Midjourney, DALL-E की FLUX: फोटोसारखी चित्रे आणि वाचता येणारे शब्द कोण सर्वात चांगले काढते?

तुमच्या वर्गातील मुलांसाठी एक सणाचे पोस्टर हवे आहे. तुम्ही लिहिले: "गणपतीची मूर्ती, समोर मोदकांचा थर, मागे दिव्यांची रांग आणि वर मराठीत 'शुभ सण' असे लिहिलेले फलक." तीन वेगवेगळ्या साधनांना हाच मजकूर दिला. पहिल्याने दिव्यांचा प्रकाश अप्रतिम रंगवला, पण फलकावरचे अक्षर विस्कटले. दुसऱ्याने अक्षरे व्यवस्थित लिहिली, पण मूर्तीचा चेहरा सपाट वाटला. तिसऱ्याने हाताची बोटे अचूक काढली, पण दिव्यांची रांग कमी पडली. हाच फरक समजून घेणे म्हणजे या तीन साधनांतील खरा फरक समजून घेणे.

आत काय घडते ते पाहूया

ही साधने चित्र कापून चिकटवत नाहीत. प्रत्येक साधनाला आधी लाखो चित्रे आणि त्यांची वर्णने दाखवून शिकवले जाते. या शिक्षणात संगणक ठराविक शब्दांशी ठराविक रंग, आकार आणि प्रकाश जोडण्याची सवय लावून घेतो. तुम्ही वर्णन लिहिल्यावर तो आपल्या स्मरणातील जुळणारे नमुने एकत्र करून पूर्ण नवे चित्र रेखाटतो. या पद्धतीला डिफ्युजन म्हणजेच धुरकट पडद्यावरून टप्प्याटप्प्याने स्पष्ट आकार घडवण्याची पद्धत असे म्हणतात.

फरक पडतो तो प्रशिक्षणात दिलेल्या नमुन्यांच्या प्रकारात आणि साधनाच्या रचनेत. काही साधने कलात्मक सौंदर्यावर जास्त भर देतात, तर काही अक्षरे आणि आकार अचूक राखण्यावर. त्यामुळे एकच वर्णन दिल्यास तीन वेगळी चित्रे मिळतात.

कोणते साधन कशात पुढे आहे

• Midjourney: चित्रपटासारखा देखावा, त्वचेवरील बारीक तपशील आणि नैसर्गिक प्रकाश यामध्ये सर्वोत्तम मानले जाते. कापडाचे पोत आणि चेहऱ्यावरील सावल्या जिवंत वाटतात.
• DALL-E (ChatGPT): गप्पांच्या ओघात सहज भाषेत वर्णन लिहिता येते आणि लगेच सुधारणा सांगता येते. कल्पनेतील गुंतागुंतीचे विचारही ते समजून घेते.
• FLUX: मानवी हाताची बोटे आणि फलकांवरील अक्षरे अचूक रेखाटण्यात पुढे असल्याचे सांगितले जाते. जाहिरातीचे फलक किंवा लोगो असलेली चित्रे हवी असतील तर ते उपयुक्त ठरते.

वर्णन कसे लिहावे

वर्णन जितके स्पष्ट, तितका निकाल जवळचा. फक्त "एक मुलगी" असे लिहिण्यापेक्षा "खिडकीजवळ बसलेली मुलगी, संध्याकाळचा प्रकाश चेहऱ्यावर पडलेला, हातात पुस्तक" असे लिहा. दुसऱ्या वर्णनात स्थान, प्रकाश आणि वस्तू स्पष्ट आहेत, त्यामुळे साधनाला अंदाज लावण्याची गरज कमी होते. पण लांब वर्णन नेहमीच चांगले असेल असे नाही; गोंधळलेले वर्णन निकाल बिघडवते.

चित्र मिळाल्यावर ते तपासा. बोटांची संख्या, अक्षरांची जोडणी आणि वस्तूंचा आकार नीट पाहा. काही चूक आढळल्यास ती नोंदवून वर्णनात बदल करा. ही साधने एका प्रयत्नात परिपूर्ण चित्र देतात असे मानू नका; दोन-तीन वेळा सुधारणा करावी लागते.

लक्षात ठेवण्याच्या गोष्टी

या साधनांनी काढलेले चित्र खरे छायाचित्र नाही. ते वास्तववादी दिसत असले तरी ते संगणकाने रचलेले असते. त्यामुळे बातमी, जाहिरात किंवा कागदपत्रात वापरण्यापूर्वी ते खरे आहे का हे स्वतंत्रपणे तपासा. तसेच कोणाचाही चेहरा किंवा आवाज वापरून चित्र काढणे त्यांच्या परवानगीशिवाय टाळा.