Ai cũng biết các model Vision hiện tại đọc ảnh quá đỉnh: nhìn thấu từng chi tiết, đọc vị cảm xúc, bóc tách layer chuẩn xác. Nhưng có một sự thật cay đắng mà anh em làm AI Art đều gặp:
Ai cũng biết các model Vision hiện tại đọc ảnh quá đỉnh: nhìn thấu từng chi tiết, đọc vị cảm xúc, bóc tách layer chuẩn xác. Nhưng có một sự thật cay đắng mà anh em làm AI Art đều gặp:
Kêu AI "mô tả ảnh" thì dễ, nhưng biến mô tả đó thành một "Prompt tái tạo được phong cách" lại là chuyện hoàn toàn khác.
Đưa ảnh vào ChatGPT hay Claude, thứ bạn nhận được thường là một bài văn miêu tả dài ngoằng: "Một người phụ nữ đứng dưới nắng chiều, ánh mắt u buồn, phong cách điện ảnh..."Đem đoạn văn đó thả vào Midjourney, Flux hay Stable Diffusion?
Bạn nhận về một bức ảnh hoàn toàn xa lạ, sai góc ống kính, mất sạch color grading và visual style của ảnh gốc.
Lý do: Model đọc ảnh dùng ngôn ngữ tự nhiên để hiểu ngữ nghĩa (Semantic), còn Model vẽ ảnh cần token kỹ thuật (Style tokens, Camera specs, Lighting tags, Artist weight).Đó là lý do mình nghĩ chúng ta không cần thêm một con AI biết "nhìn ảnh", mà cần một Extension tinh chỉnh riêng cho Image-to-Prompt:
- Không mô tả lan man: Chỉ bóc tách đúng bộ khung tạo hình (Lighting ratio, Focal length, Film grain, Art movement).
- Chuẩn hóa cú pháp theo từng engine đích (Flux-style natural prompt, Midjourney parameter tags, hay ComfyUI/SD tag-based).
- Làm ngay trên trình duyệt: Click chuột phải vào ảnh bất kỳ -> lấy ngay prompt kỹ thuật đã được tối ưu. Bạn chỉ cần lấy nhân vật hoặc sản phẩm cần ghép để tạo phong cách tương tự.
Theo anh em, việc dùng AI để dịch ngược phong cách ảnh có bao giờ thay thế được con mắt của một prompter lành nghề, hay công cụ rốt cuộc cũng chỉ để tham khảo 50%?
