Co to jest
Txt2img (od "text to image") to najprostszy tryb generowania obrazu przez sztuczną inteligencję: wpisujesz opis słowny - tak zwany prompt - a model tworzy obraz od zera, wyłącznie na jego podstawie. Nie podajesz żadnego zdjęcia wejściowego, żadnego szkicu ani referencji graficznej. Cały obraz powstaje z tekstu i z tego, czego model nauczył się podczas treningu na milionach par obraz-opis.
To przeciwieństwo trybu img2img, w którym punktem startowym jest istniejący obraz, a model go tylko modyfikuje. W txt2img startujesz z czystego szumu - losowego zestawu pikseli - który model krok po kroku przekształca w spójny obraz, starając się jak najlepiej dopasować go do opisu. Im bardziej precyzyjny i uporządkowany prompt, tym mniejsze pole do przypadkowych interpretacji.
Txt2img jest fundamentem większości narzędzi do generowania grafiki AI - Midjourney, Stable Diffusion, DALL-E i podobne działają w tym trybie domyślnie. To właśnie od niego zaczyna się praca nad wirtualną postacią, zanim w ogóle pojawi się mowa o jej dopracowywaniu.
Do czego służy przy modelkach AI
Przy budowie wirtualnej modelki txt2img to punkt wyjścia - moment, w którym postać dopiero powstaje. Z opisu tekstowego (wygląd twarzy, sylwetka, kolor włosów, styl, otoczenie, oświetlenie) generujesz pierwsze warianty, spośród których wybierasz ten, który najlepiej pasuje do zamierzonego wizerunku. To etap eksperymentowania - zwykle trzeba wygenerować dziesiątki, a czasem setki obrazów, zanim znajdzie się "ten jeden", który dobrze oddaje charakter postaci.
Problem w tym, że sam txt2img nie gwarantuje spójności - każde nowe generowanie z tego samego promptu może dać inną twarz, inne proporcje, inny odcień skóry. Dlatego w praktyce txt2img rzadko jest jedynym narzędziem w procesie. Służy do wygenerowania bazowego wyglądu i pierwszych ujęć, a utrzymanie tej samej tożsamości postaci w kolejnych zdjęciach wymaga już dodatkowych technik - modeli referencyjnych, LoRA trenowanych na konkretnej twarzy albo trybu img2img wykorzystującego wcześniej zaakceptowane zdjęcie jako punkt odniesienia.
Dla kogoś, kto dopiero zaczyna budować swoją modelkę, txt2img jest więc etapem poszukiwań - miejscem, gdzie testuje się różne opisy wyglądu, aż wykrystalizuje się spójna wizja postaci, którą potem trzeba "zamrozić" i powielać innymi metodami.
Jak się tego używa
Praca z txt2img polega na iteracyjnym pisaniu i poprawianiu promptu. Zwykle opis dzieli się na kilka warstw: kim jest postać (wiek, płeć, typ urody), jak wygląda (fryzura, kolor oczu, budowa ciała, ubiór), gdzie się znajduje (tło, otoczenie) oraz w jakim stylu ma być wykonany obraz (fotorealizm, oświetlenie studyjne, konkretny obiektyw czy nastrój zdjęcia). Kolejność i waga poszczególnych elementów promptu wpływają na to, na czym model skupi "uwagę" najbardziej.
Oprócz samego opisu tekstowego większość narzędzi pozwala ustawić kilka parametrów technicznych: liczbę kroków generowania (im więcej, tym zwykle więcej szczegółów, ale i dłuższy czas), parametr sterujący tym, jak ściśle model trzyma się promptu, oraz tak zwany seed, czyli punkt startowy losowości - ten sam seed z tym samym promptem powtórzy podobny wynik, co ułatwia kontrolowane eksperymentowanie. Dokładne zakresy tych wartości różnią się między narzędziami, dlatego warto zaczynać od ustawień domyślnych i modyfikować je stopniowo, obserwując efekt każdej zmiany, zamiast zgadywać "dobre" liczby z góry.
Dobrą praktyką jest generowanie wielu wariantów na raz i selekcja najlepszych, a nie próba "trafienia" idealnego obrazu za pierwszym razem - txt2img z natury daje różne wyniki przy każdym uruchomieniu, nawet przy identycznym opisie.
Najczęstszy błąd
Najczęstszy błąd to traktowanie txt2img jako narzędzia do tworzenia spójnej, powtarzalnej postaci - i rozczarowanie, gdy kolejne generowania dają za każdym razem trochę inną twarz. Txt2img świetnie nadaje się do znalezienia wyglądu postaci, ale nie do jej utrzymania. Próba opisania twarzy słowami na tyle precyzyjnie, żeby wyszła identyczna za każdym razem, zwykle kończy się frustracją - język naturalny po prostu nie ma wystarczającej rozdzielczości, żeby oddać unikalne rysy twarzy z dokładnością potrzebną do budowania rozpoznawalnej marki osobistej.
Drugi typowy błąd to przeładowanie promptu sprzecznymi lub zbyt szczegółowymi instrukcjami naraz, co prowadzi do niespójnych, "rozmytych" efektów - model próbuje pogodzić zbyt wiele wymagań i żadnego nie realizuje dobrze. Lepiej testować zmiany pojedynczo i budować opis warstwami, niż od razu pisać rozbudowany akapit pełen szczegółów.