Jak na obrázky, ilustrace a fotky v chatGPT s DALL-E 3

Pokud jste předplatiteli chatGPT Plus (20 USD měsíčně), tak nově je k dispozici i plugin DALL-E 3. Aktivujete ho v horní liště v chatGPT4 kliknutím na možnost Dall-E 3.

Je to aktuálně nejnovější verze generátoru obrázků z dílny OpenAI, která je zároveň i autorem chatGPT. Používání Dall-E 3 je v chatGPT zahrnuto v předplatném, takže žádné extra poplatky se už za něj neplatí.

Na využití Dall-E 3 se vztahují limity na počet dotazů a stále platí, že nebude generovat jakýkoliv útočný, rasistický nebo explicitní obsah.

K čemu se to hodí?

OpenAI tvrdí, že DALL-E 3 je v tomhle zatím z dostupných nástrojů nejdál, protože chápe zadání v celé šíři textu. Tím nám jako uživatelům odpadá nutnost tzv. prompt-engineeringu, což je neustálé opakování téhož příkazu s drobnými úpravami, abychom docílili žádoucí změny.

Dall-E podle OpenAI umí pochopit i velmi podrobné textové zadání rovnou a přetvořit ho v obrázek.

Abychom si ukázali schopnosti Dall-E 3prakticky, zadali jsme mu několik různých typů úloh. U každé přikládáme jak prompt, který jsme zadali, tak první výsledek.

Ilustrujeme česká přísloví

Odzkoušíme různé styly a kombinace toho, jak chatGPT porozumí zadání a jak dobře pak zadaný výstup pochopí dall-e. Každý výstup jde pomocí zpřesňování promtu upravit, ale tím se v tomhle článku už zabývat nebudeme. Jde nám o „výstup na první dobrou“.

První kolo

U prvního obrázku jsme použili specificky český styl dětského časopisu Čtyřlístek, se kterým si Dall E-3 neporadil. Ilustrace je i tak docela povedená.

Druhý obrázek dodržel zadání na první pokus.

Druhé kolo

U prvního černobílého obrázku nedodržel Dall-E zadání s krajinkou.

U druhého výsledku jsme spokojení, výsledek je podle zadání.

Třetí kolo

U obou obrázků jsme narazili na to, že chatGPT neporozuměl zadání, resp. neví jak vizualizovat nadsázku z daného přísloví.

První obrázek je v pořádku.

U druhého nedodržel Dall-E požadovaný styl. Namísto specifického stylu van Gogha ilustrace je ve stylu post-impresionizmu.

Rozšíření promptů na detailní, propracované zadání

Podle OpenAI si Dall-E dobře vede s podrobným zadáním, kde i ze složitých promptů pochopí co přesně má na výstupu být a poskládá podle požadavků výsledný záběr.

Několik výstupů přikládáme:

První kolo:

Výstup vypadá skvěle, byť neodpovídá přesně zadání. Z promptu ve výsledném obrázků chybí stromy, nebo aspoň větvě stromů, okno a závěs nejsou v levém rohu, jak jsme požadovali. Oboje by se ale snadno dalo upravit přegenerováním výstupu.

Druhé kolo:

V tomhle výstupu Dall-E také nedodržel zadání. Jednorožců je 15, chybí bílý Pegas několik samolepek je chybně – jednorožec se dvěma rohy, několik steam-punk jednorožců apod.

Třetí kolo:

S tímhle výstupem nejsme spokojení, je v angličtině. Dáváme tedy chatGPT za úkol přegenerovat ho do češtiny.

Třetí kolo znovu v češtině:

Graficky vypadá výstup lépe, než předchozí pokus. Ale bohužel nedodržel spoustu prvků z původního promptu. Chybí čas akce, chybí informace o bezplatném vstupném, omezení počtu účastníků atd.

Ale obrázek bychom použili jako super základ pro vlastní dotvoření ve Photoshop nebo obdobné aplikaci.

Jaké jsou alternativy?

Grafické výstupy jde dnes za peníze i zadarmo tvořit ve spoustě služeb. Z těch populárních třeba:

• DALL-E
• Bing Image creator (používá aktuálně Dall-E 3)
• Adobe Firefly (k němu jsme sepsali i článek zde)
• Microsoft Designer (a článek k němu najdete zde)
• Clipdrop
• Looka
• Logomaster.ai
• Leonardo.ai

Každá aplikace umí něco jiného a cílí na jiné uživatele. V některých lze udělat jen jednoduché náhledy a loga, v některých jsou k dispozici palety víceronástrojů, některé mohou i konkurovat zkušeným uživatelům Photoshopu.

Určitě se vyplatí sledovat trendy a udržovat se v aktuálním povědomí toho, kam se generativní AI ubírá. Už nyní, na počátku rozmachu, jsou grafické výstupy dostatečně dobré, aby se s nimi daly ilustrovat knížky nebo online obsah.

Jaká omezení tu vidíme?

Aktuálně tou hlavní překážkou je to, že Dall-E (stejně jako jiné generátory obrázků) neumí dobře pracovat s texty. Když tvoří slova a věty, tak silně halucinují a tvoří neexistující formulace.

Nemůžeme tak po nich chtít vytvořit grafiku s texty, které si mají sami domyslet a vytvořit. Podle našich testů to ale vypadá tak, že jde tohle omezení s trochou trpělivosti obejít:

• když specificky napíšeme slovo do slova přesně co chceme na obrázku mít, tak to (aspoň v některých případech) Dall-E zvládá do obrázku dát bez chyb.
• pokud netrváme na češtině, tak angličtina jde Dall-E lépe.

Právní souvislosti – autorská práva k obsahu vygenerovanému pomocí AI. Zde stále ještě platí, že je takhle oblast práva jak v evropském, tak světovém měřítku teprve na počátku. Dle aktuálních právních úprav napříč světem nejde přiznat autorství samotné umělé inteligenci. Autorství nebo spolu-autorství u díla, které vzniklo pomocí AI se posuzuje individuálně podle rozsahu tvůrčího přínosu jednotlivých účastníků.

Samotné vytvoření promptu, byť je sebevíc složitý, se ale zároveň nepovažuje za dostatečně kreativní proces, aby autorství výsledného obrázku připadlo tomu, kdo prompt vymyslel a AI ho zadal.

Stručný výklad k právním souvislostem s AI najdete třeba zde (Petra K. Dolejšová).

Postoj samotného OpenAI nyní je takový, že jakýkoliv obrázek pomocí Dall-E vytvoříte, je vám k dispozici pro volné použití a není vyžadováno žádné další povolení k reprodukci, prodeji nebo zpeněžování.