هوش مصنوعی ایدئوگرام چیست؟ ژنراتور تصویری که متن را به درستی تبدیل می‌کند

از میدجورنی بخواه که روی کیک بنویسد «تولدت مبارک» و ببین چه چیزی برمی‌گرداند. «تولدت مبارک». «تولدت مبارک». چیزی شبیه به حروف الفبا که دچار حمله پانیک شده است. من دو سال است که ژنراتورهای تصویر هوش مصنوعی را آزمایش می‌کنم و مشکل متن همان مشکلی بود که هرگز حل نشد. میدجورنی، DALL-E، Stable Diffusion، Flux، همه آنها تصاویر زیبایی تولید می‌کنند و به محض اینکه از آنها می‌خواهی یک کلمه را هجی کنند، همه آنها به کودکان نوپا تبدیل می‌شوند.

ایدئوگرام این را وارونه کرد. چهار محقق گوگل برین در سال ۲۰۲۲ این شرکت را ترک کردند، در تورنتو شعبه‌ای تأسیس کردند، ۹۶.۵ میلیون دلار از اندریسن هوروویتز و ایندکس ونچرز در دو دور جذب سرمایه جذب کردند و مدلی را ارائه دادند که واقعاً می‌توانست متن را رندر کند. با دقت حدود ۹۰٪، که تا زمانی که آن را با ۳۰٪ دریافتی دیگران مقایسه نکنید، شگفت‌انگیز به نظر نمی‌رسد. این شکاف، ایدئوگرام را به انتخاب پیش‌فرض هر کسی که به کلمات در تصاویر خود نیاز داشت، تبدیل کرد. لوگوهایی با نام واقعی شرکت‌ها. پوسترهای رویداد با تاریخ‌های صحیح. گرافیک رسانه‌های اجتماعی با نقل قول‌های خوانا. ماکت‌های بسته‌بندی محصول با متن برچسب واقعی. جلد کتاب‌هایی که عنوان آنها به نظر نمی‌رسد توسط کسی نوشته شده باشد که انگلیسی را از تماشای تلویزیون بدون صدا یاد گرفته است. تمام چیزهایی که هر تولیدکننده تصویر دیگری خراب می‌کرد.

من از نسخه ۱.۰ به صورت متناوب از Ideogram استفاده کرده‌ام و احتمالاً تا الان هزار تصویر تولید کرده‌ام. در اینجا چیزهایی که در مورد نحوه کار آن، نقاط قوت، نقاط ضعف و اینکه آیا تبلیغات آن در سال ۲۰۲۶ با واقعیت مطابقت دارد یا خیر، یاد گرفته‌ام، آورده شده است.

شرکت پشت پرده Ideogram: چه کسی و چرا آن را ساخته است

داستان تأسیس مهم است زیرا توضیح می‌دهد که چرا محصول در کاری که انجام می‌دهد خوب است. محمد نوروزی، ویلیام چان، چیتوان ساهاریا، جاناتان هو. چهار محقق. همه از Google Brain. ساهاریا در نوشتن مقاله Imagen که مدل تبدیل متن به تصویر خود گوگل بود، همکاری داشت. این افراد در یک پست وبلاگی در مورد مدل‌های انتشار نخوانده بودند و تصمیم گرفتند یک شرکت تأسیس کنند. آنها به اختراع این چیزها کمک کردند.

آنها در سال ۲۰۲۲ در تورنتو تأسیس شدند. در ۲۲ آگوست ۲۰۲۳، با نسخه ۰.۱، سهام خود را به صورت عمومی عرضه کردند. شرکت Andreessen Horowitz با ۱۶.۵ میلیون دلار، پیشتاز سرمایه‌گذاری اولیه بود. Index Ventures نیز در این سرمایه‌گذاری مشارکت داشت. شش ماه بعد، فوریه ۲۰۲۴، سری A با ۸۰ میلیون دلار بسته شد. کمی کمتر از ۱۰۰ میلیون دلار بودجه کل برای محصولی که به مدت شش ماه به صورت عمومی وجود داشت. مطمئناً، سرمایه‌گذاران خطرپذیر در آن بازه زمانی برای ورود به هر چیزی مرتبط با هوش مصنوعی تلاش می‌کردند. اما تیم Ideogram پیشنهادی داشت که تأیید آن آسان بود: Midjourney را باز کنید، یک متن با متن تایپ کنید، تماشا کنید که شکست می‌خورد، سپس همین کار را در Ideogram انجام دهید و ببینید که چگونه کار می‌کند. آن نسخه آزمایشی خودش به فروش رفت.

نحوه کار هوش مصنوعی ایدئوگرام: توضیح این فناوری

در باطن، Ideogram بر روی مدل‌های انتشار اجرا می‌شود. همان ایده اولیه Midjourney و انتشار پایدار: با نویز تصادفی شروع کنید، به تدریج آن را در حین حرکت به سمت هدف خود حذف کنید و یک تصویر به دست می‌آید. جادو در یک معماری کاملاً جدید نیست. در نحوه آموزش مدل و اولویت‌های تیم در طول آن آموزش است.

وقتی یک عبارت را تایپ می‌کنید چه اتفاقی می‌افتد؟ متن شما به یک مدل زبانی برخورد می‌کند که توضیحات را به مفاهیم بصری تبدیل می‌کند. «تابلوی قدیمی کافی‌شاپ با نوشته‌ی «هر روز باز است» با حروف نقاشی‌شده با دست، رنگ‌های گرم پاییزی» تبدیل می‌شود به: زیبایی‌شناسی قدیمی، صحنه‌ی کافی‌شاپ، آن کلمات خاص برای رندر کردن، حروف‌نگاری به سبک قلم‌مو، پالت رنگی گرم. موارد استاندارد برای هر مدل انتشار.

جایی که Ideogram از بقیه متمایز می‌شود، نحوه‌ی مدیریت بخش متن است. Midjourney و Stable Diffusion با متن به عنوان یک الگو رفتار می‌کنند، همانطور که با یک درخت یا یک چهره رفتار می‌کنند. مدل، خطوط موج‌داری را می‌بیند که شبیه حروف هستند و خطوط موج‌داری را که شبیه حروف هستند، بازتولید می‌کند. هیچ درکی از املا ندارد. آموزش Ideogram به طور خاص بر ترازبندی متن-تصویر متمرکز بود: آموزش مدل مبنی بر اینکه حروف توالی ثابتی دارند، اینکه "B" با "D" متفاوت به نظر می‌رسد، و اینکه "BIRTHDAY" خروجی قابل قبولی نیست وقتی که شما "BIRTHDAY" را درخواست کرده‌اید (که بدیهی به نظر می‌رسد اما ظاهراً برای حل آن 96 میلیون دلار VC هزینه شده است). عدد دقت 90٪ به این معنی است که حدود 9 نسل از 10 نسل متن را درست تشخیص می‌دهند. دهمین نسل معمولاً یک مشکل جزئی، یک حرف تکراری یا مشکل فاصله‌گذاری دارد که به راحتی می‌توان آن را پیدا کرد و دوباره رول کرد.

این پلتفرم چندین حالت تولید ارائه می‌دهد: واقع‌گرایانه (کیفیت عکاسی)، انیمه، رندر سه‌بعدی، آبرنگ و تایپوگرافی (بهینه‌شده برای طرح‌های متن‌دار). هر حالت پارامترهای مدل را برای بهبود ویژگی‌های بصری مختلف تنظیم می‌کند. همچنین می‌توانید تصاویر مرجع را برای راهنمایی سبک آپلود کنید و نسخه ۳.۰ تا سه مرجع سبک را پشتیبانی می‌کند که طبق ادعای Ideogram بیش از ۴.۳ میلیارد ترکیب سبک ممکن را شامل می‌شود.

تکامل مدل: از نسخه ۰.۱ تا ۳.۰

ایدئوگرام به سرعت پیشرفت کرده است. پنج مدل در کمتر از دو سال.

نسخه ۲.۰ نقطه عطف بود. قبل از آن، Ideogram ابزاری خاص بود که توییترهای کریپتویی و صاحبان مشاغل کوچک برای گرافیک سریع از آن استفاده می‌کردند. بعد از نسخه ۲.۰، کیفیت تصویر به اندازه‌ای جدی شد که طراحان شروع به توجه به آن کردند. حالت واقع‌گرایانه می‌توانست تصاویری تولید کند که از نظر کیفیت زیبایی‌شناسی با Midjourney رقابت کنند، در حالی که همچنان متن را بسیار بهتر از هر چیز دیگری مدیریت می‌کرد.

نسخه ۳.۰ سیستم مرجع سبک را اضافه کرد که وقتی برای اولین بار آن را آزمایش کردم، مفیدتر از آن چیزی بود که انتظار داشتم. شما یک تا سه تصویر را که نمایانگر زیبایی‌شناسی مورد نظر شما هستند، آپلود می‌کنید و مدل، DNA بصری را استخراج می‌کند: پالت رنگ، سبک نورپردازی، رویکرد بافت، حال و هوا. سپس آن DNA را روی هر چیزی که شما درخواست می‌کنید، اعمال می‌کند. برای برندهایی که در ده‌ها محتوای تولید شده، ثبات بصری را حفظ می‌کنند، این ویژگی واحد احتمالاً به تنهایی طرح حرفه‌ای را توجیه می‌کند. من آن را با یک کیت برند آزمایشی آزمایش کردم و نتایج به طرز شگفت‌آوری در بیست درخواست مختلف منسجم بود.

چه چیزهایی در ایدئوگرام خوب است و چه جاهایی مشکل دارد؟

تحلیل صادقانه، پس از ماه‌ها استفاده از آن برای کار واقعی.

چه چیزی کار می‌کند؟ متن روی تصاویر. نقطه. این هنوز هم ویژگی فوق‌العاده‌ای است. لوگوهایی با نام خوانای شرکت‌ها. پوسترهایی با تاریخ رویدادها. گرافیک‌های رسانه‌های اجتماعی با نقل قول‌ها. ماکت‌های محصول با متن بسته‌بندی. اگر درخواست شما به کلمات خوانا در تصویر نیاز دارد، Ideogram بهترین گزینه موجود از اوایل سال ۲۰۲۶ است. ادعای دقت ۹۰٪ در آزمایش من ثابت مانده است. حدود یک نسل از هر ده نسل چیزی را اشتباه املایی می‌نویسد، اما این یک مشکل جزئی است وقتی که جایگزین آن ۷۰٪ نرخ شکست در جای دیگر باشد.

ویژگی Magic Prompt واقعاً برای افراد غیر طراح مفید است. شما عبارت "پوستر کافی‌شاپ" را تایپ می‌کنید و این ویژگی به طور خودکار به یک پیام با جزئیات کامل شامل نورپردازی، ترکیب‌بندی، پالت رنگ و مشخصات فضا تبدیل می‌شود. مثل این است که یک مدیر هنری جوان ایده مبهم شما را به یک خلاصه مناسب تبدیل کند. ویرایشگر Canvas، inpainting (اصلاح بخش‌هایی از یک تصویر) و outpainting (گسترش تصویر فراتر از مرزهای آن) را بدون نیاز به فتوشاپ انجام می‌دهد. و تولید دسته‌ای از طریق آپلود CSV چیزی است که من در سایر پلتفرم‌های مصرف‌کننده ندیده‌ام.

چه چیزی مشکل‌ساز است. چهره‌های انسان واقع‌گرایانه. ایدئوگرام می‌تواند پرتره‌های مناسبی بگیرد، اما در سطح میدجورنی برای رئالیسم عکاسی نیست. صحنه‌های پیچیده با تعامل چندین نفر اغلب باعث ایجاد عجیب و غریب آناتومیکی می‌شوند: تعداد اشتباه انگشتان (کلاسیک)، اندام‌های ادغام‌شده یا ویژگی‌های صورت که به قلمرو دره وهم‌آلود کشیده می‌شوند. ارتقادهنده مقیاس گاهی اوقات جزئیات را در مقیاس بزرگ تغییر می‌دهد، رنگ چشم را تغییر می‌دهد یا ویژگی‌هایی را اضافه می‌کند که در نسخه اصلی وجود نداشتند.

متن چندزبانه ترکیبی از همه چیز است. زبان‌های لاتین (انگلیسی، اسپانیایی، فرانسوی، ایتالیایی) به خوبی کار می‌کنند. اما زبان‌های غیرلاتین، حروف چینی، عربی، هندی هنوز غیرقابل اعتماد هستند. اگر کسب و کار شما به زبان‌هایی که از الفبای غیرلاتین استفاده می‌کنند، فعالیت می‌کند، این یک محدودیت واقعی در حال حاضر است. با توجه به بازار جهانی ابزارهای طراحی، انتظار دارم این موضوع برای تیم Ideogram در اولویت باشد، اما تا اوایل سال ۲۰۲۶ این مشکل حل نشده است.

قیمت‌گذاری API یکی دیگر از نکات آزاردهنده است. طبق تحلیل MindStudio، با هزینه‌ای ۶ تا ۷ برابر اعتبارهای وب، برای هر برنامه‌ای که نیاز به تولید تصاویر در مقیاس بزرگ دارد، بسیار گران است. یک محصول SaaS که به کاربران امکان ایجاد گرافیک‌های برند را در لحظه می‌دهد، بودجه API را در عرض چند روز از بین می‌برد. تا زمانی که قیمت API کاهش نیابد یا یک سطح با حجم بالاتر ظاهر نشود، Ideogram در درجه اول ابزاری است که مستقیماً از طریق وب‌سایت استفاده می‌کنید، نه چیزی که آن را به یک محصول تبدیل کنید.

قیمت‌گذاری: آنچه در هر سطح دریافت می‌کنید

ایدئوگرام از مدل فریمیوم استفاده می‌کند. نسخه رایگان کاربردی اما محدود است.

من به مدت یک هفته از طرح رایگان استفاده کردم و ظرف سه روز به نسخه پایه (Basic) تغییر دادم. فاصله بین نسخه رایگان و پولی بسیار زیاد است. تصاویر نسخه رایگان عمومی هستند (هر کسی می‌تواند آنها را ببیند)، فقط با فرمت JPEG و با کیفیت فشرده‌سازی ۷۰٪، و در یک صف پردازش کند که در ساعات اوج مصرف می‌تواند چند دقیقه طول بکشد. پرداخت ۷ دلار در ماه برای طرح پایه سالانه، این صف را حذف می‌کند و ۴۰۰ نسل اولویت‌بندی به شما می‌دهد که تقریباً معادل ۱۶۰۰ تصویر در ماه می‌شود.

این API وجود دارد اما گران است. تحلیل MindStudio هزینه‌های API را ۶ تا ۷ برابر بیشتر از اعتبارات رابط وب نشان می‌دهد، که آن را برای برنامه‌های با حجم بالا غیرعملی می‌کند. اگر در حال ساخت محصولی هستید که به تولید تصویر Ideogram در زیر کاپوت نیاز دارد، ساختار هزینه API واقعاً یک ملاحظه است.

ایدئوگرام در مقابل رقبا: جایگاه آن در سال ۲۰۲۶

بازار تولید تصویر هوش مصنوعی به تخصص‌های مختلف تقسیم شده است. هیچ‌کس همه کارها را به بهترین شکل انجام نمی‌دهد.

اگر گردش کار شما نیاز به متن خوانا روی تصاویر دارد، Ideogram انتخاب پیش‌فرض است. اگر به دنبال زیبایی‌شناسی هنرهای زیبا هستید و به متن نیازی ندارید، Midjourney همچنان از نظر کیفیت بصری خام جلوتر است. اگر به قطعیت مجوز تجاری و ادغام با مجموعه Adobe نیاز دارید، Firefly برنده است. اگر می‌خواهید همه چیز را به صورت محلی و بدون پرداخت اشتراک اجرا کنید، Stable Diffusion و Flux گزینه‌های متن‌باز هستند.

بیشتر متخصصانی که با آنها صحبت می‌کنم، بسته به پروژه، از دو یا سه مورد از این ابزارها استفاده می‌کنند. من هر زمان که متن بخشی از طراحی باشد، به سراغ Ideogram می‌روم. وقتی کیفیت بصری خالص می‌خواهم و نیازی به کلمات در قاب ندارم، از Midjourney استفاده می‌کنم. وقتی در یک مکالمه هستم و می‌خواهم بدون تغییر برنامه‌ها، یک تصویر سریع داشته باشم، از Gemini استفاده می‌کنم. این ایده که برای همه چیز از یک مولد تصویر هوش مصنوعی استفاده کنید، مثل این است که بگویید برای هر عکس از یک لنز دوربین استفاده می‌کنید. ابزارهای مختلف برای کارهای مختلف.

یک روند قابل توجه: رندر متن در همه جا در حال بهبود است. مدل متن‌باز Flux پیشرفت واقعی در زمینه متن داشته است. DALL-E 3 به طور قابل توجهی نسبت به DALL-E 2 بهبود یافته است. Midjourney نسخه 6 در متن نسبت به نسخه 5 عملکرد ضعیف‌تری دارد. شکافی که Ideogram را خاص می‌کرد، در حال کاهش است. اینکه آیا آنها می‌توانند در صدر بمانند یا خیر، به این بستگی دارد که آیا سیستم سبک 3.0 و ویرایشگر canvas به کاربران دلیل کافی برای ماندن می‌دهند، حتی پس از اینکه رقبا در زمینه متن به آنها برسند.

Jordan Morris

Jordan Morris is an AI expert with over a decade of experience and the author of a widely-read blog focused on artificial intelligence. His content spans a range of topics—from the ethics of machine learning to real-world applications of neural networks in business. Known for his clear writing and deep insights, Jordan has become a trusted voice in the AI community, appealing to both newcomers and seasoned professionals alike.