Kiel instigi AI por konsista karaktero-dezajno

Karaktera konsisto estas konservita difinante nemoveblajn trajtojn en teksto kaj ankriĝante ilin per vidaj referencoj, poste strikte kontrolante variablojn kiel lumigo kaj angulo. Vi atingas tion apartigante la karakteran identecon de la scenkunteksto en via laborfluo.

La problemo de karaktero-drivo en generaj modeloj

Generaj modeloj interpretas instigojn probablisme. Kiam vi petas specifan karakteron, la modelo provas el distribuo de eblaj interpretoj. Sen limigoj, ĉiu generacio estas nova ĵeto de la kubo. Malgrandaj varioj en vizaĝa strukturo, hara teksturo aŭ vestaj detaloj akumuliĝas tra bildoj. Tiu drivo okazas ĉar la modelo prioritatas la ĝeneralan komponaĵon kaj lumigon super specifaj identecaj markiloj. Se vi ne aktive limigas la eligon, la karaktero fariĝas ĝenerala arketipo anstataŭ specifa individuo.

Difinante nemoveblajn karakterajn trajtojn en instigoj

Vi devas identigi la trajtojn, kiuj difinas la karakteron, kaj trakti ilin kiel nediskuteblajn. Tiuj estas la nemoveblaj trajtoj. Ili inkluzivas specifan vizaĝan geometrion, okulkoloron, harformon kaj unikajn vestajn erojn. Ne priskribu la karakteron per neklaraj terminoj kiel "malvarma" aŭ "mistera". Priskribu la fizikan realecon. Anstataŭ "robusta aspekto", specifigu "mallongaj tonditaj haroj, cikatro super maldekstra brovo, eluzita leda jako".

• Listigu la nemoveblajn trajtojn en fiksa teksta bloko.
• Teni tiun blokon identa por ĉiu instigo.
• Meti tiun blokon ĉe la komenco de la instigo por doni al ĝi altan pezon.
• Eviti adjektivojn, kiuj implikas plurajn interpretojn. Uzu konkretajn substantivojn kaj fizikajn priskribojn.

Se vi ŝanĝas la priskribon de la haroj, la modelo povas interpreti la novan priskribon kiel alian karakteron. La teksta instigo estas la ĉefa ankrilo. Se la teksto estas ambigua, la bildo estos nekonsista.

Uzante referencajn bildojn kaj stilajn ankrilojn

Teksto sola ofte ne sufiĉas por kompleksaj karakteroj. Vidaj referencoj provizas spacan kaj stilan ankrilon. Vi alŝutas bildon de la karaktero por gvidi la modelan interpretadon de identeco. Tie specifaj iloj eniras en la procezon.

• Midjourney estas rekomendata kiam vi bezonas referenci specifan bildon de rolulo por certigi konsistentajn vizaĝajn trajtojn kaj stilon tra novaj generadoj.
• Adobe Firefly estas uzata kiam vi bezonas alŝuti referencan bildon de rolulo por gvidi la stilon kaj identecon de generitaj bildoj ene de la ekosistemo Creative Cloud.
• Leonardo.Ai estas elektita kiam vi bezonas fiksi specifajn trajtojn kaj estetikon de rolulo tra pluraj bildaj generadoj.
• Stable Diffusion estas uzata por altnivela konsistenco tra trejnado de LoRA sur datumaroj de roluloj aŭ per uzo de ControlNet por fiksi pozojn kaj strukturon.
• Krea estas aplikata kiam vi bezonas alŝuti bildon por konservi la identecon kaj stilon de rolulo en realtempa generado.
• Runway estas uzata kiam vi bezonas konservi la konsistencen de rolulo dum generado de videosekvencoj aŭ animaciado de fiksitaj rolulaj dezajnoj.
• DALL-E 3 estas fidata kiam vi bezonas konservi la konsistencen de rolulo per detalaj, specifaj tekstaj promptoj kaj iteracia rafinado, ĉar ĝi ne havas indiĝenan bild-referencan funkcion.

Dum uzado de ĉi tiuj iloj, juĝu la eligon laŭ tio, ĉu la vizaĝa strukturo kongruas kun la referenco. Ne juĝu ĝin laŭ tio, ĉu la sceno aspektas bone. Se la vizaĝo estas malĝusta, la sceno estas nerelevanta.

Administrado de lumigaj kaj angulaj varioj

Lumigo kaj angulo estas la plej oftaj kaŭzoj de perceptita nekonsekventeco. Rolulo en hela taglumo aspektas alie ol la sama rolulo en ombro. Tio ne estas drivo; ĝi estas fiziko. Tamen, modeloj ofte interpretas lumigajn ŝanĝojn kiel identecajn ŝanĝojn.

• Konservu la priskribon de lumigo konstanta se vi volas, ke la rolulo aspektu same.
• Se vi ŝanĝas la angulon, atendu, ke la vizaĝaj trajtoj ŝoviĝos.
• Uzu neŭtralan lumigon por rolulaj folioj por establi la bazan identecon.
• Apliku dramigan lumigon nur post kiam la identeco estas fiksita.

Se vi generas rolulon en malluma strateto kaj poste en hela studio, la modelo povas interpreti la ombrojn kiel malsamajn vizaĝajn strukturojn. Apartigu la identecon de la medio. Unue generu la rolulon en neŭtrala kunteksto. Poste kunmetu aŭ uzu prompton por la specifa medio.

Iteracia rafinado kaj negativa prompting

Vi ne atingos ĝin ĝuste je la unua provo. Iteracia rafinado estas la kerno de la laborfluo. Generu plurajn variaĵojn. Elektu tiun, kiu plej proksimas al la celita identeco. uzu tiun elekton kiel novan referencon. Tio kreas retroinforman ciklon, kiu plifirmigas la konsiston.

Negativa instigo estas esenca. Vi devas diri al la modelo kion ne fari.

• Listigu oftajn deviojn en via negativa instigo.
• Inkluzivu terminojn kiel "alia vizaĝo", "malĝusta hararo" aŭ "ĝeneralaj trajtoj".
• Ĝisdatigu la negativan instigon kiam vi vidas novajn tipojn de eraroj.

Se la modelo daŭre donas al la rolulo alian nazon, aldonu "malĝusta nazo-formo" al la negativa instigo. Tio aktive subpremas la devion.

Oftaj eraroj, kiuj rompas konsiston

Plejmultaj konsistaj malsukcesoj devenas de eraroj en la laborfluo, ne de ilaj limigoj.

• Ŝanĝi la priskribon de la rolulo inter instigoj.
• Uzi neklarajn adjektivojn anstataŭ fizikajn priskribojn.
• Ignori la lumig-kuntekston juĝante la identecon.
• Malsukcesi uzi negativan instigon por subpremi deviojn.
• Atendi perfektan konsiston sen iteracia rafinado.
• Uzi unu referencan bildon, kiu estas malalta kvalito aŭ ambigua.

Se vi faras ĉi tiujn erarojn, neniu ilo savos vin. La laborfluo devas esti disciplina. La teksto devas esti preciza. La referencoj devas esti klaraj. La iteracio devas esti kontinua.