Битва AI генераторов: Midjourney против DALL-E и Stable Diffusion

Ещё каких-то пять лет назад сама мысль о том, что нейросеть способна нарисовать портрет по текстовому описанию, казалась научной фантастикой — чем-то из разряда летающих автомобилей и колоний на Марсе. А сейчас интернет буквально захлёстнут потоком картинок, сгенерированных искусственным интеллектом, и отличить машинное творчество от работы живого иллюстратора с каждым месяцем становится всё сложнее. Львиная доля этих изображений выходит из-под «кисти» трёх главных инструментов — Midjourney, DALL-E и Stable Diffusion. Каждый из них тяготеет к собственной философии, у каждого свои подводные камни и свои козыри. Но чтобы не запутаться в этом пёстром калейдоскопе возможностей, стоит разложить всё по полочкам и разобраться, кто же из них действительно солирует на сцене генеративного искусства.

Откуда взялась эта тройка?

Начать нужно с истории, ведь именно она объясняет, почему каждый из генераторов устроен по-своему. Первым громко заявил о себе DALL-E — детище компании OpenAI, представленное в январе 2021 года. Название, к слову, довольно остроумная комбинация имени художника Сальвадора Дали и робота WALL-E из одноимённого мультфильма Pixar. Версия DALL-E 2 появилась весной 2022-го и произвела настоящий фурор: картинки по текстовым промтам выглядели на порядок лучше всего, что предлагал рынок на тот момент. Но триумф длился недолго. Буквально через несколько месяцев на арену вышел Midjourney — проект небольшой независимой лаборатории под руководством Дэвида Хольца, бывшего сотрудника NASA. И почти одновременно компания Stability AI выложила в открытый доступ Stable Diffusion, перевернув представление о том, кому вообще позволено генерировать изображения.

Важный нюанс. Три этих инструмента родились в совершенно разных экосистемах. OpenAI — коммерческий гигант с миллиардными инвестициями от Microsoft. Midjourney — камерная команда энтузиастов, которая до сих пор работает через Discord (да, именно через мессенджер для геймеров). А Stable Diffusion — проект с открытым исходным кодом, который каждый желающий может скачать и запустить на собственном компьютере. Эта разница в ДНК определяет буквально всё: от стоимости подписки до того, какие картинки на выходе получает пользователь.

Что насчёт качества картинки?

Визуальное качество. Именно оно приковывает внимание в первую очередь. И тут Midjourney долгое время оставался безоговорочным лидером. Версия 5, а затем и 5.2, выдавала изображения с таким уровнем детализации и «художественности», что даже профессиональные иллюстраторы нервно поглядывали на результаты. Особый интерес вызывает умение Midjourney работать с освещением — мягкие градиенты, кинематографичные тени, глубина резкости, словно снимок сделан на дорогую полнокадровую камеру. К слову, версия 6, вышедшая в конце 2023 года, сделала ещё один внушительный рывок вперёд: текст на изображениях стал читаемым (раньше с этим были серьёзные проблемы), а реалистичность портретов достигла пугающего уровня.

DALL-E 3, интегрированный в ChatGPT осенью 2023-го, тоже не стоит на месте. Его главное достоинство — понимание сложных промтов. Можно написать длинное, витиеватое описание с кучей деталей, и нейросеть удивительно точно воспроизведёт задуманное. Midjourney в этом плане ведёт себя более своевольно: да, картинка получается красивой, но иногда сеть «додумывает» лишнее или игнорирует часть запроса. Дело в том, что архитектура DALL-E 3 специально затачивалась под точное следование инструкциям, и в этой дисциплине конкурентам за ним угнаться сложно.

А вот Stable Diffusion — история неоднозначная. Базовая модель SDXL выдаёт результат, который «из коробки» уступает обоим конкурентам. Но в этом-то и изюминка. Ведь Stable Diffusion — открытая платформа, на которую сообщество энтузиастов навешивает тысячи дополнительных моделей, так называемых LoRA и checkpoint. Хотите фотореализм уровня Midjourney? Есть модель. Нужна стилизация под аниме? Пожалуйста. Масляная живопись эпохи Возрождения? Тоже найдётся. Потолок качества у Stable Diffusion, по сути, не ограничен — но чтобы до него добраться, придётся повозиться с настройками. Процесс не сложный, но кропотливый.

Стоит ли платить или хватит бесплатного?

Кошелёк станет легче — к такому выводу рано или поздно приходит каждый, кто всерьёз увлёкся генерацией картинок. Midjourney полностью платный. Бесплатных пробных генераций сервис периодически то включает, то убирает, но стабильная работа начинается с подписки от десяти долларов в месяц (план Basic). За тридцать долларов открывается режим Fast с приоритетной очередью, а за шестьдесят — план Mega, где времени на генерацию выделяется вдвое больше. И всё это через Discord, что для многих само по себе — ложка дёгтя, хотя веб-интерфейс Midjourney уже тестируется.

С DALL-E 3 дело обстоит проще. Он доступен внутри ChatGPT Plus, подписка на который обходится в двадцать долларов ежемесячно. Тем более что за эти деньги пользователь получает не только генератор картинок, но и сам ChatGPT со всеми его возможностями — от написания текстов до анализа документов. Впрочем, есть и бесплатный доступ через Bing Image Creator от Microsoft, однако количество генераций там ограничено, да и скорость заметно ниже.

Stable Diffusion — совсем другая история. Само по себе ПО бесплатно. Скачал, установил, генерируй сколько душе угодно. Но есть подводный камень: для комфортной работы нужна видеокарта с объёмом видеопамяти не менее восьми гигабайт (а лучше — двенадцать и выше). Добротная современная видеокарта Nvidia RTX 4070, к примеру, обойдётся в сорок-пятьдесят тысяч рублей. Серьёзное вложение. Для тех, кому локальная установка не по карману, существуют облачные сервисы вроде RunDiffusion и Leonardo AI, но они уже работают по подписочной модели. Так что «бесплатность» Stable Diffusion — понятие довольно условное.

Контроль над результатом: кто гибче?

Тонкая настройка. Вот где обе стороны медали видны отчётливее всего. Midjourney предлагает лаконичный набор параметров: можно указать соотношение сторон, уровень стилизации, степень «хаоса» в генерации и ещё несколько ползунков. Этого достаточно для подавляющего большинства задач, но если нужен скрупулёзный контроль — например, точное расположение объектов на холсте или генерация по эскизу — инструментов маловато. Midjourney тяготеет к философии «доверься алгоритму», и во многих случаях это работает блестяще. Но не всегда.

DALL-E 3 в плане контроля занимает среднюю позицию. Его козырь — инпейнтинг, то есть возможность выделить участок уже сгенерированного изображения и перерисовать именно его, оставив всё остальное нетронутым. Кроме того, через ChatGPT можно вести итеративный диалог с нейросетью: «Убери шляпу с персонажа», «Сделай небо более розовым», «Добавь кота на подоконник». Это удобно и интуитивно, хотя результат не всегда предсказуем — иногда сеть чуть-чуть меняет и те части картинки, которые трогать не просили.

А вот Stable Diffusion — это настоящий кладезь возможностей для тех, кто готов разбираться. ControlNet позволяет задать позу персонажа через скелетную схему. Img2img превращает грубый набросок от руки в детализированную иллюстрацию. Через текстовую инверсию можно «обучить» модель на конкретном лице или стиле за пятнадцать-двадцать минут. Количество расширений для интерфейса Automatic1111 (самого популярного веб-интерфейса для Stable Diffusion) давно перевалило за несколько сотен. Да и ComfyUI — более продвинутая альтернатива с нодовым интерфейсом — набирает обороты. Впрочем, вся эта мощь обратной стороной бьёт по порогу входа: без технической подготовки и нескольких вечеров за документацией освоить Stable Diffusion в полной мере не получится.

Цензура и ограничения: где свободнее?

Щепетильный вопрос, который тем не менее волнует огромное количество пользователей. Midjourney придерживается довольно строгой политики модерации. Генерация контента, связанного с насилием, откровенными сценами, политическими фигурами и рядом других тем, заблокирована на уровне системы. Причём фильтры работают как по ключевым словам, так и по смыслу промта — обойти их довольно сложно. DALL-E 3 ведёт себя ещё строже: OpenAI, памятуя о репутационных рисках, наложила дополнительные ограничения, включая запрет на генерацию изображений реальных людей по имени. Попросить нарисовать портрет конкретной знаменитости не выйдет — нейросеть вежливо откажет.

Stable Diffusion в этом смысле — полная противоположность. Поскольку модель работает локально на компьютере пользователя, никакой внешней цензуры попросту нет. Что с этим делать — личная ответственность каждого. Разумеется, это вызывает горячие дебаты в сообществе: одни видят в такой свободе торжество открытости и демократизации технологий, другие — потенциальный источник злоупотреблений. Нужно отметить, что Stability AI выпустила рекомендации по этичному использованию, но технически заставить пользователя их соблюдать невозможно. И этот факт — одновременно и сила, и слабость open-source подхода.

Для каких задач подходит каждый?

Дизайнер, фотограф, маркетолог, блогер — у каждого свои потребности, и тут универсального ответа нет. Midjourney великолепно справляется с задачами, где на первом месте стоит эстетика: концепт-арт для игр, обложки книг, атмосферные иллюстрации для социальных сетей, мудборды для дизайн-проектов. Если нужна «вау-картинка» за тридцать секунд — Midjourney творит чудеса. Тем более что сообщество в Discord постоянно делится удачными промтами, и вдохновение для новых генераций буквально льётся рекой.

DALL-E 3 стоит выбирать, когда критична точность. Нужен рекламный баннер, где текст расположен строго в определённом месте, а персонаж держит в руке конкретный предмет? DALL-E 3 справится лучше остальных. К тому же интеграция с ChatGPT делает его спасательным кругом для людей, далёких от технических тонкостей: достаточно описать желаемое обычным языком, и нейросеть сама «переведёт» запрос в оптимальный промт. Для быстрого прототипирования и корпоративных задач — идеальный вариант, хотя изысканной художественности Midjourney от него ждать не стоит.

Stable Diffusion — выбор тех, кому важен полный контроль и масштабируемость. Нужно сгенерировать тысячу карточек товаров для интернет-магазина? Пять тысяч вариаций рекламного креатива? Обучить модель на фирменном стиле бренда, чтобы все изображения выглядели единообразно? Всё это по плечу Stable Diffusion, причём без ежемесячной подписки — оплата лишь за электричество и оборудование. Ну и, конечно же, для разработчиков и исследователей открытый код — бесценный ресурс: можно встраивать генерацию изображений прямо в собственные приложения.

Как дела со скоростью?

Терпение — добродетель, но не когда дедлайн горит. Midjourney генерирует изображение в среднем за тридцать-шестьдесят секунд в режиме Fast. Это довольно комфортная скорость, хотя в часы пиковой нагрузки время ожидания может вырасти. В режиме Relax (доступен на старших планах) генерация замедляется до нескольких минут, зато не расходует оплаченное время.

DALL-E 3 через ChatGPT работает примерно с той же скоростью — от двадцати до сорока секунд на картинку. А вот через Bing Image Creator процесс иногда затягивается до пары минут, особенно если «бусты» (ускоренные генерации) уже израсходованы. Не критично, но ощутимо.

Stable Diffusion целиком зависит от железа пользователя. На мощной видеокарте вроде RTX 4090 одно изображение в разрешении 512 на 512 пикселей генерируется за три-пять секунд. На более скромной RTX 3060 — за пятнадцать-двадцать. А при увеличении разрешения до 1024 на 1024 время вырастает в разы. Но фокус в том, что генерировать можно пакетами — запустил очередь из ста изображений и пошёл пить кофе. Такой свободой облачные конкуренты похвастаться не могут.

Что ждёт генераторы дальше?

Буквально каждый квартал расстановка сил меняется. Midjourney анонсировал работу над видеогенерацией и 3D-моделями, а веб-версия платформы постепенно вытесняет дискордовский интерфейс — и это, безусловно, привлечёт новую аудиторию. OpenAI уже тестирует DALL-E, интегрированный в Sora — свой видеогенератор, — и обе технологии со временем сольются в единый мультимодальный комбайн. Stability AI, несмотря на финансовые трудности и уход основателя Эмада Мостака весной 2024-го, продолжает выпускать новые версии модели: SD3 с улучшенной архитектурой уже доступен исследователям.

Конкуренция в этой сфере — вещь полезная. Ведь именно она двигает прогресс со скоростью, от которой у обывателя буквально кружится голова. Ещё год назад нейросети не могли нормально прорисовать руки с пятью пальцами — сейчас эта проблема практически решена. Тогда же текст на картинках выглядел как набор бессмысленных закорючек, а сегодня Midjourney v6 и DALL-E 3 пишут слова почти без ошибок. И если такой прогресс сохранится, через пару лет сама постановка вопроса «какой генератор лучше» может утратить смысл — все три подтянутся к настолько высокому уровню, что разница окажется минимальной.

Но пока этот момент не наступил, выбор зависит от конкретных задач и темперамента. Тем, кто ценит красоту и не хочет вникать в технические дебри, Midjourney станет верным спутником. Тем, кому важна точность и удобство, — DALL-E 3 в связке с ChatGPT порадует интуитивным подходом. Ну, а пытливым энтузиастам, готовым потратить вечер на установку Python-окружения и настройку сэмплеров, Stable Diffusion откроет практически безграничное пространство для экспериментов. Удачи в поисках своего идеального инструмента — нейросетевая кисть уже ждёт, когда вы возьмёте её в руки.