนพรอมป์ที่คุณอยากได้ แล้วตัดมันกลับมาเหลือเฉพาะประโยคที่ถ้าลบออกแล้วภาพจะเปลี่ยน

03วินัยการเรียงลำดับ: สิ่งสำคัญที่สุดมาก่อน

เพราะโมเดลอ่านตามลำดับ ตำแหน่งจึงคือการเน้น: สิ่งที่มาก่อนยึดภาพไว้ สิ่งที่มาหลังปรับแต่งภาพ จัดเรียงตามลำดับที่โมเดลต้องการ:

1. ประธาน — ภาพนี้เป็นภาพของใครหรืออะไร อย่างเป็นรูปธรรม
2. การกระทำหรือท่าทาง — เขากำลังทำอะไร ถูกจัดวางไว้อย่างไร
3. สไตล์หรืออารมณ์ — ภาพถ่าย ภาพสีน้ำมัน ภาพประกอบเชิงเทคนิค และระดับน้ำเสียงของมัน
4. ฉากและแสง — เรื่องนี้เกิดขึ้นที่ไหน และแสงแบบใดตกกระทบลงมา
5. เชิงเทคนิค — การจัดเฟรม เลนส์ ระยะชัดลึก รายละเอียดเรื่องสี

บาดแผลที่คนทำกับตัวเองบ่อยที่สุดคือการเริ่มด้วยวลีเชิงเทคนิค การเปิดด้วย "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" บอกโมเดลว่าลุคของภาพคือประธาน ส่วนชายคนนั้นเป็นเพียงรายละเอียด คุณจึงได้เฟรมที่สวยงามแต่ว่างเปล่า พร้อมร่างเล็ก ๆ ที่ไม่ชัดเจนอยู่ในนั้น

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.

ทุกองค์ประกอบจากเวอร์ชันแรกยังอยู่ครบในเวอร์ชันที่สอง ไม่มีอะไรถูกตัดทิ้ง เพียงแต่ตอนนี้โมเดลรู้แล้วว่าภาพนี้เป็นภาพของอะไร ก่อนที่จะถูกบอกว่าจะถ่ายมันอย่างไร — และการเรียงลำดับใหม่เพียงอย่างเดียวก็ย้ายประธานจากสิ่งประกอบมาเป็นศูนย์กลาง

04ทำให้ประธานเป็นรูปธรรม

"คนคนหนึ่ง" ไม่ใช่ประธาน มันคือช่องว่าง — และโมเดลเติมช่องว่างด้วยค่าเฉลี่ยของทุกอย่างที่มันเคยเห็น ซึ่งเป็นที่มาของลุคเงาวับ ไร้อายุ ไร้บุคลิกพอดี ความเป็นรูปธรรมมีราคาห้าคำ แต่ซื้อมนุษย์ที่เฉพาะเจาะจงมาได้หนึ่งคน:

สังเกตรูปแบบ: อายุหรือยุคสมัย ลักษณะเชิงโครงสร้างหนึ่งอย่าง และความไม่สมบูรณ์ที่โดดเด่นหนึ่งอย่าง ข้อที่สามนั่นแหละคือสิ่งที่ทำให้ผลลัพธ์รู้สึกเหมือนถูกถ่ายมามากกว่าถูกสร้างขึ้น ฟันบิ่น ชายเสื้อที่สึก ป้ายที่ถูกทาทับ — ความไม่สมมาตรเล็ก ๆ คือสัญญาณต้านความเป็นพลาสติกที่แรงที่สุดเท่าที่มี และแทบไม่กินงบประมาณคำของคุณเลย

05ความสมจริงแบบภาพถ่าย: เขียนคำขอให้เป็นภาพถ่าย

ความสมจริงแบบภาพถ่ายคือระดับน้ำเสียงเริ่มต้น เว้นแต่คุณจะขอเป็นงานศิลป์ ภาพประกอบ หรืออนิเมะ แต่คำว่า "photorealistic" แทบไม่ทำงานอะไร สิ่งที่ผลิตภาพถ่ายออกมาคือการบรรยายการกระทำของการถ่ายภาพ: กล้องจริง เลนส์จริง และฟิล์มจริงหรือแหล่งกำเนิดแสงจริง

เหตุผลนั้นตรงไปตรงมา ทุกภาพที่มีคำบรรยายว่า "Kodak Portra 400" ถูกทำขึ้นด้วยกระบวนการเฉพาะที่มีโครงสร้างเกรน การม้วนตัวของส่วนสว่าง และการให้สีผิวที่เฉพาะเจาะจง การเอ่ยชื่อฟิล์มจึงเรียกทั้งหมดนั้นออกมา ส่วน "8k ultra detailed" เคยปรากฏแต่ในสแปมของเว็บภาพสต็อก มันจึงเรียกสแปมของเว็บภาพสต็อกออกมา นี่คือสูตรที่เชื่อถือได้ไม่กี่สูตร แต่ละสูตรให้ภาพของประธานเดียวกันที่ต่างกันอย่างชัดเจน:

จับคู่รายละเอียดที่ยึดโยงกับความจริงให้เข้ากับสูตร — เนื้อผิวระดับรูขุมขนไม่มีความหมายในเลนส์กว้าง 24mm ที่ใบหน้าสูงแค่แปดสิบพิกเซล — แล้วค่อยเติมมันเข้าไป รายละเอียดที่ยึดโยงกับความจริง คือหลักฐานทางพื้นผิวที่บอกว่าเลนส์ได้บันทึกสิ่งนี้ไว้จริง รูขุมขนที่มองเห็นได้และขนอ่อนบนใบหน้า เนื้อทอของเสื้อลินิน ฝุ่นละอองในลำแสง รอยถลอกบนรองเท้าบูตหนัง เส้นผมที่ฟุ้งขึ้นตัดกับฉากหลังสว่าง สองหรือสามอย่างก็พอ และมันคือความต่างระหว่างภาพเรนเดอร์ของคนกับภาพถ่ายของคน

06ฉากที่มีหลายชั้น: ฉากหน้า ฉากกลาง ฉากหลัง

เมื่อฉากมีความลึก ให้บรรยายทั้งสามระนาบแยกกันและตามลำดับ นี่คือเทคนิคที่ได้ผลที่สุดสำหรับภาพที่ควรรู้สึกเหมือนสถานที่จริงมากกว่าฉากหลังแบน ๆ และแทบไม่มีใครทำ ถ้าไม่ทำ คุณจะได้ความแบน: ทุกอย่างที่พรอมป์เอ่ยถึงจะลงจอดที่ระยะห่างใกล้เคียงกัน แย่งกันอยู่ในแถบกลางเดียวกันของเฟรม การระบุชื่อระนาบให้งบประมาณความลึกแก่โมเดลไว้ใช้จ่าย

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.

ข้อปรับปรุงสองอย่าง วางอะไรบางอย่างไว้ในฉากหน้าที่หลุดโฟกัสโดยตั้งใจ — ภาพถ่ายจริงของฉากที่ลึกแทบจะมีเสมอ และการที่มันหายไปคือจุดสังเกตที่พบบ่อย และบอกด้วยว่าประธานอยู่ในระนาบไหน: ถ้าพนักงานส่งของด้วยจักรยานคือประเด็นของภาพ เธอควรอยู่ในฉากกลาง มิฉะนั้นตึกกระจกกับแก้วกาแฟจะแย่งเฟรมกับเธอ

07สีที่แน่นอน: รหัสเลขฐานสิบหกที่ผูกกับวัตถุ

สำหรับงานแบรนด์ ความต่อเนื่องของเครื่องแต่งกาย หรือที่ไหนก็ตามที่ "สีแดง" ยังเฉพาะเจาะจงไม่พอ ให้เขียนรหัสเลขฐานสิบหกในรูป color #RRGGBB แล้วผูกมันเข้ากับวัตถุที่ระบุชื่อไว้:

...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...

หลักการง่าย ๆ สามข้อ ใช้เลขฐานสิบหกกับสองหรือสามสีที่สำคัญจริง ๆ และใช้คำพูดธรรมดากับที่เหลือ — พรอมป์ที่มีรหัสเลขฐานสิบหกหกรหัสใช้งบประมาณส่วนใหญ่ไปกับแผ่นเทียบสี ผูกรหัสเข้ากับวัตถุที่มีขอบเขต ไม่ใช่กับ "แสง" หรือ "อารมณ์" และจำไว้ว่ามันระบุสีของวัตถุ ไม่ใช่ค่าพิกเซลสุดท้าย: เสื้อโค้ต #8B0000 ในแสงย้อนช่วงโกลเดนอาวร์จะเรนเดอร์ออกมาอุ่นกว่าแผ่นเทียบสี เหมือนที่มันจะเป็นในชีวิตจริงพอดี

08การเลือกอัตราส่วนภาพ

มีห้าอัตราส่วนให้ใช้ และอันที่ถูกต้องมักถูกบอกเป็นนัยจากประธานอยู่แล้ว แต่คำขอที่คุณระบุชัดเจนชนะเสมอ — ขอวอลเปเปอร์แล้วคุณจะได้ tall ไม่ว่าเนื้อหาจะบ่งบอกอะไร

การเลือกผิดข้อนี้สร้างความเสียหายมากกว่าที่เห็น คนยืนเต็มตัวในเฟรม wide ไม่ได้ให้คุณคนตัวเล็กในเฟรมใหญ่ — มันมักให้คนที่ถูกตัด เพราะโมเดลเติมความกว้างจนเต็มแล้วหัวหรือเท้าก็หลุดออกนอกเฟรม จับคู่เฟรมให้เข้ากับแกนหลักของประธาน แล้วเสียงบ่นเรื่องการจัดองค์ประกอบส่วนใหญ่จะหายไป

พฤติกรรมสองอย่างที่ควรจำ: การแก้ไขจะคงอัตราส่วนภาพของภาพต้นทางไว้โดยอัตโนมัติ คุณจึงเปลี่ยนกรอบภาพด้วยการแก้ไขไม่ได้ ส่วนการรวมภาพให้คุณเลือกผืนผ้าใบใหม่ได้ — ซึ่งมักเป็นวิธีที่สะอาดที่สุดในการเปลี่ยนรูปทรงของสิ่งที่คุณมีอยู่แล้ว

09รูปแบบที่ควรเลิกใช้

โทเค็นคุณภาพ: "masterpiece, best quality, 8k, ultra detailed"

สิ่งเหล่านี้เป็นตัวจับที่ชุมชนค้นพบสำหรับการกระจายตัวของข้อมูลฝึกรุ่นเก่าโดยเฉพาะ ซึ่งวลีคำบรรยายบางวลีสัมพันธ์กับแหล่งที่มาของภาพบางแหล่ง มันไม่ถ่ายโอนมา ที่นี่มันถูกอ่านเป็นคำภาษาอังกฤษธรรมดา ไม่ให้ประโยชน์อะไร และกินส่วนหนึ่งของงบประมาณคำที่คุณถูกบอกไปแล้วว่าคับ สิ่งที่ควรใช้แทนคือบอกว่ารายละเอียดไหนที่คุณต้องการ: ไม่ใช่ "ultra detailed" แต่เป็น "เห็นเนื้อทอของผ้าเสื้อโค้ตและเคราสั้น ๆ ตามแนวกราม" — เจตนาเดียวกัน แต่แสดงออกในรูปที่โมเดลเรนเดอร์ได้

ไวยากรณ์ถ่วงน้ำหนัก: (word:1.3), [word], {{word}}

ไม่ถูกอ่าน วงเล็บ วงเล็บเหลี่ยม ทวิภาค และตัวเลข ลงเป็นข้อความตรงตัว และถ้าจะมีผลอะไร ก็คือทำให้วลีรอบ ๆ อ่านยากขึ้น ถ้าคุณอยากเน้นบางอย่างมากขึ้น ให้ใช้สองคันโยกที่ได้ผลจริง: ย้ายมันขึ้นไปก่อนในพรอมป์ และให้คำกับมันมากขึ้น "A crimson silk scarf, its fringed ends lifting in the wind" ชนะ "(red scarf:1.4)" ในทุกมิติที่สำคัญ

ทิศทางที่ขัดแย้งกัน

การผสมคำสั่งที่เข้ากันไม่ได้ไม่ได้ทำให้มันกลมกลืนกัน แต่ผลิตค่าเฉลี่ยที่ไม่เสถียรซึ่งมักไม่ตอบสนองอะไรเลยสักอย่าง ผู้กระทำผิดที่พบบ่อย:

• สื่อ — "photorealistic" บวก "watercolor" หรือ "oil painting" บวก "shot on 85mm" เลือกอย่างเดียวแล้วยึดมั่นกับมัน
• การจัดเฟรม — "wide establishing shot" บวก "extreme close-up on her eyes" หรือ "full body" บวก "detailed facial pores"
• แสง — "harsh midday sun" บวก "soft golden hour glow" หรือ "low key, deep shadows" บวก "bright and airy"
• ยุคสมัย — "1970s film aesthetic" บวก "modern minimalist" บวก "cyberpunk"
• การซ้อนสไตล์ — ศิลปินสี่คนหรือแนวสี่แนวพร้อมกัน การอ้างอิงสองอย่างที่เกี่ยวข้องกันพอใช้ได้ แต่สี่อย่างจะหักล้างกันจนกลายเป็นของกลาง ๆ
• การเยิ่นเย้อ — "rustic, weathered, ancient, timeworn wooden door" คือความคิดเดียวที่เขียนสี่ครั้ง และการซ้ำแต่ละครั้งเจือจางพรอมป์ส่วนที่เหลือ

10ไม่มีพรอมป์เชิงลบใน text-to-image

นี่คือรูปแบบที่ควรเลิกใช้ซึ่งดักผู้ใช้ที่มีประสบการณ์ได้หนักที่สุด เพราะบนสแตกรุ่นเก่า พรอมป์เชิงลบคือครึ่งหนึ่งของงานฝีมือ

สำหรับการสร้างภาพ กฎนี้เด็ดขาดและขัดสัญชาตญาณเล็กน้อย: การเขียนว่า "ไม่เอาข้อความ ไม่เอาลายน้ำ ไม่เอานิ้วเกิน" ลงในพรอมป์ ทำให้สิ่งเหล่านั้นมีโอกาสเกิดขึ้นมากขึ้น ไม่ใช่น้อยลง โมเดลอ่าน "ไม่เอาข้อความ" เป็นประโยคที่มีแนวคิดเรื่องข้อความอยู่ในนั้น การปฏิเสธเป็นสัญญาณที่อ่อน ส่วนคำนามเป็นสัญญาณที่แรง เท่ากับว่าคุณได้ขอข้อความไปแล้ว จงระบุในรูปเชิงบวกเสมอแทน:

สำหรับการแก้ไขและการรวมภาพ พรอมป์เชิงลบมีอยู่จริงและคุณควรใช้มัน — แต่ใช้กับสิ่งแปลกปลอม ไม่ใช่กับเนื้อหา วัตถุดิบที่ดี: ลายน้ำ ข้อความซ้อนทับ แขนขาที่ซ้ำซ้อน มือที่บิดเบี้ยว ขอบเรืองจากการเพิ่มความคมเกิน บล็อกแบบ JPEG เส้นตะเข็บตามขอบภาพประกอบ วัตถุดิบที่ไม่ดี: อะไรก็ตามที่เกี่ยวกับว่าภาพนั้นเป็นภาพของอะไร ซึ่งควรอยู่ในคำสั่ง

11การอ่านพรอมป์ที่ Shannon เขียนให้คุณ

นี่คือสิ่งที่ทำให้คู่มือนี้ใช้ได้ทันทีแทนที่จะเป็นแค่ทฤษฎี คุณไม่ต้องเขียนพรอมป์สร้างภาพเอง คุณขอด้วยภาษาธรรมดา ในภาษาใดก็ได้ Shannon รู้ว่ามีการขอภาพ เรียบเรียงพรอมป์สร้างภาพภาษาอังกฤษ และแสดงมันให้คุณดูบนการ์ดยืนยันก่อนที่อะไรจะถูกเรนเดอร์ ไม่มีอะไรถูกสร้างและไม่มีการคิดเงินจนกว่าคุณจะยืนยัน

ดังนั้นทักษะที่ให้ผลตอบแทนมากที่สุดจึงไม่ใช่การเขียนพรอมป์จากศูนย์ — แต่คือการอ่านพรอมป์ที่อยู่บนการ์ด ไล่ดูตามรายการนี้:

1. ประธานเป็นรูปธรรมหรือไม่? ถ้าการ์ดเขียนว่า "a person" หรือ "a woman" คุณเจอจุดที่ปรับปรุงได้มากที่สุดแล้ว ให้อายุ รูปร่าง และลักษณะเด่นแก่มัน
2. ประธานมาก่อนหรือไม่? ถ้าพรอมป์เปิดด้วยสไตล์หรือกล้อง ขอให้มันนำด้วยประธานแทน
3. อยู่ในช่วงที่เหมาะสมหรือไม่? ต่ำกว่า 30 คำ ขอความเฉพาะเจาะจงเพิ่มเรื่องแสงและฉาก เกิน 100 คำ ขอให้ตัดลง
4. มีแหล่งกำเนิดแสงหรือไม่? ไม่ใช่คำบอกอารมณ์ — แต่เป็นแสงจริง: หน้าต่าง โคมไฟถนน แฟลช ท้องฟ้าครึ้ม ซอฟต์บ็อกซ์
5. มีอะไรขัดแย้งกันไหม? สแกนหาสองสื่อ สองการจัดเฟรม หรือสองสภาพแสง ในพรอมป์เดียวกัน
6. มีคำปฏิเสธที่ลักลอบเข้ามาไหม? ถ้าการ์ดมีคำว่า "without", "no" หรือ "avoid" นั่นคือพรอมป์ text-to-image ที่กำลังขอสิ่งที่มันเอ่ยชื่อ
7. อัตราส่วนเหมาะกับประธานหรือไม่? คนเต็มตัวในเฟรม wide คือความไม่เข้ากันแบบคลาสสิก

การแก้ไขทำได้แบบสนทนา: "ทำให้เธออายุต้นสามสิบ มีแผลเป็นพาดคิ้วข้างหนึ่ง ถ่ายด้วย Portra ที่ 85mm และใช้ portrait" เป็นคำสั่งที่ใช้ได้ดีเลย คุณจะได้การ์ดใหม่แล้วยืนยันใบนั้นแทน ไม่มีบทลงโทษสำหรับการวนแก้ เพราะยังไม่มีอะไรถูกเรนเดอร์

และ Shannon ไม่สร้างภาพโดยไม่ได้รับเชิญ การทักทาย คำถาม หรือรูปที่คุณแนบมาเพื่อพูดคุย ไม่ทำให้เกิดการเรนเดอร์ การขอให้ Shannon ดูภาพ — บรรยายมัน อ่านมัน วิเคราะห์มัน — คืองานการมองเห็นตามปกติ ไม่ใช่การสร้างภาพ และไม่มีค่าใช้จ่ายเพิ่ม

12งานฝีมือเปลี่ยนไปอย่างไรสำหรับการแก้ไขและการรวมภาพ

กฎข้างต้นเขียนขึ้นสำหรับการสร้างภาพ อีกสองโหมดที่อยู่ใกล้เคียงกันเปลี่ยนรูปทรงของพรอมป์

การแก้ไขภาพหนึ่งภาพ

พรอมป์แก้ไขคือคำสั่ง ไม่ใช่คำบรรยาย: ระบุว่าอะไรเปลี่ยนและอะไรคงเดิม การระบุชื่อส่วนที่ไม่เปลี่ยนคือคันโยกคุณภาพที่ใหญ่ที่สุดเพียงอันเดียวในผลิตภัณฑ์นี้ — "เปลี่ยนฉากหลังเป็นถนนในเมืองยามค่ำคืนที่ฝนตกพร้อมเงาสะท้อนจากไฟนีออน คงตัวผู้หญิงไว้เหมือนเดิมทุกประการ" ยึดทุกอย่างไว้ได้ ในขณะที่คำขอเดียวกันที่ไม่มีวลีนั้นจะแอบวาดใบหน้าเธอใหม่ จงเจาะจงเรื่องจุดยึด: คงใบหน้า ท่าทาง ผม และเสื้อผ้าให้เหมือนเดิม ใช้ภาพต้นทางหนึ่งภาพเท่านั้น และผลลัพธ์คงอัตราส่วนภาพของมันไว้

การรวมสองภาพขึ้นไป

เมื่อใดก็ตามที่องค์ประกอบมาจากภาพมากกว่าหนึ่งภาพ — การถ่ายโอนเครื่องแต่งกาย การเอาวัตถุใส่ลงในฉาก คนสองคนในเฟรมเดียว สินค้าบนตัวคน สไตล์จากภาพหนึ่งกับตัวแบบจากอีกภาพหนึ่ง — พรอมป์ต้องระบุบทบาทของแต่ละภาพตามลำดับ: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." ภาพแรกคือตัวแบบหลักหรือฉาก ภาพถัดมาป้อนส่วนที่จะนำเข้ามา อย่ายุบคำขอหลายภาพให้เหลือภาพต้นทางเดียวบวกคำบรรยายข้อความ — การรวมภาพจริงคือสิ่งที่รักษาไว้ว่าของเหล่านั้นหน้าตาเป็นอย่างไรจริง ๆ

13การเขียนพรอมป์แบบไม่เซ็นเซอร์: พูดสิ่งที่คุณหมายถึง

ไม่มีตัวกรองเนื้อหาบนเส้นทางการสร้าง และไม่มีชั้นปฏิเสธบนโมเดลที่เขียนพรอมป์ นั่นคือประเด็นทั้งหมดของผลิตภัณฑ์นี้: เครื่องสร้างภาพแบบมีตัวกรองปฏิเสธงานที่ถูกต้องตามกฎหมายเป็นประจำ — ภาพเปลือยเชิงศิลปะ ภาพประกอบทางการแพทย์และนิติเวช ภาพสำหรับงานวิจัยความปลอดภัย ความรุนแรงในงานนิยาย การเสียดสีการเมือง งานแบรนด์และภาพลักษณ์บุคคลโดยเจ้าของสิทธิ์ ครึ่งหนึ่งของงานฝีมือการเขียนพรอมป์บนแพลตฟอร์มที่มีตัวกรองคือวิศวกรรมคำเลี่ยง และคำเลี่ยงคือศัตรูของภาพที่ถูกต้องแม่นยำ

ดังนั้นจึงมีอีกหนึ่งอย่างที่ต้องตรวจบนการ์ด: ว่ามันบรรยายประธานจริง ๆ ด้วยคำตรงไปตรงมา ไม่ใช่คำศัพท์แบบกั๊กที่ผู้คนเรียนมาจากเครื่องมือที่มีตัวกรอง ภาพประกอบทางนิติเวชของบาดแผลควรบอกว่าบาดแผลนั้นคืออะไร ภาษาที่กั๊กไว้ผลิตภาพที่แย่กว่าในทุกที่ เพราะโมเดลเรนเดอร์สิ่งที่ถ้อยคำบอก

ความสามารถกับวิจารณญาณเป็นคนละเรื่องกัน Shannon Lab LLC ดำเนินการสิ่งนี้ภายใต้นโยบายการใช้งานอย่างรับผิดชอบที่เผยแพร่ไว้: การสร้างภาพแบบไม่มีตัวกรองคือเครื่องมือวิชาชีพ และความยินยอม สิทธิ์ และกฎหมาย ล้วนยังใช้กับสิ่งที่คุณสร้างขึ้น

14API เข้ามาตรงไหน

ความแม่นยำหนึ่งข้อสำหรับผู้อ่านที่มาจากการค้นหาเรื่อง API: การสร้างภาพ การแก้ไข และการรวมภาพ อยู่ในแอปแชท Shannon ไม่ใช่บน API /v1 API ให้บริการข้อความและการมองเห็น — มันอ่าน บรรยาย และวิเคราะห์ภาพที่คุณส่งไปให้ได้ บนสำเนียงทั้งสามแบบ (/v1/chat/completions, /v1/messages, /v1/responses ทั้งหมดรองรับการสตรีม) — แต่ไม่ได้สร้างภาพขึ้นมา ถ้าคุณกำลังสร้างไปป์ไลน์ที่ต้องเข้าใจภาพ เอกสาร API คือจุดเริ่มต้น ถ้าคุณอยากสร้างภาพ นั่นคือแอปแชท และทุกอย่างในคู่มือนี้ใช้ได้ที่นั่น ภาพเรนเดอร์บนคลัสเตอร์ GPU ของเราเอง

15คำถามที่พบบ่อย

อ่านเพิ่มเติม: การสร้างภาพ AI แบบไม่เซ็นเซอร์ · การแก้ไขภาพ AI แบบไม่เซ็นเซอร์ · นโยบายการใช้งานอย่างรับผิดชอบ · เอกสาร API · งานวิจัย Shannon ทั้งหมด คำแนะนำในหน้านี้มาจากการทดสอบโมเดลภาพของ Shannon ด้วยตัวเราเอง คำแนะนำที่เขียนขึ้นสำหรับสแตกดิฟฟิวชันรุ่นก่อนโดยทั่วไปแล้วใช้ไม่ได้กับที่นี่