بهترین هوش مصنوعی برای ساخت عکس

چکیده مقاله:
برای بهترین هوش مصنوعی برای ساخت عکس، انتخاب یک ابزار قدرتمند و خلاقانه می تواند تفاوت بزرگی در کیفیت و جذابیت تصاویر تولیدی ایجاد کند. امروزه ابزارهای متنوعی در زمینه تولید تصویر با استفاده از هوش مصنوعی وجود دارند که هرکدام قابلیت ها و ویژگی های خاص خود را دارند. این ابزارها با تکیه بر الگوریتم های پیشرفته یادگیری ماشین و شبکه های عصبی، قادر هستند تصاویری با جزئیات بالا و سبک های متنوع خلق کنند که در بسیاری از موارد از تصاویر واقعی قابل تشخیص نیستند.

با گسترش کاربرد هوش مصنوعی در زمینه طراحی و گرافیک، کاربران عادی تا طراحان حرفه ای اکنون می توانند به راحتی و با چند کلیک تصاویری منحصر به فرد تولید کنند. ابزارهایی مانند DALL·E، Midjourney و Stable Diffusion با رابط کاربری ساده و قدرت پردازش بالا، امکان تولید تصاویر در سبک های مختلف را فراهم کرده اند. این تکنولوژی ها نه تنها فرآیند طراحی را تسهیل کرده اند، بلکه فرصت های جدیدی برای خلق آثار هنری دیجیتال فراهم آورده اند.

بهترین هوش مصنوعی برای ساخت عکس در سال ۲۰۲۵

تصور کنید بتوانید تنها با چند کلمه تایپ کردن، یک نقاشی به سبک پیکاسو، یک تصویر کمیک پرهیجان، یا حتی یک لوگوی اختصاصی برای کسب و کار خود ایجاد کنید. این موضوع برای بسیاری از افراد یک ایده وسوسه‌انگیز است، و به لطف پیشرفت‌های شگفت‌انگیز در حوزه هوش مصنوعی، حالا دیگر این کار نه تنها ممکن، بلکه به طرز شگفت‌آوری ساده شده است.

در حال حاضر صدها ابزار مختلف در فضای اینترنت وجود دارد که امکان ساخت عکس با هوش مصنوعی را فراهم می کنند. برخی از این ابزارها توسط شرکت های بزرگ فناوری مانند ادوبی، آلفابت، متا و مایکروسافت توسعه یافته اند و با پشتیبانی فنی این غول های تکنولوژی، کیفیت بالایی ارائه می دهند. اما با وجود این همه تنوع، شاید از خود بپرسید که بهترین هوش مصنوعی برای ساخت عکس کدام است و کدام ابزار می تواند نیازهای شما را بهتر برآورده کند؟

برای پاسخ به این سوال، ما تصمیم گرفتیم که تعدادی از محبوب ترین و قدرتمندترین مدل های هوش مصنوعی تولید تصویر را به چالش بکشیم و با استفاده از مجموعه‌ای از آزمون های هدفمند، آن ها را به صورت دقیق ارزیابی کنیم.

روش آزمایش ما

برای اینکه بتوانیم این ابزارها را به صورت منصفانه و دقیق با یکدیگر مقایسه کنیم، پنج پرومپت (دستور متنی) طراحی کردیم که هر کدام یکی از جنبه‌های کلیدی عملکرد این ابزارها را مورد آزمایش قرار می دهند. این پرومپت ها به گونه‌ای انتخاب شده‌اند که هم نقاط قوت را نشان دهند و هم نقاط ضعف را آشکار کنند. در ادامه، فهرست این پنج پرومپت را مشاهده می کنید:

پرومپت ۱: آزمایش دقت زمانی، خوانایی متن و پایبندی به جزئیات پرومپت

یک سرآشپز زن با یونیفرم سفید و کلاه مخصوص آشپزی با افتخار در مقابل میزی پر از غذاهایی که خودش پخته است ایستاده. در وسط میز یک پای سیب بزرگ دیده می شود. چهره او پر از غرور و رضایت است. پشت سر او تابلویی وجود دارد که به وضوح روی آن نوشته شده “FREE FOOD!” سال ۱۸۹۰ است، مکان یک نمایشگاه ایالتی در ایالت آیووا و زمان دقیقاً ظهر است.

پرومپت ۲: بررسی توانایی در تقلید سبک هنری

یک گربه نارنجی بزرگ کارتونی کنار یک سینی خالی لازانیا نشسته است. در پس‌زمینه، یک سگ زرد با گردن بلند و چشمان بزرگ و متعجب به صحنه نگاه می کند. سبک این تصویر باید دقیقاً شبیه کمیک های روزنامه ای در سال ۱۹۸۵ باشد.

پرومپت ۳: ارزیابی بازتولید واقع‌گرایانه چهره و نورپردازی

یک تصویر بسیار واقع‌گرایانه از نمای نزدیک چهره یک زن اهل پلی‌نزی که حدوداً ۲۵ سال سن دارد. تصویر در شب گرفته شده و نیمی از صورت او در سایه است. او یک کت بنفش رسمی به تن دارد، اما تنها بخشی از شانه یا یقه لباس دیده می شود. نگاه او جدی است، اما در چشمانش درخششی از امید یا شوخ‌طبعی دیده می شود.

پرومپت ۴: آزمایش قدرت خلق تصاویر فانتزی و رعایت سبک هنری کلاسیک

یک اژدهای سبز رنگ بالدار به اندازه یک اسب که از بینی‌اش آتش قرمز بیرون می زند. روی پشت اژدها، شوالیه ای با زره کاملاً قرمز نشسته که یک شمشیر شعله‌ور در دست دارد. رنگ شعله های شمشیر آبی است. سبک طراحی باید شبیه جلدهای قدیمی کتاب های فانتزی یا راهنماهای Dungeons & Dragons باشد، مخصوصاً به سبک هنرمند معروف “لری الموور” و تصویر به صورت عمودی باشد.

پرومپت ۵: آزمایش فیلترهای مربوط به حقوق مالکیت فکری

یک تصویر واقع‌گرایانه از دارث ویدر در حال مبارزه با نسخه کارتونی شخصیت هومر سیمپسون که یک سوسیس بزرگ را به عنوان سلاح در دست دارد. در پس‌زمینه، خانه خانواده سیمپسون دیده می شود و در آسمان پشت آن، ایستگاه فضایی “Death Star” قرار دارد.

ما این پنج پرومپت را بدون اعمال هیچ تنظیم یا اصلاح اضافی به هر ابزار هوش مصنوعی وارد کردیم. یعنی فقط یک‌بار خروجی گرفتیم و همان تصویر اولیه را مورد بررسی قرار دادیم. به همین دلیل، نتایج ما نشان‌دهنده عملکرد خام و اولیه هر مدل است. اگر شما از ابزارهای ویرایش یا تولید چندباره استفاده کنید، احتمالاً نتایج بهتری خواهید گرفت، اما هدف ما مقایسه اولیه و بدون دخالت کاربر بود.

در ادامه، لیستی کامل از ابزارهایی که بررسی کرده‌ایم را معرفی می کنیم و آن ها را از بهترین تا ضعیف ترین بر اساس عملکرد در این پنج آزمون رتبه بندی خواهیم کرد. این ارزیابی به شما کمک می کند که بسته به نیازتان، بهترین هوش مصنوعی برای ساخت عکس را انتخاب کنید و از وقت و انرژی خود به بهترین شکل ممکن استفاده نمایید.

معرفی 12 هوش مصنوعی برتر تبدیل متن به عکس تست شده

۱. Midjourney

قیمت: ۱۰ دلار در ماه یا ۹۶ دلار در سال از طریق سایت Midjourney

Midjourney یکی از اولین ابزارهای تولید تصویر با هوش مصنوعی بود که در جولای ۲۰۲۲ راه اندازی شد. این ابزار از آن زمان تا به امروز پیشرفت های زیادی داشته است؛ هم از نظر کیفیت تصاویر تولیدی و هم از نظر سادگی استفاده.

با این حال، پیش از استفاده از Midjourney باید بدانید که تمام تصاویری که با این ابزار تولید می شوند به صورت پیش فرض عمومی هستند. یعنی همه کاربران دیگر می توانند آن ها را مشاهده کنند، مگر اینکه شما پلن Pro یا Mega را تهیه کرده باشید که به ترتیب ماهانه ۶۰ و ۱۲۰ دلار هزینه دارند.

اگر این موضوع برای شما مشکلی ایجاد نمی کند، Midjourney امکانات جالبی برای تولید تصویر در اختیار شما قرار می دهد. هنگام وارد کردن پرومپت، می توانید اندازه تصویر، سبک هنری و حتی زیبایی شناسی خاصی را مشخص کنید. همچنین این هوش مصنوعی از بازخوردهای شما یاد می گیرد؛ اگر به تصاویر امتیاز بدهید، سلیقه شما در تولیدات بعدی لحاظ می شود.

Midjourney برای هر پرومپت چهار تصویر تولید می کند. شما می توانید یکی را انتخاب کرده و نسخه های متفاوتی از آن بسازید، آن را بزرگ تر کنید، بخش های اطراف تصویر را گسترش دهید (چپ، راست، بالا یا پایین)، یا یک تصویر کاملاً جدید ولی مشابه بسازید.

در تست های ما، Midjourney در برخی موارد مانند سبک کارتونی یا تصویرسازی فانتزی دچار مشکل شد. مثلاً در پرومپت مربوط به گربه کارتونی، تصاویر به هیچ عنوان حس کمیک های دهه ۱۹۸۰ را نداشتند. در مورد شوالیه و اژدها نیز، اگرچه تصاویر از نظر زیبایی خیره کننده بودند، اما بسیاری از جزئیات خواسته شده نادیده گرفته شده بود. با این حال، Midjourney در تولید تصاویر پرتره انسان ها، به ویژه تصاویر واقع گرایانه و کلوزآپ از چهره، بسیار موفق عمل می کند.

در تست مربوط به حقوق مالکیت معنوی، Midjourney بدون هیچ مانعی تصویر دارث ویدر در حال مبارزه با هومر سیمپسون را تولید کرد. هومر در این تصاویر اغلب به جای استفاده از سوسیس به عنوان سلاح، آن را می خورد، که نشان دهنده مقداری انحراف از دستور اصلی بود.

نمرات:

• کیفیت تصویر: ۴.۵ از ۵
• دقت در اجرای پرومپت: ۳.۵ از ۵
• سهولت استفاده: ۳.۵ از ۵
• امکانات اضافی: ۳.۵ از ۵
• امتیاز نهایی: ۱۵ از ۲۰

Midjourney یکی از گزینه های قوی برای علاقه مندان به تولید تصویر با هوش مصنوعی است و بدون شک می تواند یکی از گزینه های بهترین هوش مصنوعی برای ساخت عکس باشد، به شرطی که به دنبال تصاویر عمومی و خلاقانه باشید.

۲. Stable Diffusion

قیمت: ۹ دلار در ماه یا ۹۰ دلار در سال از Stability AI

Stable Diffusion یکی از معروف ترین مدل های متن به تصویر متن باز است که از طریق پلتفرم های مختلف در دسترس می باشد. آسان ترین راه استفاده از آن، دسترسی از طریق Stable Assistant است؛ یک چت بات ساده که بر اساس مدل Stable Diffusion کار می کند. فقط کافی است وارد حساب کاربری شوید، پرومپت خود را وارد کرده، نسبت تصویر را مشخص کنید و تصویر را دریافت نمایید.

Stable Diffusion در کلیت عملکرد قابل قبولی دارد، مخصوصاً در زمینه وفاداری به دستورها. اما ایرادات خاص خود را هم دارد. مثلاً در پرومپت آشپزهای دهه ۱۸۹۰، تصاویر بیشتر حس و حال زمان حال را دارند تا دوران مورد نظر. در تصویر اژدها و شوالیه، اگرچه رنگ شوالیه قرمز بود، اما اژدها دارای اشکالات عجیب در قسمت دم و زائده های غیرواقعی بود و شعله آبی روی شمشیر نیز حذف شده بود.

در مورد پرومپت‌های واقع‌گرایانه، تصاویر بد نبودند، اما کمی حس غیرواقعی و مصنوعی دارند که به آن “دره وهم‌آور” یا Uncanny Valley می گویند. در مورد دارث ویدر و هومر سیمپسون نیز، Stable Diffusion بدون هیچ محدودیتی تصویر را تولید کرد. البته در برخی از آن ها سوسیس به شکلی عجیب بخشی از شمشیر نوری دارث شده بود، و تعداد انگشتان هومر نیز استاندارد نبود.

نکته مثبت Stable Diffusion، امکانات اضافی آن است. این ابزار قابلیت inpainting (بازسازی بخش های خاصی از تصویر)، آپلود تصویر مرجع برای الهام گرفتن، و حتی تولید مدل های سه بعدی را ارائه می دهد (البته نتایج سه بعدی هنوز جای پیشرفت دارد).

نمرات:

• کیفیت تصویر: ۳ از ۵
• دقت در اجرای پرومپت: ۳.۵ از ۵
• سهولت استفاده: ۳.۵ از ۵
• امکانات اضافی: ۴ از ۵
• امتیاز نهایی: ۱۵ از ۲۰

Stable Diffusion به عنوان یک ابزار متن باز و در دسترس، یکی از گزینه های جدی در مسیر انتخاب بهترین هوش مصنوعی برای ساخت عکس محسوب می شود، به خصوص برای کاربرانی که امکانات جانبی و کنترل بیشتر را ترجیح می دهند.

۳. ImageFX

قیمت: رایگان (در دسترس از طریق حساب کاربری Google)

ImageFX ابزاری از مجموعه Google Labs است که نسخه سوم موتور Imagen را در خود جای داده است. برخلاف نسخه دوم این موتور که در ابزار Gemini استفاده می شود، Imagen 3 در ImageFX کیفیت بسیار بهتری دارد و در تست ها عملکرد چشمگیری از خود نشان داد.

در پرومپت مربوط به آشپزهای دهه ۱۸۹۰، تصاویر کاملاً سیاه و سفید و وفادار به سبک آن دوران بودند. تابلوهای “FREE FOOD” نیز به وضوح و کیفیت عالی در تصویر دیده می شدند. در پرومپت های مربوط به انسان های واقع‌گرا، این ابزار توانست هم در اجرای پرتره و هم نورپردازی شبانه به خوبی عمل کند.

با این حال، هنگام تولید تصویر به سبک کمیک، ImageFX بالون های گفتاری پر از واژه های نامفهوم ایجاد کرد، در حالی که اصلاً نیازی به آن ها در پرومپت نبود.

در پرومپت فانتزی شوالیه و اژدها، با انتخاب نسبت تصویر عمودی، خروجی نهایی بسیار قوی و حرفه ای شد. رنگ ها درست بودند، و هیچ‌کدام از مشکلات متداول مدل های دیگر (مانند انگشتان اضافی یا اشتباه در نسبت اندام) دیده نمی شد.

در تست مربوط به مالکیت معنوی نیز، ImageFX عملکرد خوبی داشت. دارث ویدر بسیار دقیق و فوتورئالیستی تولید شده بود و هومر سیمپسون به شکل کارتونی و واضح دیده می شد. تنها ایراد کوچک استفاده از شمشیر نوری اشتباهی بود.

امکانات اضافی در ImageFX نسبتاً محدود هستند. فقط می توانید نسبت تصویر را تعیین کنید، تاریخچه تصاویر را در بخش My Library ببینید، و شماره Seed تصویر را داشته باشید. امکان inpainting، ساخت نسخه جدید یا بزرگ‌نمایی وجود ندارد.

نمرات:

• کیفیت تصویر: ۴ از ۵
• دقت در اجرای پرومپت: ۴.۵ از ۵
• سهولت استفاده: ۴ از ۵
• امکانات اضافی: ۲.۵ از ۵
• امتیاز نهایی: ۱۵ از ۲۰

ImageFX اگرچه در امکانات جانبی محدودتر است، اما از نظر دقت و کیفیت تصویر بسیار قوی ظاهر شده و می تواند یکی از گزینه های جدی برای بهترین هوش مصنوعی برای ساخت عکس در نظر گرفته شود، به ویژه برای کاربرانی که روی جزئیات بصری حساس هستند.

۴. Shutterstock AI

قیمت: رایگان برای استفاده / ۷ دلار برای ۱۰۰ اعتبار در Shutterstock

Shutterstock، یکی از بزرگ‌ترین منابع عکس استوک در جهان، در سال ۲۰۲۲ تصمیم گرفت مدل هوش مصنوعی خود را بر اساس آرشیو عظیم تصاویرش آموزش دهد. نتیجه‌ی آن، ابزاری است که مانند سایت اصلی Shutterstock کار می‌کند: استفاده رایگان است، اما برای دانلود هر تصویر باید هزینه بپردازید.

در تست‌های ما، Shutterstock AI برخلاف انتظار، در زمینه تصاویر واقعی چندان قوی نبود. در پرومپت مربوط به آشپزهای پای‌پز دهه ۱۸۹۰، این ابزار نه تنها نتوانست متن را به درستی نمایش دهد، بلکه قوانین فیزیک را هم نادیده گرفت و تصویر یک پای شناور در هوا تولید کرد! در تست پرتره انسان نیز، چهره‌ها بیشتر شبیه نقاشی بودند تا عکس واقعی.

حتی در زمینه تصویرسازی که نقطه قوت این مدل محسوب می‌شود، خروجی‌ها گاهی عجیب بودند. مثلاً در تصویر شوالیه و اژدها، یکی از تصاویر جذاب بود، اما بقیه موارد دارای توهمات عجیب بودند، مانند گان‌لت آتش‌پاش در دست شوالیه!

شوک‌آورترین بخش، توانایی این ابزار در تولید دقیق صحنه‌ی مبارزه دارث ویدر با هومر سیمپسون بود؛ علی‌رغم اینکه Shutterstock یکی از حساس‌ترین شرکت‌ها در زمینه کپی‌رایت است. تصویر دارث کاملاً واقعی بود و هومر در حال دفاع با یک تکه گوشت!

رابط کاربری Shutterstock بسیار کاربرپسند است. می‌توان به‌راحتی نوع تصویر (عمودی، افقی یا مربعی) را مشخص کرد، سبک بصری را از ابتدا انتخاب کرد و پس از تولید تصویر، از ابزارهایی مثل کراپ، فیلتر، حذف پس‌زمینه، ساخت واریاسیون جدید، گسترش تصویر و inpainting استفاده کرد.

نمرات:

• کیفیت تصویر: ۳ از ۵
• دقت در اجرای پرومپت: ۳ از ۵
• سهولت استفاده: ۴.۵ از ۵
• امکانات اضافی: ۴ از ۵
• امتیاز نهایی: ۱۴.۵ از ۲۰

Shutterstock AI اگرچه در برخی زمینه‌ها (مثل واقع‌گرایی) ضعیف عمل می‌کند، اما به لطف رابط کاربری روان و امکانات ویرایشی متنوع، می‌تواند گزینه مناسبی برای کاربران تازه‌کار باشد.

۵. Adobe Firefly

قیمت: رایگان با ۲۵ اعتبار ماهانه / ۴.۹۹ دلار در ماه برای ۱۰۰ اعتبار

Adobe، پیشگام در نرم‌افزارهای گرافیکی، با معرفی Firefly وارد حوزه هوش مصنوعی تصویری شد. Firefly ترکیبی از تجربه فتوشاپ و خلاقیت هوش مصنوعی است و امکاناتی ارائه می‌دهد که در سایر ابزارها کمتر دیده می‌شود، از جمله امکان آپلود تصویر مرجع، تعیین سبک هنری، تنظیم نورپردازی و زاویه دوربین قبل از تولید تصویر.

در نسخه رایگان، کاربران ماهانه ۲۵ اعتبار دارند و در صورت نیاز بیشتر می‌توانند با هزینه کم، نسخه پریمیوم را تهیه کنند که فاقد واترمارک نیز هست.

در تست‌ها، Firefly در تصاویر واقع‌گرایانه عملکرد خوبی داشت، اما در سبک‌های دیگر ضعف‌هایی نشان داد. مثلاً در پرومپت کمیک گارفیلد، حس و حال کمیک را کامل منتقل نکرد. در تصویر شوالیه و اژدها، کلاه‌خودها خوب بودند، اما چهره انسانی شوالیه بسیار مصنوعی بود. از همه مهم‌تر، در پرومپت مربوط به دارث ویدر و هومر، Firefly به جای هشدار دادن، تصاویری بی‌ربط تولید کرد.

مزیت Firefly امکانات پس از تولید آن است؛ از جمله Generative Fill برای بازسازی بخش‌هایی از تصویر، افزودن متن از طریق Adobe Express، و استفاده از فونت‌های رسمی Adobe. تنها ضعف آن، نبود قابلیت ذخیره خودکار است؛ اگر تصویر را Favorite نکنید، پس از خروج از صفحه حذف خواهد شد.

نمرات:

• کیفیت تصویر: ۳.۵ از ۵
• دقت در اجرای پرومپت: ۳ از ۵
• سهولت استفاده: ۳ از ۵
• امکانات اضافی: ۴ از ۵
• امتیاز نهایی: ۱۳.۵ از ۲۰

Firefly برای کاربران حرفه‌ای Adobe گزینه‌ای مناسب با امکانات پیشرفته است، اما در اجرای دقیق دستورات هنوز جای پیشرفت دارد.

۶. DALL·E 3

قیمت: رایگان در ChatGPT / ۲۰ دلار در ماه برای استفاده نامحدود

DALL·E 3، محصول شرکت OpenAI، ابزاری ساده و سریع برای تولید تصویر است که به سادگی وارد کردن یک پرامپت متنی عمل می‌کند. به طور پیش‌فرض، هر پرامپت یک تصویر با ابعاد ۱۰۲۴ در ۱۰۲۴ پیکسل تولید می‌کند، اما می‌توان اندازه یا جزئیات بیشتری درخواست کرد.

این ابزار علاوه بر تولید از صفر، قابلیت‌هایی مثل inpainting، upscaling و image extension را هم دارد. نقطه قوت دیگر آن، حفظ حریم خصوصی است: برخلاف Midjourney، تصاویر شما برای عموم قابل مشاهده نیستند.

در تست‌ها، DALL·E 3 عملکرد متوسطی در سه پرامپت اول داشت، اما در مواجهه با دارث ویدر و هومر سیمپسون، اعلام کرد که به دلیل سیاست محتوایی، قادر به تولید مستقیم این شخصیت‌ها نیست. با این حال، پیشنهاد جایگزین‌هایی با توصیف مشابه داد (مانند “جنگجوی سیاه‌پوش با شمشیر قرمز مقابل شخصیت کارتونی با سالامی”) اما خروجی نهایی شباهت چندانی به تصویر ذهنی ما نداشت.

همچنین، DALL·E در تولید متن ضعیف‌ترین عملکرد را داشت. مثلاً در پرامپت “FREE FOOD”، کلمات به شکل‌های عجیبی مثل “FRPLE FOCD” نمایش داده شدند، که نشان می‌دهد هنوز توانایی نمایش دقیق متن را ندارد.

نمرات:

• کیفیت تصویر: ۳ از ۵
• دقت در اجرای پرامپت: ۳ از ۵
• سهولت استفاده: ۳.۵ از ۵
• امکانات اضافی: ۴ از ۵
• امتیاز نهایی: ۱۳.۵ از ۲۰

DALL·E 3 انتخاب خوبی برای کاربران ChatGPT است که به دنبال تصویرسازی سریع، ساده و خصوصی هستند، اما در زمینه متن و شخصیت‌های معروف با محدودیت‌هایی روبه‌روست.

۷. Meta AI

قیمت: رایگان تا ۱۰۰ تصویر در ماه با استفاده از حساب فیسبوک یا اینستاگرام

Meta که پیش از این به عنوان شرکت مادر فیسبوک شناخته می شد، وارد حوزه تولید محتوای هوش مصنوعی نیز شده است. ابزار متن به تصویر Meta با نام Emu برای همه کاربران فیسبوک و اینستاگرام رایگان است و از طریق اپلیکیشن های Meta Quest نیز قابل دسترسی می باشد.

در تست های انجام شده، Emu عملکرد نسبتاً قابل قبولی در تولید تصاویر انسانی داشت، هرچند چهره ها بیشتر شبیه CGI (گرافیک کامپیوتری) بودند تا تصاویر واقعی. در پرامپت گربه کارتونی، گربه به خوبی تولید شد، اما برخی اجزای تصویر دچار توهمات عجیب بودند، مانند سگی با گردن زرافه ای! نقطه قوت Emu توانایی نسبتاً خوب آن در تولید متن روی تصویر است؛ برخلاف بسیاری از مدل ها، در تصویر مربوط به “Free Food” متن به خوبی و قابل خواندن روی تابلوها ظاهر شد.

از نظر امکانات ویرایشی، Emu بسیار محدود است. شما نمی توانید بخش خاصی از تصویر را برای اصلاح انتخاب کنید و قابلیت آپلود تصویر دلخواه نیز وجود ندارد. گاهی با درخواست اصلاح جزئی، ابزار به طور کامل تصویر جدیدی تولید می کند.

در زمینه رعایت قوانین کپی رایت نیز Meta محافظه کار عمل می کند. در پرامپت مبارزه دارث ویدر با هومر سیمپسون، در ابتدا از تولید تصویر خودداری کرد. اما در حالت تولید همزمان (Real-time Generation) که همزمان با تایپ، تصویر تغییر می کند، موفق شدیم با تغییرات تدریجی، Emu را وادار کنیم که صحنه کامل این مبارزه را تولید کند.

نمرات:

• کیفیت تصویر: ۳.۵ از ۵
• دقت در اجرای پرامپت: ۳ از ۵
• سهولت استفاده: ۴ از ۵
• امکانات اضافی: ۲.۵ از ۵
• امتیاز نهایی: ۱۳ از ۲۰

Meta AI گزینه خوبی برای کاربران شبکه های اجتماعی است که به دنبال تولید تصاویر ساده و سریع هستند، اما محدودیت های ویرایشی و ملاحظات حقوقی آن ممکن است برای کاربران حرفه ای محدودکننده باشد.

۸. Flux (NightCafe Studio)

قیمت: ۶ دلار در ماه برای ۱۰۰ اعتبار

NightCafe Studio پلتفرمی است که به جای استفاده از یک مدل واحد، مجموعه ای از مدل های تولید تصویر را در اختیار کاربر قرار می دهد. این موضوع باعث شده نتایج نهایی به شدت به انتخاب مدل بستگی داشته باشد. برای این آزمایش، مدل Flux از آزمایشگاه Black Forest انتخاب شد.

نتایج حاصل از مدل Flux ترکیبی از کیفیت بالا و اشتباهات عجیب بود. در تصاویر مربوط به آشپزهای پای پز و زن در تاریکی، چهره ها بسیار واقعی و جزئیات قابل توجه بودند. اما در یکی از تصاویر، علیرغم اینکه در پرامپت تأکید شده بود که آشپز زن است، تصویر مردی تولید شد که تنها مدل Flux چنین اشتباهی داشت.

در پرامپت گربه کارتونی، یکی از سگ ها سه چشم داشت و در تصویر دیگر، به جای سگ، حیوانی شبیه زرافه ظاهر شد. در تصویر مربوط به اژدها، شمشیر آتشین به شکلی عجیب از دهان اژدها آویزان بود، شبیه قلاب ماهیگیری!

با اینکه این مدل خاص در برخی تست ها عملکرد ضعیفی داشت، NightCafe به دلیل تنوع بالا در مدل ها و قابلیت تنظیمات پیشرفته، گزینه ای ارزشمند برای کاربران حرفه ای است که به دنبال کنترل کامل بر روند تولید تصویر هستند.

نمرات:

• کیفیت تصویر: ۳ از ۵
• دقت در اجرای پرامپت: ۲.۵ از ۵
• سهولت استفاده: ۳ از ۵
• امکانات اضافی: ۴ از ۵
• امتیاز نهایی: ۱۲.۵ از ۲۰

Flux برای کاربران حرفه ای که زمان کافی برای آزمون و خطا دارند، گزینه ای انعطاف پذیر محسوب می شود، اما برای کاربران مبتدی ممکن است نتایج غیرمنتظره و گیج کننده تولید کند.

۹. Microsoft Copilot

قیمت: رایگان / ۲۰ دلار در ماه برای استفاده نامحدود

Copilot نام تجاری مایکروسافت برای مجموعه ای از ابزارهای هوش مصنوعی شامل Microsoft Designer، Bing Image Creator و نسخه های مختلف Copilot است. همه این ابزارها از یک مدل تصویری واحد استفاده می کنند. تولید تصویر در Copilot به سادگی وارد کردن یک پرامپت متنی است و خروجی آن شامل چهار تصویر مربعی می باشد که فقط برای شما قابل مشاهده هستند.

در تست های انجام شده، Copilot توانست پرامپت های مربوط به چهره انسان و گربه کارتونی را به خوبی اجرا کند. گربه کارتونی به وضوح الهام گرفته از گارفیلد بود و استایل کمیک را به خوبی حفظ کرده بود، هرچند کمی بیش از حد واقع گرایانه برای روزنامه های دهه ۱۹۸۰.

در پرامپت شوالیه و اژدها، برخی تصاویر به خوبی اجزای پرامپت را پیاده کرده بودند (مثل زره های قرمز)، اما در برخی دیگر، اشتباهاتی مثل دم اضافی یا اسب قرمز چسبیده به بدن اژدها دیده می شد. عجیب ترین نکته این بود که Copilot بدون هیچ ممانعتی تصویر مبارزه دارث ویدر و هومر سیمپسون را تولید کرد؛ حتی در برخی تصاویر، سیاره مرگ (Death Star) در پس زمینه کاملاً دقیق و قابل تشخیص بود. اگر به دنبال ابزاری بدون محدودیت کپی رایت هستید، Copilot یکی از بی پروا ترین گزینه ها است.

تنها نقطه ضعف این ابزار در بخش امکانات اضافی است. به جز تغییراتی جزئی مثل اضافه کردن افکت رنگ یا تار کردن پس زمینه، ابزار خاصی برای بازسازی تصویر (inpainting) یا بزرگ نمایی (upscaling) وجود ندارد.

نمرات:

• کیفیت تصویر: ۳.۵ از ۵
• دقت در اجرای پرامپت: ۳.۵ از ۵
• سهولت استفاده: ۲.۵ از ۵
• امکانات اضافی: ۲.۵ از ۵
• امتیاز نهایی: ۱۲ از ۲۰

Microsoft Copilot انتخابی مناسب برای کاربران عمومی است که به دنبال تولید سریع و ساده تصویر با کمترین محدودیت هستند، اما از نظر ابزارهای ویرایشی در مقایسه با رقبا در سطح پایین تری قرار دارد.

۱۰. Google Gemini

رایگان / نسخه پیشرفته با هزینه

Google Gemini (که قبلا Bard نام داشت) یک ابزار هوش مصنوعی چندمنظوره است که می تواند هم متن و هم تصویر تولید کند. از نظر تئوری قابلیت جالبی دارد، اما ماهیت دوگانه اش باعث می شود در استفاده کمی گیج کننده باشد.

مثلا برای اجرای درخواست های تصویری باید حتما قبل از هر پرامپت عبارت “make an image of” را بنویسید، در غیر این صورت فقط متن تحویل می دهد. با این حال، حتی وقتی این کار را برای پرامپت اول انجام دادم، گفت “تولید تصویر از انسان ها به زودی به نسخه پیشرفته اضافه خواهد شد”. حتی با ورود به نسخه پیشرفته هم همین پیغام را دریافت کردم، پس پرامپت های اول و سوم عملا کار نکردند.

در پرامپت دوم (گربه کارتونی)، Gemini بالون های گفتاری با متن های بی معنی برای گربه و سگ اضافه کرد. گربه بسیار بزرگ بود و واقعا راه راه هم داشت، اما ظاهرش بیشتر شبیه Heathcliff به سبک روانگردان بود تا گارفیلد کلاسیک.

در پرامپت اژدها، برخی از اژدهایان قابل قبول بودند اما بیشترشان پاهایی عجیب داشتند. در یکی از تصاویر، شوالیه از خود اژدها بزرگ تر به نظر می رسید. با این حال، Gemini تنها مدلی بود که شمشیر شوالیه را واقعا با شعله های آبی به تصویر کشید.

در پرامپت آخر، با وجود حضور شخصیت های متعلق به Disney، تصاویر تولید شد. فقط یکی از تصاویر قابل قبول بود و آن هم بیشتر شبیه ژست گرفتن بود تا یک نبرد واقعی. بقیه بیشتر شبیه کاریکاتورهای عجیب بودند. همچنین، وقتی عکس خودم را آپلود کردم و خواستم آن را کارتونی کند، جواب داد: “هنوز نمی توانم تصویر تولید کنم.”

در مجموع، استفاده از Gemini برای تولید تصویر توصیه نمی شود، چون امکانات پایه مثل بزرگنمایی، inpainting یا پشتیبانی از پرامپت های خاص را ندارد. با این حال استفاده از آن (به خصوص در موبایل و از طریق اپ Google) بسیار آسان است.

• کیفیت تصویر: ۲ از ۵
• پایبندی به پرامپت: ۳ از ۵
• راحتی استفاده: ۴ از ۵
• امکانات جانبی: ۱.۵ از ۵
• امتیاز نهایی: ۱۰.۵ از ۲۰

۱۱. Grok

رایگان در پلتفرم X (توییتر)

ابزار هوش مصنوعی Grok که توسط X ارائه شده، امکان تولید تصویر را هم دارد. استفاده از آن رایگان است، ولی محدود به ۱۰ پیام به Grok در هر دو ساعت می باشد. این ابزار از مدل Grok 2 استفاده می کند.

در پرامپت اول، تصاویر با ظاهری مدرن تولید شدند و اصلا فضای سال ۱۸۹۰ را تداعی نمی کردند. افکت بوکه قشنگی داشتند ولی کلمات روی تابلوها را به درستی نمی توانست نمایش دهد؛ کلمه “FOOD” بیشتر شبیه “FOOO” شده بود.

تصاویر پرامپت دوم بیشتر شبیه آثار استودیو Ghibli بودند تا گارفیلد کلاسیک، ولی تابه لازانیا در اکثر آن ها دیده می شد. هیچ تلاشی برای ایجاد بالن گفتار صورت نگرفت. در پرامپت سوم، زنان به درستی ظاهر شده بودند ولی بیشتر روی جدیت چهره تمرکز شده بود تا برق نگاه.

در پرامپت چهارم و پنجم، تصاویر مشکلات جدی داشتند. یکی از اژدهایان از دندان آتش می کشید، دیگری سر دوم داشت. شمشیرها عجیب بودند، شخصیت ها تماس چشمی نداشتند و برخی از دست ها ناقص یا عجیب بودند. با این حال، برخلاف برخی ابزارها، Grok در تولید IP های معروف مثل Star Wars تردید نداشت.

با هر پرامپت، چهار تصویر تولید می شود که می توان آن ها را بازتولید کرد. با کلیک روی تصویر، نسخه بزرگ‌ تر با رزولوشن ۷۶۸×۱۰۲۴ و واترمارک Grok قابل مشاهده است. اما امکان بزرگنمایی، inpainting یا تعیین جهت تصویر وجود ندارد. اشتراک گذاری در X بسیار راحت است ولی بهتر است این تصاویر را خصوصی نگه دارید.

• کیفیت تصویر: ۲ از ۵
• پایبندی به پرامپت: ۳ از ۵
• راحتی استفاده: ۳.۵ از ۵
• امکانات جانبی: ۱.۵ از ۵
• امتیاز نهایی: ۱۰ از ۲۰

۱۲. Getty Images AI Generator / iStock Generative AI

۴۹ دلار برای ۲۵ تصویر

Getty Images نیز مانند Shutterstock، بر روی تولید تصاویر قانونی تمرکز دارد. استفاده از موتور Nvidia Edify در این ابزار باعث می شود بتوانید روی عکس های موجود در آرشیو Getty تغییرات ایجاد کنید. استفاده از نسخه ارزان تر یعنی iStock نیز امکان پذیر است.

در تست، رابط کاربری اجازه انتخاب تصویر مرجع (فقط از خود iStock)، انتخاب خروجی عکس یا تصویرسازی و تعیین نسبت تصویر را می دهد. گزینه هایی برای انتخاب نوع لنز دوربین و پالت رنگ وجود دارد. ویژگی منحصر به فرد، امکان استفاده از “پرامپت منفی” برای حذف کلمات خاص است. امکانات پس از تولید فقط به inpainting و zoom-out محدود می شود.

این ابزار هم در تشخیص و تولید متن شکست خورد. پرامپت دوم را هم با متن غیرضروری و سبک تصویری اشتباه اجرا کرد. در پرامپت سوم، تصاویر انسان ها بسیار واقع گرایانه بودند ولی ساعت شب و سن سوژه نادیده گرفته شد و در یک مورد، صورت شخص ناقص بود.

دو پرامپت پایانی را اصلا تولید نکرد. برای پرامپت چهارم نوشت: «کلمات ‘sword’ و ‘dungeons & dragons’ ممکن است خلاف سیاست AI ما باشد». حتی جایگزینی آن ها با “blade” و “role-playing” هم باعث تولید تصاویری بی ربط شد. پرامپت پنجم نیز به دلیل وجود کلماتی مثل “death” و “weapon” مسدود شد، و تغییر کلمات هم بی نتیجه ماند.

در نهایت، همکاری Getty با Nvidia نشان می دهد که این ابزار در تولید انسان های واقعی مهارت بالایی دارد، احتمالا به خاطر آموزش از میلیون ها عکس استوک. اما برای تولید تصاویر خلاقانه یا داستانی، انتخاب خوبی نیست.

• کیفیت تصویر: ۲ از ۵
• پایبندی به پرامپت: ۲ از ۵
• راحتی استفاده: ۳.۵ از ۵
• امکانات جانبی: ۲ از ۵
• امتیاز نهایی: ۹.۵ از ۲۰