چطور برای NanoBanana پرامپت بنویسیم

NanoBanana خط تصویرسازی Gemini از Google است، و بات ما آن را در دو سطح ارائه می‌دهد: NanoBanana 2 برای کار روزمره و NanoBanana Pro برای رندرهایی که باید بار اول درست دربیایند. هر دو یک نوع پرامپت می‌گیرند، پس یاد گرفتن یکی هر دو را به شما یاد می‌دهد و تنها تصمیم واقعی این است که اعتبارتان را روی کدام سطح خرج کنید. چیزی که این خانواده را متمایز می‌کند این است که به‌جای تیک زدن پرامپت مثل یک فهرست کارها، در آن دنبال جنس، سطح و حال‌وهوا می‌گردد.

فرمول پرامپت NanoBanana

شش بخش تقریباً هر پرامپتی را پوشش می‌دهند: موضوع، کنش، محیط، نور و لنز، کادربندی، سبک. این یک پرامپت است که هر شش را با خود دارد:

A woman in her thirties in a grey wool coat sitting at a cafe window on a rainy afternoon, one hand wrapped around a ceramic mug with steam rising off it, the other forearm resting on the wooden counter, soft daylight from the left falling through rain streaked glass, 85mm close portrait with the background dropping out of focus, natural documentary photography

دقت کنید که مثل یک توصیف خوانده می‌شود، نه مثل یک فهرست اقلام. تگ‌های پشت‌سرهم با ویرگول (woman, cafe, rain, moody, 85mm) در یک حال‌وهوا میانگین گرفته می‌شوند؛ عبارت‌های به‌هم‌پیوسته نسبت‌ها را نگه می‌دارند، نوری که از میان شیشه می‌افتد، بخاری که از ماگ بلند می‌شود. پرامپت را بلند بخوانید، بعد چک کنید هر شش بخش سر جایشان باشند.

شکستی که از این قاعده می‌آید، شبیه شکست نیست. GPT-Image-2 تحت‌اللفظی خطا می‌کند، پس شکاف دیده می‌شود و می‌فهمید کدام بخش را باید اضافه کنید. NanoBanana وسط می‌نشیند: یک پرامپت لاغر هم یک تصویر تمیز و باورپذیر برمی‌گرداند، میانگین همه چیزهایی که کلمات شما می‌توانستند معنی بدهند، بدون اینکه چیزی به آنچه هرگز ننوشتید اشاره کند.

بافت و جنس سریع‌ترین راه بیرون آمدن از این حالت میانه است. بافت کِش‌باف، سرامیک لعابی، برنج کهنه، بخار نشسته روی شیشه: هرکدام سطحی را نام می‌برند که مدل می‌تواند بسازد، و هرکدام آن میانگین را باریک‌تر می‌کنند. صفت‌های مربوط به کیفیت (“beautiful”، “masterpiece”، “8k”) هیچ چیزی را باریک نمی‌کنند، چون هر رندری از قبل داشته تلاش می‌کرده همان‌ها باشد.

دو تصویر پایین صفحه تفاوت را نشان می‌دهند. اولی از سه کلمه آمده، “a woman in a cafe”، و مدل با یک نمای باز دلپذیر جواب داده: یک غریبه خندان، یک شیرینی، و یک کافه پر از آدم پشت سرش. دومی سن او، پالتو، ماگ، باران روی شیشه، نور و فاصله کانونی را نام می‌برد، و جمعیت و شیرینی و لبخند همه ناپدید می‌شوند، چون هیچ‌کدام خواسته نشده بودند.

پیوست کردن عکس: @image1 و @image2

تا 4 عکس در یک پیام می‌روند و دستور به‌عنوان توضیح همان پیام نوشته می‌شود، و بعد در پرامپت با @image1، @image2 و همین‌طور جلوتر خطاب‌شان می‌کنید. راهنمای قدم‌به‌قدم این مکانیک را با تصویر توضیح می‌دهد.

Keep the face and hair from @image1 exactly as they are, dress her in the grey wool coat from @image2, place her at a rainy cafe window, soft light from the left, keep the background of @image2 unchanged

نکته مهم اینجا این است که NanoBanana صورت مرجع را نمی‌چسباند، دوباره می‌سازدش، پس شباهت فقط تا جایی می‌ماند که پرامپت شما از آن محافظت کند. “Keep the face from @image1 unchanged, same bone structure, same nose, do not restyle the skin” با تغییر لباس یا نور دوام می‌آورد، جایی که “keep the face” دوام نمی‌آورد. نور تازه بخواهید و صورت هم از نو نورپردازی می‌شود، و صورتی که از نو نورپردازی شده کمی آدم دیگری است. منبع تاریک یا پر از فیلتر هم دست مدل را خالی‌تر می‌گذارد.

ترکیب کردن مرجع‌ها جایی است که این خانواده واقعاً قوی است. صورت از یک پیوست، لباس از دیگری و مکان از سومی، همه به شکل یک صحنه واحد برمی‌گردند نه یک کولاژ، بدون لبه‌های بریده‌ای که چنین ویرایش‌هایی معمولاً جا می‌گذارند. به هر پیوست یک وظیفه بدهید: مرجعی که نقشش گفته نشده، به‌جای اینکه استفاده شود، فقط در فضای کلی تصویر گم می‌شود. هرچه بیشتر پیوست کنید، سطح مدل مهم‌تر می‌شود.

NanoBanana 2 یا NanoBanana Pro

انتخاب بین NanoBanana 2 و NanoBanana Pro در نهایت به همین می‌رسد: هر دو خوب‌اند، و فقط یکی‌شان ارزان است.

ارزان‌ترین رندر Pro همان‌قدر هزینه دارد که یک تصویر 4K روی NanoBanana 2، و همین قیمت‌گذاری کل روند کار را تعیین می‌کند. روی NanoBanana 2 تکرار کنید، نسخه نهایی را روی Pro رندر بگیرید. پرامپت را روی 1K با 2 اعتبار اجرا کنید، یک بخش را عوض کنید، دوباره اجرا کنید، و فقط وقتی عبارت‌بندی جواب داد اعتبار Pro خرج کنید.

تفاوتی که پولش را می‌دهید روی پیچیدگی خودش را نشان می‌دهد. یک موضوع و نور تمیز روی هر دو سطح تقریباً یکسان درمی‌آید، پس رفتن سراغ Pro آنجا اتلاف اعتبار است. پرامپت را سنگین کنید، چند آدم، پس‌زمینه شلوغ، لباس مشخص و نوری معین، و NanoBanana 2 بی‌صدا شروع می‌کند به انداختن جزئیات: لباسی که توصیف کرده‌اید عمومی می‌شود، صورتِ ته کادر مخدوش و محو درمی‌آید. Pro کل این فهرست را کنار هم نگه می‌دارد و لبه‌هایش را روی 4K تمیز حفظ می‌کند، و به همین دلیل همان مدلی است که برای تصاویر اصلی و نماهای نزدیک از پوست انتخاب می‌شود. همین شکاف روی پیوست‌ها هم دیده می‌شود: با سه چهار مرجع در کار، مدل 2 به یکی خوب می‌رسد و بقیه را محو می‌کند، در حالی که Pro هرکدام را سر کار خودش نگه می‌دارد.

متن داخل تصویر نقطه ضعف است

هر بخش دیگر این صفحه درباره بیرون کشیدن چیز بیشتری از مدل است. این یکی درباره شناختن سقف آن است، و مفیدترین نکته این صفحه برای پرامپت‌نویسی مدل تصویرسازی Gemini همین است. NanoBanana 2 یک برچسب کوتاه را آن‌قدر زیاد درست می‌نویسد که وسوسه‌کننده باشد و آن‌قدر زیاد غلط می‌نویسد که کلافه‌تان کند، و به‌محض اینکه رشته از یکی دو کلمه بلندتر شود، غیرقابل‌اتکاترین مدل اینجاست. NanoBanana Pro به‌وضوح بهتر است و روی یک تیتر کوتاه معمولاً از پسش برمی‌آید، اما کلمه کلیدی همان «معمولاً» است.

برای اینکه به متن فارسی داخل تصویر بهترین شانس را بدهید: عبارت دقیق را داخل گیومه بگذارید، کوتاه نگهش دارید، سطحی را که رویش چاپ می‌شود نام ببرید، و زبان را صریح بگویید، مثلاً Persian text reading "باز است". مشخص نکردن زبان یعنی پرامپت ترکیبی به حروف لاتین و انگلیسی برمی‌گردد. با فارسی حتی وقتی زبان را هم بگویید انتظار خطا داشته باشید: حروف بدون اتصال درست، ترتیب برعکس کلمات، یا شکل‌های عربی ی و ک. وقتی حرفی غلط درآمد به‌جای بازنویسی همان پرامپت را دوباره اجرا کنید، چون شکل حروف بین اجراهای یک پرامپت فرق می‌کند، و اگر باز هم نشد رشته را کوتاه‌تر کنید نه بلندتر.

وقتی عبارت باید دقیقاً درست باشد، مدل را عوض کنید. GPT-Image-2 در متن قوی‌ترین و برای تکرار ارزان‌ترین است، و راهنمای GPT-Image-2 توضیح می‌دهد چطور یک رشته را بار اول سر جایش بنشانید.

فیلتر چه چیزهایی را رد می‌کند

تقریباً همان سطح سخت‌گیری GPT-Image-2 را انتظار داشته باشید، روی همان چهار دسته: افراد واقعی که با نام آورده شوند، نشان‌ها و لوگوهای برند، خشونت، و محتوای صریح. راه بیرون آمدن هم دقیقاً همان است، پس به‌جای تکرارش اینجا، راهنمای GPT-Image-2 الگوی بازنویسی را با مثال کار می‌کند.

آنچه خاص این خانواده است، ردی است که هنگام ویرایش می‌آید نه هنگام تولید. به‌محض اینکه عکس یک آدم واقعی و قابل‌تشخیص را پیوست کنید، محدودیت دیگر عبارت‌بندی شما نیست، صورتی است که در کادر است: هیچ عبارتی ویرایش چهره‌های سرشناس را ممکن نمی‌کند، و هیچ عبارتی ساختن تصویری را که کسی را در موقعیتی می‌گذارد که هرگز در آن نبوده ممکن نمی‌کند. اجرای دوباره یا نرم کردن جمله هیچ چیزی را عوض نمی‌کند، و دانستن این پیش از خرج کردن اعتبار برای کشفش می‌ارزد.

روند کاری که ابزارهای مرجع اصلاً به‌خاطرش وجود دارند کاملاً باز می‌ماند: صورت خودتان، دوستانی که رضایت داده‌اند، تغییر سبک، تغییر نورپردازی، عوض کردن لباس یا محیط. سخت‌گیرترین خوانش را روی کودکان، روی هر چیز خصوصی، و روی ویرایش‌هایی انتظار داشته باشید که مثل ادعایی درباره یک اتفاق واقعی خوانده می‌شوند. Seedream در سبک آزادتر است، نه در موضوع، پس راهنمای Seedream به‌خاطر کارهای سبک‌دار و فوق‌عریض ارزش خواندن دارد، نه به‌عنوان دور زدن ردی که حقش بوده.

اصلاح‌های رایج

پرامپت‌های آماده

خواندن درباره جنس‌ها هرگز به‌اندازهٔ دیدن اینکه یک رندر چطور عوض می‌شود یاد نمی‌دهد، وقتی سرامیک لعابی جایش را به مس چکش‌خورده می‌دهد. کتابخانه پرامپت‌های NanoBanana پرامپت‌های آماده چسباندن را کنار تصویرهایی که تولید کرده‌اند دارد، و صفحه‌های مدل NanoBanana 2 و NanoBanana Pro وضوح‌ها، نسبت‌های ابعادی و هزینه اعتبارها را فهرست می‌کنند.

بات ما را باز کنید، یک سطح NanoBanana انتخاب کنید و یکی را بچسبانید.