5 सितंबर 2026
बिगड़े हाथ और न पढ़ा जाने वाला टेक्स्ट: AI इन दो चीज़ों में क्यों चूकता है और इससे कैसे निकलें
छह उंगलियों और गढ़े हुए शब्दों के पीछे की असली तकनीकी वजह, वे मॉडल जो आज सही लिखते हैं, और फ़्रेमिंग तथा रीटच का वह तरीका जो दस बार दोबारा जनरेट किए बिना ज़्यादातर मामले सुलझा देता है।
Frank HoubreImaginode के संस्थापक
वे दो खामियाँ जो एक सेकंड में AI तस्वीर पकड़वा देती हैं
हाथ और टेक्स्ट उलटी वजहों से बिगड़ते हैं: हाथ इतने बदलते हैं कि साफ़ तरीके से सीखे नहीं जा सकते, और टेक्स्ट उस सांकेतिक सटीकता की माँग करता है जिसका अभ्यास मॉडल करता ही नहीं।
आप किसी को अपनी तस्वीर दिखाते हैं। सुंदर है, रोशनी अच्छी है, किरदार सीधा खड़ा है। और सामने वाला हाथ देखता है, उंगलियाँ गिनता है, फिर पीछे दुकान का बोर्ड पढ़ता है जिस पर लिखा है कुछ ऐसा जैसे बेकरी की जगह बैकरी।
ये दो खामियाँ इमेज जनरेशन के सबसे पहचाने जाने वाले हस्ताक्षर हैं, और अब वह कसौटी बन चुकी हैं जो हर कोई लगाता है। खीझ इस बात की है कि ये बाकी सब लिहाज़ से शानदार तस्वीरों के साथ रहती हैं: परफ़ेक्ट ग्रेन वाला एक पोर्ट्रेट, छह उंगलियों वाले एक हाथ से बरबाद।
अच्छी खबर यह है कि दोनों समस्याओं की वजहें अलग हैं और इसलिए समाधान भी अलग हैं। और 2026 में इनमें से एक तो सही मॉडल चुन लेने पर काफ़ी हद तक सुलझ चुकी है। हम देखेंगे कि यह गड़बड़ाता क्यों है, फिर ठीक ठीक क्या करना है।
हाथ क्यों बिगड़ते हैं: मॉडल ने असल में क्या सीखा
एक हाथ में बीस से ज़्यादा जोड़ होते हैं, ट्रेनिंग की ज़्यादातर तस्वीरों में वह नन्हा और आंशिक रूप से छिपा दिखता है, और कोण बदलते ही उसका आकार बिलकुल बदल जाता है: मॉडल ने उसका एक धुँधला औसत सीखा है।
चेहरा यानी दो आँखें, एक नाक, एक मुँह, हमेशा एक ही क्रम में, लगभग हमेशा सामने से या तीन चौथाई कोण से, और अक्सर तस्वीर का सबसे बड़ा तत्व। मॉडल इसे तुलनीय परिस्थितियों में करोड़ों बार देखता है। वह बहुत अच्छी तरह सीखता है।
हाथ हर बिंदु पर इसका उलटा है। बीस से ज़्यादा जोड़, यानी संभव मुद्राओं की संख्या फट पड़ती है। वह फ़्रेम में छोटा होता है, हिलने की वजह से अक्सर धुँधला, और नियमित रूप से किसी चीज़, कपड़े या दूसरे हाथ के पीछे छिपा। और कोण के हिसाब से वही एक हाथ ऐसी आकृतियाँ देता है जिनका आपस में कोई मेल नहीं।
नतीजा, मॉडल हाथों का औसत निकालता है, ठीक वैसे जैसे ड्रैगन माँगने पर वह ड्रैगनों का औसत देता है। फ़र्क बस इतना कि ड्रैगन का औसत भरोसेमंद रहता है, किसी ने असली देखा ही नहीं, जबकि हाथों का औसत किसी की भी आँख में तुरंत चुभता है। और उसके काम करने के तरीके में कहीं कुछ नहीं कहता कि एक अतिरिक्त उंगली गलती है: उसके पास नियम नहीं, संभावनाएँ हैं।
टेक्स्ट क्यों बिगड़ता है: मॉडल बनाता है, वर्तनी नहीं लिखता
इमेज मॉडल पिक्सेल दर पिक्सेल संभाव्य आकृतियाँ बनाता है, अक्षरों को प्रतीक के रूप में दर्शाए बिना: इसलिए वह लिखावट नहीं, लिखावट जैसी दिखने वाली चीज़ बनाता है।
टेक्स्ट दूसरी ही प्रकृति की समस्या है। इमेज मॉडल वर्णमाला नहीं जानता। वह नहीं जानता कि B, B है और C से पहले आता है। उसने अरबों तस्वीरें देखी हैं जिनमें टेक्स्ट जैसे दिखने वाले हिस्से थे, और उसने टेक्स्ट जैसे दिखने वाले हिस्से बनाना सीख लिया।
इसीलिए नाकामियों की शक्ल इतनी खास होती है: यह कभी पूरी तरह बेतुकी नहीं होती, यह लगभग सही होती है। अनुपात सही, अक्षरों के बीच की दूरी सही, फ़ॉन्ट सही, और बीच में दो गढ़े हुए अक्षर। मॉडल ने जो असल में किया, यानी एक टाइपोग्राफ़िक बनावट बनाना, उसमें वह पूरी तरह सफल रहा।
इसमें यह जोड़िए कि तस्वीर में टेक्स्ट बाकी सब के मुकाबले अक्सर बहुत छोटा होता है। मॉडल अपना ध्यान वहाँ बाँटता है जो फ़्रेम भरता है। बीस पिक्सेल ऊँचे बोर्ड को वह देखभाल नहीं मिलती जिसकी वह माँग करता, और ठीक वहीं बेकरी रास्ते में एक अक्षर गँवा देती है।
टेक्स्ट के मामले में असल में क्या बदला
मज़बूत भाषाई समझ के साथ प्रशिक्षित हालिया मॉडल छोटे टेक्स्ट को भरोसेमंद ढंग से सही लिखते हैं: टेक्स्ट की समस्या आज मॉडल चुनने की समस्या है।
यही वह बिंदु है जिसे बहुत लोगों ने अपडेट नहीं किया, क्योंकि उन्होंने 2023 में राय बना ली और फिर कभी उसे दोबारा नहीं खोला। तस्वीर में टेक्स्ट अब चलता है, बशर्ते आप सही मॉडल निकालें।
जो मॉडल पहले भाषा मॉडल हैं और उसके बाद चित्र बनाते हैं, उनके पास एक संरचनात्मक बढ़त है: वे शब्द को बनाने से पहले जानते हैं कि शब्द क्या है। Nano Banana Pro Gemini 3 Pro पर टिका है और तस्वीर के भीतर टेक्स्ट तथा सटीक लेआउट संभालता है। GPT Image 2 की प्रकृति बिलकुल वैसी ही है: उसकी ताकत बनावट नहीं, आज्ञापालन है, और वह छोटे टेक्स्ट साफ़ लिखता है।
इनके साथ, Recraft V4.1 डिज़ाइन की दुनिया से आता है और छोटे टेक्स्ट को ग्राफ़िक रचना में साफ़ ढंग से बिठाता है, जिससे पोस्टर या लोगो के लिए वह पहली प्रतिक्रिया बन जाता है। और Flux 2 Max तब टेक्स्ट को Flux 2 Pro से एक पायदान ऊपर संभालता है जब भीतर पढ़े जाने लायक साइन के साथ फ़ोटोरियलिज़्म चाहिए।
जब टेक्स्ट हो तो कौन से मॉडल न इस्तेमाल करें
तेज़ और सस्ते मॉडल लिखना जाने बिना बहुत अच्छी तस्वीरें बनाते हैं: 1 क्रेडिट वाला Flux Schnell खोजबीन के लिए अजेय है, और किसी शब्द को ढोने वाले विज़ुअल के लिए बेकार।
पिछले अनुच्छेद का नतीजा, और यही सबसे ज़्यादा क्रेडिट गँवाता है। 1 क्रेडिट का Flux Schnell रचना खोजने, फ़्रेमिंग आज़माने, माहौल तय करने के लिए बेहतरीन है। वह आपका स्लोगन सही नहीं लिखेगा, और पंद्रह बार दोबारा चलाने से कुछ नहीं बदलेगा।
जो प्रतिक्रिया महँगी पड़ती है वह है शुरुआत वाले मॉडल पर अड़े रहना। आप बारहवें जनरेशन पर हैं, बारह क्रेडिट बेकार खर्च कर चुके हैं, जबकि लिखना जानने वाले मॉडल पर जाकर यह समस्या 8 या 19 क्रेडिट में पहली बार में ही सुलझ जाती।
टेक्स्ट की खामी पर एक ही मॉडल को कभी तीन बार से ज़्यादा न चलाएँ। अगर तीन कोशिशों में नहीं हुआ, तो मतलब मॉडल यह कर नहीं सकता, यह नहीं कि आपने गलत माँगा। मॉडल बदलिए, बस इतना ही।
निर्देश कैसे लिखें कि टेक्स्ट सही निकले
सटीक टेक्स्ट को उद्धरण चिह्नों में रखें, स्पष्ट रूप से माँगें कि वह इसी वर्तनी में दिखे और कोई दूसरा शब्द न दिखे, और कुछ ही शब्दों तक सीमित रहें।
शब्दावली उतनी ही मायने रखती है जितना मॉडल। अपने प्रॉम्प्ट में सटीक टेक्स्ट उद्धरण चिह्नों में लिखिए, फिर एक ताला लगाने वाला वाक्य जोड़िए: यह ज़रूर दिखे, ठीक इसी वर्तनी में, पूरी तरह पढ़ने योग्य, कोई दूसरा शब्द नहीं। इस वाक्य के बिना मॉडल खुशी से आपके शीर्षक के नीचे अपनी गढ़ी हुई एक पंचलाइन जोड़ देता है।
दूसरा नियम: छोटा रखिए। एक ब्रांड नाम, पाँच शब्दों का एक स्लोगन, एक तारीख। तस्वीर के भीतर पूरा अनुच्छेद आज कोई मॉडल साफ़ ढंग से नहीं करेगा, और ग्राफ़िक लिहाज़ से भी यह अच्छा विचार नहीं है। लंबा टेक्स्ट एडिटिंग में या लेआउट सॉफ़्टवेयर में रखा जाता है, जनरेशन में नहीं।
तीसरा नियम: उसे जगह दीजिए। स्पष्ट रूप से माँगिए कि टेक्स्ट एक चौड़ा और अच्छे कंट्रास्ट वाला क्षेत्र घेरे। जिस मॉडल को गली के आखिर में लगे बोर्ड पर छह अक्षर लिखने हैं, वह वहाँ नाकाम होगा जहाँ पूरे फ़्रेम के शीर्षक में सफल होता है। यह वही तर्क है जो किसी भी निर्देश पर लागू होता है, और इस विषय को काम करने वाला प्रॉम्प्ट लिखना में ज़्यादा विस्तार से देखा गया है।
हाथ: फ़्रेमिंग के तीन फ़ैसले जो ज़्यादातर हल कर देते हैं
हाथों के ऊपर फ़्रेम कीजिए, उन्हें किसी चीज़ में व्यस्त कीजिए, या उन्हें फ़ोकस तल से बाहर कीजिए: ये तीन फ़ैसले एक भी क्रेडिट खर्च किए बिना ज़्यादातर नाकामियाँ मिटा देते हैं।
हाथों पर किसी के पास चमत्कारी हल नहीं है और मैं आपके लिए कोई गढ़ूँगा भी नहीं। हालिया मॉडल दो साल पहले के मुकाबले साफ़ तौर पर बेहतर निपटते हैं, पर कोई भी हर बार पाँच उंगलियों की गारंटी नहीं देता। जो चलता है वह है उनसे सबसे मुश्किल अभ्यास न माँगना।
पहला फ़ैसला: फ़्रेमिंग। छाती तक का शॉट या चेहरे का क्लोज़अप समस्या को बनावट से ही मिटा देता है। पेशेवर विज्ञापन फ़ोटोग्राफ़ी देखिए, वह जितना लोग सोचते हैं उससे कहीं ज़्यादा बार हाथों के ऊपर काटती है। कैमरा नोड आपको यह फ़्रेमिंग उम्मीद करने के बजाय साफ़ तय करने देता है।
दूसरा फ़ैसला: हाथ को व्यस्त कीजिए। कप, फ़ोन, कलम, स्टीयरिंग, कुछ भी थामे हुए हाथ की मुद्रा उस चीज़ से बँधी होती है, और मॉडल इन विन्यासों में हवा में खुले हाथ के मुकाबले कहीं बेहतर सफल होते हैं। तीसरा फ़ैसला: उसे फ़ोकस क्षेत्र से बाहर कीजिए। कैमरा नोड में f/1.4 का अपर्चर हाथों को पृष्ठभूमि के धुँधलेपन में डाल देता है, और धुँधली उंगली गिनी नहीं जाती।
शरीर रचना के बजाय क्रिया का वर्णन कीजिए
प्रॉम्प्ट में उंगलियाँ गिनाना काम नहीं करता: मॉडल गिनता नहीं, वर्णन करना है भाव का, कि हाथ क्या थामे है और कैसे थामे है।
सार्वभौमिक प्रतिक्रिया है प्रॉम्प्ट में पाँच उंगलियाँ लिख देना। यह काम नहीं करता, और करेगा भी नहीं, क्योंकि मॉडल के पास गिनने की कोई व्यवस्था ही नहीं है। आप ठीक पाँच उंगलियाँ, शरीर रचना की दृष्टि से सही हाथ लिख सकते हैं, उसके पास लागू करने को कोई नियम नहीं है।
जो चलता है वह है दृश्य को इस तरह वर्णित करना कि मुद्रा अपने आप तय हो जाए। दोनों हाथ मेज़ पर सपाट रखे। एक हाथ कप के हैंडल के चारों ओर बंद। बाहें बँधी हुईं। हाथ जेबों में। आप ऐसा विन्यास बता रहे हैं जिसे मॉडल ने स्थिर मुद्रा में लाखों बार देखा है, और वह उसे लौटा देता है।
दरअसल यह वही सिद्धांत है जो बाकी हर चीज़ पर लागू होता है: मॉडल को अमूर्त निर्देश देने के बजाय ठोस स्थिति का वर्णन करने से कहीं ज़्यादा मिलता है। क्रिया का वर्णन करना उसे आता है। संख्या की शर्त निभाना उसे नहीं आता।
दोबारा चलाने के बजाय मरम्मत: लक्षित संपादन
संपादन मॉडल आपकी तस्वीर लेता है और सिर्फ़ वही बदलता है जो आप बताते हैं: एक हाथ ठीक करने में कुछ क्रेडिट लगते हैं, जबकि पूरी नई जनरेशन के साथ एक नई फ़्रेमिंग भी दोबारा जाँचनी पड़ती है।
यही वह आदत है जो सब कुछ बदल देती है, और यही नौसिखियों के पास नहीं होती। जब तस्वीर 95 प्रतिशत अच्छी हो, तो दोबारा नहीं चलाते। मरम्मत करते हैं।
6 क्रेडिट का Flux Kontext कभी शून्य से शुरू नहीं करता: वह एक इनपुट तस्वीर माँगता है और निर्देश के अनुसार उसे बदलता है, वह सब बचाते हुए जिसे शुद्ध जनरेशन मॉडल बेतरतीब ढंग से दोबारा गढ़ देते। आप उसे अपनी तस्वीर देते हैं और सिर्फ़ वही बताते हैं जो बदलना है: बायाँ हाथ ठीक करो, उसे कप हैंडल से पकड़ना चाहिए, और कुछ मत बदलो।
10 क्रेडिट का Nano Banana 2 यही काम मिश्रित निर्देशों की समझ के साथ करता है, और 2 क्रेडिट का GPT Image Mini साधारण रीटच के लिए कैटलॉग का सबसे सस्ता विकल्प है। हर हाल में, आपके निर्देश के दूसरे आधे हिस्से में वह सूची होनी चाहिए जो नहीं बदलेगी: चेहरा, मुद्रा, फ़्रेमिंग, रोशनी, सेट। इस सूची के बिना मॉडल आपको दूसरी तस्वीर लौटाता है, बहुत अच्छी, पर दूसरी।
डिलीवरी से पहले ज़ूम, वह जाँच जिसे सब छोड़ देते हैं
खामियाँ सौ प्रतिशत पर दिखती हैं, थंबनेल पर नहीं: डिलीवरी से पहले तस्वीर बड़ी करने में 12 क्रेडिट लगते हैं और वह गलती टल जाती है जो छपाई पर पता चलती है।
जनरेट की गई तस्वीर कैनवास के थंबनेल पर देखी जाती है, मंज़ूर होती है, और भेज दी जाती है। तीन हफ़्ते बाद वह A2 में छपी होती है और हाथ में छह उंगलियाँ होती हैं। मेरे साथ हुआ है, और आदत बनाने के लिए एक बार काफ़ी है।
जाँच में दो मिनट लगते हैं। आप तस्वीर बड़ी करके खोलते हैं और तीन क्षेत्रों को क्रम से देखते हैं: हाथ, पृष्ठभूमि समेत वह सब जिसमें टेक्स्ट है, फिर आँखें और दाँत। ये तीन दौर लगभग सारी खामियाँ पकड़ लेते हैं।
छपाई के लिए बनने वाले विज़ुअल के लिए, 12 क्रेडिट के Topaz Precision वाला बेहतर बनाने का नोड साफ़ ढंग से बड़ा करता है और साथ ही वह उजागर कर देता है जो कम रिज़ॉल्यूशन छिपा रहा था। यह वही औज़ार है जिसका वर्णन तस्वीर को साफ़ बनाना में है, और वह बड़ा करने वाले जितना ही जाँच का आवर्धक लेंस भी है।
बाकी वे ब्योरे जो AI तस्वीर पकड़वा देते हैं
बहुत ज़्यादा एकसार दाँत, दोहरे हो जाते गहने, बेमेल कपड़े के नमूने, ऐसे प्रतिबिंब जो किसी चीज़ से मेल नहीं खाते: वही वजहें दूसरी खामियाँ भी पैदा करती हैं, कम मशहूर पर उतनी ही दिखने वाली।
हाथ और टेक्स्ट सुर्खियों में रहते हैं, पर वही तंत्र दूसरी नाकामियाँ भी पैदा करता है। दाँत, अक्सर ज़रूरत से ज़्यादा और ज़रूरत से ज़्यादा एकसार, क्योंकि वे छोटे और दोहराव वाले हैं। गहने और चश्मे, जो डंडियों के पास दोहरे हो जाते हैं। कपड़े के नमूने, धारियाँ या चारखाने, जो कपड़े के बीचोंबीच एक दिशा से दूसरी दिशा में मुड़ जाते हैं।
प्रतिबिंब अलग मामला है और बहुत कुछ कहता है: आईने या शोकेस में मॉडल कुछ ऐसा बना देता है जो प्रतिबिंब जैसा दिखता है, बिना यह जाँचे कि वह दृश्य से मेल खाता है या नहीं। अपने किरदारों के पीछे के शीशे देखिए, आपको वहाँ नियमित रूप से ऐसी चीज़ें मिलेंगी जो तस्वीर में कहीं मौजूद ही नहीं हैं।
और भीड़, जहाँ पीछे के चेहरे ज़ूम करते ही परेशान करने लगते हैं। वहाँ भी प्रतिक्रिया वही है: ऐसी फ़्रेमिंग जो समस्या से बचाए, या लक्षित संपादन जो उसे ठीक करे। ये ठीक वही बिंदु हैं जिन्हें मैं जनरेटिव AI में नौसिखियों की गलतियाँ में देखता हूँ।
संक्षेप में तरीका
टेक्स्ट हो तो लिखना जानने वाला मॉडल चुनिए, खुले हाथों से बचने के लिए फ़्रेम कीजिए, दोबारा चलाने के बजाय संपादन से मरम्मत कीजिए, और डिलीवरी से पहले बड़ा करके जाँचिए।
टेक्स्ट पर समस्या सुलझ चुकी है और यह मॉडल का मामला है: ग्राफ़िक काम के लिए Nano Banana Pro, GPT Image 2 या Recraft, और भीतर टेक्स्ट के साथ फ़ोटोरियलिज़्म चाहिए तो Flux 2 Max। सटीक टेक्स्ट उद्धरण चिह्नों में, ताला लगाने वाला वाक्य, ज़्यादा से ज़्यादा कुछ शब्द।
हाथों पर कोई मॉडल परिपूर्ण नहीं है, और जवाब मंचन में है: ऊपर से काटिए, हाथ को किसी चीज़ में व्यस्त कीजिए, या उसे फ़ोकस तल से बाहर कीजिए। भाव का वर्णन कीजिए, उंगलियों की संख्या कभी नहीं। और जब तस्वीर 95 प्रतिशत अच्छी हो, तो शून्य से शुरू करने के बजाय संपादन मॉडल से उसकी मरम्मत कीजिए।
यह सब बजट फूँके बिना आज़माने के लिए, Flux Schnell पर 1 क्रेडिट में खोजबीन कीजिए और चुनी हुई रचना पर ही 8 या 19 क्रेडिट वाले मॉडल पर जाइए। सटीक कीमत हर क्लिक से पहले बटन पर दिखती है, और पूरी तालिका यहाँ है।