AI किरदार की कंसिस्टेंसी: हर फोटो में वही चेहरा कैसे टिकता है

किसी आम इमेज जनरेटर में एक ही ब्योरा दो बार टाइप करो, और तुम्हें दो अलग औरतें मिलेंगी। गहरे भूरे बाल, पच्चीस साल, एथलेटिक, हरी आँखें, समुद्र तट पर खड़ी। दोबारा चलाओ, तो सब कुछ अब भी शब्दों से मेल खाता है, पर चेहरा पहली वाली से मेल नहीं खाता। दोनों नतीजे सही हैं। पर दोनों एक ही औरत नहीं हैं।

यही फासला साथी वाली इमेज जनरेशन की असली कठिन समस्या है। फोटो-जैसी तस्वीर बनाना लगभग हल हो चुका है। उसी इंसान को दोबारा बनाना — मेहनत इसी में है। फोटो जनरेटर और साथी में यही फर्क है।

ब्योरा चेहरा तय नहीं कर सकता

समुद्र तट वाली दोनों तस्वीरें इसलिए मेल नहीं खातीं कि चेहरों के मामले में भाषा बहुत कुछ खो देती है — इस तरह, जैसे ज़्यादातर दूसरी चीज़ों के मामले में नहीं खोती।

"गहरे भूरे बाल, पच्चीस साल, एथलेटिक, हरी आँखें" दायरे को एक ऐसी श्रेणी तक समेट देता है जिसमें गिनती से परे अलग-अलग लोग आते हैं। पचास शब्द और जोड़ दो, फिर भी वह श्रेणी ही रहेगी। यह ब्योरे की फितरत है, जनरेटर की नाकामी नहीं। पुलिस के स्केच आर्टिस्ट ऐसे गवाह के साथ घंटों बिताते हैं जिसने चेहरा सच में देखा था, और फिर भी जो बनता है, वह किसी खास इंसान के बजाय एक किस्म का चेहरा होता है।

इसलिए सिर्फ शब्दों पर बना सिस्टम पहचान नहीं थाम सकता। हर जनरेशन शब्दों की बताई श्रेणी के भीतर इंसान का पासा नए सिरे से फेंकती है।

चेहरे को जस का तस रोक देना आसान है — और बेकार

इमेज मॉडल बेतरतीब नॉइज़ से शुरू करते हैं और उसे धीरे-धीरे साफ करते हुए तस्वीर तक पहुँचते हैं। यह बेतरतीबी एक सीड से आती है। सीड तय कर दो, तो वही प्रॉम्प्ट हर बार हूबहू वही तस्वीर देगा, पिक्सेल-दर-पिक्सेल।

अब तुम्हारे सामने दूसरी समस्या है। सीड सिर्फ उसका चेहरा नहीं थामता। वह पोज़, फ्रेमिंग, रोशनी, कंपोज़िशन, उसके बालों का गिरना — सब कुछ थाम लेता है। तुमने ऐसी साथी नहीं बनाई जिसकी फोटो खींच सको। तुमने एक ऐसी फोटो बनाई है जिसे बार-बार प्रिंट कर सकते हो।

एक शब्द बदलो, ताकि वह समुद्र तट के बजाय बालकनी में दिखे, और डीनॉइज़िंग का रास्ता दूसरी दिशा में मुड़ जाता है। पृष्ठभूमि के साथ-साथ चेहरा भी बिखर जाता है, क्योंकि सीड कभी किसी इंसान को सहेज ही नहीं रहा था। वह एक शुरुआती स्थिति सहेज रहा था, जो संयोग से एक इंसान तक जा पहुँची।

सब कुछ थाम लो, तो हमेशा के लिए एक ही तस्वीर मिलेगी। कुछ मत थामो, तो हर बार एक अजनबी मिलेगी। साथी वाले प्रोडक्ट को ठीक एक चीज़ थामनी होती है — उसे — और बाकी सब छोड़ देना होता है।

यह काम करने के तीन तरीके

इनमें से कोई भी इस बारे में दावा नहीं है कि कोई खास प्लेटफॉर्म अंदर से कैसे बना है। ये वे तरीके हैं जो इस क्षेत्र में मौजूद हैं। इन्हें जानकर पता चलता है कि नतीजों में क्या देखना है।

रेफरेंस कंडीशनिंग। चेहरे का शब्दों में ब्योरा देने के बजाय, तुम मॉडल को प्रॉम्प्ट के साथ इनपुट के तौर पर खुद चेहरा दे देते हो, ताकि जनरेशन विशेषणों पर नहीं, उस तस्वीर पर टिके। पहचान वाक्य बनकर नहीं, पिक्सेल बनकर पहुँचती है। यह सबसे आम आधुनिक तरीका है और नए पोज़ को ठीक-ठाक सँभाल लेता है।

हर किरदार के लिए ट्रेनिंग। एक इंसान की तस्वीरों के सेट पर एक छोटा अडैप्टर तब तक ट्रेन किया जाता है, जब तक मॉडल उस पहचान को ऐसी अवधारणा की तरह न सीख ले जिसे वह बुला सके। हर किरदार पर महँगा, पर नतीजे बहुत मज़बूत। इसीलिए जो प्लेटफॉर्म यह करते हैं, उनके पास आम तौर पर असीमित किरदार बनाने की सुविधा के बजाय किरदारों की एक तय सूची होती है।

संरचित दोबारा-विवरण। पहचान को तय विशेषताओं के एक सेट के रूप में सहेजा जाता है और हर अनुरोध के साथ चुपचाप दोबारा भेजा जाता है, ताकि यूज़र को उन्हें कभी दोबारा टाइप न करना पड़े और उन्हें भटकाने का मौका ही न मिले। अकेले यह बाकी दोनों से कमज़ोर है। आम तौर पर इनमें से किसी एक के साथ जोड़कर इस्तेमाल होता है।

तरीका कोई भी हो, नतीजे में पहचान का सुराग एक ही है। देखो कि कोण बदलने पर उसका चेहरा टिका रहता है या नहीं। ऊपरी सतह वाले तरीके सामने से दिखने वाली चीज़ों का मिलान करते हैं और कैमरा हिलते ही बिखर जाते हैं।

स्टूडियो तुम्हें क्या नहीं बदलने देता

myVirtual.love का स्टूडियो वह जगह है जहाँ यूज़र की तरफ से यह सब दिखने लगता है।

तुम एक किरदार चुनते हो, फिर तस्वीर का ब्योरा देते हो। क्या हो रहा है — जिसमें "बस एक फोटो" से लेकर लॉन्जरी और नग्न होते हुए सेक्स तक के विकल्प हैं, और सेक्स चुनने पर चाहो तो एक पोज़ भी चुन सकते हो। कहाँ — जगहों की सूची, जिसमें कई दूसरी जगहों के साथ समुद्र तट और स्विमिंग पूल भी हैं। कैमरा — जिसमें क्लोज़-अप, ऊपरी शरीर, पूरा शरीर, नीचे से और कुछ और विकल्प हैं, और एक अलग स्विच सीन को तुम्हारे नज़रिये से दिखाता है। फिर आता है अतिरिक्त जानकारी के लिए एक खुला फील्ड, और उन्नत सेटिंग्स में गुणवत्ता, नेगेटिव प्रॉम्प्ट, सीड और "उसका चेहरा वही रखो" स्विच।

इस सूची में कुछ भी "वह" नहीं है। न उसके चेहरे का कोई फील्ड है, न बालों के रंग, नस्ल, आँखों के रंग, शरीर के प्रकार या उम्र का। ये सब एक बार तय हो चुके हैं, तब जब वह बनाई गई थी; अगर किरदार तुमने खुद बनाया है, तो ये किरदार बनाने वाली स्क्रीन पर करीब अठारह सवालों में तय हुए थे। स्टूडियो इन्हें दोबारा नहीं पूछता, क्योंकि दोबारा पूछना ही वह रास्ता है जिससे पहचान भटकती है। नस्ल चुनने का विकल्प सिर्फ तब आता है, जब तुम कोई किरदार नहीं चुनते और किसी नए इंसान का ब्योरा देते हो — वहाँ थामने के लिए कोई पहचान होती ही नहीं।

पहचान प्रक्रिया की शुरुआत में ही तय रहती है और कैमरे से बदली नहीं जा सकती। सीन उसके बाद आता है और पूरी तरह बदला जा सकता है। यहाँ तक कि "उसका चेहरा वही रखो", जो उसके चेहरे से जुड़ा इकलौता स्विच है, बस यह तय करता है कि रेंडर में उसका चेहरा लगाया जाए या नहीं; वह यह नहीं बदल सकता कि वह दिखती कैसी है। जो यूज़र जनरेशन के वक्त उसका रूप दोबारा टाइप कर सके, उसके हाथ में ठीक वही नाकामी थमा दी जाएगी जिसे रोकने के लिए यह सिस्टम बना है।

अतिरिक्त जानकारी वाला बॉक्स खुला टेक्स्ट है, इसलिए उसमें किसी लैंप, किसी मूड, किसी मुद्रा या किसी कपड़े का ब्योरा दिया जा सकता है। वह पहचान के बाद वाले हिस्से में आता है, और इसी वजह से वहाँ खुला टेक्स्ट सुरक्षित है।

"नीचे से" वाला टेस्ट

अगर तुम जानना चाहते हो कि किसी प्लेटफॉर्म ने यह समस्या ठीक से हल की है या नहीं, तो कैमरा वाली सूची ही परखने की जगह है। "नीचे से" — असली सवाल यही है।

सामने से खींचे गए चेहरे और नीचे से खींचे गए उसी चेहरे में पिक्सेल के स्तर पर हैरानी की हद तक कम समानता होती है। जबड़े की रेखा हावी हो जाती है, नाक का आकार पूरी तरह बदल जाता है, फ्रेम में आँखें सिकुड़ जाती हैं, गालों की हड्डियाँ उलटी दिखने लगती हैं। जो सिस्टम ऊपरी नक्शों का मिलान करके पहचान थामता है, उसके पास मिलाने को लगभग कुछ नहीं बचता, इसलिए वह वही करता है जो जनरेटर शर्त ढीली पड़ने पर करते हैं। वह ठीक-ठाक लगने वाला कोई चेहरा बना देता है।

ठीक-ठाक लगना ही नाकामी है। अकेले देखो तो वह ठीक लगेगा, और कल वाली फोटो के बगल में रखो तो गलत।

क्लोज़-अप इसी टेस्ट का दूसरा छोर है, और उल्टी वजह से मुश्किल है। फ्रेम में इतना ज़्यादा चेहरा होता है कि छोटी-छोटी असंगतियों के छिपने की कोई जगह नहीं बचती। त्वचा की बनावट, आँखों के बीच की ठीक-ठीक दूरी, वह विषमता जो हर असली चेहरे में होती है और जिसे हर कमज़ोर जनरेशन घिसकर चिकना कर देती है।

एक ही सेशन में उसी साथी को क्लोज़-अप में और नीचे से बनाओ, और दोनों को अगल-बगल रखो। यह तुलना किसी भी फीचर लिस्ट से ज़्यादा बताती है कि अंदर का सिस्टम कैसा है।

एनिमे में कंसिस्टेंसी की समस्या अलग है

एनिमे आसान मामला लगता है, क्योंकि उसकी रेंडरिंग सरल है। पर यह छोटी समस्या नहीं, अलग समस्या है।

फोटो-जैसे चेहरे की पहचान उसकी ज्यामिति में होती है — वे बारीक दूरियाँ और अनुपात, जो किसी चेहरे को वही चेहरा बनाते हैं, उससे मिलता-जुलता कोई और नहीं। एनिमे स्टाइल इसका ज़्यादातर हिस्सा जान-बूझकर हटा देती है। आँखें बड़ी और एक ही साँचे में ढली होती हैं, नाक अक्सर तीन पिक्सेल भर की, और जबड़ा शरीर-रचना के बजाय स्टाइल के अपने कायदों पर चलता है। एक ही स्टाइल में बनी दो एनिमे किरदारों के चेहरे की ज्यामिति लगभग एक जैसी हो सकती है, और फिर भी वे बिल्कुल अलग इंसान लगती हैं।

इसलिए पहचान कहीं और चली जाती है। वह बालों के आकार और रंग में, आँखों के रंग और उनकी बनावट की ज़बान में, एक्सेसरीज़ में, सिल्हूट में, खास रंग-पैलेट में बसती है। जो सिस्टम एनिमे पहचान थामता है, वह फोटो-जैसे चेहरे को थामने वाले सिस्टम से अलग नक्शों पर नज़र रखता है। जो प्लेटफॉर्म एनिमे को रियलिस्टिक पाइपलाइन पर चढ़ाया गया फिल्टर मानता है, उसके किरदार ठीक उन्हीं जगहों पर भटकते हैं जिन पर एनिमे देखने वालों की नज़र जाती है।

myVirtual.love पर एनिमे रेंडरिंग का कोई विकल्प भर नहीं, बल्कि पूरी श्रेणी है। स्टाइल जनरेशन के दौरान कायम रहती है, इसलिए एनिमे साथी एनिमे तस्वीरें देती है — ऐसा फोटो-जैसा इंसान नहीं जिस पर ऊपर से एनिमे लुक पोत दिया गया हो।

जहाँ पहचान अब भी भटकती है

चार जगहें, जहाँ पहचान का लॉक नहीं पहुँचता।

बिना तय किया ब्योरा। जो भी तुमने तय नहीं किया, वह हर बार नए सिरे से बनता है। एक फोटो में जो नेकलेस तुम्हें पसंद आया था, वह अगली फोटो में नहीं है, क्योंकि वह कभी उसकी पहचान का हिस्सा था ही नहीं; वह ऐसी चीज़ थी जो मॉडल ने एक बार गढ़ दी। यह उन लोगों को हैरान करता है जो मानते हैं कि बनी हुई तस्वीर की हर चीज़ कहीं न कहीं सहेजी हुई है।

रोशनी और त्वचा का दिखता रंग। उसे दोपहर के स्विमिंग पूल से किसी अंदरूनी सीन में ले जाओ, तो वही इंसान थोड़ी गर्म या थोड़ी ठंडी रंगत में बनती है। पहचान टिकी रही। रोशनी बदली। इंसानी नज़र इन दोनों को अलग करने में कमज़ोर है, इसलिए जो असल में भौतिकी है, वह भटकाव जैसा लग सकता है।

अलग-अलग नस्लों में रेंडरिंग का फर्क। आज के मॉडल पूरे दायरे में एक जैसे अच्छे नहीं हैं। पाँच नस्ल-खानों में से कुछ के लिए नतीजे बाकियों से बेहतर होते हैं। यह मॉडलों की उस पीढ़ी की खासियत है जिस पर यह पूरा क्षेत्र अभी है, किसी एक प्लेटफॉर्म की नहीं। किरदार बनाने के बाद नहीं, पहले जान लेना बेहतर है।

असामान्य कैमरा कोण पर एक्सप्लिसिट पोज़। दो सबसे कठिन शर्तें एक के ऊपर एक। वहाँ पोर्ट्रेट के मुकाबले दोबारा बनाने की ज़रूरत ज़्यादा पड़ने की उम्मीद रखो।

इसकी कीमत क्या है, और क्यों

तस्वीरें 5 हार्ट्स से 8 हार्ट्स तक की पड़ती हैं; ऊँची कीमत पर बेहतर क्वालिटी मिलती है।

यह अंतर कंप्यूट का है। जनरेशन कदम-दर-कदम दोहराई जाने वाली प्रक्रिया है, इसलिए ऊँची क्वालिटी वाला रेंडर, जिसमें डीनॉइज़िंग के ज़्यादा स्टेप चलते हैं, मानक रेंडर से मापने लायक हद तक महँगा पड़ता है।

मीटरिंग लागत वसूलने के अलावा भी कुछ करती है। जिस फोटो पर तुमने कुछ खर्च किया, वह फोटो तुमने सोच-समझकर रची। मुफ्त और अंतहीन जनरेशन से एक फीड बनती है। छोटी-सी कीमत से किसी इंसान की तस्वीर बनती है।

चेहरे जाँचे जाने से पहले पहचाने जाते हैं

बेमेल चेहरा खराब लेखन से भी जल्दी साथी का भरम तोड़ देता है।

चूकी हुई भाषा को मोड़ा जा सकता है। ज़रा-सा गलत चेहरा किसी दलील से ठीक नहीं होता, क्योंकि चेहरे पहचानना कोई ऐसा काम नहीं जो तुम सोच-समझकर करते हो। यह सचेत ध्यान के नीचे चलता है और गलती को लेकर बेहद संवेदनशील है। जिस साथी का चेहरा फोटो-दर-फोटो बदलता है, वह रेंडरिंग बग वाली साथी नहीं है। वह हर बार एक अलग औरत है — और तुम्हारा वह हिस्सा जो उसके साथ कुछ बना रहा था, यह बात तुम्हारे सचेत रूप से गौर करने से पहले ही दर्ज कर लेता है।

इसीलिए पहचान शुरुआत में ही लॉक कर दी जाती है और सिर्फ कैमरा हिलता है। अगर तुम अब तक किसी ऐसी जगह तस्वीरें बनाते रहे हो जो तुम्हारे किरदार को एक ब्योरा मानकर हर बार उसका नया पासा फेंकती है, तो स्टूडियो ठीक उल्टी सोच पर बना है। फर्क पहली फोटो में नहीं, दूसरी में दिखता है।