ಓದಲು 3 ನಿಮಿಷ

Text-to-image AI: ನೀವು ಬರೆದ ವಾಕ್ಯಗಳಿಂದ ಕಂಪ್ಯೂಟರ್ ಚಿತ್ರಗಳನ್ನು ರಚಿಸುವುದು ಹೇಗೆ?

ಪ್ರಕಟಿತ ನವೀಕರಿಸಿದ

30 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಅರ್ಥ

ಪಠ್ಯದಿಂದ ಚಿತ್ರ ಎನ್ನುವುದು ಜನರೇಟಿವ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾದರಿಯಾಗಿದ್ದು, ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ವಿವರಣೆಯನ್ನು ಗ್ರಹಿಸಿ ಅದಕ್ಕೆ ತಕ್ಕಂತಹ ಡಿಜಿಟಲ್ ಚಿತ್ರ ಅಥವಾ ಕಲಾಕೃತಿಯನ್ನು ಮೊದಲಿನಿಂದ ಸೃಷ್ಟಿಸುತ್ತದೆ. ಇದು ಅಂತರ್ಜಾಲದಲ್ಲಿ ಹುಡುಕಿ ಹಳೆಯ ಚಿತ್ರವನ್ನು ತರುವುದಿಲ್ಲ; ಬದಲಾಗಿ ನೀವು ಕೇಳಿದ ಪ್ರತಿಯೊಂದು ವಿವರಕ್ಕೂ ಹೊಂದುವ ಹೊಚ್ಚಹೊಸ ಚಿತ್ರವನ್ನು ಬಣ್ಣಗಳಿಂದ ಮೂಡಿಸುತ್ತದೆ.

ಕೇವಲ ಬರೆದ ಸಾಲುಗಳಿಂದ ಕಂಪ್ಯೂಟರ್ ಸುಂದರ ಚಿತ್ರ ಬಿಡಿಸುವುದು ಹೇಗೆ?

ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ: ನೀವು ಕಂಪ್ಯೂಟರ್ ಪರದೆಯ ಮೇಲೆ ಕೇವಲ 'ಮಂಜು ಮುಸುಕಿದ ಮಲೆನಾಡಿನ ಬೆಟ್ಟದ ಮೇಲೆ ಕಾಫಿ ಹೀರುತ್ತಿರುವ ವೃದ್ಧ ರೈತ' ಎಂದು ಟೈಪ್ ಮಾಡುತ್ತೀರಿ. ಕೇವಲ ಹತ್ತು ಸೆಕೆಂಡುಗಳಲ್ಲಿ, ಯಾವುದೇ ಪ್ರಸಿದ್ಧ ಕಲಾವಿದ ಬಿಡಿಸಿದಂತೆ ಕಾಣುವ ಅದ್ಭುತ ವರ್ಣಚಿತ್ರ ಪರದೆಯ ಮೇಲೆ ಪ್ರತ್ಯಕ್ಷವಾಗುತ್ತದೆ! ಈ ಮಾಂತ್ರಿಕ ತಂತ್ರಜ್ಞಾನವೇ ಪದಗಳ ವಿವರಣೆಯಿಂದ ಚಿತ್ರ ಬಿಡಿಸುವ ಎಐ (ಟೆಕ್ಸ್ಟ್-ಟು-ಇಮೇಜ್ ಎಐ ಅಥವಾ Text-to-Image AI). ಇದು ಇಂಟರ್ನೆಟ್‌ನಲ್ಲಿರುವ ಯಾವುದೇ ಹಳೆಯ ಫೋಟೋವನ್ನು ಕದ್ದು ತರುವುದಿಲ್ಲ; ಬದಲಿಗೆ ಹೊಸ ಸೃಷ್ಟಿ ಮಾಡುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು (ಜನರೇಟಿವ್ ಎಐ ಅಥವಾ Generative AI) ಶೂನ್ಯದಿಂದಲೇ ಹೊಚ್ಚಹೊಸ ಚಿತ್ರವನ್ನು ರೂಪಿಸುತ್ತದೆ.

ನೀವು ಕಂಪ್ಯೂಟರ್‌ಗೆ ನೀಡುವ ಲಿಖಿತ ವಿವರಣೆಯನ್ನು ತಂತ್ರಜ್ಞಾನದ ಭಾಷೆಯಲ್ಲಿ ಲಿಖಿತ ಸೂಚನೆ (ಪ್ರಾಂಪ್ಟ್ ಅಥವಾ Prompt) ಎನ್ನಲಾಗುತ್ತದೆ. ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿರುವ ಪದಗಳನ್ನು ಸಂಖ್ಯೆಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಧನವು (ಟೆಕ್ಸ್ಟ್ ಎನ್‌ಕೋಡರ್ ಅಥವಾ Text Encoder) ಆ ವಾಕ್ಯದ ಪ್ರತಿಯೊಂದು ಪದದ ಅರ್ಥ, ಸನ್ನಿವೇಶ ಮತ್ತು ಭಾವನೆಯನ್ನು ಗಣಿತ ಸಂಕೇತಗಳಾಗಿ ಬದಲಾಯಿಸುತ್ತದೆ. ನಂತರ ಚಿತ್ರಗಳ ಅರ್ಥ ಮತ್ತು ಆಕಾರಗಳನ್ನು ಒಳಗೊಂಡ ಗಣಿತ ಭಂಡಾರದಿಂದ (ಲ್ಯಾಟೆಂಟ್ ಸ್ಪೇಸ್ ಅಥವಾ Latent Space) ಆ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಹೆಕ್ಕಿ ತೆಗೆಯುತ್ತದೆ.

ನ್ಯಾಯಾಲಯದ ಸ್ಕೆಚ್ ಕಲಾವಿದ ಮತ್ತು ಕಾಗದದ ಹೊಳಪು

ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನ್ಯಾಯಾಲಯದಲ್ಲಿ ಅಪರಿಚಿತ ವ್ಯಕ್ತಿಯ ಮುಖವನ್ನು ಕೇಳಿ ಚಿತ್ರ ಬಿಡಿಸುವ ಒಬ್ಬ ನುರಿತ ಸ್ಕೆಚ್ ಕಲಾವಿದನಿಗೆ ಹೋಲಿಸಬಹುದು. ಸಾಕ್ಷಿಯು ಕಣ್ಣಾರೆ ಕಂಡ ವ್ಯಕ್ತಿಯ ಮುಖಚರ್ಯೆಯನ್ನು ಬಾಯಲ್ಲಿ ವರ್ಣಿಸುತ್ತಾನೆ: 'ಆತ ಎತ್ತರವಾಗಿದ್ದ, ಹಣೆಯ ಮೇಲೆ ಸಣ್ಣ ಮಚ್ಚೆಯಿತ್ತು, ಕಪ್ಪು ಕೋಟು ಧರಿಸಿದ್ದ'. ಕಲಾವಿದ ಆ ಪ್ರತಿಯೊಂದು ವಿವರವನ್ನು ಗಮನವಿಟ್ಟು ಆಲಿಸುತ್ತಾ ತನ್ನ ಕಾಗದದ ಮೇಲೆ ಪೆನ್ಸಿಲ್‌ನಿಂದ ರೇಖೆಗಳನ್ನು ಮೂಡಿಸುತ್ತಾನೆ.

ಆಧುನಿಕ ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗಳು ಹಳೆಯ ಟಿವಿಯ ಜಿಟಿಜಿಟಿ ಮಬ್ಬಿನಂತಹ ಅಸ್ಪಷ್ಟ ಚುಕ್ಕೆಗಳಿರುವ (ಡಿಜಿಟಲ್ ನಾಯ್ಸ್ ಅಥವಾ Digital Noise) ಪರದೆಯಿಂದ ಆರಂಭಿಸುತ್ತವೆ. ನಂತರ ಆ ಮಬ್ಬನ್ನು ಹಂತಹಂತವಾಗಿ ಸ್ವಚ್ಛಗೊಳಿಸಿ ಚಿತ್ರ ರೂಪಿಸುವ ಪ್ರಕ್ರಿಯೆಯ (ಡಿಫ್ಯೂಷನ್ ಪ್ರಕ್ರಿಯೆ ಅಥವಾ Diffusion Process) ಮೂಲಕ ಡಿಜಿಟಲ್ ಚಿತ್ರದ ಅತ್ಯಂತ ಚಿಕ್ಕ ಬಣ್ಣದ ಚುಕ್ಕೆಗಳನ್ನು (ಪಿಕ್ಸೆಲ್‌ಗಳು ಅಥವಾ Pixels) ಜೋಡಿಸಿ ಸುಂದರ ದೃಶ್ಯವನ್ನು ಹೊಳೆಯುವಂತೆ ಮಾಡುತ್ತವೆ. ಬೇಡದ ವಿವರಗಳನ್ನು ತಡೆಯಲು ಬಳಕೆದಾರರು ನಿರ್ಬಂಧಕ ಸೂಚನೆಯನ್ನು (ನೆಗಟಿವ್ ಪ್ರಾಂಪ್ಟ್ ಅಥವಾ Negative Prompt) ನೀಡಬಹುದು.

ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಆ ಚತುರ ಕಲಾವಿದನಂತೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ನೀವು ಬರೆಯುವ ವಾಕ್ಯವೇ ವಿವರಣೆ; ಕಂಪ್ಯೂಟರ್ ಪದಗಳನ್ನು ಗ್ರಹಿಸಿ, ತನ್ನ ನೆನಪಿನಲ್ಲಿರುವ ಬಣ್ಣ ಮತ್ತು ಆಕಾರಗಳನ್ನು ಬೆರೆಸಿ ನಿಮ್ಮ ಕಲ್ಪನೆಯನ್ನು ನಿಖರವಾದ ಕಲಾಕೃತಿಯನ್ನಾಗಿ ಸಿದ್ಧಪಡಿಸುತ್ತದೆ.

ದೈನಂದಿನ ಸೃಜನಶೀಲ ಕೆಲಸಗಳಲ್ಲಿ ಈ ತಂತ್ರಜ್ಞಾನ ಎಲ್ಲಿ ಬಳಕೆಯಾಗುತ್ತಿದೆ?

ಚಿತ್ರಗಳನ್ನು ಬರೆಯುವ ಈ ಉಪಕರಣವು ಇಂದು ಸಾಹಿತ್ಯ, ಶಿಕ್ಷಣ ಮತ್ತು ಸಣ್ಣ ಉದ್ಯಮಗಳಲ್ಲಿ ಹೊಸ ಬಾಗಿಲುಗಳನ್ನು ತೆರೆದಿದೆ: ಇಂದು ಸಣ್ಣ ವ್ಯಾಪಾರಿಗಳು, ಶಾಲಾ ಮಕ್ಕಳು, ಕಥೆಗಾರರು ಮತ್ತು ಜಾಹೀರಾತುದಾರರು ತಮ್ಮ ಕಲ್ಪನೆಗಳನ್ನು ದೃಶ್ಯರೂಪಕ್ಕೆ ಇಳಿಸಲು ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅತ್ಯಂತ ಉತ್ಸಾಹದಿಂದ ಬಳಸುತ್ತಿದ್ದಾರೆ.

  • ಮಕ್ಕಳ ಕಥಾಪುಸ್ತಕಗಳ ಆಕರ್ಷಕ ಚಿತ್ರೀಕರಣ: ಲೇಖಕರು ತಮ್ಮ ಕಥೆಯ ಪ್ರತಿಯೊಂದು ಸನ್ನಿವೇಶಕ್ಕೂ ತಕ್ಕಂತಹ ಮುದ್ದಾದ ಬಣ್ಣದ ಚಿತ್ರಗಳನ್ನು ತಾವೇ ಸುಲಭವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿಕೊಳ್ಳುವುದು.
  • ಶಾಲಾ ಶಿಕ್ಷಕರ ಬೋಧನಾ ಸಾಮಗ್ರಿಗಳು: ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಕಠಿಣ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸಲು 'ಹೃದಯದ ರಕ್ತಪರಿಚಲನೆ' ಅಥವಾ 'ಹಂಪಿಯ ಪುರಾತನ ವೈಭವ'ದ ಸ್ಪಷ್ಟ ಚಿತ್ರಗಳನ್ನು ಕ್ಷಣಾರ್ಧದಲ್ಲಿ ರಚಿಸಿ ತೋರಿಸುವುದು.
  • ಸಣ್ಣ ವ್ಯಾಪಾರಿಗಳ ಹಬ್ಬದ ಶುಭಾಶಯ ಪೋಸ್ಟರ್‌ಗಳು: ದುಬಾರಿ ಗ್ರಾಫಿಕ್ ಡಿಸೈನರ್‌ಗಳ ಸಹಾಯವಿಲ್ಲದೆ ತಮ್ಮ ಉತ್ಪನ್ನ ಮತ್ತು ಅಂಗಡಿಯ ಹೆಸರಿನೊಂದಿಗೆ ಆಕರ್ಷಕ ಪೋಸ್ಟರ್‌ಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿ ಸಾಮಾಜಿಕ ಜಾಲತಾಣಗಳಲ್ಲಿ ಹಂಚಿಕೊಳ್ಳುವುದು.
  • ವೆಬ್‌ಸೈಟ್ ಮತ್ತು ಬ್ಲಾಗ್ ಲೇಖನಗಳ ಬ್ಯಾನರ್‌ಗಳು: ಬರಹಗಾರರು ತಾವು ಬರೆದ ಲೇಖನದ ವಿಷಯಕ್ಕೆ ಸಂಪೂರ್ಣವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವ ವಿಶಿಷ್ಟ ಹೆಡರ್ ಚಿತ್ರಗಳನ್ನು ಸೃಷ್ಟಿಸಿಕೊಳ್ಳುವುದು.

ಉತ್ತಮ ಚಿತ್ರಗಳನ್ನು ಪಡೆಯಲು ಮತ್ತು ಜಾಗರೂಕರಾಗಿರಲು ಸಲಹೆಗಳು

ಕಂಪ್ಯೂಟರ್‌ನಿಂದ ಸುಂದರ ಚಿತ್ರಗಳನ್ನು ಪಡೆಯಲು ಹಾಗೂ ನೈತಿಕ ಗಡಿಗಳನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಈ ಅಂಶಗಳು ನೆರವಾಗುತ್ತವೆ:

  • ಬೆಳಕು, ಕಲಾಶೈಲಿ ಮತ್ತು ಹಿನ್ನೆಲೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಮೂದಿಸಿ: ಕೇವಲ 'ಒಂದು ಹಸು' ಎನ್ನುವ ಬದಲು 'ಹಳ್ಳಿಯ ಹಸಿರು ಹುಲ್ಲುಗಾವಲಿನಲ್ಲಿ ಮುಂಜಾನೆಯ ಸೂರ್ಯನ ಕಿರಣಗಳಲ್ಲಿ ಮೇಯುತ್ತಿರುವ ಹಸು, ಜಲವರ್ಣ ಚಿತ್ರಕಲೆ' ಎಂದು ವಿವರವಾಗಿ ಬರೆಯಿರಿ.
  • ಜೀವಂತ ವ್ಯಕ್ತಿಗಳ ಹೆಸರನ್ನು ದುರುಪಯೋಗಪಡಿಸಬೇಡಿ: ಇತರ ನೈಜ ಜನರ ಮುಖಗಳನ್ನು ಅವರ ಅನುಮತಿಯಿಲ್ಲದೆ ಆಕ್ಷೇಪಾರ್ಹ ದೃಶ್ಯಗಳಲ್ಲಿ ಚಿತ್ರಿಸಲು ಈ ಉಪಕರಣಗಳನ್ನು ಎಂದಿಗೂ ಬಳಸಬೇಡಿ.
  • ಚಿತ್ರದ ನೈಜತೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬಹಿರಂಗಪಡಿಸಿ: ನೀವು ಕಂಪ್ಯೂಟರ್ ಬಳಸಿ ಸೃಷ್ಟಿಸಿದ ಕಲಾಕೃತಿಯನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಪ್ರದರ್ಶಿಸುವಾಗ 'ಇದು ಎಐ ಮೂಲಕ ರಚಿತವಾದ ಚಿತ್ರ' ಎಂದು ಪ್ರಾಮಾಣಿಕವಾಗಿ ತಿಳಿಸಿ.

ಜನರೇಟಿವ್ ಪರಿಕರಗಳಿಗೆ ಮಾನವ ಕಲ್ಪನೆ ಅಥವಾ ಸ್ವಂತ ತಿಳುವಳಿಕೆ ಇರುವುದಿಲ್ಲ; ಅವು ನೀವು ನೀಡುವ ಪದಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ದೃಶ್ಯ ವಿನ್ಯಾಸಗಳನ್ನು ಜೋಡಿಸುತ್ತವೆ. ಇವುಗಳನ್ನು ಪ್ರಾಥಮಿಕ ಕರಡು ರಚನೆಯ ಸಹಾಯಕ ಸಾಧನಗಳಾಗಿ ಬಳಸಿಕೊಂಡು, ನೈಜ ವಿವರಗಳನ್ನು ನಾವೇ ಪರಿಶೀಲಿಸುವುದು ನಮ್ಮ ಸೃಜನಶೀಲ ಕೆಲಸವನ್ನು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ.

ಮೂಲಗಳು
  1. Imagen: Text-to-Image Diffusion ModelsGoogle Research