Tekst-til-billede AI (Text-to-Image)
Hvad er tekst-til-billede AI?
Tekst-til-billede AI er en type generativ AI, der tager en skriftlig beskrivelse (en prompt) som input og ud fra den skaber et helt nyt, computergenereret billede. Modellen har ikke et arkiv af færdige billeder liggende, den bygger i stedet billedet fra bunden ved at kombinere mønstre, den har lært under træning på store mængder billeder og tilhørende tekstbeskrivelser.
Et konkret eksempel: Skriver man en prompt som “et akvarelmaleri af Nyhavn i solnedgang, bløde farver”, vil en tekst-til-billede-model på få sekunder generere et billede, der forsøger at matche netop de elementer — motiv, stil og stemning — uden at noget tilsvarende billede nødvendigvis har eksisteret før.
Sådan omdannes tekst til et billede
Fra ord til tal
Første skridt handler om sprogforståelse. Prompten bliver læst af en sprogmodel, der omdanner ordene og deres indbyrdes betydning til en talrepræsentation kaldet en embedding. Denne del af processen trækker på teknikker fra NLP (Natural Language Processing), hvor målet er at fange betydning frem for blot enkeltord. En model som CLIP, udviklet af OpenAI, er trænet til at koble tekst og billeder i samme matematiske rum, så en beskrivelse og et tilsvarende billede kan “genkende” hinanden.
Fra støj til billede
Selve billedgenereringen foregår typisk via en diffusionsmodel. Processen starter med et billede fyldt med tilfældig visuel støj — nærmest som sne på et gammelt tv. Herefter fjerner modellen gradvist støj i mange trin, og for hvert trin bruges tekstens embedding som pejlemærke for, hvilke former, farver og strukturer der bør fremstå. Efter typisk et par snese trin er støjen erstattet af et sammenhængende billede, der afspejler prompten.
Det færdige billede
Fordi selve denoising-processen ofte foregår i en komprimeret, matematisk repræsentation (et såkaldt latent rum) frem for direkte på hver eneste billedpixel, kan moderne modeller generere billeder relativt hurtigt. Til sidst omregner en afkoder (decoder) den komprimerede repræsentation til det færdige pixelbillede, som skaleres til den ønskede opløsning og vises på skærmen.
Kendte tekst-til-billede-modeller
Flere modeller har gjort teknologien tilgængelig for almindelige brugere. Midjourney er kendt for sin kunstneriske, ofte malerisk stiliserede æstetik og bruges primært via Discord eller en webgrænseflade. DALL-E, udviklet af OpenAI, er integreret i blandt andet ChatGPT og gør det muligt at generere billeder direkte i en samtale. Stable Diffusion adskiller sig ved at være open source, hvilket betyder, at teknikentusiaster og udviklere kan køre modellen lokalt og tilpasse den til specifikke formål.
Hvad bruges tekst-til-billede AI til?
- Illustrationer og konceptkunst til blogindlæg, oplæg og markedsføringsmateriale
- Hurtige visuelle udkast i designprocesser, inden en grafiker arbejder videre
- Personlige billeder til sociale medier eller kreative projekter
- Prototyper og moodboards i produktudvikling
Kvaliteten af resultatet afhænger i høj grad af, hvor præcist prompten er formuleret. Jo mere konkret sproget er om motiv, stil, lys og komposition, jo bedre kan modellen ramme det ønskede resultat — en disciplin, der kaldes prompt engineering.
Begrænsninger og opmærksomhedspunkter
Tekst-til-billede-modeller kan i nogle tilfælde producere fejl, som fx forvrængede hænder, ulogisk tekst inde i billedet eller detaljer, der ikke passer med prompten. Resultatet varierer også fra generation til generation, selv med samme prompt, medmindre man låser den tilfældige startværdi (seed). Derudover rejser teknologien spørgsmål om ophavsret, fordi modellerne er trænet på store mængder eksisterende billeder, og om bias, da modellens output kan afspejle skævheder i træningsdataet.