آموزش پرامپت‌نویسی برای تولید تصویر با هوش مصنوعی (فرمول ۹ مرحله‌ای)

هوش مصنوعی می‌تواند در چند ثانیه تصویری بسازد که پیش‌تر ساعت‌ها کارِ یک طراح را می‌طلبید؛ اما فقط به یک شرط: بدانید چطور با آن حرف بزنید. تفاوتِ یک تصویرِ بی‌روح و تصادفی با یک شاهکارِ دقیق، نه در مدل، بلکه در «پرامپت» شماست. در این آموزش، فرمولی ساده و ۹ گامِ عملی یاد می‌گیرید تا هر تصویری که در ذهن دارید را دقیق و تکرارپذیر بسازید.

۱) چرا کیفیت پرامپت همان کیفیت تصویر است؟

مدل‌های تولید تصویر ذهن‌خوان نیستند؛ آن‌ها دقیقاً بر اساس کلماتی که می‌نویسید حدس می‌زنند شما چه می‌خواهید. وقتی می‌نویسید «یک منظره»، مدل از میلیون‌ها منظرهٔ ممکن یکی را تصادفی انتخاب می‌کند و احتمالِ اینکه به تصویر ذهنی شما نزدیک باشد بسیار کم است. اما وقتی همان ایده را لایه‌لایه و دقیق توصیف می‌کنید، فضای انتخابِ مدل را محدود و خروجی را کنترل می‌کنید. اگر با مبانی پرامپت‌نویسی تازه آشنا شده‌اید، پیشنهاد می‌کنیم ابتدا راهنمای پرامپت‌نویسی برای مبتدی‌ها و مجموعهٔ آموزش‌های ChatGPT را ببینید تا پایهٔ کارتان محکم شود.

فرمولی که در کل این آموزش تکرار می‌شود این است: سوژه + سبک + زاویهٔ دوربین + نورپردازی + رنگ و حال‌وهوا + جزئیات + پارامترهای فنی. لازم نیست همیشه همهٔ لایه‌ها را بنویسید، اما هر لایه که اضافه کنید، یک درجه کنترل بیشتری به دست می‌آورید. نکتهٔ مهم دیگر «ترتیب کلمات» است؛ بیشتر مدل‌ها به کلماتی که ابتدای پرامپت می‌آیند وزنِ بیشتری می‌دهند، پس مهم‌ترین عنصر یعنی سوژه را همیشه اول بنویسید و جزئیاتِ فرعی را به انتها ببرید.

یک اشتباه رایج این است که کاربران فکر می‌کنند «هرچه پرامپت طولانی‌تر، بهتر». حقیقت این است که پرامپتِ خوب، پرامپتِ «دقیق» است نه لزوماً «طولانی». چند کلمهٔ سنجیده و مشخص، بسیار مؤثرتر از یک پاراگرافِ پر از صفت‌های متناقض عمل می‌کند. در ادامه هر لایه از فرمول را جدا می‌کنیم تا بدانید کجا باید دقیق شوید.

مثال: «یک فنجان قهوه روی میز چوبی، نور ملایمِ صبحگاهی از پنجره، بخارِ کم‌رنگ در حال بلندشدن، عکاسی نزدیک (close-up)، پس‌زمینهٔ محو، حال‌وهوای دنج و آرام، جزئیات بالا». همین یک جمله به مدل می‌گوید چه چیزی، در چه صحنه‌ای، با چه نوری و از چه فاصله‌ای بسازد.

۲) سوژه را دقیق و بدون ابهام تعریف کن

سوژه قلبِ تصویر است. مشخص کنید «چه کسی یا چه چیزی»، «چند تا»، «با چه ویژگی‌هایی» و «در حالِ انجامِ چه کاری». صفت‌ها را نادیده نگیرید: رنگ، جنس، سن، لباس، حالت چهره و ژست، همگی به مدل کمک می‌کنند. هرچه سوژه مبهم‌تر باشد، خروجی تصادفی‌تر است.

مثال: به‌جای «یک زن در حال کار»، بنویسید «یک زنِ جوانِ مهندس با روپوش سفید و عینک ایمنی، در حال بررسی یک بازوی رباتیک در کارخانه، با تمرکز و لبخندی محو». تفاوت را در وضوحِ خروجی خواهید دید.

یک ترفندِ کاربردی این است که برای سوژه‌های انسانی، سه چیز را همیشه مشخص کنید: «کیستی» (سن و نقش)، «ظاهر» (لباس و حالت مو) و «احساس» (حالت چهره). همین سه لایه، از یک چهرهٔ بی‌روح و کلیشه‌ای، یک شخصیتِ باورپذیر می‌سازد. اگر چند سوژه دارید، رابطهٔ مکانیِ آن‌ها را هم بگویید؛ مثلاً «نشسته کنار هم» یا «رو‌به‌روی یکدیگر».

۳) سبک و رسانهٔ هنری را انتخاب کن

یک سوژهٔ ثابت با تغییر سبک، کاملاً دگرگون می‌شود. مشخص کنید تصویر «عکس واقعی» است یا «نقاشی رنگ‌روغن»، «آبرنگ»، «رندر سه‌بعدی»، «انیمه»، «پیکسل‌آرت» یا «تصویرسازی مینیمال». به‌جای نامِ هنرمندانِ زندهٔ خاص، از نامِ سبک‌ها و مکاتب هنری (مثل امپرسیونیسم یا آرت‌دکو) یا مشخصاتِ فنیِ رسانه استفاده کنید تا هم نتیجهٔ بهتری بگیرید و هم به حقوقِ آثار احترام بگذارید. ابزارهایی مثل DALL·E متعلق به OpenAI در تشخیصِ این سبک‌ها بسیار خوب عمل می‌کنند.

مثال: «پرتره‌ی یک روباه، به سبک نقاشی رنگ‌روغنِ کلاسیک، قلم‌ضربه‌های آشکار، بافتِ بوم، رنگ‌های گرم، نورپردازی رامبراند». اگر «به سبک عکاسی مستند» را جایگزین کنید، همان روباه به یک عکس واقع‌گرایانه تبدیل می‌شود.

۴) زاویهٔ دوربین، فاصله و ترکیب‌بندی

حرفه‌ای‌ها مثل یک فیلم‌بردار فکر می‌کنند. تعیین کنید دوربین کجاست: نمای نزدیک (close-up)، نمای کامل (full shot)، نمای بسیار باز (wide)، زاویهٔ پایین (low angle) برای حسِ ابهت، یا نمای پرنده (bird’s-eye) برای دیدِ کلی. برای ترکیب‌بندی هم می‌توانید از قواعدی مثل «قاعدهٔ یک‌سوم»، «تقارن» یا «فضای منفی» استفاده کنید.

مثال: «یک قایق تنها در اقیانوس، نمای بسیار باز از بالا (bird’s-eye view)، قایق در گوشهٔ پایین-چپ طبق قاعدهٔ یک‌سوم، فضای منفیِ زیاد از آبِ آرام، حسِ تنهایی و آرامش».

اگر می‌خواهید حسِ حرفه‌ای‌تری بگیرید، می‌توانید مشخصاتِ لنز و دوربین را هم اضافه کنید. عباراتی مثل «لنز ۸۵ میلی‌متری» برای پرتره‌های با پس‌زمینهٔ محو، «لنز واید ۲۴ میلی‌متری» برای مناظر، یا «عمق میدانِ کم (shallow depth of field)» برای جداکردنِ سوژه از پس‌زمینه، به مدل سیگنال‌های دقیقی می‌دهند که خروجی را سینمایی‌تر می‌کنند.

۵) نورپردازی، حال‌وهوای تصویر را می‌سازد

نور مهم‌ترین ابزار برای انتقالِ احساس است. «نور طلاییِ غروب» حسی گرم و نوستالژیک می‌سازد، «نور نئون» حال‌وهوای سایبرپانک می‌دهد، «نور نرمِ استودیویی» برای پرتره‌های تمیز عالی است و «نورِ پشت‌سوژه (backlight)» هاله‌ای دراماتیک ایجاد می‌کند. فقط با عوض‌کردن نور، همان صحنه می‌تواند شاد یا دلهره‌آور شود.

مثال: «خیابانی خیس از باران در شهر، شب، نورهای نئونِ صورتی و آبی که روی آسفالت انعکاس دارند، مه رقیق، حال‌وهوای سایبرپانک و سینمایی، نسبت ۱۶:۹».

۶) رنگ، بافت و جزئیات

پالت رنگی را هدایت کنید: «رنگ‌های گرم و خاکی»، «تک‌رنگ آبی»، یا «رنگ‌های پاستلیِ ملایم». بعد سطحِ جزئیات را مشخص کنید. کلماتی مثل «جزئیات بسیار بالا»، «بافتِ واقع‌گرایانه» و «فوکوس دقیق» به مدل می‌گوید روی ریزه‌کاری‌ها وقت بگذارد. البته زیاده‌روی نکنید؛ گاهی سادگی زیباتر است. برای درکِ اینکه این ابزارها کجا در کارِ واقعیِ کسب‌وکار به‌کار می‌آیند، نگاهی به اهمیت هوش مصنوعی در کسب‌وکار بیندازید.

مثال: «کفشِ ورزشیِ سفید روی پس‌زمینهٔ خاکستریِ ساده، عکاسی محصول در استودیو، بافتِ پارچه و کف کاملاً واضح، جزئیات بسیار بالا، نورپردازی یکنواخت، مناسبِ فروشگاه اینترنتی».

۷) نسبت ابعاد و پارامترهای فنی

نسبت ابعاد (Aspect Ratio) تعیین می‌کند تصویر کجا استفاده شود: «۱:۱» برای پستِ اینستاگرام، «۹:۱۶» برای استوری و ریلز، «۱۶:۹» برای کاور و یوتیوب، و «۳:۲» برای عکاسیِ کلاسیک. هر ابزار پارامترهای خاص خودش را دارد؛ مثلاً در Midjourney از ‎–ar 16:9‎ استفاده می‌شود، در حالی که در ChatGPT کافی است نسبت را با کلمات بگویید. همیشه هدفِ نهایی را در نظر بگیرید تا مجبور به بُرشِ دوبارهٔ تصویر نشوید.

مثال: «بنری افقی برای وب‌سایت، نسبت ۱۶:۹، یک لپ‌تاپ روی میزِ کار با فضای خالی در سمت راست برای نوشتن متن، رنگ‌های آبیِ آرام، مینیمال و تمیز».

۸) پرامپت منفی؛ گفتنِ آنچه نمی‌خواهی

گاهی مهم‌تر از گفتنِ خواسته‌ها، حذفِ ناخواسته‌هاست. «پرامپت منفی» فهرستی است از چیزهایی که نباید در تصویر باشند و بسیاری از خطاهای رایج را برطرف می‌کند: انگشتانِ اضافه، چهره‌های تغییرشکل‌یافته، متن و واترمارکِ ناخواسته، یا شلوغیِ بیش‌ازحد. در ابزارهایی که فیلد جدا دارند آن را در بخش Negative Prompt بنویسید و در بقیه، در انتهای پرامپت اضافه کنید.

مثال: «پرتره‌ی یک مرد میان‌سال، عکاسی واقع‌گرایانه، نور نرم — بدون متن، بدون واترمارک، بدون دست‌های اضافه، بدون اعوجاجِ چهره، بدون پس‌زمینهٔ شلوغ».

۹) اصلاح مرحله‌به‌مرحله (Iteration)

اولین خروجی تقریباً هیچ‌وقت نسخهٔ نهایی نیست و این کاملاً طبیعی است. رازِ حرفه‌ای‌ها این است که هر بار فقط یک متغیر را تغییر می‌دهند تا دقیقاً بفهمند چه چیزی روی نتیجه اثر گذاشت. اگر نور را عوض کردید، بقیه را ثابت نگه دارید؛ بعد سبک را، بعد زاویه را. بسیاری از ابزارها امکانِ «Seed» یا «Variations» دارند که به شما اجازه می‌دهد یک خروجیِ خوب را حفظ و فقط جزئیاتش را بهتر کنید. این نگاهِ آزمایشگرانه، همان چیزی است که تفاوتِ کاربرِ معمولی و کاربرِ ماهر را می‌سازد؛ موضوعی که در بحثِ توهمِ توانمندیِ هوش مصنوعی هم به آن پرداخته‌ایم.

مثال: اگر تصویر خیلی شلوغ شد، کلِ پرامپت را دور نریزید؛ فقط یک عبارت اضافه کنید: «ترکیب‌بندیِ مینیمال، فضای خالیِ زیاد، تمرکز روی یک سوژهٔ اصلی». سپس همان پرامپت را دوباره اجرا کنید و تفاوت را ببینید.

پرسش‌های پرتکرار (FAQ)

پرامپت خوب باید چند کلمه باشد؟ عددِ ثابتی وجود ندارد، اما معمولاً بین ۱۵ تا ۴۰ کلمه نقطهٔ تعادل است. آن‌قدر بلند بنویسید که همهٔ لایه‌های مهم (سوژه، سبک، نور، جزئیات) پوشش داده شوند، اما نه آن‌قدر که مدل بین ده‌ها دستور گیج شود.

پرامپت انگلیسی بهتر جواب می‌دهد یا فارسی؟ بیشتر مدل‌ها با انگلیسی داده‌ی آموزشیِ بیشتری دیده‌اند و معمولاً دقتِ بالاتری می‌دهند، اما مدل‌های جدید فارسی را هم خوب می‌فهمند. یک ترفندِ عملی این است که ایده را فارسی بنویسید و از ChatGPT بخواهید آن را به یک پرامپت تصویرِ انگلیسیِ حرفه‌ای تبدیل کند.

چرا گاهی دست‌ها، دندان‌ها یا متنِ تصویر خراب می‌شود؟ این از محدودیت‌های ذاتیِ مدل‌های فعلی است و به‌مرور بهتر می‌شود. با «پرامپت منفی» و اصلاحِ مرحله‌به‌مرحله می‌توان بسیاری از این خطاها را کم کرد. برای درکِ عمیق‌ترِ این محدودیت‌ها، مقالهٔ توانمندی‌ها و محدودیت‌های واقعیِ هوش مصنوعی را بخوانید.

چطور یک تصویر را دوباره با کمی تغییر بسازم؟ اگر ابزارتان از «Seed» پشتیبانی می‌کند، همان عددِ Seed را نگه دارید تا ساختار کلی تصویر ثابت بماند و فقط جزئیاتی که در پرامپت عوض می‌کنید تغییر کند. این روش برای ساختِ مجموعه‌ای هماهنگ از تصاویر (مثلاً چند بنر با یک سبکِ واحد) بسیار کاربردی است.