איך שומרים על נכסי מותג ומסקוטים מ-AI עקביים לאורך קמפיין?

רוב המייסדים מדמיינים את בעיית המסקוט כבעיה של כתיבת פרומפט. אם רק ננסח את התיאור בצורה מדויקת מספיק, הם חושבים, המודל יצייר את אותה דמות בכל פעם. מסגור שגוי. ל"אקסולוטל בגוון אפרסק-זהב עם ציציות זימים נוצתיות" יש אלף פרצופים שונים, והמודל בוחר אחד חדש בכל קריאה. הפתרון אינו משפט טוב יותר. הוא סירוב לתאר את הדמות במילים בכלל.

למה אותו פרומפט נותן לכם דמות שונה בכל פעם?

כי תיאור מילולי מבקש מהמודל להמציא את הדמות מחדש מאפס בכל יצירה, וכל המצאה מחדש היא הזדמנות טרייה שברירות המחדל של המודל עצמו יזלגו פנימה. הפרופורציות זזות, הפלטה מתחממת או מתקררת, הסגנון נסחף. אתם לא מבקשים את אותו אקסולוטל פעמיים; אתם מבקשים פעמיים את הניחוש הכי טוב של המודל לגבי המילים שלכם, והניחושים שלו אינם זהים. מילים יכולות לקבע ז'אנר ("אקסולוטל מצויר וידידותי"). הן לא יכולות לקבע דמות מסוימת. בשביל זה צריך שהדמות עצמה תהיה בחדר.

איך נועלים את הדמות במקום?

מצרפים את תמונת העוגן עצמה כחלק מהבקשה, לפני הטקסט, ונותנים לה לשאת את הזהות. הפרומפט אז אומר רק מה שונה הפעם. אצל soclever, ספר הכללים הפנימי שמנהל כל יצירה של Lottie מנסח את זה כחוק ממוספר:

• תמונת הייחוס מצורפת תמיד. הזהות חיה בתמונה, לא בטקסט.
• המראה לעולם לא מוקלד מחדש בטקסט. כלשון הספר: "Text competing with the reference is the #1 cause of drift" (טקסט שמתחרה בתמונת הייחוס הוא הגורם מספר 1 לסחף).
• שינוי מצב אחד בכל קריאה. לעולם לא לשלב תנוחה, אביזר ושינוי מצב-רוח בבת אחת.

ההוראה היחידה שנושאת את כל המשקל בפרומפט היא זו: "Keep the mascot's identity (colors, face, proportions) EXACTLY consistent with the attached reference image. It is the same character, just re-posed" (שמרו על זהות המסקוט, הצבעים, הפנים והפרופורציות, עקבית לחלוטין עם תמונת הייחוס המצורפת; זו אותה דמות, רק בתנוחה חדשה). שימו לב למה היא מסרבת לעשות. היא אף פעם לא מציינת מחדש את הצבעים או הצורה של Lottie. היא קובעת רק שכל מה שנמצא בתמונה המצורפת חייב להישאר, ואז מוסרת למודל את הדבר היחיד שמותר לו לשנות: התנוחה. התמונה למטה נוצרה בדיוק כך, מהעוגן שלמעלה.

איך משיגים מגוון בלי שהוא ייסחף?

בונים ערכה. מהעוגן האחד יוצרים סט של מצבי-רוח ופרסונות מאושרים, מאמנת, פרופסורית, סיירת, וכל אחת מהן הופכת לתמונת ייחוס בפני עצמה, אבל כולן מתחקות בחזרה לאותה זהות נעולה. אז בוחרים את תמונת הייחוס לכל פריט כדי לטעון מראש את הטון הנכון לפני שהמודל קורא מילה אחת מהבריף. בקמפיין המודעות של soclever לשישה קורסים, המיפוי היה עריכתי, לא מכני:

"Teach a kid who's given up"   ->  coach pose    (סבלנית, יושבת נמוך)
"Grow your tutoring business"  ->  focused pose
"Understand medical results"   ->  encouraging pose
"Spot fake news"               ->  scout pose
"Master Excel"                 ->  professor pose (משקפיים, ספר)
"Build a portfolio"            ->  plain 3/4 anchor

זו וריאציה נבחרת, לא סחף. סחף הוא מה שקורה כשתמונה בלי ייחוס נוצרת מטקסט בלבד וברירות המחדל של המודל מזדחלות פנימה. לבחור בתנוחת המאמנת על פני תנוחת הפרופסורית היא בחירה יצירתית מכוונת מבין אפשרויות מאושרות מראש; הדמות שמתחת אף פעם לא משתנה. מה שמחזיק אותה שם הוא סט של מעקות בטיחות, וכל מעקה הוא צלקת, כל אחד נכתב אחרי כישלון אמיתי:

• ציציות הזימים נסחפות לארגמן. סצנות חמות משכו את ציציות הזהב של Lottie לכיוון אדום כדי להתאים לפלטה. התיקון: כלל קבוע שהציציות "must stay the mascot's natural warm gold/peach/orange exactly as in the reference image, NEVER crimson, red, or recolored to match the scene palette" (חייבות להישאר בזהב/אפרסק/כתום החמים הטבעיים של המסקוט בדיוק כמו בתמונת הייחוס, לעולם לא ארגמן, אדום, או צבע מחדש כדי להתאים לפלטת הסצנה).
• המסקוט מתעוות כשהוא צריך להתכווץ. המודל פישט את הפרופורציות במקום להקטין. התיקון: "If the mascot needs to appear smaller in the frame, scale it down; never recolor it" (אם המסקוט צריך להיראות קטן יותר במסגרת, הקטינו אותו; לעולם אל תצבעו אותו מחדש).
• דמות אנושית תועה שנכנסת לסצנה. התיקון: "NO real human figures, faces, or photographic people anywhere" (בלי דמויות אנושיות אמיתיות, פנים, או אנשים מצולמים בשום מקום), כך שהאקסולוטל נשאר הפרצוף היחיד בכל המותג.

למה להשאיר כל מילה מחוץ לאיור?

כי מודלי תמונה לא יודעים להציג טקסט קריא, וטקסט שצרוב בתוך התמונה לא ניתן לפריסה מחדש או לעריכה מחדש בלי לשלם על יצירה חדשה לגמרי. לכן האיור נוצר עם איסור גורף: "ABSOLUTELY NO text, words, letters, numbers, labels, captions, signage, or speech bubbles anywhere in the image" (בהחלט בלי טקסט, מילים, אותיות, מספרים, תוויות, כיתובים, שילוט או בועות דיבור בשום מקום בתמונה). כל כותרת, תווית ולוגו מורכבים מעל בדיעבד כטקסט HTML אמיתי, שמוצג חד בכל גודל. הפיצול הזה קונה שלושה דברים: טיפוגרפיה מושלמת לפיקסל בכל שפה, איור מקור אחד שנפרס מחדש באופן מקורי לכל פורמט, והחופש לנסח מחדש כותרת בלי ליצור מחדש ולו פיקסל אחד של איור.

וכל גודל פלטפורמה מוצג באופן מקורי, לא נחתך. LinkedIn רוצה 1200 על 627, X רוצה 1200 על 675, Meta רוצה 1200 על 628, כולם "לרוחב עם עמודת טקסט" אבל שונים בכמה פיקסלים בודדים. אם תחתכו תמונת מאסטר אחת כדי לפגוע בכל השלושה, תגזרו את המסקוט או את הכותרת אחרת בכל אחד; במקום זאת, איור ריבועי אחד נפרס מחדש לשבעה קנבסים מדויקים. מלכודת ששווה לגנוב: כשמכניסים איור ריבועי למסגרת לא ריבועית, קבעו את המכל ליחס גובה-רוחב קבוע, אחרת מקבלים פסים לבנים של letterbox מעל ומתחת לאיור.

מה זה לא פותר?

הוגן לומר מה זה לא עושה. התניה על תמונת ייחוס מחזיקה דמות סטטית יציבה; היא לא נותנת לכם אנימציה או מודל תלת-ממד עם שלד. היא גם לא מבטיחה זהות פיקסל-אחר-פיקסל, הבעות וזוויות עדיין משתנות מעט, וזו בדיוק הסיבה שאדם מאשר כל תנוחה לתוך הערכה לפני שהיא הופכת לתמונת ייחוס. וזה עובד רק על מודל שמקבל תמונה כקלט (soclever מריצה את מודל התמונה של Gemini בערך ב-$0.067 לתמונה). מה שאתם מקבלים אינו שיבוט בכל קריאה. זו אותה דמות מזוהה, בכל פעם, בערך במחיר של טעות עיגול. נעילת דמות לערכת תמונות ייחוס היא אותו סוג של בנייה סביב תהליך עבודה אחד כמו כל פרויקט אימוץ AI אחר: הגדירו לו היקף צר, שלחו אותו, ותנו לצינור לשלם על עצמו בכל קמפיין שאחריו.