यह कैसे काम करता है, एक पैराग्राफ में
आप एक विवरण टाइप करते हैं और एक तस्वीर आ जाती है। अंदर से, टूल बेतरतीब विज़ुअल शोर से शुरू करता है और उसे बार-बार आपके शब्दों से मेल खाती किसी चीज़ की तरफ़ धकेलता है, क्योंकि उसने बेशुमार कैप्शन वाली तस्वीरों से सीखा है कि शब्द दिखते कैसे हैं।
इसका एक नतीजा शुरुआती लोगों की ज़्यादातर परेशानी समझा देता है: मॉडल आपके विवरण को पैटर्न से मिला रहा है, किसी इंसान की तरह निर्देश नहीं मान रहा। अगर आप कहते हैं "कोई कुत्ता नहीं", तो कुत्ता शब्द वहां मौजूद है और कुत्ता आ भी सकता है। अगर आप कुछ बताना छोड़ देते हैं, तो वह पूछता नहीं; वह उस खाली जगह को उस चीज़ के सबसे औसत रूप से भर देता है जो उसने देखी है।
बस यही पूरा हुनर है। साफ़-साफ़ बताएं कि आपको क्या चाहिए, और जो नहीं चाहिए उसे उसी जगह बताएं जो इसी काम के लिए बनी है।
छह हिस्सों वाला फ़ॉर्मूला
लगभग हर अच्छे इमेज प्रॉम्प्ट में यही छह चीज़ें होती हैं। जो छूट जाती हैं, वे डिफ़ॉल्ट से भर दी जाती हैं, और यही डिफ़ॉल्ट किसी इमेज को घिसा-पिटा बना देते हैं।
| हिस्सा | क्या बताएं | छोड़ देने पर |
|---|---|---|
| विषय | वह खास चीज़, उन विवरणों के साथ जो मायने रखते हैं | उस संज्ञा का सबसे आम रूप |
| जगह | कहां है, और कितना दिखता है | खाली या भरा-भरा बैकग्राउंड |
| रोशनी | दिन का समय, दिशा, गुणवत्ता | सपाट, एक जैसी, बेजान |
| फ्रेमिंग | पास से या चौड़ा, किस एंगल से | हर बार बीच में रखा मीडियम शॉट |
| स्टाइल | फोटोग्राफ, ऑयल पेंटिंग, 3D रेंडर, इलस्ट्रेशन | चमकीली डिजिटल आर्ट |
| मूड या रंग | भाव और रंगों की पैलेट | ज़रूरत से ज़्यादा गाढ़े रंग और तेज़ कंट्रास्ट |
एक कमज़ोर प्रॉम्प्ट: एक आरामदायक लिविंग रूम।
एक मज़बूत प्रॉम्प्ट: एक छोटा लिविंग रूम जिसमें जलती हुई अंगीठी है और एक धारीदार बिल्ली घिसी हुई आरामकुर्सी पर सो रही है, पश्चिम की ओर खुली खिड़की से आती दोपहर बाद की रोशनी, दरवाज़े से लिया गया चौड़ा शॉट, यथार्थवादी फोटोग्राफ, 35mm, गर्म भूरे और हल्के अंबर रंग, शांत और बसा-बसाया।
दोनों को सोचने में लगभग बराबर मेहनत लगती है। दूसरा एक तस्वीर है; पहला सिर्फ़ एक श्रेणी है।
फिर वह हिस्सा जोड़ें जिसे शुरुआती लोग पूरी तरह छोड़ देते हैं: एक नेगेटिव लिस्ट। Negative: text, watermark, extra fingers, cluttered background, stock-photo smiling. किसी इमेज को AI से बनी हुई दिखाने वाली ज़्यादातर बातें बार-बार लौटने वाली गिनी-चुनी खामियों से आती हैं, और उनका नाम लेते ही वे हट जाती हैं।
वह तरकीब जो यह सब आसान कर देती है
ये प्रॉम्प्ट आपको खुद लिखने की ज़रूरत नहीं है। किसी टेक्स्ट AI से कहिए कि वह आपके लिए लिख दे।
इसके लिए एक इमेज जनरेशन प्रॉम्प्ट लिखो: [आपका कच्चा आइडिया]। यह [मकसद] के लिए है। इसे विषय, जगह, रोशनी, फ्रेमिंग, स्टाइल, रंग और मूड के क्रम में बनाओ, फिर एक नेगेटिव लिस्ट दो। मुझे तीन संस्करण दो जो विशेषणों में नहीं, फ्रेमिंग में अलग हों।
लैंग्वेज मॉडल ज़्यादातर लोगों से काफ़ी बेहतर इमेज प्रॉम्प्ट लिखते हैं, क्योंकि यह फ़ॉर्मेट एक जाना-पहचाना फ़ॉर्मेट है और उन्होंने इसके बेशुमार उदाहरण देखे हैं। यही वजह है कि चैट के अंदर ही इमेज बनाना अलग से बने इमेज बॉक्स से सचमुच ज़्यादा काम का है: जो टूल प्रॉम्प्ट लिखता है, वह उसी के बगल में बैठा है जो तस्वीर बनाता है।
आपकी इमेज गलत क्यों आई
एक छोटी जांच सूची जो शुरुआती लोगों की लगभग हर दिक्कत कवर करती है।
बोरिंग और आम लग रही है। आपने रोशनी या फ्रेमिंग नहीं बताई। ये दोनों बाकी किसी भी जोड़ी से ज़्यादा काम करते हैं।
चीज़ें सही हैं, पर सजी गलत हैं। फ्रेमिंग साफ़-साफ़ बताएं: नीचे से चौड़ा शॉट, क्लोज़ अप, विषय बाएं तिहाई हिस्से में। जब तक आप न कहें, मॉडल को कोई अंदाज़ा नहीं कि आप चीज़ें कहां चाहते हैं।
जो नहीं दिखना चाहिए था वही तस्वीर में है। मुख्य प्रॉम्प्ट में उसका नाम लेने से उसके आने की संभावना घटती नहीं, बढ़ती है। उसे नेगेटिव लिस्ट में ले जाएं।
हाथ, चेहरे या छोटे दोहराए जाने वाले विवरण गलत हैं। हर जगह आज भी यही सबसे कमज़ोर हिस्सा है। पास से लिया क्रॉप, कोई दूसरा एंगल, या हाथ बिल्कुल न दिखना आज़माएं। कभी-कभी बस दोबारा बना लें।
टेक्स्ट बेतुका आ रहा है। यह अपेक्षित है। अगला सेक्शन देखें।
यह स्टॉक फोटोग्राफी जैसी लग रही है। candid जोड़ें, पोज़ के बजाय कोई क्रिया बताएं, और नेगेटिव में stock-photo smiling at camera डालें।
जहां लगानी है उसके लिए आकार गलत है। जो आस्पेक्ट रेशियो आपको सचमुच चाहिए, वही मांगें। किसी चौकोर इमेज को काटकर बैनर बनाना उसी कंपोज़िशन को फेंक देता है जो आपने मांगी थी।
गोल-गोल घूमे बिना सुधार करना
शुरुआती लोग वही प्रॉम्प्ट बार-बार चलाते हैं, इस उम्मीद में कि इस बार किस्मत साथ देगी। थोड़ा अनिश्चय टाला नहीं जा सकता, लेकिन ज़्यादातर बेकार कोशिशें एक साथ कई चीज़ें बदल देने से होती हैं।
- हर कोशिश में एक ही चीज़ बदलें। रोशनी, या फ्रेमिंग, या स्टाइल। तीनों नहीं, वरना आपको पता ही नहीं चलेगा कि काम किसने किया।
- विवरण से पहले कंपोज़िशन ठीक करें। पहले फ्रेमिंग और रोशनी सही कर लेना उस विषय को निखारने से कहीं ज़्यादा असरदार है जो फ्रेम में गलत जगह पड़ा है।
- जो सही था वह बताएं। जब इमेज करीब आ जाए, तो यह मान लेने के बजाय कि टूल को याद है, अगले प्रॉम्प्ट में शब्दों में कहें कि क्या अच्छा था।
- जो प्रॉम्प्ट चले उन्हें सहेजें। छह या आठ भरोसेमंद प्रॉम्प्ट ढांचे किसी एक इमेज से ज़्यादा कीमती हैं, और यही तस्वीरों के एक सेट को आपस में जुड़ा हुआ दिखाते हैं।
यह आज भी क्या नहीं कर सकता
टेक्स्ट। इमेज के अंदर के शब्द हर जगह आज भी भरोसेमंद नहीं हैं। कोई छोटा शब्द कभी-कभी बन जाता है; कोई हेडलाइन या लोगो आमतौर पर नहीं। तस्वीर बिना टेक्स्ट के बनाएं और टेक्स्ट किसी भी डिज़ाइन टूल में जोड़ें, जिससे आपको सही फ़ॉन्ट भी मिल जाएगा।
बिल्कुल तय सजावट। "ठीक तीन चीज़ें, लाल वाली बाईं तरफ़" जैसा निर्देश भरोसे से नहीं माना जाता। अगर सजावट मायने रखती है, तो टुकड़े अलग-अलग बनाएं और उन्हें खुद जोड़ें।
वही किरदार दोबारा। किसी सीरीज़ में एक ही इंसान या प्रोडक्ट को हूबहू बनाए रखना मुश्किल है। विस्तार से दोहराए गए विवरण मदद करते हैं और एक जैसे नतीजों की गारंटी नहीं है।
किसी असली फोटो में बारीक बदलाव। यह बैकग्राउंड, रोशनी और स्टाइल अच्छी तरह बदल सकता है। यह किसी चीज़ को दो इंच बाईं तरफ़ खिसकाने का काम भरोसे से नहीं कर सकता।
और नतीजों के इस्तेमाल पर: बनाई हुई कोई भी चीज़ कहीं व्यावसायिक रूप से जाने से पहले नियम जांच लें। किसी असली इंसान, किसी पहचानी जाने वाली जगह, या किसी जीवित कलाकार की खास शैली से मिलती-जुलती इमेज पर खास ध्यान दें। शर्तें हर टूल में अलग होती हैं और ज़िम्मेदारी उसी की है जो इमेज प्रकाशित करता है।
- छहों हिस्से शामिल करें: विषय, जगह, रोशनी, फ्रेमिंग, स्टाइल, मूड
- जो नहीं चाहिए उसे नेगेटिव लिस्ट में रखें, मुख्य विवरण में कभी नहीं
- अपने कच्चे आइडिया से इमेज प्रॉम्प्ट लिखवाने के लिए किसी टेक्स्ट AI से कहें
- जो आस्पेक्ट रेशियो आपको सचमुच चाहिए, उसी पर इमेज बनाएं
- हर कोशिश में एक ही चीज़ बदलें ताकि आपको पता चले कि काम किसने किया
- टेक्स्ट इमेज मॉडल में नहीं, किसी डिज़ाइन टूल में जोड़ें
- जो प्रॉम्प्ट चले उन्हें सहेजें ताकि आपकी इमेज एक जैसी दिखें
अक्सर पूछे जाने वाले सवाल
क्या AI इमेज बनाने के लिए मुझे कला आनी चाहिए?
नहीं, लेकिन विवरण देने का हुनर ज़रूर चाहिए, और शुरुआती लोग इसी हिस्से को कम आंकते हैं। एक निराश करने वाली और एक अच्छी इमेज के बीच का फ़र्क लगभग पूरी तरह इस बात से आता है कि आपने रोशनी, फ्रेमिंग और स्टाइल कितने साफ़ तरीके से बताई। अगर किसी दृश्य का विस्तार से वर्णन करना आपको सहज नहीं लगता, तो किसी टेक्स्ट AI से कहें कि वह आपके कच्चे आइडिया को एक व्यवस्थित प्रॉम्प्ट में बदल दे, यह तरीका अच्छा काम करता है।
क्या मैं इमेज के आइडिया सोचने में AI की मदद ले सकता हूं?
हां, और यह ज़्यादातर लोगों की सोच से कहीं ज़्यादा काम का है। किसी चैटबॉट से पांच वर्णनात्मक कॉन्सेप्ट मांगें, फिर जो सबसे पसंद आए उसे नेगेटिव लिस्ट के साथ एक पूरे व्यवस्थित इमेज प्रॉम्प्ट में बदलवाएं। लैंग्वेज मॉडल ज़्यादातर शुरुआती लोगों से बेहतर इमेज प्रॉम्प्ट लिखते हैं, यही वजह है कि चैट के अंदर इमेज बनाना अलग से बने इमेज बॉक्स पर भारी पड़ता है।
मेरी इमेज में लिखा टेक्स्ट बेतुका क्यों दिखता है?
क्योंकि हर इमेज मॉडल में लिखा हुआ टेक्स्ट सचमुच सबसे कमज़ोर हिस्सा है, और कोई भी प्रॉम्प्ट इसे भरोसे से ठीक नहीं करता। छोटे इकलौते शब्द कभी-कभी सही आ जाते हैं; हेडलाइन, लोगो और लेबल आमतौर पर नहीं। इमेज बिना टेक्स्ट के बनाएं और टाइपोग्राफी किसी भी डिज़ाइन टूल में जोड़ें, जिससे आप सही फ़ॉन्ट भी इस्तेमाल कर पाएंगे और उसे ठीक जगह रख पाएंगे।
सबसे अच्छा इमेज जनरेटर कौन सा है?
यह लोगों की उम्मीद से कहीं ज़्यादा विषय पर निर्भर करता है। Flux फोटो जैसी असली दिखने वाली इमेज और हर उस चीज़ के लिए सबसे मज़बूत है जो कैमरे से निकली लगनी चाहिए। Stable Diffusion इलस्ट्रेशन के लिए ज़्यादा स्टाइल नियंत्रण और विविधता देता है। तय करने का सबसे तेज़ तरीका यह है कि एक ही प्रॉम्प्ट दोनों पर चलाएं और नतीजे साथ-साथ देखें, क्योंकि पोर्ट्रेट में जो जीतता है वह अक्सर इंटीरियर में नहीं जीतता।
क्या इमेज जनरेशन के लिए अलग सदस्यता चाहिए?
ज़रूरी नहीं। Whizi में इमेज जनरेशन Pro और उससे ऊपर के प्लान में टेक्स्ट मॉडलों के साथ ही शामिल है, जो दूसरा बिल चुकाए बिना आम क्रिएटिव और कंटेंट के काम पूरे कर देता है। एक अलग इमेज टूल तब भी समझ में आता है जब कोई रोज़ पेशेवर रूप से यही काम कर रहा हो और बहुत बारीक स्टाइल नियंत्रण चाहता हो।
