વાંચવાનો સમય 3 મિનિટ
Midjourney, DALL-E કે FLUX: કયું સાધન સાચા ચહેરા, સ્પષ્ટ અક્ષરો અને કુદરતી પ્રકાશવાળી તસવીર બનાવે છે?
30 સેકન્ડમાં સાર
ચિત્ર બનાવતું એઆઈ (ટેક્સ્ટ-ટુ-ઇમેજ) એ એવી પદ્ધતિ છે જેમાં તમે સાદી ભાષામાં લખો છો અને કમ્પ્યુટર તે શબ્દોના આધારે નવું ચિત્ર રચે છે. તે જૂની તસવીરો કાપીને ચોંટાડતું નથી, પરંતુ અસ્પષ્ટ ડિજિટલ ટપકાંઓને ધીમે ધીમે સાફ કરીને ચિત્ર બનાવે છે. આ પ્રક્રિયામાં માનવી જેવા ચહેરા, કુદરતી પ્રકાશ અને લખાણ જેવી વિગતો કેટલી સચોટ આવે છે તે સાધન પર આધાર રાખે છે.
તમારા દીકરાના જન્મદિવસ માટે એક સુંદર આમંત્રણ બનાવવું છે. તમે કમ્પ્યુટરને લખો છો: 'એક છોકરો લાલ ફુગ્ગા સાથે દોડી રહ્યો છે, પાછળ લીલું બગીચો અને સાંજનો સોનેરી પ્રકાશ.' થોડી ક્ષણોમાં ચાર અલગ અલગ ચિત્રો સામે આવે છે. પણ એકમાં છોકરાના હાથમાં છ આંગળીઓ છે, બીજામાં ફુગ્ગા પર લખેલો શબ્દ અસ્પષ્ટ છે. આવું કેમ થાય છે? આ લેખમાં આપણે ત્રણ અગ્રણી ચિત્ર બનાવતા સાધનો — Midjourney, DALL-E અને FLUX — ની તાકાત અને મર્યાદા સરખાવીશું.
ચિત્ર બનવાની પ્રક્રિયા સમજીએ
આ સાધનો પહેલેથી સાચવેલી તસવીરોમાંથી ટુકડા કાપીને ચોંટાડતા નથી. તે ડિફ્યુઝન મોડેલ (ધીમે ધીમે સાફ થતું ચિત્ર) પદ્ધતિ વાપરે છે. શરૂઆતમાં સ્ક્રીન પર ફક્ત અસ્પષ્ટ ડિજિટલ ટપકાંઓ હોય છે. તમારા લખાણના આધારે કમ્પ્યુટર દરેક પગલે ટપકાંઓને થોડા સાફ કરે છે, જેમ કે ધૂંધળા ફોટા પરથી ધીમે ધીમે ચહેરો ઉભરી આવે. આખરે એક સ્પષ્ટ ચિત્ર તૈયાર થાય છે. આ પ્રક્રિયામાં દરેક સાધન પોતાની રીતે અલગ પડે છે.
Midjourney: કલાત્મક અને કુદરતી દેખાવ
Midjourney ખાસ કરીને ફોટોગ્રાફી જેવી સુંદરતા માટે જાણીતું છે. તે ચામડીની બનાવટ, કપડાંની ગડીઓ અને સાંજના સોનેરી પ્રકાશને એટલી કુદરતી રીતે દર્શાવે છે કે ચિત્ર સાચી તસવીર લાગે. જો તમારે લગ્નનું આમંત્રણ, પોસ્ટર કે કલાત્મક પોસ્ટ બનાવવું હોય, તો તેની સૌંદર્યાત્મક ગુણવત્તા ખૂબ ઉપયોગી છે. પરંતુ જ્યારે ચિત્રમાં અક્ષરો લખવાની વાત આવે, ત્યારે તે અન્ય સાધનો કરતાં પાછળ રહી જાય છે. ઘણી વાર બોર્ડ પરના શબ્દો અડધા કે અર્થહીન દેખાય છે.
DALL-E: વાતચીત દ્વારા સરળ સુધારો
DALL-E ને ChatGPT ના ચેટમાં સીધું વાપરી શકાય છે. તમે સાદી ભાષામાં લખો છો અને તે તરત ચિત્ર બનાવે છે. જો ચિત્ર ગમે નહીં, તો તમે લખી શકો: 'આંગળીઓ ઓછી કરો' કે 'પ્રકાશ વધુ કરો'. તે સૂચના સમજીને ફરી ચિત્ર બનાવે છે. આ સુવિધા નવા વપરાશકર્તા માટે ખૂબ અનુકૂળ છે. તે લાંબા અને જટિલ વિચારો પણ સમજી શકે છે, જેમ કે 'એક વૃદ્ધ સ્ત્રી બગીચામાં ચા પીતી બેઠી છે અને તેના ચહેરા પર શાંતિ છે.' પરંતુ અક્ષરો અને હાથની આંગળીઓમાં તે હજી ભૂલો કરે છે.
FLUX: હાથ અને અક્ષરોમાં સચોટતા
FLUX આધુનિક સાધન છે જે માનવીના હાથ, આંગળીઓ અને ચહેરાના નાના ભાગોને ખૂબ સચોટ રીતે દર્શાવે છે. જો ચિત્રમાં કોઈ વ્યક્તિ ચા પીતી હોય, તો તેની આંગળીઓ કપ પર બરાબર ગોઠવાયેલી દેખાય છે. વધુ મહત્ત્વનું, તે ચિત્રની અંદર લખાણ લખવામાં નિપુણ છે. દુકાનના બોર્ડ પર 'શ્રી કૃષ્ણ સ્ટોર' જેવા શબ્દો સ્પષ્ટ અને સાચા અક્ષરોમાં લખાય છે. જ્યારે તમારે લોગો, બેનર કે લેબલ બનાવવું હોય, ત્યારે FLUX ખૂબ ઉપયોગી સાબિત થાય છે. પરંતુ અતિ કલાત્મક અને ચિત્રાત્મક દેખાવમાં તે Midjourney જેટલું પ્રભાવશાળી નથી.
કયું સાધન ક્યારે પસંદ કરવું?
- સુંદર ફોટોગ્રાફી, લગ્નનું આમંત્રણ કે કલાત્મક પોસ્ટર માટે Midjourney શ્રેષ્ઠ છે, કારણ કે તે પ્રકાશ અને ચામડીની બનાવટ કુદરતી દર્શાવે છે.
- ઝડપી અને સરળ ચિત્ર જોઈએ, વારંવાર ફેરફાર કરવો હોય કે નવા વિચારો અજમાવવા હોય તો DALL-E વાપરો, કારણ કે તે ચેટમાં વાતચીત દ્વારા સુધારો સ્વીકારે છે.
- દુકાનનું બોર્ડ, લોગો કે લેબલ બનાવવું હોય અને તેમાં સ્પષ્ટ અક્ષરો તથા સાચા હાથ જોઈએ, તો FLUX પસંદ કરો.
યાદ રાખો, કોઈ પણ સાધન 100% સંપૂર્ણ નથી. દરેક ચિત્રને ધ્યાનથી જુઓ. જો આંગળીઓ વધારે હોય, અક્ષરો અસ્પષ્ટ હોય કે પડછાયો ખોટી દિશામાં પડ્યો હોય, તો ફરી સૂચના આપીને ચિત્ર સુધારો. જેમ જેમ તમે વધુ પ્રયોગ કરશો, તેમ તમને ખબર પડશે કે કયું સાધન તમારા કામ માટે સૌથી યોગ્ય છે.