Text-to-image (Tekst-til-billede)
Text-to-image er en teknologi inden for kunstig intelligens, der automatisk skaber billeder, illustrationer eller grafik ud fra en skriftlig tekstbeskrivelse.
Text-to-image, ofte omtalt på dansk som tekst-til-billede, er en teknologi inden for generativ kunstig intelligens, der omsætter skrevne instruktioner til digitale billeder. Ved at indtaste en kort eller detaljeret tekstbeskrivelse - i fagsproget kaldet et prompt - kan brugeren få en computer til at visualisere alt fra naturtro portrætter og produktfotos til oliemalerier, skitser og grafiske ikoner på ganske få sekunder.
Teknologien har på kort tid udviklet sig fra at producere uskarpe, mærkværdige figurer til at levere billeder i professionel kvalitet. I dag er resultaterne ofte umulige at skelne fra ægte fotografier eller værker skabt af menneskelige illustratorer, hvilket har gjort text-to-image til et fast arbejdsredskab inden for design, markedsføring og konceptudvikling.
Hvordan fungerer tekst-til-billede i praksis?
Grundlaget for en text-to-image generator er enorme mængder træningsdata, som består af milliarder af billeder parret med forklarende tekster. Gennem denne træning lærer den kunstige intelligens de statistiske sammenhænge mellem visuelle elementer og sproglige begreber. Modellen lærer ikke blot, hvad en cykel eller et træ er, men også hvordan overflader reflekterer lys, hvordan perspektiv fungerer, og hvordan forskellige kunstneriske stilarter ser ud.
De fleste moderne systemer bygger på diffusionsmodeller. Processen starter med et rent felt af tilfældig visuel støj, der minder om sne på en gammel tv-skærm. Trin for trin fjerner modellen denne støj og tilføjer detaljer, der gradvist tilpasser sig den indtastede tekst, indtil et sammenhængende og skarpt billede står tilbage.
Et lokalt eksempel: Fra idé til skitse i Svendborg
Forestil dig et lokalt mikrobryggeri i Svendborg, som planlægger en ny sommerøl brygget på havtorn og hyldeblomst. Bryggeren mangler inspiration til en etiket og et stemningsbillede til sociale medier, men har endnu ikke afsat budget til et professionelt fotostudie eller en grafisk designer.
Ved at bruge en text-to-image generator kan bryggeren taste en beskrivelse ind: "En dugvåd mørk ølflaske på et rustikt egetræsbord foran det sydfynske øhav, gyldent aftenlys, vilde havtornbær spredt på bordet, professionel produktfotografering". Inden for et minut genererer systemet flere visuelle forslag. Bryggeren kan nu bruge billederne som en konkret skitse til en grafiker eller direkte som et stemningsbillede i sit nyhedsbrev.
Sådan bygger du en effektiv prompt
Forskellige text-to-image værktøjer har forskellige styrker: nogle er eminente til fotorealisme, mens andre excellerer i kunstneriske stilarter eller præcis gengivelse af bogstaver på skilte. Fælles for dem alle er, at resultatet står og falder med kvaliteten af din tekst. For at få kontrol over kompositionen er det en fordel at opbygge sin prompt struktureret:
- Hovedmotiv: Beskriv præcist hvad der skal være i centrum, for eksempel en person, et dyr eller en genstand.
- Handling og placering: Angiv hvad der sker, og hvor det foregår, som en cyklist på vej over Dronning Louises Bro i København.
- Lys og atmosfære: Beskriv lyskilden, såsom blødt morgenlys, dramatisk modlys eller neonskær.
- Stilart og kameravinkel: Nævn om det skal ligne et analogt 35mm-fotografi, en akvarel, et nærbillede eller et luftfoto.
Typiske fejl og faldgruber
En meget udbredt fejl blandt begyndere er at skrive for korte og vage prompts. Hvis du blot beder om "et hus ved vandet", overlader du alle kreative valg til computeren, hvilket sjældent matcher det mentale billede, du havde forestillet dig. Jo mere specifik du er omkring stemning, arkitektur og vejr, desto tættere rammer du målet.
En anden udfordring er forventningen om, at billedet bliver perfekt i første forsøg. Arbejdet med text-to-image er en iterativ proces: en dialog med maskinen. Mange værktøjer lader dig nu justere udvalgte dele af et billede, tilføje nye elementer eller ændre kameravinklen uden at starte helt forfra. Tålmodighed og gradvis finpudsning er nøglen til professionelle resultater.
Sådan indstiller du det i Midjourney, FLUX, Ideogram, GPT Image og ComfyUI, med før- og efterbilleder: Billedformat (aspect ratio) i parameteroversigten
Ofte stillede spørgsmål
Kan jeg bruge billeder fra en text-to-image generator kommercielt?
Det afhænger af brugsbetingelserne for den konkrete tjeneste. De fleste udbydere tillader kommerciel brug på deres betalte abonnementer, men du bør altid tjekke platformens licensvilkår grundigt inden brug.
Hvorfor har AI-modeller sommetider svært ved at lave hænder?
Menneskehænder er anatomisk komplekse og optræder i mange vinkler, ofte delvist skjulte på træningsbilleder. Det gør det matematisk vanskeligt for modellen at forstå det korrekte antal fingre og deres proportioner, selvom teknologien forbedres markant.
Skal jeg skrive mine prompts på engelsk for at få gode billeder?
Mange generatorer forstår udmærket dansk, men langt de fleste modeller er primært trænet på engelske data. Du opnår derfor ofte mere præcise detaljer og bedre stilistisk kontrol, hvis du formulerer dine prompts på engelsk.
