12 अगस्त 2026
काम करने वाला प्रॉम्प्ट कैसे लिखें: वह तरीका जो आपकी इमेज बदल देता है
आइडिया नहीं, फ़ोटो का वर्णन कीजिए, विषय, क्रिया, दृश्य, रोशनी और स्टाइल को क्रम में रखिए, शब्द ठूँसने के बजाय इटरेट कीजिए: Imaginode पर असरदार इमेज प्रॉम्प्ट लिखने का पूरा तरीका, और साथ में ईमानदार सूची कि प्रॉम्प्ट क्या कभी हल नहीं कर पाएगा।
आइडिया नहीं, फ़ोटो का वर्णन कीजिए
मॉडल इरादे नहीं, वर्णन अंजाम देता है: दृश्य को किसी पहले से मौजूद फ़ोटो की तरह बताइए, चीज़ों, सतहों और रोशनी के साथ, कभी किसी अमूर्त विचार की तरह नहीं।
पूरे लेख का निचोड़ इस एक वाक्य में है: इमेज मॉडल आपके इरादे नहीं समझता, वह आपके वर्णन को अंजाम देता है। “मेरे ब्रांड के लिए भरोसा जगाने वाली इमेज” प्रॉम्प्ट नहीं है, वह किसी इंसान के लिए लिखा गया ब्रीफ़ है। मॉडल न आपका ब्रांड जानता है, न भरोसे की आपकी परिभाषा। उसे ठोस चीज़ें चाहिए: वस्तुएँ, सतहें, रोशनी।
एक मानसिक अभ्यास कीजिए। मान लीजिए वह परफ़ेक्ट फ़ोटो पहले से मौजूद है और आप उसे फ़ोन पर किसी ऐसे इंसान को बता रहे हैं जिसे हज़ार फ़ोटो में से वही ढूँढनी है। आप यह नहीं कहेंगे कि “एक गर्मजोशी भरी इमेज”। आप कहेंगे “साठ के आसपास की एक महिला रोशनी से भरे किचन में हँस रही है, हाथ आटे से सने हुए, नीला एप्रन”। बदलाव बस यही करना है।
आइडिया से फ़ोटो की तरफ़ यह एक मानसिक छलांग अकेले ही सोशल मीडिया से बटोरी गई जादुई शब्दों की किसी भी सूची से ज़्यादा तरक्की देती है। इधर उधर बिकने वाले “सीक्रेट प्रॉम्प्ट” असल में अच्छी बनावट वाले वर्णन के सिवा कुछ नहीं। अच्छी खबर यह है कि यह बनावट एक घंटे के अभ्यास में सीखी जा सकती है।
पाँच हिस्सों वाला ढाँचा जो हमेशा टिकता है
एक मज़बूत प्रॉम्प्ट पाँच सवालों का जवाब क्रम से देता है: विषय, क्रिया, दृश्य, रोशनी, स्टाइल; जो हिस्सा छूटेगा उसे मॉडल घिसे पिटे तरीके से भर देगा।
एक मज़बूत इमेज प्रॉम्प्ट पाँच सवालों का जवाब इसी क्रम में देता है: कौन या क्या, क्या करते हुए, कहाँ, कैसी रोशनी में, किस रेंडर स्टाइल में। विषय, क्रिया, दृश्य, रोशनी, स्टाइल। यह कोई पवित्र फ़ॉर्मूला नहीं, यह एक चेकलिस्ट है: जो भी हिस्सा छूटेगा, मॉडल उसे अपनी सांख्यिकीय आदतों से भरेगा, यानी सबसे घिसे पिटे तरीके से।
पूरा उदाहरण: “साठ पार का एक बेकर, ओवन से बगेट की ताज़ा खेप निकालता हुआ, पत्थर की दीवारों वाली पुरानी बेकरी, बगल की खिड़की से आती सुबह की गर्म रोशनी, डॉक्युमेंट्री फ़ोटोग्राफ़ी, 35 mm”। हर हिस्सा एक सवाल का जवाब देता है, कोई हिस्सा दूसरे से टकराता नहीं। यह प्रॉम्प्ट वैरिएशन तो देगा, पर सब सही दिशा में।
अब इसकी तुलना कीजिए “असली बेकर परंपरा हस्तनिर्मित ब्रेड क्वालिटी” से। न कोई दृश्य, न कोई एंगल, न कोई रोशनी: मॉडल इन शब्दों को एक धुँधले माहौल की तरह लेगा और बेकरी नाम के विचार का सबसे औसत चित्र थमा देगा। दोनों प्रॉम्प्ट की कीमत एक ही है। ढाँचा मुफ़्त है, इसलिए ले ही लेना चाहिए।
विषय: एक कास्टिंग, कोई श्रेणी नहीं
तीन दिखने वाली बातें काफ़ी हैं, अंदाज़न उम्र, एक शारीरिक खासियत, एक ठोस पोशाक: विषय जितना ठोस होगा, इमेज उतनी कम स्टॉक फ़ोटो जैसी लगेगी।
“एक महिला” एक श्रेणी है। “चालीस के आसपास की एक बिज़नेसवुमन, छोटे सफ़ेद बाल, मरून सूट” एक कास्टिंग है। फ़र्क़ बस मुट्ठी भर दिखने वाली बातों का है: अंदाज़न उम्र, एक दो शारीरिक खासियतें, एक ठोस पोशाक। तीन चुनाव काफ़ी हैं, यहाँ जन्म प्रमाणपत्र नहीं भरना है।
वही ब्यौरे चुनिए जो आपकी इमेज के लिए मायने रखते हैं। अगर आप दस्तकारी पर लिखे लेख का विज़ुअल बना रहे हैं, तो बालों से ज़्यादा हाथ अहम हैं: “काम से पड़ी दरारों वाले हाथ, छोटे नाखून” मॉडल को आँखों के रंग से कहीं ज़्यादा काम की दिशा देगा, जो वैसे भी वाइड शॉट में किसी को दिखने वाला नहीं।
चीज़ों और जगहों के लिए भी यही तर्क है। “एक कार” से कोई भी आम सी सेडान मिलेगी, बिना किसी पहचान वाले ब्रांड के। “नब्बे के दशक की एक फ़ैमिली स्टेशन वैगन, फीकी पड़ी हरी पेंट, कीचड़ सनी नंबर प्लेट” अपने आप में एक कहानी है। मॉडल को यही सामग्री पसंद है: विषय जितना ठोस होगा, इमेज उतनी कम स्टॉक फ़ोटो जैसी लगेगी।
क्रिया, या आपकी इमेज जमी हुई क्यों लगती हैं
एक ठोस क्रिया पोज़ खोल देती है और कंपोज़िशन अपने आप बना देती है; एक ही विषय वाली साफ़ क्रिया पर टिके रहिए, कई लोगों की बारीक आपसी क्रियाएँ आज के मॉडलों के बस से बाहर हैं।
बहुत सारे प्रॉम्प्ट विषय तो बता देते हैं पर उसे करने के लिए कुछ नहीं देते। नतीजा तय है: खड़ा हुआ किरदार, कैमरे की तरफ़ मुँह, पासपोर्ट फ़ोटो वाली मुस्कान। अगर आपकी सारी इमेज कैटलॉग जैसी लगती हैं, तो लगभग हमेशा क्रिया वाला हिस्सा ही गायब होता है। पोज़ खोलने के लिए एक ठोस क्रिया काफ़ी है।
“खिड़की से बाहर देखते हुए कॉफ़ी उड़ेलती है”, “भौंहें सिकोड़कर साइकिल की चेन ठीक करता है”, “जैकेट सिर के ऊपर तानकर बारिश में दौड़ती है”। क्रिया मॉडल को वजह देती है कि हाथ कहाँ रखे, नज़र किधर करे, शरीर में कहाँ तनाव लाए। वह अपने आप कंपोज़िशन बना देती है, बिना आपके बताए।
पर कई लोगों की बारीक आपसी क्रिया वाले जटिल दृश्यों से बचिए। “दो तलवारबाज़, जिनमें से एक क्वार्ट में वार रोक रहा है” आज के मॉडल साफ़ सुथरे ढंग से नहीं संभाल पाते: आपको अजीब मुड़े हुए अंग और आपस में जुड़ी तलवारें मिलेंगी। कम से कम जब तक आप 1 क्रेडिट पर इटरेट कर रहे हैं, एक ही मुख्य विषय वाली साफ़ क्रियाओं पर टिके रहिए।
दृश्य माहौल बनाता है, सामान की सूची नहीं
सोच समझकर चुने दो तीन तत्व सीन को जगह दे देते हैं: पंद्रह चीज़ों की सूची भरी भरी कंपोज़िशन देती है, और गहराई के संकेत विशेषणों से बेहतर ढाँचा बनाते हैं।
दृश्य वाला हिस्सा सीन को जगह देता है और माहौल बैठाता है। सोच समझकर चुने दो या तीन तत्व काम कर जाते हैं: “भरी सर्विस के बीच रेस्तराँ का किचन, स्टील, भाप” पूरी दुनिया खड़ी कर देता है। अपेक्षित बीस बर्तन गिनाने की ज़रूरत नहीं, मॉडल रेस्तराँ के किचन को आपसे कहीं बेहतर जानता है, आप उन्हें कभी उतना बयान नहीं कर पाएँगे।
खाली दृश्य की उल्टी गलती है सब कुछ गिना देने वाला दृश्य। जो प्रॉम्प्ट पंद्रह चीज़ें गिनाता है, वह मॉडल को सब कुछ ठूँसने पर मजबूर करता है, और वह यह बुरी तरह करेगा: हवा में तैरती चीज़ें, बेतुके आकार, भरी भरी कंपोज़िशन। अगर कोई एक चीज़ सच में मायने रखती है, तो उसे वाक्य में जगह दीजिए, वरना उसे मॉडल पर छोड़ दीजिए। आप एक फ़ोटो का वर्णन कर रहे हैं, पूरे सेट डिज़ाइन वाला कोई नाटक नहीं।
गहराई का भी ध्यान रखिए। “पीछे धुँधले में किताबों की अलमारियाँ” उस तत्व को उसकी सही दूरी पर रखता है और साथ में कम डेप्थ ऑफ़ फ़ील्ड का इशारा भी कर देता है। जगह बताने वाले यह संकेत, फ़ोरग्राउंड, बैकग्राउंड, शीशे के पार, कंपोज़िशन को माहौल गिनाने वाले विशेषणों से कहीं ज़्यादा ढाँचा देते हैं।
रोशनी, सबसे कम आँका जाने वाला पैरामीटर
रोशनी बताना बाकी किसी भी जोड़ से ज़्यादा बार इमेज सुधारता है: वही कैफ़े उदास से चमकदार हो जाता है, बस इस पर कि आपने बरसाती सुबह लिखा या लंबी परछाइयों वाली सुनहरी रोशनी।
किसी फ़ोटोग्राफ़र से पूछिए कि इमेज क्या बनाती है: वह विषय से पहले रोशनी का नाम लेगा। इमेज मॉडल भी ऐसे ही चलते हैं। वही खुली छत वाला कैफ़े “बरसाती सुबह की धूसर रोशनी” में उदास हो जाता है और “देर दोपहर की सुनहरी रोशनी, लंबी परछाइयाँ” में चमक उठता है। वाक्य का बस एक टुकड़ा, और इमेज का पूरा भाव पलट जाता है।
कुछ दिशाएँ जो अच्छा काम करती हैं: सूरज ढलने से पहले की सुनहरी रोशनी, वह बैकलाइट जो सिल्हूट काटकर उभारती है, पोर्ट्रेट के लिए उत्तर की खिड़की से आती नरम रोशनी, रात के शहरी माहौल के लिए रंगीन नियॉन। जहाँ मायने रखे वहाँ यह भी बताइए कि रोशनी कहाँ से आ रही है: बगल से आकर वह चेहरों को तराशती है, सामने से आकर उन्हें चपटा कर देती है।
अगर आपको अपने मौजूदा प्रॉम्प्ट में सिर्फ़ एक हिस्सा जोड़ना हो, तो वह यही होना चाहिए। हमारे परीक्षणों में रोशनी बताना बाकी किसी भी जोड़ के मुकाबले ज़्यादा बार इमेज को साफ़ तौर पर बेहतर करता है, खासकर इसलिए कि वह पूरे दृश्य को एक सूत्र में बाँध देती है। अच्छी रोशनी में एक औसत दृश्य हमेशा उल्टे मामले से बेहतर इमेज देता है।
स्टाइल अंत में आकर रेंडर को दायरा देती है
मॉडल को बताइए कि किस तरह की इमेज बनानी है, यथार्थवादी फ़ोटोग्राफ़ी, वॉटरकलर या 3D रेंडर, और साथ में एक फ़ोकल लेंथ या अपर्चर जोड़िए: Camera नोड यह शब्द आपकी जगह लिख देता है।
आखिरी हिस्सा: मॉडल को बताना कि वह किस तरह की इमेज बना रहा है। “यथार्थवादी फ़ोटोग्राफ़ी”, “वॉटरकलर इलस्ट्रेशन”, “मिनिमल 3D रेंडर”, “साठ के दशक का स्क्रीन प्रिंट पोस्टर”। यह बताए बिना मॉडल खुद तय करता है, और उसका डिफ़ॉल्ट चुनाव हर मॉडल में अलग होता है। यही वह हिस्सा है जो किसी फ़ोटो प्रोजेक्ट में अचानक आ टपकने वाले वॉटरकलर से बचाता है।
फ़ोटोग्राफ़ी के लिए कुछ तकनीकी शब्द तुरंत फ़ायदा देते हैं: एक फ़ोकल लेंथ, रिपोर्ताज जैसे रेंडर के लिए 35 mm, विषय को पीछे से अलग करने वाले पोर्ट्रेट के लिए 85 mm, और घुले हुए बैकग्राउंड के लिए f/1.8 जैसा अपर्चर। आपको ऑप्टिक्स समझने की ज़रूरत नहीं, यह शब्द उन रेंडर तक पहुँचने के शॉर्टकट की तरह काम करते हैं जो मॉडलों को घुट्टी में पिलाए गए हैं।
Imaginode पर Camera नोड इस हिस्से को व्यवस्थित कर देता है: पाँच सचित्र डायल, फ़्रेमिंग, मिलीमीटर में लेंस, अपर्चर, एंगल और मूवमेंट, जो सही अंग्रेज़ी शब्द आपके प्रॉम्प्ट की शुरुआत में लिख देते हैं। सीखने के लिए डायल घुमाइए और देखिए कि क्या टेक्स्ट बनता है। यह इंटरफ़ेस के भेस में फ़ोटोग्राफ़ी की शब्दावली का कोर्स है।
अंग्रेज़ी बेहतर नतीजे क्यों देती है
ट्रेनिंग डेटा का विवरण भारी मात्रा में अंग्रेज़ी में लिखा गया है: अंग्रेज़ी की फ़ोटोग्राफ़िक शब्दावली मॉडल की सीख के कहीं ज़्यादा समृद्ध हिस्सों को छूती है, इसलिए फ़्रेमिंग और रोशनी बेहतर संभलती है।
भाषा की बात साफ़ साफ़ कर लेते हैं। इमेज मॉडल हिंदी स्वीकार करते हैं और किसी तरह काम चला लेते हैं, पर उनके ट्रेनिंग डेटा का विवरण भारी बहुमत में अंग्रेज़ी में लिखा गया है। सीधा नतीजा: अंग्रेज़ी की फ़ोटोग्राफ़िक शब्दावली, golden hour, rim light, shallow depth of field, उनकी सीख के उन हिस्सों को छूती है जो हमारे हिंदी समकक्षों से कहीं ज़्यादा समृद्ध हैं, बशर्ते वह समकक्ष मौजूद भी हों।
यह अंतर सजावटी नहीं है। एक ही विचार को दोनों भाषाओं में आज़माने पर अंग्रेज़ी वाला वर्जन बार बार ज़्यादा सोची समझी फ़्रेमिंग और बेहतर संभली हुई रोशनी देता है, सिर्फ़ इसलिए कि सटीक शब्द मौजूद हैं और मॉडल ने उन्हें करोड़ों बार देखा है। “उलटी रोशनी” समझ में आ जाती है, backlit silhouette पर मॉडल का पूरा अधिकार है।
तो क्या बनाने से पहले फ़ोटोग्राफ़ी की अंग्रेज़ी सीखनी पड़ेगी? नहीं, और अगला हिस्सा इसी बारे में है। पर यह समझ लेना कि अंग्रेज़ी क्यों जीतती है, आपको इस गलत नतीजे से बचाएगा कि “AI काम ही नहीं करता”, जबकि असल में सिर्फ़ आपकी शब्दावली नतीजों को बाँध रही है।
मैजिक वैंड, 1 क्रेडिट वाला आपका तकनीकी अनुवादक
मैजिक वैंड आपकी हिंदी को Kimi के ज़रिए भरी पूरी, सुगठित अंग्रेज़ी में 1 क्रेडिट पर बदल देती है, और आपके रेफ़रेंस किरदारों के @mentions ज्यों के त्यों रखती है।
Imaginode के Image और Video नोड के हर प्रॉम्प्ट फ़ील्ड पर एक मैजिक वैंड मौजूद है, जो आपके टेक्स्ट को Kimi मॉडल के ज़रिए भरी पूरी और सुगठित अंग्रेज़ी में लिख देती है, 1 क्रेडिट में, यानी करीब एक सेंट। आप लिखते हैं “एक बेकर सुबह ओवन से ब्रेड निकालता है”, और वह उस दृश्य को अपेक्षित तकनीकी शब्दावली के साथ खोल देती है: रोशनी, सतहें, रेंडर।
सही तरीका यह है: पहले अपना पूरा आइडिया हिंदी में लिखिए, पाँचों हिस्सों के साथ। फिर वैंड चलाइए। जो बना है उसे पढ़िए, जेनरेट कीजिए, और अगर कोई ब्यौरा भटक रहा हो तो अंग्रेज़ी टेक्स्ट में सीधे बदलाव कर लीजिए। वैंड बार बार खींचने वाली लॉटरी नहीं है, यह अनुवाद और संवर्धन का एक चरण है, हर नए आइडिया पर एक बार।
आगे के लिए एक अहम बात: वैंड आपके रेफ़रेंस के @mentions बचाकर रखती है। अगर आपके प्रॉम्प्ट में @marie है, यानी Reference नोड में तय किया गया आपका बार बार आने वाला किरदार, तो नई लिखावट में वह मेंशन ज्यों का त्यों रहता है, अपने जुड़े हुए विवरण और साथ भेजी जाने वाली फ़ोटो समेत। यानी आपके समृद्ध किए गए प्रॉम्प्ट पूरे रेफ़रेंस सिस्टम के साथ चलते रहते हैं।
शब्द ठूँसने के बजाय इटरेट कीजिए
एक नियम: हर जेनरेशन पर सिर्फ़ एक बदलाव, और नोड की पिछली 12 जेनरेशन की हिस्ट्री में तुलना; 1 क्रेडिट पर दस अनुशासित इटरेशन के दस सेंट लगते हैं।
निराश करने वाली इमेज देखते ही स्वाभाविक प्रतिक्रिया होती है और शब्द जोड़ देना। पाँच चक्कर बाद प्रॉम्प्ट अस्सी शब्द का हो चुका होता है, दो जगह खुद से टकराता है, और किसी को पता नहीं रहता कि कौन सा टुकड़ा क्या कर रहा है। यह परत दर परत बना प्रॉम्प्ट मँझले क्रिएटर्स की सबसे आम बंद गली है, बहुत छोटे प्रॉम्प्ट से भी ज़्यादा आम।
सेहतमंद तरीका एक नियम में समा जाता है: हर जेनरेशन पर एक बदलाव। इमेज बहुत गहरी है? सिर्फ़ रोशनी वाला हिस्सा बदलिए, दोबारा जेनरेट कीजिए, तुलना कीजिए। फ़्रेमिंग निराश करती है? सिर्फ़ फ़्रेमिंग। Flux Schnell पर 1 क्रेडिट प्रति कोशिश के हिसाब से दस अनुशासित इटरेशन दस सेंट में पड़ते हैं और आपको सिखा देते हैं कि हर शब्द का वज़न क्या है। यह दोस्ताना कीमत पर किया गया वैज्ञानिक प्रयोग है।
नोड की हिस्ट्री इस अनुशासन को आरामदेह बना देती है: पिछली 12 जेनरेशन दिखती रहती हैं, हर एक दूसरी से तुलना लायक। दो वर्जन अगल बगल रखकर आप सचमुच देख सकते हैं कि हर शब्द के बदलाव ने क्या किया। जब कोई इटरेशन इमेज बिगाड़ दे, तो पिछले टेक्स्ट पर लौटिए और कोई दूसरी दिशा पकड़िए। कुछ भी खोता नहीं, सब कुछ तुलना लायक रहता है।
नेगेटिव प्रॉम्प्ट हर जगह काम नहीं करते
जो दिखाना है वह लिखिए, जिससे बचना है वह नहीं: “तड़के की सुनसान सड़क” वहाँ काम करता है जहाँ “भीड़ नहीं” उसी विचार को बुला सकता है।
फ़ोरम पर आपको “no blur, no extra fingers, no text” से भरे प्रॉम्प्ट मिलेंगे। यह पुराने टूल की विरासत है जिनमें अलग से एक “नेगेटिव प्रॉम्प्ट” फ़ील्ड होती थी। Imaginode में उपलब्ध नए मॉडलों पर यह लिखावट कोई मानक नहीं है: मॉडल के हिसाब से नकार अलग अलग तरह से समझा जाता है, और किसी चीज़ का नाम ले लेना ही उसे बुला लाने के लिए काफ़ी हो सकता है।
जो दिखाना चाहते हैं वह लिखिए, जिससे बचना चाहते हैं वह नहीं। “बैकग्राउंड में भीड़ नहीं” के बजाय लिखिए “तड़के की सुनसान सड़क”। “धुँधला नहीं” के बजाय बताइए “चेहरे पर तेज़ फ़ोकस”। सकारात्मक लिखावट एक संभव इमेज का वर्णन करती है, नकारात्मक लिखावट एक खालीपन बताती है जिसे मॉडल हमेशा पेंट करना नहीं जानता।
फिर भी वे खामियाँ बची रहती हैं जो किसी ने माँगी नहीं थीं, अजीब हाथ, साइनबोर्ड पर बेतुके अक्षर। कोई नकारात्मक मंत्र इन्हें पक्के तौर पर नहीं हटाता, यह आज के मॉडलों की सीमा है, जिसे सब मानते हैं। असल तोड़ यह है: कम खर्च में तब तक इटरेट कीजिए जब तक एक साफ़ जेनरेशन न मिले, या अपना दृश्य ऐसे फ़्रेम कीजिए कि हाथ और लिखावट सामने न आएँ।
प्रॉम्प्ट की लंबाई मॉडल के हिसाब से रखिए
1 क्रेडिट वाला Flux Schnell छोटे प्रॉम्प्ट पसंद करता है, जबकि 7 क्रेडिट वाला Flux 2 Pro या 5 क्रेडिट वाला Seedream 5 Lite विस्तृत वर्णन का पूरा फ़ायदा उठाते हैं: छोटा लिखकर खाका बनाइए, लंबा लिखकर फ़ाइनल कीजिए।
हर मॉडल एक जैसी टेक्स्ट घनता नहीं पचाता। 1 क्रेडिट वाला Flux Schnell छोटे और सीधे प्रॉम्प्ट पर चमकता है: एक साफ़ दृश्य, दो चार बारीकियाँ, और कुछ सेकंड में नतीजा हाज़िर। उसे सौ शब्दों का पैराग्राफ़ परोसने से कुछ नहीं सुधरता, वह आधे पर से गुज़र ही जाएगा। यह खाका खींचने का औज़ार है, इसे वैसे ही बरतिए।
7 क्रेडिट वाले Flux 2 Pro या 5 क्रेडिट वाले Seedream 5 Lite जैसे ऊँचे दर्जे के मॉडल विस्तृत प्रॉम्प्ट का बेहतर इस्तेमाल करते हैं: सतहें, जटिल रोशनी, बारीक माहौल। यही वह मौका है जब मैजिक वैंड से समृद्ध किया गया टेक्स्ट अपनी पूरी कीमत दिखाता है। वही उदार वर्णन, जो Flux Schnell को डुबो देता था, इनके लिए ईंधन बन जाता है।
इसीलिए दो चरणों वाला तरीका बनता है, जो शुरुआती गाइड के सुनहरे नियम से भी मेल खाता है: छोटा और सस्ता रखकर खाका बनाइए, लंबा और सटीक लिखकर फ़ाइनल कीजिए। छोटा वर्जन लिखिए, सही कंपोज़िशन मिलने तक 1 क्रेडिट पर इटरेट कीजिए, वैंड से टेक्स्ट समृद्ध कीजिए, फिर 5 या 7 क्रेडिट वाले मॉडल पर फ़ाइनल जेनरेट कीजिए। आपका प्रॉम्प्ट आपकी इमेज के साथ साथ बड़ा होता है।
प्रॉम्प्ट कभी क्या हल नहीं कर पाएगा
कोई टेक्स्ट एक जैसा चेहरा, पाँच उँगलियों वाला हाथ या लंबा पढ़ने लायक टेक्स्ट पक्का नहीं कर सकता: किरदार की निरंतरता Reference नोड और उसके @mentions से आती है, प्रॉम्प्ट से नहीं।
बिना घुमाए कहना ज़रूरी है: कुछ समस्याएँ टेक्स्ट फ़ील्ड में हल नहीं होतीं, और उन पर अड़े रहना कई शामें खा जाता है। पहली है किरदार की निरंतरता। आप अपनी नायिका को बीस लाइनों में बयान कर सकते हैं, उम्र, चेहरा, तिल: रेफ़रेंस इमेज के बिना उसका चेहरा हर जेनरेशन पर बदलेगा। यह आपके प्रॉम्प्ट की खामी नहीं, यह मॉडलों के काम करने का तरीका ही है।
जवाब कैनवास पर कहीं और है: Reference नोड। आप उसे एक नाम, एक विवरण और कुछ फ़ोटो देते हैं, फिर किसी भी प्रॉम्प्ट में @ के बाद वही नाम लिखते हैं। मेंशन हरे रंग में दिखता है, विवरण अपने आप जुड़ जाता है और फ़ोटो रिक्वेस्ट के साथ चली जाती हैं। 5 क्रेडिट पर रेफ़रेंस के चैंपियन Seedream 5 Lite जैसे मॉडल इन्हीं के सहारे एक इमेज से दूसरी तक चेहरा स्थिर रखते हैं।
बाकी चीज़ों पर भी उतनी ही साफ़ नज़र रखिए: इमेज के अंदर पूरी तरह पढ़ा जा सकने वाला लंबा टेक्स्ट, पाँच उँगलियों वाले हाथ की गारंटी, किसी रजिस्टर्ड ट्रेडमार्क की हूबहू नकल, कोई प्रॉम्प्ट इनका वादा नहीं करता। इन सीमाओं को मान लेने से आपका काफ़ी वक़्त बचता है: आपको पता होगा कि कब टेक्स्ट सुधारना है और कब औज़ार बदलना है। मसलन इमेज के भीतर टेक्स्ट का तोड़ सिर्फ़ दो तीन शब्दों में और उन्हें ठीक से संभालने वाले मॉडल में है, जैसा YouTube थंबनेल के वर्कफ़्लो में होता है। किरदार की निरंतरता तो वैसे भी इस ब्लॉग पर अपने अलग लेख की हकदार है।
सब कुछ जोड़ने वाला एक पूरा पहले और बाद
घर से काम वाला वही विज़ुअल पाँच हिस्सों, मैजिक वैंड और चार इटरेशन की बदौलत घिसे पिटे क्लिशे से भरोसेमंद इमेज बन जाता है: कुल 12 क्रेडिट और पंद्रह मिनट।
असली स्थिति: एक क्रिएटर घर से काम पर लिखे लेख का विज़ुअल तैयार कर रही है। पहला प्रॉम्प्ट, “घर से काम करती खुश महिला प्रोडक्टिविटी”। नतीजा तय था: सफ़ेद सा आम ऑफ़िस, कंप्यूटर की तरफ़ जमी हुई मुस्कान, बिना लाइसेंस वाली स्टॉक फ़ोटो जैसी इमेज। प्रॉम्प्ट ने एक विचार बताया था, मॉडल ने उस विचार का औसत क्लिशे थमा दिया।
दूसरा वर्जन, ढाँचे के साथ: “तीस के आसपास की एक महिला, सरसों रंग का स्वेटर, ध्यान से लैपटॉप के सामने रखे कागज़ों पर नोट्स बनाती हुई, हरे पौधों वाला अपार्टमेंट का लिविंग रूम, बाईं तरफ़ की बड़ी खिड़की से आती देर सुबह की नरम रोशनी, यथार्थवादी फ़ोटोग्राफ़ी, 50 mm, कम डेप्थ ऑफ़ फ़ील्ड”। 1 क्रेडिट में वैंड से समृद्ध किया गया, Flux Schnell पर चार बार इटरेट किया गया, और Flux 2 Pro पर फ़ाइनल।
कुल हिसाब: 12 क्रेडिट, करीब बारह सेंट, और घड़ी देखकर पंद्रह मिनट। फ़ाइनल इमेज में भरोसेमंद रोशनी है, स्वाभाविक पोज़ है, एक असली नज़रिया है। कोई छिपी प्रतिभा नहीं, कोई जादुई शब्द नहीं: ईमानदारी से भरे पाँच हिस्से, औज़ार की मदद से किया गया अनुवाद, और अनुशासित इटरेशन। पूरा तरीका इसी एक उदाहरण में आ जाता है।
आपका अगला कदम
अपने पिछले प्रॉम्प्ट को पाँच सवालों की कसौटी पर कसिए, 1 क्रेडिट में दोबारा जेनरेट करके तुलना कीजिए: फिर किरदारों के लिए Reference नोड या रेंडर के लिए Camera नोड की तरफ़ बढ़िए।
आपने आखिरी बार जो प्रॉम्प्ट लिखा था, कोई भी, उसे उठाइए। उसे पाँच सवालों की कसौटी पर कसिए: ठोस विषय, ठोस क्रिया, जगह बताया गया दृश्य, बयान की गई रोशनी, तय की गई स्टाइल। छूटे हुए हिस्से भरिए, Flux Schnell पर 1 क्रेडिट में नया वर्जन बनाइए और नोड की हिस्ट्री में दोनों इमेज की तुलना कीजिए। यह फ़र्क़ आपको इस लेख से बेहतर समझा देगा।
इसके बाद आपके प्रोजेक्ट के हिसाब से दो रास्ते हैं। अगर आपकी इमेज में कोई किरदार बार बार आता है, तो Reference नोड और @mentions आपकी सबसे बड़ी प्राथमिकता हैं, शब्दावली की किसी भी बारीकी से बहुत पहले। और अगर आपको सिनेमैटिक रेंडर खींचता है, तो Camera नोड और उसके पाँच डायल टटोलिए, फिर AI में कैमरा डायरेक्शन पर हमारा लेख पढ़िए।
और अगर किसी खास प्रॉम्प्ट पर अटक जाएँ, तो नीचे दाईं ओर के बबल में असिस्टेंट से पूछ लीजिए: वह आपका खुला कैनवास, आपका नोड और आपका टेक्स्ट देखता है, और 1 क्रेडिट में जवाब देता है। आइडिया नहीं, फ़ोटो का वर्णन करना आपका ही काम रहेगा। बाकी सब के लिए औज़ार आपके पास हैं।