Kandinsky понимает русский с полуслова, если знать приёмы

Kandinsky, нейросеть для картинок от Сбера, умеет работать с запросами на русском языке без перевода на английский. Результат при этом зависит не от магии, а от того, как сформулировано описание. Несколько простых приёмов заметно меняют качество.

Фото: Image Catalog, CC0, Flickr

Как устроен запрос и почему порядок слов важен

Нейросеть не «понимает» картинку так, как человек. Она сопоставляет слова из запроса с тем, что усвоила на огромном массиве изображений и подписей к ним. Поэтому чем конкретнее описание, тем меньше у модели свободы для случайных решений.

Хорошо работает такая схема: главный объект, действие или поза, окружение, освещение, стиль. Например, запрос «рыжий кот спит на подоконнике, за окном идёт снег, мягкий утренний свет, акварель» даёт гораздо более предсказуемый результат, чем просто «кот».

Самое важное лучше ставить в начало. Первые слова обычно получают больший вес, а длинный хвост из второстепенных деталей модель может проигнорировать или смешать.

Русский язык с его падежами и свободным порядком слов для современных версий Kandinsky не помеха. Но короткие, ясные фразы всё равно работают лучше длинных предложений с причастными оборотами. Вместо «девушка, которая стоит возле старинного фонаря и которая держит зонт» удобнее написать «девушка с зонтом у старинного фонаря, вечерний дождь».

Стили, свет и композиция одним словом

Стиль задаёт общее настроение картинки. В запросе можно указать технику: масляная живопись, акварель, карандашный набросок, 3D-рендер, пиксель-арт, плакат, аниме, фотореализм. Отдельные слова вроде «кинематографичный свет», «золотой час», «студийное освещение» меняют атмосферу сильнее, чем кажется.

Композицию тоже можно описать словами. Полезны уточнения «крупный план», «вид сверху», «общий план», «портрет по пояс», «симметричная композиция». Для рекламных и товарных изображений это особенно удобно: можно сразу задать формат, близкий к нужному.

В интерфейсе сервиса обычно есть и готовые стили, которые подмешиваются к запросу автоматически. Набор стилей и их названия со временем меняются, поэтому актуальный список стоит посмотреть на самой странице сервиса. Хороший приём: сначала написать запрос без стиля, оценить результат, а потом добавить стиль и сравнить.

Если картинка нужна для статьи, презентации или карточки товара, имеет смысл заранее выбрать соотношение сторон. Вертикальный формат подходит для сторис и постеров, горизонтальный для обложек и баннеров.

Что можно делать с готовой картинкой

Kandinsky умеет не только создавать изображение с нуля. В его возможностях в разное время были смешивание двух изображений, создание вариаций на основе загруженной картинки, дорисовка недостающих частей и замена выбранной области по текстовому описанию. Конкретный набор функций зависит от версии и площадки, поэтому его лучше проверять в интерфейсе.

Дорисовка по маске решает типичную бытовую задачу: нужно изменить одну деталь, не трогая остальное. Например, заменить фон на однотонный, убрать лишний предмет или поменять цвет одежды. Область выделяется, а в запросе описывается, что должно там появиться.

Вариации полезны, когда общая идея удалась, но хочется другой вариант. Можно сгенерировать несколько вариантов и выбрать лучший, а затем доработать его уже точечно.

Отдельно стоит сказать про отрицательные запросы. Во многих генераторах есть поле, куда записывается то, чего на картинке быть не должно: «размытость, лишние пальцы, текст, водяной знак». Если такое поле есть в выбранной версии, оно заметно экономит попытки.

Примеры удачных формулировок

Ниже несколько шаблонов, которые можно адаптировать под свои задачи. Они показывают структуру, а не гарантируют идентичный результат: нейросеть каждый раз выдаёт немного разные варианты.

• Иллюстрация к тексту: «старый маяк на скале, штормовое море, тяжёлые тучи, драматичный свет, масляная живопись».
• Товарное фото: «керамическая чашка с кофе на деревянном столе, пар, мягкий боковой свет, фотореализм, крупный план».
• Детская книга: «добрый медведь в вязаном шарфе читает книгу под ёлкой, тёплые цвета, мультяшная иллюстрация».
• Интерьер: «светлая гостиная в скандинавском стиле, большое окно, зелёные растения, дневной свет, 3D-рендер».
• Постер: «ретро-плакат о космических путешествиях, яркие цвета, крупные геометрические формы, стиль советского плаката».

Если результат не устраивает, не стоит переписывать запрос целиком. Лучше менять по одному элементу: сначала стиль, затем освещение, затем фон. Так видно, что именно повлияло на картинку.

Ограничения, о которых лучше знать заранее

Любая нейросеть для изображений ошибается в деталях. Типичные слабые места: руки и пальцы, мелкий текст и надписи, сложные сцены с большим числом персонажей, точные пропорции и симметрия. Если на картинке нужна надпись, её надёжнее добавить потом в графическом редакторе.

У сервисов есть фильтры безопасности. Запросы с насилием, откровенным содержанием, изображением реальных публичных лиц в сомнительном контексте могут блокироваться. Это ограничение не обойти хитрой формулировкой, да и пытаться не стоит.

Отдельный вопрос касается прав. Условия использования изображений, созданных нейросетью, включая коммерческое применение, прописаны в правилах конкретного сервиса, и перед публикацией в рекламе или на продажу их нужно прочитать. Правовой статус таких изображений в законодательстве остаётся предметом обсуждения юристов, поэтому для важных проектов лучше проконсультироваться со специалистом.

Ещё один момент: сгенерированную картинку, которая может ввести в заблуждение, например реалистичное «фото» несуществующего события, не стоит выдавать за настоящее. Для публикаций разумно указывать, что изображение создано нейросетью.

Где применяют генерацию изображений и что дальше

Картинки по текстовому описанию используют в самых разных областях. Маркетологи делают черновые рекламные макеты, дизайнеры быстро проверяют идеи, учителя готовят иллюстрации к урокам, авторы блогов подбирают обложки. Продавцы на маркетплейсах вроде Ozon и Wildberries пробуют генерировать фоны и сцены для карточек товаров, хотя требования площадок к изображениям нужно проверять отдельно.

В архитектуре и дизайне интерьеров нейросети помогают показать клиенту несколько стилевых направлений ещё до начала работы. В издательском деле они ускоряют создание эскизов обложек, а в игровой индустрии помогают с концепт-артом и текстурами.

Развитие идёт в сторону более точного следования запросу, лучшей работы с текстом на изображении, согласованных серий картинок с одним героем и, что особенно заметно, генерации коротких видео. Разработчики российских моделей также вкладываются в качество понимания русскоязычных запросов и культурных реалий, что для местной аудитории важно.

Практический вывод простой: нейросеть не заменяет иллюстратора там, где нужен авторский стиль и точность, но отлично закрывает задачи быстрых набросков и визуальных заготовок. Освоить базовые приёмы можно за вечер, а дальше помогает практика и накопленная коллекция удачных формулировок.