AI generátory obrázkov majú problémy s pravopisom, pretože kreslia obrázky, nie text. Učia sa, ako písmená vyzerajú vo forme tvarov a vzorov pixelov, a nikdy nepíšu slovo po jednom písmene, takže drobný omyl môže zmeniť „BAKERY“ na „BAKRERY“. Mnohé z nich navyše čítajú váš prompt po kúskoch slov namiesto jednotlivých písmen, čo presný pravopis ešte sťažuje.
Novšie generátory zvládajú krátky text oveľa lepšie než prvé generátory, no dlhé pasáže, malé písmo, nezvyčajné mená a písma, ktoré nepoužívajú latinku, stále spôsobujú chyby. Ak už máte obrázok so skomolenými slovami, často môžete opraviť text v obrázkoch vygenerovaných pomocou AI bez toho, aby ste začínali odznova. Tento návod vysvetľuje, prečo chyby vznikajú, ako zadať prompt pre lepší text a ako text potom opraviť, či už obrázok pochádza z Midjourney, ChatGPT, Gemini, Stable Diffusion alebo iného generátora.
Ako AI generátory obrázkov vytvárajú obrázok
Mnohé populárne generátory obrázkov používajú metódu nazývanú difúzny model. Model začína náhodným šumom, podobným šumu na obrazovke, a v každom z mnohých krokov z neho trochu odstráni. Váš prompt usmerňuje každý krok, takže sa šum pomaly mení na obrázok zodpovedajúci vášmu popisu. Celý obrázok sa zjemňuje naraz: obloha, tváre aj písmo naberajú tvar súčasne.
Nie každý generátor funguje takto. Niektoré skladajú obrázok z postupnosti malých kúskov. Vo všeobecnosti však modely na generovanie obrázkov z textu zdieľajú jednu dôležitú vlastnosť: predpovedajú, ako má obrázok vyzerať. Neexistuje krok, v ktorom by model vybral font a napísal „B“, potom „A“, potom „K“. Písmená sa objavia len ako tvary, ktoré vyzerajú správne, a preto môžu vyjsť takmer správne, ale nie celkom.
Prečo je text pre generátory obrázkov taký ťažký
Pôsobí tu viacero príčin naraz. Každá z nich robí drobnú chybu pravdepodobnejšou a text je miesto, kde sú drobné chyby dobre vidieť.
Písmená sú drobné detaily so striktnými pravidlami
Strom môže mať ľubovoľný počet konárov a stále vyzerá ako strom. Slovo má presne jeden správny pravopis. Text má aj pravidlá, ktoré platia pre celé slovo: každé písmeno potrebuje rovnaký štýl a výšku, rozstupy musia byť rovnomerné a písmená musia stáť na rovnakej čiare. Jeden ťah navyše, chýbajúce písmeno alebo zdvojené písmeno sú zjavné každému, kto jazyk číta, aj keď zvyšok obrázka vyzerá vierohodne.
Model nemusí nikdy vidieť písmená, ktoré ste napísali
Skôr než generátor môže použiť váš prompt, komponent nazývaný textový enkodér ho premení na čísla. Mnohé textové enkodéry najprv rozdelia prompt na tokeny. Bežné slová sa často stanú jediným tokenom, zatiaľ čo zriedkavejšie slová sa rozdelia na niekoľko kúskov. Široko používanou metódou na tvorbu týchto kúskov je byte-pair encoding. Prístup je efektívny, ale model dostane ID každého kúska, nie písmená v ňom. Z príkladov sa musí naučiť, že určitý kúsok sa kreslí ako určitý rad písmen.
Štúdia Google Research Character-Aware Models Improve Visual Text Rendering to skúmala priamo. Výskumníci porovnali textové enkodéry, ktoré vidia jednotlivé znaky („character-aware“), s enkodérmi, ktoré vidia len kúsky slov („character-blind“). Obrazové modely s enkodérmi, ktoré vidia znaky, vykresľovali vizuálny text presnejšie a obzvlášť dobre si viedli pri vzácnych slovách. Štúdia tiež zistila, že veľmi veľké jazykové modely, ktoré znaky nevidia, sa môžu naučiť dobre hláskovať, ale táto schopnosť sa mimo angličtiny prenášala slabo a objavila sa len v modeloch oveľa väčších než textové enkodéry, ktoré generátory obrázkov v tom čase typicky používali.
Trénovacie obrázky často zachytávajú text nekvalitne
Generátory sa učia z veľmi veľkých zbierok obrázkov spárovaných s popismi. Na týchto obrázkoch je text často malý, rozmazaný, orezaný, vidieť ho pod uhlom alebo je čiastočne skrytý a objavuje sa v obrovskom množstve fontov a štýlov. Popis spárovaný s obrázkom nemusí jeho text vôbec spomínať. Model teda vidí veľa príkladov toho, ako text vyzerá všeobecne, ale menej jasných príkladov toho, ako presne sa má písať konkrétne slovo.
Malý text má veľmi málo pixelov
Nadpis môže zaberať stovky pixelov, zatiaľ čo slovo drobného písma môže mať na písmeno len pár pixelov. Mnohé generátory navyše pracujú so skomprimovanou verziou obrázka a plnú veľkosť obnovujú až na konci, čo necháva ešte menej miesta pre malé detaily. Jemné čiary, ako je priečka v malom „e“, sa ľahko stratia.
Prečo novšie modely píšu text lepšie
Generátory obrázkov sa v krátkych nadpisoch a popiskoch výrazne zlepšili. Novšie systémy vo všeobecnosti používajú silnejšie jazykové modely na pochopenie promptu a vývojári venovali textu pri trénovaní väčšiu pozornosť. Vyššie uvedený výskum ukazuje rovnakým smerom: modely, ktoré dostávajú lepšie informácie o písmenách, kreslia text presnejšie.
Zlepšenie je skutočné, ale nerovnomerné. Generátor, ktorý správne napíše trojslovný nadpis, môže stále zápasiť s odsekom, jedálnym lístkom alebo popiskom v jazyku, ktorý pri trénovaní videl menej často.
Kde AI generátory obrázkov stále zápasia
- Dlhý text. Odseky, jedálne lístky a zoznamy, kde každé ďalšie slovo je ďalšou šancou na chybu
- Malý text. Drobné písmo, popisky a text ďaleko v scéne
- Nezvyčajné slová. Mená, vymyslené slová, nové pojmy a dlhé čísla, napríklad telefónne čísla alebo kódy
- Písma, ktoré nepoužívajú latinku. Arabčina, čínština, hindčina, japončina, kórejčina, thajčina a ďalšie systémy písma, ako aj písmená s diakritikou
- Veľa textových blokov. Plagáty a infografiky s niekoľkými samostatnými kusmi textu
- Zakrivené alebo šikmé povrchy. Text na fľaši, vlajke alebo ceduli videnej zboku
- Konzistentnosť. Udržanie rovnakého znenia v sérii obrázkov
Ide o bežné vzorce, nie pevné pravidlá, a líšia sa od jedného generátora a verzie k druhému.
Ako získať lepší text pri generovaní obrázka
- Presné slová dajte do úvodzoviek. Napríklad požiadajte o plagát s nadpisom „NIGHT MARKET“, nie o plagát o nočnom trhu.
- Text majte krátky. Pár slov vo veľkej veľkosti sa dá správne zvládnuť ľahšie než celá veta. Dlhší text radšej dajte do popisku alebo na webovú stránku.
- Povedzte, kam text patrí. Opíšte umiestnenie a veľkosť, napríklad „veľký nadpis cez vrch“ alebo „malý štítok na pohári“.
- Požiadajte o jednoduché písmo. Tučné, čisté veľké písmená na jednoduchej ploche sa modelu kreslia ľahšie než ozdobné písané písmo na rušnom pozadí.
- Vytvorte viac verzií. Vygenerujte niekoľko možností, vyberte tú s najlepším pravopisom a opravte len to, čo zostane.
- Presný text pridajte neskôr, keď na ňom záleží. Pri jedálnom lístku, cenníku alebo čomkoľvek s drobným písmom vygenerujte obrázok s prázdnym miestom a text vysádzajte v dizajnérskom nástroji. Takto je znenie napísané, nie nakreslené.
Ako text opraviť dodatočne
Ak je obrázok v poriadku, ale slová sú nesprávne, máte štyri hlavné možnosti. Tu sú od najmenšieho úsilia po najväčšie.
| Spôsob | Úsilie | Čo sa ešte môže zmeniť | Najlepšie, keď |
|---|---|---|---|
| Vygenerovať obrázok znova | Nízke | Všetko, pretože dostanete nový obrázok | Celý obrázok je nesprávny alebo vám nevadí stratiť túto verziu |
| Výber a úprava v generátore | Nízke | Prekresliť sa môžu aj oblasti v okolí | Chcete rýchlu opravu v tom istom nástroji |
| AI nástroj na nahradenie textu | Nízke až stredné | Oblasť textu sa prekreslí, preto skontrolujte výsledok | Obrázok je v poriadku a nesprávne sú len slová |
| Ručná oprava v editore obrázkov | Vysoké | Len to, čo zmeníte | Potrebujete plnú kontrolu, napríklad pri tlači alebo práci pre klienta |
Vygenerujte obrázok znova
Opätovné generovanie si vyžaduje málo úsilia, ale výsledok je náhodný. Nový pokus môže slovo opraviť a pokaziť niečo iné, napríklad tvár, ruku alebo rozloženie. Použite ho, keď ste s týmto konkrétnym obrázkom ešte nestrávili veľa času.
Vyberte a upravte priamo v generátore
Niektoré generátory vám umožňujú označiť oblasť a opísať zmenu. V ChatGPT môžete napríklad nástrojom na výber zvýrazniť text a napísať, čo má hovoriť. Centrum pomoci OpenAI uvádza, že zvýraznenie nie je vždy presné, takže sa môžu zmeniť aj detaily v blízkosti textu. Podrobnejšie sa na to pozrite v článku Dokáže ChatGPT upraviť text v obrázku? Čo môžete čakať.
Použite AI nástroj na nahradenie textu
Nástroj na nahradenie textu rozpozná text v obrázku za vás, takže napíšete len správny pravopis. V EditText.ai napríklad upravujete text v obrázku riadok po riadku a každý riadok sa prekreslí vo vzhľade pôvodného písma a pozadia. Pri jedinom nesprávnom písmene alebo slove si pozrite, ako opraviť preklep v obrázku. Pri nadpisoch a ozdobnom písme na dizajnoch podujatí si pozrite, ako zmeniť text na plagáte.
Pred a po úprave: skomolená neónová tabuľa v AI obrázku, opravená napísaním THEATER v EditText.ai.
Výsledky sa môžu líšiť, najmä pri nezvyčajnom písme alebo detailných pozadiach. Keďže aj prekreslenie robí obrazový model, prečítajte každé nové slovo písmeno po písmene v plnej veľkosti. Akékoľvek rozpoznávanie textu môže skomolené písmená aj nesprávne prečítať, preto sa uistite, že každý rozpoznaný riadok je ten, ktorý ste chceli zmeniť.
Oprava ručne
Vo Photoshope, v programe Photopea alebo v podobnom editore odstránite pokazené písmená, obnovíte pozadie a nový text vysadíte vo zvolenom fonte. Dáva vám to najviac kontroly a hodí sa na tlač alebo prácu pre klienta, ale vyžaduje to zručnosť a čas. Písmo vytvorené AI často nie je skutočný font, takže nástroj na hľadanie fontov nemusí nájsť zhodu. Spôsoby, ako nájsť blízku náhradu, nájdete v článku Ako zistiť font z obrázka (a kedy to nemá zmysel).
Pri výbere pomáha jednoduché pravidlo: ak je nesprávny celý obrázok, vygenerujte ho znova. Ak sú nesprávne len slová, opravte slová.
Ďalšie možnosti
Text môžete aj úplne odstrániť z obrázka a skutočné písmo vysádzať na čistom pozadí v dizajnérskom nástroji, čo je dobrý prístup pre jedálne lístky a cenníky. Keď je znenie správne, môžete preložiť text v obrázku a vytvoriť verzie pre iné jazyky.
Upravujte len obrázky, ktoré vlastníte alebo ktoré smiete meniť, neodstraňujte vodoznaky ani uvedenie autorov a ponechajte všetky označenia AI obrázkov, ktoré platforma vyžaduje.
Opravte slová a zachovajte obrázok
Ak je obrázok v poriadku, ale pravopis nie, nemusíte začínať odznova. Nahrajte ho na opravu textu v AI obrázkoch pomocou EditText.ai, napíšte správne slová pre každý riadok a pred stiahnutím skontrolujte výsledok.
Často kladené otázky
Prečo AI kazí text v obrázkoch?
AI generátory obrázkov kreslia text ako tvary namiesto toho, aby ho písali ako písmená, a mnohé čítajú prompty po kúskoch slov, nie po jednotlivých znakoch. Text je tiež drobný detail so striktnými pravidlami, takže jeden nesprávny ťah vyniká. Trénovacie obrázky často ukazujú text, ktorý je malý, rozmazaný alebo pod uhlom, čo dáva modelom menej jasných príkladov, z ktorých sa môžu učiť.
Prečo AI píše nezmysly namiesto skutočných slov?
Keď si model nie je istý, ako sa slovo píše, aj tak nakreslí tvary, ktoré vyzerajú ako písmená, pretože tak vyzerá text na jeho trénovacích obrázkoch. Výsledkom môžu byť značky podobné písmenám, zmiešané abecedy alebo vymyslené slová. Najčastejšie sa to stáva pri dlhom texte, malom písme a nezvyčajných slovách a menej často pri krátkej fráze v úvodzovkách.
Ktorý AI generátor obrázkov je najlepší na text?
Trvalá odpoveď neexistuje, pretože modely sa často menia a každá nová verzia sa môže správať inak. Vo všeobecnosti novšie generátory zvládajú krátky, veľký text lepšie než staršie. Najužitočnejším testom je váš vlastný prompt: vygenerujte tú istú krátku frázu v nástrojoch, ktoré máte k dispozícii, a pred výberom skontrolujte pravopis písmeno po písmene.
Dá sa opraviť nesprávne napísaný text v AI obrázku bez opätovného generovania?
Áno. Môžete označiť oblasť a opísať opravu v tom istom generátore, text ručne prepísať v editore, ako je Photoshop alebo Photopea, alebo použiť nástroj na nahradenie textu, ktorý slová rozpozná, takže napíšete správny pravopis. Nech použijete akýkoľvek spôsob, porovnajte výsledok s originálom, aby ste zachytili zmeny v blízkosti textu.
Prečo nástroj na hľadanie fontov nedokáže rozpoznať písmo v mojom AI obrázku?
AI generátory zvyčajne kreslia písmo podľa naučených vzorov, nie z nainštalovaného fontového súboru. Písmená môžu miešať vlastnosti viacerých fontov alebo meniť tvar od písmena k písmenu. Nástroj na rozpoznanie fontu môže stále navrhnúť podobné fonty, čo pomáha, ak plánujete text prepísať, ale presná zhoda často neexistuje.