文字轉圖像 · AI 圖像生成
Text-to-Image
什麼是文字轉圖像?
- 以擴散模型從雜訊還原圖像
- 描述要依項目分開寫,結果才會穩定
- 文字、手部、人物一致性仍是弱點
文字轉圖像在實務上改變的是'取得圖片的途徑'。過去得在付費圖庫網站上翻找類似的構圖,或是外包、按件計費並等上三、四天;現在教育訓練負責人自己就能產出十張草稿,從中挑選。改變的不是繪圖功力,而是製作草稿的成本與速度。取而代之的新瓶頸,則是能否用語言精準說明需要什麼樣的圖。
使用方式大致分為三種:在空白畫面上只用文字生成;放入既有照片,改變構圖或畫風的圖像轉圖像;以及只刪除圖像的部分區域再重新填補的局部重繪(Inpainting)。在公司資料中,第三種出乎意料地常用。若要在多張圖中維持同一人物,較實際的做法是固定種子值,只改變句子中的一段。不過,產出的是約 1024 像素的點陣圖,若大幅放大或經常局部修改,就不適合用於 logo 或資訊圖表。生成到草稿為止,最後的完稿交由編輯工具處理,這樣劃清界線比較妥當。
權利問題應分成「生成物的著作權」與「使用許可範圍」兩方面來看。前者在於人類的創作性貢獻應認定到什麼程度,各國判斷不一,仍是有爭議的領域;後者屬於契約,只要看條款就能找到答案。免費方案有時會禁止商業用途,或自動把生成結果公開到公開圖庫,因此曾有人把尚未公開的產品概念圖生成後,反而外洩到外部。確認條款既是法務問題,同時也是資安問題。建議由團隊共用一個付費帳號,並保留生成紀錄,這樣較容易管理。
最常見的誤解是'AI 生成的圖沒有主人,所以怎麼用都可以'。訓練資料中留下的浮水印痕跡、難以與特定畫家區分的畫風、長得像真人演員的臉孔,一旦出現在宣傳品封面上,問題就不只是著作權,而會延燒成肖像權與聲譽問題。把圖中的韓文交給生成器也是常出事的地方:字母錯亂的文字很難靠編輯修復,最後往往只能全部重新生成。文字最好一開始就在編輯工具中加上去。一旦把高階主管或客戶的臉部照片當成參考圖上傳,就等於把個人資料交給了外部伺服器,這一點也常被忽略。
2010 年代後半,生成模型的研究逐漸累積;2022 年前後,基於擴散模型的服務陸續公開,逐漸普及。圖像學習資料的著作權問題,目前各國仍在持續討論。
這是虛構案例,以員工 480 人規模的汽車零件製造商 A 公司教育組為例。他們每月把約 12 件內部卡片新聞與教育公告,以每件 KRW 150,000 (≈ US$110) 外包出去,但每次修改都要多花兩天,結果公告經常在教育活動前三天才發出。
- 教育組金課長統計近三個月的外包紀錄,43 件中有 31 件是「一張背景圖」。於是以"這種程度我們自己來做就好"一句話,開始了為期兩個月的試行。
- 第一週只輸入「努力工作的員工們」這類籠統的句子,連一張能用的圖都沒有;後來做出把主體、背景、光線、比例分成四行寫的格式,採用率才明顯提升。
- 安全教育共 6 梯次的系列,每梯次的人物看起來都像不同人,因此採用固定種子值,只替換背景文句的方式,一天內就完成了 6 張。
- 法務負責人朴副理要求「真實人物相似的臉孔與他人公司的商標都要全部去除」,因此在內部指南中加入兩行規範:內部用途可以自由使用,對外發布的素材只能在付費帳號中製作。
- 四個月後,外包從每月 12 件降到 3 件,製作費從每月 KRW 1,800,000 (≈ US$1,350) 降到 KRW 450,000 (≈ US$335)。由於不再需要等待草稿,教育訓練公告的發出時間也從活動前 3 天提前到 2 週前。
金鍾赫
Seung-tae Park