GPT-4o इमेज जनरेशन: 8 व्यावहारिक उदाहरणों के साथ मार्गदर्शिका

GPT-4o इमेज जनरेशन क्या है?

GPT-4o इमेज जनरेशन, GPT-4o मॉडल की एक नई सुविधा है जो उपयोगकर्ताओं को सीधे ChatGPT में छवियाँ बनाने देती है। यह सुविधा प्लेटफ़ॉर्म पर नैटिव इमेज जनरेशन लाती है, जिससे इसे रचनात्मकता, शिक्षा, और अन्य कई उद्देश्यों के लिए सुलभ बनाया जा सकता है।

यह लॉन्च पहले की इमेज जनरेशन तकनीकों से एक बड़ा कदम आगे है, क्योंकि इसका उद्देश्य छवियों के निर्माण को अधिक सटीक, उपयोगकर्ता-अनुकूल और विभिन्न परिस्थितियों में अधिक उपयोगी बनाना है। उदाहरण के लिए, अब उपयोगकर्ता विशिष्ट प्रॉम्प्ट देकर, छवियों को पाठ के साथ मिलाकर, या सरल निर्देशों के माध्यम से छवियों को संपादित करके इमेज बना सकते हैं।

कुल मिलाकर, GPT-4o इमेज जनरेशन का उपयोग अनेक रचनात्मक कार्यों में किया जा सकता है, जैसे कॉमिक बनाना, ट्रेडिंग कार्ड डिज़ाइन करना, मीम बनाना, या जटिल विषयों को समझाने वाली शैक्षिक सामग्री तैयार करना। उदाहरण के लिए, मैंने ChatGPT से कहा कि वह इस अनुभाग की सामग्री का एक इन्फोग्राफिक के ज़रिए सारांश करे:

GPT-4o इमेज जनरेशन का उपयोग करके उदाहरण इन्फोग्राफिक

GPT-4o इमेज जनरेशन तक कैसे पहुँचें?

GPT-4o इमेज जनरेशन सुविधा ChatGPT में डिफ़ॉल्ट इमेज जेनरेटर के रूप में उपलब्ध है। OpenAI के अनुसार, यह Plus, Pro, Team और Free उपयोगकर्ताओं के लिए उपलब्ध है। हालाँकि, मेरे अनुभव में, यह मेरे Free प्लान पर काम नहीं कर सका, और बाद में OpenAI ने पुष्टि की कि अधिक मांग के कारण Free प्लान पर अभी पहुँच उपलब्ध नहीं है।

डेवलपर्स को आने वाले हफ्तों में API के ज़रिए GPT-4o से इमेज जनरेट करने का अवसर मिलेगा।

आप GPT-4o मॉडल चुनकर और जिस चीज़ को बनवाना चाहते हैं उसका वर्णन करता हुआ टेक्स्ट प्रॉम्प्ट देकर इमेज बना सकते हैं।

हम बातचीत जारी रखकर बदलावों का अनुरोध भी कर सकते हैं:

GPT-4o इमेज जनरेशन के उदाहरण

अब जबकि हमने मॉडल का उपयोग करना देख लिया है, आइए आठ व्यावहारिक उदाहरणों से समझते हैं कि यह क्या कर सकता है।

OpenAI का दावा है कि यह नया मॉडल केवल सुंदर छवियाँ ही नहीं बनाता, बल्कि वास्तविक दुनिया में सचमुच उपयोगी छवियाँ भी बना सकता है। मेरी राय में, किसी इमेज जनरेशन मॉडल के वाकई उपयोगी होने के लिए उसे मौजूदा छवियों में संशोधन करने या मौजूदा शैलियों को लगातार लागू करने में सक्षम होना चाहिए।

वास्तविक जीवन की स्थितियों में, हम आमतौर पर शून्य से इमेज नहीं चाहते। बल्कि, हमारे पास कोई शैली होती है और हम उसी शैली में इमेज बनवाना चाहते हैं, या हमारे पास कोई फ़ोटो होती है और हमें किसी तरह उसका संपादन करना होता है। कुछ उदाहरण देखें:

• एक कॉफी शॉप का मालिक जो मार्केटिंग फोटो पोस्ट करना चाहता है, किसी यादृच्छिक कॉफी शॉप की इमेज नहीं चाहेगा—उसे अपनी कॉफी शॉप की फ़ोटो चाहिए।

• यदि मैं AI से एक दृश्य कहानी बना रहा हूँ, तो मुझे कहानी भर में एक समान चरित्र बनाए रखने में सक्षम होना चाहिए। यदि छवियाँ असंगत हों, तो उसका कोई उपयोग नहीं।

• एक फोटोग्राफर के रूप में, मुझे शून्य से ऐसी इमेज बनाने में रुचि नहीं जो वास्तविक जीवन में मौजूद न हो। बल्कि, मैं मौजूदा फ़ोटो को संपादित करना चाहता हूँ।

1. टेक्स्ट

हमने पहले लोगो के उदाहरण में देखा कि GPT-4o इमेज के भीतर टेक्स्ट जनरेट कर सकता है। स्वतंत्र रूप से टेक्स्ट जनरेट करना शायद सबसे सरल उदाहरण है।

इसे और परखने के लिए, मैंने किसी वस्तु पर टेक्स्ट जनरेट करने की कोशिश की:

यह उदाहरण दो महत्वपूर्ण विशेषताएँ दिखाता है:

1. मॉडल वस्तु के आकार के अनुरूप तरीके से उस पर टेक्स्ट जनरेट कर सकता है।
2. मॉडल रंगों को समझ सकता है और एक रंग योजना का पालन कर सकता है।

मॉडल को और आगे धकेलने के लिए, मैंने उससे लंबा टेक्स्ट जनरेट कराके उसे इमेज में पठनीय रूप में दिखाने को कहा। यह रहा परिणाम:

मैं इससे प्रभावित हुआ। जिन अन्य मॉडलों को मैंने पहले आज़माया था, वे यह काम इतना अच्छे से नहीं कर पाए।

2. ट्रांसपेरेंसी

GPT-4o ऐसी छवियाँ बना सकता है जिनमें पारदर्शी क्षेत्र हों। यह खास तौर पर तब उपयोगी है जब इमेज को किसी अन्य सामग्री के ऊपर ओवरले करना हो, जैसे किसी गेम के किरदारों के स्टिकर।

मैंने अपनी एक फोटो ली और GPT-4o से उसके आधार पर पिक्सेल आर्ट चरित्र बनाने को कहा। यह रहा परिणाम:

ध्यान दें कि इसने डिफ़ॉल्ट रूप से पारदर्शी पृष्ठभूमि नहीं बनाई, लेकिन जब मैंने उसके लिए कहा, तो वह अच्छी तरह काम किया और मूल परिणाम बदला नहीं।

3. चरित्र-संगति

पिछली बातचीत के आधार पर, मैंने बने हुए पिक्सेल आर्ट चरित्र का उपयोग करके एक दृश्य जनरेट करने की कोशिश की। यह रहा परिणाम:

इस इमेज में चरित्र का रेज़ोल्यूशन मूल चरित्र से अलग है। इसमें अधिक विवरण हैं, जिससे लगता है कि GPT-4o ने पहले बनाए चरित्र का उपयोग करने के बजाय फोटो के आधार पर नया चरित्र बना दिया।

यह परिणाम अच्छा है, लेकिन किसी गेम में सीधे उपयोग करने लायक नहीं, क्योंकि हमें दोनों चरित्र और अधिक सुसंगत चाहिए। इस स्तर पर यह किसी पिक्सेल आर्टिस्ट के लिए प्रेरणा के रूप में बेहतर है, अंतिम परिणाम के रूप में नहीं।

4. एक विस्तृत कहानी बनाना

इसके बाद, मैं एक कॉमिक स्ट्रिप बनाना चाहता था ताकि कुछ महीने पहले ताइपेई का सिटीस्केप फोटो लेने की अपनी कहानी सुना सकूँ। मैंने यह परखने के लिए इसका उपयोग किया कि GPT-4o विस्तृत निर्देशों से इमेज जनरेट करने को कैसे संभालता है।

मैंने पहले मॉडल से अपने आधार पर एक कॉमिक बुक चरित्र बनाने को कहा। फिर, कॉमिक स्ट्रिप के प्रत्येक फ़्रेम का विवरण दिया। 

पहला परिणाम मेरी इच्छा के क़रीब था, पर पूरी तरह सटीक नहीं। साथ ही, फिर यही लगा कि मॉडल ने पहले बनाए चरित्र का उपयोग करने के बजाय नया चरित्र बना दिया।

हालाँकि, बदलावों का अनुरोध करने के बाद का परिणाम मुझे बहुत पसंद आया। उस रात को कॉमिक स्ट्रिप के रूप में जीवंत होते देखना एक दिलचस्प अनुभव था।

मुझे खासतौर पर अच्छा लगा कि यह अंतिम फ़्रेम में फ़ोटो की नकल कर सका। इससे परिणाम और बेहतर हो गया।

5. फोटो एडिटिंग

अगला प्रयोग था फोटो एडिटिंग। कुछ महीने पहले मैं यूरोप लौट रहा था और बोर्डिंग से पहले मैंने एक फोटो ली। दुर्भाग्य से, अंदर से फोटो लेने के कारण खिड़की पर एक परेशान करने वाला रिफ्लेक्शन था। मैंने उसे हटाने के लिए Photoshop का उपयोग किया, पर सफल नहीं हुआ।

मैंने GPT-4o से फिर कोशिश की, और यह बहुत अच्छी तरह काम कर गया।

यहाँ GPT-4o से फोटो एडिटिंग के कुछ और उदाहरण हैं:

फिर भी, यह परफेक्ट नहीं है लेकिन काफी अच्छा है। पहले उदाहरण में लोग तो हट गए, पर पीछे की इमारत में बदलाव आ गया। रात की फ़ोटो अच्छी हैं लेकिन थोड़ी ज़्यादा अँधेरी।

एक और दिलचस्प बात यह है कि GPT-4o की संवादात्मक प्रकृति के कारण, यह नए बदलावों को हाल की इमेज पर लागू करने की प्रवृत्ति रखता है। इस मामले में, जब मैंने बारिश का अनुरोध किया, तो मैं उम्मीद कर रहा था कि यह मूल इमेज को बदलेगा, न कि रात वाली इमेज को। 

हम इसे प्रॉम्प्ट में इमेज निर्दिष्ट करके या नई बातचीत शुरू करके टाल सकते हैं।

6. कलर ग्रेडिंग

मेरे अधिकतर फोटो एडिटिंग का काम रंगों को समायोजित करने का होता है, न कि फोटो की सामग्री को बदलने का।

मैं देखना चाहता था कि कलर ग्रेडिंग में GPT-4o कितना अच्छा है, इसलिए मैंने अपनी एक फोटो पर प्रयोग किया। मेरी पसंदीदा फिल्मों में से एक Blade Runner 2049 है, और मुझे फिल्म की समग्र सौंदर्य शैली पसंद है, तो मैं देखना चाहता था कि क्या GPT-4o मेरी शहरी फोटो को उस शैली में कलर-ग्रेड कर सकता है। यह रहा परिणाम:

मुझे परिणाम बहुत पसंद आया। इसे खुद एडिट करने की तुलना में मेरा बहुत समय बचा। मुझे यह भी अच्छा लगा कि इसने (अधिकतर) इमेज की अखंडता बनाए रखी।

इस उदाहरण में हमने वांछित परिणाम का पाठ्य विवरण दिया। मैंने इसे एक नमूना इमेज और रंग-पैलेट भी दिया ताकि देख सकूँ कि क्या यह मेरी फोटो को उसी शैली में कलर-ग्रेड कर सकता है। मेरी राय में, इसने यह काम बहुत अच्छे से किया।

7. इन्फोग्राफिक्स और डायग्राम

इन्फोग्राफिक जानकारी या डेटा का ऐसा दृश्य प्रस्तुतीकरण है जो जटिल विचारों को जल्दी और आसानी से समझाने के लिए बनाया जाता है। अब तक मैंने ऐसा कोई मॉडल नहीं देखा जो उपयोगी इन्फोग्राफिक्स बना सके।

आइए GPT-4o को परखते हैं और उससे ताइवान में इतने भूकंप क्यों आते हैं, यह समझाने वाला एक इन्फोग्राफिक जनरेट करने को कहते हैं।

पहला परिणाम काफ़ी गलत था, क्योंकि ताइवान का स्थान और वर्तनी—दोनों ही गलत थे। मैंने इसे ठीक करने को कहा और बेहतर परिणाम मिला। फिर भी, नया परिणाम भी परफेक्ट नहीं है क्योंकि व्याख्या का अंतिम हिस्सा कट गया है।

यह दिखाता है कि मॉडल अभी परफेक्ट नहीं है। फिर भी, मैंने ऑनलाइन कई उदाहरण देखे हैं जहाँ उसने यह कार्य काफी ठीक से किया।

एक ऑनलाइन शिक्षाकर्मी के रूप में, मुझे अक्सर अपने कंटेंट के लिए डायग्राम बनाने पड़ते हैं। मैंने GPT-4o से मेरे लिए डायग्राम जनरेट करने को कहा, लेकिन अच्छा परिणाम नहीं मिल पाया। उदाहरण के लिए, Merge Sort को दर्शाने वाले डायग्राम के लिए यह मिला। डायग्राम सही विचार तो पकड़ता है, पर सभी विवरण गलत हैं।

कुल मिलाकर, मुझे लगता है कि यह वह क्षेत्र है जहाँ इन मॉडलों को अभी बहुत सुधार की ज़रूरत है।

8. मौजूदा इमेज में तत्व जोड़ना

अंत में, मैंने किसी मौजूदा फ़ोटो में तत्व जोड़कर उसे संशोधित करने की कोशिश की। इस उदाहरण में, मेरे पास एक टी शॉप के अंदर से ली गई फ़ोटो है, और मैंने मेज़ पर एक टी-कप बनाने के लिए कहा:

मैंने पहले यह इमेज DALL-E से शून्य से बनवाने की कोशिश की थी, लेकिन हर बार इमेज का समग्र लुक-एंड-फील बहुत यथार्थवादी नहीं था। वास्तविक फ़ोटोग्राफ़ में तत्व जोड़ पाने से वह परिणाम पाना कहीं आसान हो गया जिसकी मैं तलाश कर रहा था।

निष्कर्ष

इस लेख में, हमने GPT-4o इमेज जनरेशन की रोमांचक नई सुविधाओं और उसकी उल्लेखनीय क्षमताओं को खोजा। आठ व्यावहारिक उदाहरणों के माध्यम से, हमने देखा कि यह मॉडल इमेज के भीतर टेक्स्ट बना सकता है, ट्रांसपेरेंसी संभाल सकता है, और चरित्र-संगति कायम रख सकता है। हर क्षमता ने दिखाया कि रचनात्मक कल्पनाओं को जीवन देने में GPT-4o कितना बहुमुखी और प्रभावी है।

मुझे लगता है कि इन्फोग्राफिक्स और डायग्राम के मामले में इसमें अभी सुधार की काफी गुंजाइश है। इन मामलों में यह प्रॉम्प्ट के अनुरूप सुसंगत तो इमेज बनाता है, लेकिन सटीकता और तथ्यात्मक स्थिरता की कमी रहती है।

काफ़ी समय बाद किसी AI रिलीज़ को लेकर मैं इतना उत्साहित हूँ। मेरी राय में, इमेज जनरेशन के क्षेत्र में GPT-4o सचमुच एक गेम चेंजर है। मैं इसके साथ और प्रयोग करने को उत्सुक हूँ और पहले से ही कई विचार हैं जिन्हें मैं खोजने और जीवन में उतारने का इंतज़ार नहीं कर सकता।