Мощный генератор фото Midjourney: возможности и ограничения

Ещё каких-то пять лет назад сама идея о том, что нейросеть способна за минуту нарисовать картину, над которой живой художник трудился бы неделю, казалась чем-то из области фантастики. Но время не стоит на месте, и вот уже львиная доля иллюстраций в блогах, презентациях и даже рекламных кампаниях создаётся без участия человеческой руки — в буквальном смысле. Среди инструментов, которые приковывают внимание и профессионалов, и обывателей, особняком стоит Midjourney — генератор изображений, вокруг которого не утихают споры. Одни грезят о нём как о революции в визуальном контенте, другие видят лишь модную игрушку с серьёзными подводными камнями. А чтобы разобраться, где правда, стоит рассмотреть обе стороны медали.

Что такое Midjourney и откуда он взялся?

Midjourney — это нейросетевой генератор изображений, созданный одноимённой независимой исследовательской лабораторией из Сан-Франциско. Возглавляет проект Дэвид Хольц, который ранее занимался разработками в области дополненной реальности в компании Leap Motion. Первая версия инструмента появилась в открытом бета-тестировании летом 2022 года, и с тех пор произошло довольно много изменений. К слову, доступ к сервису изначально осуществлялся исключительно через Discord — мессенджер, популярный среди геймеров. Такой неоднозначный выбор платформы многих поначалу сбивал с толку. Ведь привычный интерфейс с кнопками и ползунками здесь заменяли текстовые команды в чате. Впрочем, именно эта особенность и создала вокруг Midjourney особый антураж — ощущение закрытого клуба, где генерируют искусство «по рецептам».

Как работает генерация изображений?

Вся суть в том, что пользователь вводит текстовый запрос — так называемый промт — и нейросеть на его основе создаёт визуальный образ. Звучит просто. На деле же процесс куда более щепетильный. Промт может содержать описание объекта, стиля, освещения, ракурса, настроения и даже ссылку на конкретного художника, чья манера должна лечь в основу изображения. Например, фраза «старинный маяк на скале, закат, масляная живопись в духе Уильяма Тёрнера, драматическое освещение» выдаст совершенно иной результат, нежели лаконичное «маяк». В этом и кроется изюминка — качество выходного изображения напрямую зависит от мастерства составления промта. Нейросеть не читает мысли. Она интерпретирует слова, и порой делает это весьма неожиданно.

Нужно отметить, что после ввода запроса Midjourney генерирует сразу четыре варианта изображения. Далее можно выбрать любой из них для увеличения разрешения (апскейла) либо попросить систему предложить ещё четыре вариации на базе понравившегося. Этот цикл «промт — выбор — уточнение» и составляет основу рабочего процесса. А если ещё вспомнить про параметры вроде —ar (соотношение сторон), —stylize (степень художественности) и —chaos (уровень непредсказуемости), то становится очевидно: инструмент далеко не примитивный.

Чем Midjourney отличается от конкурентов?

На рынке генеративных нейросетей тесно. DALL-E от OpenAI, Stable Diffusion, Leonardo AI, Adobe Firefly — каждый тянет одеяло на себя. Но Midjourney среди них солирует именно в области эстетики. Дело в том, что у этого генератора изначально был заложен акцент на художественность, на «красивую картинку». Там, где Stable Diffusion требует тонкой настройки моделей и весов, а DALL-E тяготеет к фотореализму, Midjourney выдаёт стилистически выверенный результат практически «из коробки». Буквально пару слов в промте — и на выходе получаешь изображение, которое не стыдно повесить на стену. Конечно, это субъективная оценка. Однако достаточно пролистать галереи работ пользователей, чтобы убедиться: визуальный почерк у Midjourney узнаваемый и добротный.

Отдельно стоит упомянуть скорость работы. Генерация четырёх превью в пятой версии занимала около шестидесяти секунд. В шестой версии (V6), которая стала доступна в конце 2023 года, время сократилось, а вот детализация заметно выросла. Текстуры кожи, отражения в зрачках, фактура ткани — всё это теперь прорабатывается на совершенно ином уровне. И всё же идеальным инструмент назвать нельзя. Но об этом чуть позже.

Возможности, от которых захватывает дух

Грандиозный потенциал. Именно так стоит охарактеризовать арсенал Midjourney на текущий момент. Во-первых, генератор справляется с самыми разными стилями — от гиперреалистичного фото до акварельной иллюстрации, от изометрической инфографики до мрачного киберпанка. Во-вторых, система научилась довольно неплохо работать с текстом на изображениях, что ещё год назад было настоящей болью для всех генеративных моделей. Ну и, наконец, появилась возможность загружать референсные изображения и «скармливать» их нейросети в связке с текстовым описанием, что открывает дорогу к более точечной генерации.

Кроме того, внимание приковывает функция pan — расширение границ уже готового изображения. Вот есть у вас портрет, обрезанный по плечи. Одна команда — и нейросеть «дорисовывает» пространство вокруг, добавляя фон, окружение, контекст. Выглядит впечатляюще, хотя иногда результат получается спорным. К тому же в Midjourney реализована функция vary (region), которая позволяет перегенерировать отдельный фрагмент картинки, не трогая остальное. По сути, это зачатки полноценного встроенного редактора. Да и сама скорость итераций — за час можно перебрать сотни концепций — творит чудеса в плане продуктивности.

Стоит ли платить за подписку?

Бесплатный доступ к Midjourney когда-то существовал, но его довольно быстро свернули из-за колоссальной нагрузки на серверы. Сейчас сервис работает исключительно по подписке. Базовый тариф стартует с десяти долларов в месяц и даёт примерно двести генераций — для баловства хватит, а вот для работы окажется маловато. Стандартный план за тридцать долларов открывает пятнадцать часов быстрой генерации и неограниченный «медленный» режим. Есть ещё Pro за шестьдесят и Mega за сто двадцать долларов — с увеличенными лимитами и возможностью генерации в скрытом режиме (stealth mode), когда ваши промты и результаты не видны другим пользователям в общей ленте.

Бьёт ли это по бюджету? Зависит от задач. Для фрилансера-дизайнера, который раньше тратил сто-двести долларов на стоковые фотографии ежемесячно, стандартная подписка — спасательный круг. Для блогера, которому нужна одна обложка в неделю, может показаться расточительством. Впрочем, не стоит забывать о том, что время — тоже деньги. А час работы с Midjourney способен заменить целый день поиска подходящего изображения на фотостоках.

Где всплывают ограничения?

Задача не из лёгких — описать все минусы и при этом оставаться объективным. Но попробовать стоит. Первый и, пожалуй, самый болезненный нюанс — руки. Да, именно человеческие руки. Midjourney до сих пор путается в количестве пальцев, их длине и положении. В шестой версии ситуация заметно улучшилась, однако при сложных позах (переплетённые пальцы, жесты) проблема всё ещё всплывает. Это связано с тем, что в обучающих датасетах руки часто бывают частично закрыты или искажены ракурсом, и модель просто не может выстроить чёткую «карту» анатомии.

Следующий серьёзный нюанс — текст. Хотя Midjourney V6 научилась генерировать надписи на изображениях, ошибки встречаются регулярно. Буквы плывут, слова сокращаются, а кириллица вообще остаётся для нейросети тёмным лесом. Если нужна вывеска на русском языке — почти наверняка придётся дорабатывать в графическом редакторе. Ну, а ещё стоит отметить проблему с консистентностью персонажей. Сгенерировать одного и того же героя в разных сценах, чтобы он выглядел идентично — дело кропотливое. Без внешних инструментов вроде LoRA-моделей в Stable Diffusion этого добиться крайне сложно, а в самом Midjourney такой функции пока нет. Тем более, что для создания комиксов или раскадровок это критически важно.

Вопрос авторских прав

Тема неоднозначная и горячая. Кому принадлежит изображение, созданное нейросетью? Midjourney в своих условиях использования формулирует это так: подписчики на платных планах получают коммерческие права на сгенерированные изображения. Но есть нюанс — если доход компании превышает миллион долларов в год, требуется корпоративный тариф. А вот те, кто пользовался бесплатным пробным доступом, коммерческих прав не имеют вовсе.

С юридической стороны ситуация ещё интереснее. В США Бюро авторских прав уже выносило решения о том, что изображения, созданные искусственным интеллектом без существенного творческого вклада человека, не подлежат копирайт-защите. Громкий прецедент — история с комиксом «Zarya of the Dawn», где автору оставили права на текст и компоновку страниц, а вот отдельные иллюстрации, сгенерированные через Midjourney, защиту не получили. И всё же единой мировой практики до сих пор не сложилось, так что подводные камни в этой области будут всплывать ещё долго.

Midjourney для бизнеса и контент-маркетинга

Коммерческое применение нейросети растёт лавинообразно. Маркетологи используют Midjourney для быстрой визуализации концепций — вместо того чтобы заказывать мудборды у дизайнера, можно за полчаса набросать десятки вариантов обложек, баннеров, макетов упаковки. Особый интерес вызывает применение в сфере электронной коммерции: генерация фонов для товарных карточек, создание «lifestyle»-изображений продукта в интерьере, визуализация ещё не произведённых товаров для предзаказа. Это ведь колоссальная экономия. Раньше одна продуктовая фотосессия обходилась в десятки тысяч рублей, а теперь довольно приличный результат можно получить за пару минут.

Но не стоит перебарщивать с восторгами. Нельзя не упомянуть, что детализация мелких элементов (штрихкоды, бирки, мелкий шрифт) пока остаётся слабым местом. Да и фотореализм Midjourney — штука обманчивая. На экране смартфона картинка выглядит безупречно, однако при увеличении до формата баннера 3×6 метров артефакты бросаются в глаза. Тем более что алгоритм до сих пор «изобретает» фактуры там, где их быть не должно — например, добавляет текстуру холста на фотореалистичный снимок. Скрупулёзная проверка каждого изображения перед отправкой в печать — это не рекомендация, а необходимость.

Как составить промт, который сработает?

В сообществе Midjourney ходит шутка: «промт-инженер — это новый художник, только вместо кисти у него клавиатура». Доля правды в этом внушительная. Грамотно составленный промт — это целое искусство. Начать нужно с описания главного объекта: кто или что изображено на картинке. Далее следует окружение и фон. Потом — стиль, техника, освещение. И уже в конце — технические параметры: соотношение сторон, степень стилизации, «вес» отдельных элементов промта через двоеточие с цифрой.

Нужно отметить, что порядок слов в промте имеет значение. Слова, стоящие ближе к началу, нейросеть «слышит» громче. Если написать «красный автомобиль на фоне заката», акцент будет на машине. А вот «закат, на переднем плане красный автомобиль» сместит фокус на небо. Казалось бы, мелочь. Но из таких мелочей и складывается мастерство. К слову, существуют целые библиотеки готовых промтов — Promptbase, PromptHero и другие — где энтузиасты делятся рабочими формулами. Кладезь вдохновения для новичков.

Этика и «эффект зловещей долины»

Отдельная ложка дёгтя — этические дилеммы. Midjourney обучалась на миллиардах изображений из интернета, и далеко не все авторы этих работ давали согласие на такое использование. Группа художников подала коллективный иск против Midjourney, Stability AI и DeviantArt ещё в январе 2023 года. Судебное разбирательство тянется до сих пор, и исход его может серьёзно повлиять на всю индустрию генеративного ИИ. Многие считают, что нейросеть просто «ворует» стили, но на самом деле механика сложнее — модель не хранит исходные картинки, а лишь учится распознавать паттерны. Впрочем, для художника, чей стиль можно воспроизвести по запросу «in the style of [имя]», это слабое утешение.

И ещё один щепетильный момент — дипфейки. Генерировать фотореалистичные лица в Midjourney стало настолько просто, что отличить сгенерированный портрет от настоящего снимка обычный человек уже не может. Это несёт в себе серьёзные риски: от фейковых новостей до мошенничества. Разработчики внедрили ряд ограничений — нельзя генерировать контент с реальными политическими деятелями, откровенный контент и изображения насилия. Но обойти эти фильтры довольно легко при помощи метафор и завуалированных описаний. Вся суть в том, что технология развивается быстрее, чем нормы регулирования.

Что ждёт Midjourney в ближайшем будущем?

Команда проекта не раскрывает подробных дорожных карт, однако кое-что известно из интервью Дэвида Хольца и утечек в Discord-сообществе. Разрабатывается полноценный веб-интерфейс, который уже частично доступен — без привязки к Discord. Это давно назревший шаг, ведь для многих пользователей мессенджер оставался главным барьером. Кроме того, ведутся работы над генерацией видео и 3D-моделей. Буквально десятилетие назад о таком и мечтать не могли, а сейчас это вопрос нескольких обновлений.

Безусловно, конкуренция будет только нарастать. Google со своим Imagen 3, Meta с Emu, китайские разработки — всё это давит на Midjourney и вынуждает двигаться быстрее. И всё же у сервиса есть козырь, который не так просто скопировать: сообщество. Миллионы пользователей, тысячи каналов, сотни тысяч отточенных промтов — этот коллективный интеллект и делает экосистему Midjourney самобытной.

Какой бы ни была ваша цель — иллюстрация для блога, концепт для игры или просто эксперимент ради удовольствия — Midjourney даёт мощный инструмент, с которым стоит научиться работать. Не стоит ждать от нейросети безупречных результатов с первого раза: как и любой добротный инструмент, она требует практики и понимания нюансов. Зато освоив основы промт-инженерии и разобравшись в настройках, вы получите помощника, способного воплотить в пикселях практически любую задумку. Удачи в творческих экспериментах — пусть каждый сгенерированный кадр станет ступенькой к чему-то по-настоящему впечатляющему.