Ce înseamnă Text-to-image (generare de imagini)
Text-to-image înseamnă „din text în imagine”: scrii o descriere, iar modelul creează o imagine care nu a existat înainte. Poate fi o fotografie realistă, o ilustrație, un logo, o pictură în stilul unei epoci sau o schiță de produs.
Printre cele mai cunoscute instrumente sunt Midjourney, DALL-E (de la OpenAI, integrat în ChatGPT), Stable Diffusion (cu greutăți publice, care poate rula și pe calculatorul propriu) și generatoarele de imagini din Gemini sau din aplicațiile Adobe. Rezultatele s-au îmbunătățit enorm în câțiva ani, inclusiv la redarea textului din imagini și a mâinilor, care erau puncte slabe celebre.
Cum funcționează
Majoritatea generatoarelor folosesc modele de difuzie. O parte a sistemului transformă promptul în numere care îi surprind sensul, iar altă parte pornește de la o imagine plină de zgomot aleator și o „curăță” în pași succesivi, ghidată de text, până apare o imagine care se potrivește descrierii.
Modelul a învățat legătura dintre cuvinte și imagini din sute de milioane de perechi imagine–descriere. De aici vin și discuțiile despre drepturile de autor: multe dintre aceste imagini au fost colectate de pe internet.
Pe înțelesul tuturor
Este ca și cum ai descrie o scenă unui ilustrator foarte rapid care a văzut milioane de imagini. Nu copiază o poză anume, ci desenează ceva nou, pe baza a tot ce a văzut.
Exemplu
Un prompt ca „o căsuță tradițională maramureșeană iarna, la apus, fum din horn, stil acuarelă” produce în câteva secunde mai multe variante. Un mic magazin online poate genera astfel imagini de prezentare, dar trebuie să verifice că rezultatul nu induce clientul în eroare despre produsul real.
De reținut
- Imaginea este creată de la zero, pe baza unui prompt; nu este căutată pe internet.
- Cu cât promptul este mai precis (subiect, stil, lumină, încadrare), cu atât rezultatul este mai controlabil.
- Regulile privind drepturile de autor și etichetarea imaginilor generate diferă și se schimbă; verifică termenii fiecărui serviciu.
Nu confunda
- Text-to-image vs. editare cu AI: text-to-image creează o imagine nouă; inpainting-ul modifică doar o parte dintr-o imagine existentă.
Termeni înrudiți
- Model de difuzie: Tip de model generativ care creează imagini, sunet sau video pornind de la zgomot aleator și curățându-l pas cu pas.
- Prompt: Textul (uneori și imaginile sau fișierele) pe care îl dai unui model AI ca să-i spui ce vrei să facă.
- Midjourney: Serviciu de generare a imaginilor din descrieri text, cunoscut pentru stilul artistic, lansat în 2022 de un laborator independent american.
- DALL-E: Seria de modele OpenAI care generează imagini din descrieri text, una dintre primele care au arătat publicului această tehnologie.
- Stable Diffusion: Model de generare a imaginilor din text, publicat în 2022 cu ponderi deschise, care poate rula pe un calculator personal cu o placă video bună.
- AI generativă: AI care creează conținut nou (text, imagini, sunet, video sau cod) pornind de la o cerere scrisă în limbaj obișnuit.