قسمت ۵ — یکپارچگی شخصیت در چند تصویر

یک تصویر خوب ساختن سخت نیست؛ سخت آن است که همان آدم، در تصویر دوم و سوم و دهم هم همان آدم بماند. اگر برای برندت شخصیت طراحی می‌کنی، برای یک داستان تصویری کاراکتر می‌سازی، یا فقط می‌خواهی چهرهٔ راویِ ویدیوهایت در همهٔ کاورها یکی باشد، مشکل اصلی‌ات «یکپارچگی شخصیت» است. در این قسمت یاد می‌گیری با شناسنامهٔ بصری، بلوک ثابت پرامپت و قفل‌کردن ویژگی‌های لغزنده، شخصیتت را در یک مجموعهٔ کامل ثابت نگه داری.

۱. چرا شخصیتت بین دو تصویر عوض می‌شود

مدل تصویری چیزی به اسم «حافظهٔ کاراکتر» ندارد. وقتی می‌نویسی «زن جوان ایرانی با موی کوتاه»، مدل از میان میلیون‌ها صورتِ ممکن که با این توصیف جور درمی‌آیند یکی را قرعه می‌کشد. دفعهٔ بعد که همان جمله را می‌نویسی، قرعه‌کشی از نو انجام می‌شود. پس تفاوت دو تصویر، نقصِ مدل نیست؛ نتیجهٔ طبیعی توصیفی است که فضای انتخاب را باز گذاشته.

قاعدهٔ اصلی این قسمت همین است: هر ویژگی‌ای که ننویسی، هر بار دوباره ساخته می‌شود. یکپارچگی یعنی فضای انتخاب مدل را آن‌قدر تنگ کنی که فقط یک صورت از آن بیرون بیاید. این کار با نوشتن جمله‌های بیشتر انجام نمی‌شود، با نوشتن جمله‌های دقیق‌تر و تکرارشونده انجام می‌شود.

۲. شناسنامهٔ بصری: سندی که قبل از اولین تصویر می‌نویسی

پیش از آنکه حتی یک تصویر بسازی، یک متن کوتاه بنویس که شخصیتت را مثل شناسنامه توصیف کند. این سند فقط برای خودت نیست؛ عیناً داخل هر پرامپت کپی می‌شود. شناسنامهٔ خوب هفت خانه دارد:

• سن و ساختار صورت: عدد بده، نه صفت. «حدود سی‌ودو ساله، صورت بیضی، گونه‌های مشخص» به‌مراتب قابل‌اتکاتر از «جوان» است.
• مو: رنگ دقیق، طول به سانتی‌متر یا نسبت به شانه، بافت، و مدل فرق باز.
• چشم و ابرو: رنگ چشم، فاصلهٔ ابروها، و شکل ابرو.
• نشانهٔ یکتا: مهم‌ترین خانه. یک خال، یک عینک با فریم مشخص، یک اسکار کوچک، یا گوشوارهٔ ثابت. مدل به نشانه‌های یکتا بیشتر از توصیف‌های کلی وفادار می‌ماند.
• پوست: تُن پوست و بافت، چون این ویژگی از همه بیشتر بین تصاویر می‌لغزد.
• هیکل و قد نسبی: اگر شخصیت تمام‌قد دیده می‌شود.
• لباس امضا: اگر شخصیت برندی است، یک ست ثابت تعریف کن.

وقتی این هفت خانه پر شد، آن را در یک فایل متنی نگه دار. از این به بعد، این سند «منبع حقیقت» توست و هیچ‌وقت بازنویسی‌اش نمی‌کنی؛ فقط کپی‌اش می‌کنی.

۳. بلوک ثابت و بلوک متغیر: قلبِ روش

پرامپت را از این به بعد دوتکه ببین. بلوک ثابت همان شناسنامه است و کلمه‌به‌کلمه در همهٔ تصاویر تکرار می‌شود. بلوک متغیر شامل صحنه، ژست، نور و کادر است و فقط همان است که تصویر به تصویر عوض می‌شود.

ترتیب هم مهم است: بلوک ثابت را اول بگذار. مدل‌ها به ابتدای پرامپت وزن بیشتری می‌دهند و اگر شناسنامه را ته پرامپت بچسبانی، در تصاویر شلوغ نادیده گرفته می‌شود. نمونهٔ آماده برای کپی:

[CHARACTER LOCK — copy this block unchanged in every image]
Same woman in every frame: 32 years old, Iranian, oval face with defined
cheekbones, warm medium-olive skin with visible natural texture,
dark brown almond eyes, thick straight eyebrows, shoulder-length dark
brown hair parted on the left, one small mole under the right eye,
thin gold hoop earring in the left ear only, no makeup beyond neutral lips.

[SCENE — change this block per image]
Standing in a bright modern office by a large window, holding a notebook,
three-quarter view, soft daylight from camera left, 50mm lens, f/2.0,
shallow depth of field, neutral color grade, photorealistic, 4:5 ratio.

سه تصویر بساز و فقط بخش دوم را عوض کن. اگر بلوک اول را دست‌نخورده نگه داری، معمولاً از تصویر دوم به بعد صورت تثبیت می‌شود.

۴. ویژگی‌هایی که بیشتر از بقیه جابه‌جا می‌شوند

همهٔ ویژگی‌ها به یک اندازه لغزنده نیستند. تجربه نشان می‌دهد این پنج مورد بیشترین خطا را می‌سازند و باید صریح‌تر از بقیه قفل شوند:

1. تُن پوست: با تغییر نور، مدل تن پوست را هم عوض می‌کند. صفت نور را از صفت پوست جدا بنویس تا با هم قاطی نشوند.
2. طول مو: «موی کوتاه» طیف وسیعی است. بنویس «تا زیر چانه» یا «تا سرشانه» و کنارش فرق باز را مشخص کن.
3. سن ظاهری: در نمای نزدیک جوان‌تر و در نمای دور مسن‌تر رندر می‌شود. عدد سن را در بلوک ثابت تکرار کن.
4. وزن و فرم بدن: اگر ننویسی، مدل به میانگین آموزشی‌اش برمی‌گردد.
5. جزئیات لباس: تعداد دکمه، جنس پارچه و یقه معمولاً اولین چیزی است که قربانی می‌شود. اگر لباس امضای شخصیت است، آن را هم داخل بلوک ثابت ببر، نه بلوک صحنه.

نکتهٔ کاربردی: برای هر ویژگی فقط یک نام بگذار و همیشه با همان کلمه صدایش کن. اگر یک‌بار «موی قهوه‌ای تیره» و بار بعد «موی شکلاتی» بنویسی، از نظر مدل این دو ویژگی متفاوت‌اند.

۵. تصویر مرجع، دانهٔ تصادفی و ابزارهای قفل چهره

متن به‌تنهایی تا حدی جلو می‌رود؛ از یک جایی به بعد باید به ابزار تکیه کنی. سه اهرم در دسترس است:

تصویر مرجع. بیشتر مدل‌های امروزی اجازه می‌دهند یک یا چند تصویر را به‌عنوان مرجع چهره بدهی. بهترین نتیجه وقتی گرفته می‌شود که سه مرجع بدهی: یک نمای روبه‌رو، یک نمای سه‌رخ و یک نمای با نور متفاوت. با یک مرجع، مدل نور همان عکس را هم کپی می‌کند و در صحنه‌های دیگر مصنوعی می‌شود.

دانهٔ تصادفی. در ابزارهایی که «seed» را در اختیارت می‌گذارند، ثابت‌نگه‌داشتن دانه با پرامپت ثابت، خروجی نزدیک‌به‌یکسان می‌دهد. اما توجه کن که دانهٔ ثابت با پرامپت متفاوت، لزوماً چهرهٔ یکسان نمی‌سازد؛ دانه فقط نقطهٔ شروع نویز را قفل می‌کند، نه هویت را.

آموزش سبک یا شخصیت. اگر قرار است ده‌ها تصویر بسازی، آموزش یک مدل کوچک روی پانزده تا بیست عکس از همان شخصیت، به‌صرفه‌ترین راه است. این کار از حوصلهٔ این قسمت بیرون است، ولی بدان که وقتی تعداد تصاویر از پنجاه بگذرد، هیچ ترفند متنی جای آن را نمی‌گیرد.

۶. آزمون سه‌تصویری: از کجا بفهمی قفل شده؟

برای اینکه حدس نزنی، یک آزمون ساده اجرا کن. با بلوک ثابت یکسان، سه تصویر بساز: یکی نمای نزدیک، یکی نیم‌تنه در نور کم، و یکی تمام‌قد در فضای باز. حالا سه تصویر را کنار هم بگذار و فقط این چهار چیز را مقایسه کن: فاصلهٔ چشم‌ها، فرم چانه، خط رویش مو، و نشانهٔ یکتا.

اگر هر چهار مورد یکی بود، شناسنامه‌ات کار می‌کند و می‌توانی مجموعه را ادامه بدهی. اگر یکی از آن‌ها لغزید، همان یکی را در بلوک ثابت دقیق‌تر بنویس و آزمون را تکرار کن. این حلقهٔ کوچک، از ساختن پنجاه تصویر و دور ریختن چهل‌تای‌شان سریع‌تر است.

۷. چهار اشتباه رایج که یکپارچگی را خراب می‌کند

شناسنامهٔ بیش‌ازحد بلند. اگر بلوک ثابت از حدود شصت کلمه بگذرد، وزنش پخش می‌شود و مدل بخشی از آن را رها می‌کند. هفت خانه کافی است؛ صفت تزئینی اضافه نکن.

بازنویسی بلوک ثابت. وسوسه می‌شوی که «کمی بهترش کنی». همان لحظه یکپارچگی می‌شکند. اگر لازم شد تغییرش بدهی، از آن نقطه به بعد کل مجموعه را دوباره بساز.

قاطی‌کردن سبک با هویت. اگر یک تصویر را واقع‌گرایانه و تصویر بعدی را نقاشی دیجیتال بخواهی، صورت تغییر می‌کند و این تقصیر شناسنامه نیست. سبک را ثابت نگه دار یا بپذیر که در تغییر سبک، فقط نشانه‌های یکتا منتقل می‌شوند. سبک و پالت را در قسمت چهارم، سبک و پالت رنگ کامل توضیح داده‌ایم.

انتظار یکپارچگی در جمعیت. وقتی چند نفر در کادر هستند، مدل ویژگی‌ها را بین آن‌ها پخش می‌کند. اگر شخصیت اصلی‌ات باید در یک صحنهٔ شلوغ ثابت بماند، او را در نمای نزدیک‌تر و بقیه را مبهم بخواه.

۸. پرسش و پاسخ

آیا با یک تصویر مرجع هم می‌شود؟ بله، اما نتیجه در صحنه‌های با نور متفاوت افت می‌کند. سه مرجع با زوایا و نورهای مختلف، تفاوت محسوسی می‌سازد.

بلوک ثابت را فارسی بنویسم یا انگلیسی؟ برای مدل‌های تصویری، انگلیسی هنوز پایدارتر است، چون داده‌های آموزشی برچسب‌های انگلیسی دارند. شناسنامه را انگلیسی نگه دار و یادداشت‌های خودت را فارسی.

چند تصویر باید بسازم تا مطمئن شوم؟ آزمون سه‌تصویری برای تأیید اولیه کافی است، ولی قبل از تحویل یک مجموعهٔ تجاری، ده تصویر با صحنه‌های متنوع بساز و همان چهار نقطهٔ مقایسه را چک کن.

اگر مدل نشانهٔ یکتا را جابه‌جا کند چه؟ مثلاً خال را از زیر چشم راست به چپ ببرد. در بلوک ثابت، سمت را دو بار بنویس و در پرامپت منفی، حالت اشتباه را صریح رد کن. روش پرامپت منفی موضوع قسمت ششم همین سری است.

آیا این روش برای شخصیت غیرانسانی هم کار می‌کند؟ بله. برای حیوان، ربات یا شخصیت انیمیشنی هم همان هفت خانه را با معادل‌های خودش پر کن؛ نشانهٔ یکتا در این موارد حتی مهم‌تر است.

برای تمرین این قسمت، دو تکلیف کوتاه در ادامه آمده. اولی سریع است و دومی روی پروژهٔ واقعی خودت اجرا می‌شود.