Hướng dẫn prompt GPT Image 2: Cách viết prompt tốt hơn cho AI tạo ảnh

Việc tạo ảnh bằng AI đã thay đổi đáng kể trong vài năm qua. Thay vì mô tả một hình ảnh bằng vài từ khóa rồi hy vọng mô hình hiểu được kết quả mong muốn, các mô hình tạo ảnh hiện đại có thể diễn giải những chỉ dẫn chi tiết hơn nhiều về bố cục, chủ thể, ánh sáng, phong cách thị giác, văn bản, chất liệu, góc máy, và thậm chí cả mối quan hệ giữa nhiều đối tượng khác nhau.

OpenAI mô tả GPT Image 2 là mô hình tạo và chỉnh sửa ảnh tiên tiến nhất của họ, hỗ trợ kích thước ảnh linh hoạt và đầu vào ảnh có độ trung thực cao. Bạn có thể sử dụng nó thông qua Image Generation API cũng như các quy trình chỉnh sửa ảnh. (OpenAI GPT Image 2)

Tuy nhiên, việc sở hữu một mô hình tạo ảnh mạnh hơn không có nghĩa là mọi prompt sẽ tự động cho ra kết quả tốt. Trên thực tế, chất lượng của prompt vẫn có ảnh hưởng lớn đến mức độ chính xác mà mô hình hiểu được bố cục mong muốn.

Điều mấu chốt không đơn giản là viết prompt dài hơn. Thay vào đó, một prompt tốt cho GPT Image 2 nên truyền đạt được chủ thể, bố cục, môi trường, phong cách thị giác, ánh sáng, góc máy, các chi tiết quan trọng và kết quả đầu ra mong muốn theo cách dễ để mô hình diễn giải.

Vì sao prompt cho GPT Image 2 cần có cấu trúc rõ ràng hơn

Một prompt phổ biến của người mới có thể trông như thế này:

"Một cô gái xinh đẹp đứng trong thành phố tương lai, điện ảnh, cực kỳ chi tiết, 8K."

Prompt này không hẳn là sai, nhưng nó để lại nhiều quyết định quan trọng cho mô hình tự xử lý. Nhân vật được đặt ở đâu? Máy quay đang cận cảnh khuôn mặt hay lấy toàn thân? Thành phố trông ra sao? Ánh sáng chiếu từ phía trước hay phía sau nhân vật? Thời điểm trong ngày là lúc nào? Phong cách thị giác nào nên chi phối toàn cảnh?

Một prompt mạnh hơn cung cấp cho mô hình một khái niệm thị giác rõ ràng hơn:

"Một phụ nữ trẻ đứng ở trung tâm con phố Tokyo tương lai vào ban đêm, được nhìn từ góc máy hơi thấp. Các biển hiệu neon và quảng cáo ba chiều bao quanh con phố, phản chiếu trên mặt đường ướt sau cơn mưa. Cô mặc một chiếc áo khoác tương lai màu đen tối giản với các điểm nhấn màu xanh tinh tế. Ánh đèn neon xanh và hồng dịu chiếu vào mặt cô từ hai phía đối diện, tạo nên hiệu ứng viền sáng điện ảnh. Phông nền hơi mờ trong khi nhân vật vẫn sắc nét đến từng chi tiết. Nhiếp ảnh điện ảnh chân thực, độ sâu trường ảnh nông, khung cảnh đêm giàu không khí."

Prompt thứ hai không chỉ đơn thuần chứa nhiều tính từ hơn. Nó cung cấp mối quan hệ giữa các yếu tố thị giác, điều này hữu ích hơn rất nhiều cho việc tạo ảnh.

Bắt đầu từ chủ thể chính

Phần đầu tiên của một prompt thông thường nên thiết lập nội dung chính của hình ảnh.

Thay vì bắt đầu bằng các từ khóa về phong cách như "điện ảnh, đẹp, 8K, kiệt tác", hãy bắt đầu bằng chủ thể thực sự.

Ví dụ:

"Một phi hành gia trẻ khám phá một trạm nghiên cứu Mặt Trăng bị bỏ hoang."

Điều này mang lại cho mô hình một nền tảng rõ ràng.

Sau đó bạn có thể bổ sung thông tin về ngoại hình, trang phục, tư thế của nhân vật, môi trường và các vật thể xung quanh.

Đối với việc tạo ảnh thương mại, cách tiếp cận này đặc biệt hữu ích vì nó giúp prompt dễ chỉnh sửa về sau. Nếu bạn muốn thay phi hành gia bằng một robot, bạn có thể thay đổi chủ thể mà không cần viết lại toàn bộ prompt.

Mô tả bố cục trước các chi tiết trang trí

Một trong những cải thiện quan trọng nhất mà bạn có thể thực hiện với một prompt tạo ảnh là giải thích các đối tượng được đặt ở đâu.

Hãy xem xét sự khác biệt giữa:

"Một ảnh sản phẩm chụp một chiếc điện thoại thông minh trên chiếc bàn tương lai."

và:

"Một chiếc điện thoại thông minh được đặt hơi lệch về bên phải so với tâm của một chiếc bàn tương lai màu tối, được chụp từ góc chếch ba phần tư phía trước. Chừa lại khoảng trống đáng kể ở phía bên trái để đặt nội dung quảng cáo. Một ánh sáng xanh dịu chiếu từ phía sau điện thoại trong khi một ánh sáng chủ ấm tinh tế làm nổi bật các cạnh phía trước."

Prompt thứ hai cho mô hình biết hình ảnh nên được bố cục ra sao.

Điều này đặc biệt quan trọng khi tạo quảng cáo, đồ họa mạng xã hội, ảnh hero cho website, thumbnail và các thiết kế khác nơi vị trí của chủ thể có ý nghĩa quan trọng.

Nếu văn bản sẽ được thêm vào sau, hãy mô tả rõ ràng nơi bạn muốn để khoảng trống.

Ví dụ:

"Giữ cho góc phần tư phía trên bên trái tương đối trống trải để có thể thêm tiêu đề vào sau."

Điều này thường hữu ích hơn nhiều so với việc chỉ yêu cầu một "bố cục gọn gàng".

Sử dụng mối quan hệ thay vì danh sách từ khóa

Các prompt tạo ảnh thường thất bại vì chúng được viết như những tập hợp từ khóa:

"Cyberpunk, cô gái, Tokyo, neon, mưa, điện ảnh, tương lai, chi tiết, 8K, anime, xanh, hồng."

Mô hình nhận được nhiều khái niệm nhưng lại có rất ít thông tin về cách chúng liên hệ với nhau.

Một prompt tốt hơn kết nối các khái niệm đó:

"Một phụ nữ cyberpunk bước đi trên con phố Tokyo mưa vào ban đêm. Các bảng quảng cáo neon màu xanh và hồng phản chiếu khắp mặt đường ướt, trong khi những người đi bộ và cửa hiệu ở phía xa tạo nên một phông nền đô thị dày đặc. Nhân vật vẫn là chủ thể chính, được lấy nét sắc sảo trên nền cảnh thành phố mờ dịu."

Phiên bản thứ hai truyền đạt mối quan hệ giữa chủ thể, môi trường, ánh sáng và tiêu điểm.

Nguyên tắc này đặc biệt hữu ích với GPT Image 2 vì mô hình được thiết kế để tuân theo những chỉ dẫn ngôn ngữ tự nhiên phức tạp thay vì chỉ dựa hoàn toàn vào việc khớp từ khóa.

Nói cụ thể về ánh sáng

Ánh sáng có thể thay đổi đáng kể diện mạo của một hình ảnh, nhưng cụm "ánh sáng đẹp" lại không mang nhiều thông tin.

Thay vào đó, hãy mô tả hướng, chất lượng, màu sắc và mục đích của ánh sáng.

Ví dụ:

"Ánh nắng ấm dịu chiếu vào qua một khung cửa sổ lớn từ phía bên trái, tạo nên những bóng đổ nhẹ nhàng trên khuôn mặt chủ thể."

hoặc:

"Ánh sáng viền xanh mạnh tách nhân vật ra khỏi phông nền tối, trong khi một ánh sáng chủ ấm dịu chiếu sáng khuôn mặt."

Bạn cũng có thể mô tả ánh sáng của môi trường:

"Khung cảnh diễn ra ngay sau hoàng hôn, với ánh sáng môi trường mát lạnh từ bầu trời và ánh sáng cam ấm hắt ra từ các cửa hiệu gần đó."

Những mô tả này mang lại cho mô hình một mục tiêu thị giác rõ ràng hơn nhiều.

Góc máy làm thay đổi hình ảnh

Các chỉ dẫn về máy quay cũng có thể giúp thiết lập bố cục mong muốn.

Một ảnh chân dung cận cảnh, ảnh trung cảnh, ảnh toàn thân, ảnh toàn cảnh rộng và góc nhìn từ trên xuống có thể tạo ra những kết quả hoàn toàn khác nhau ngay cả khi chủ thể vẫn giữ nguyên.

Ví dụ, nếu bạn muốn một quảng cáo sản phẩm, bạn có thể viết:

"Một ảnh sản phẩm cận cảnh chếch ba phần tư với máy quay được đặt hơi cao hơn mặt bàn."

Đối với một môi trường điện ảnh:

"Một ảnh toàn cảnh rộng nhìn từ ngang tầm đường phố, cho thấy nhân vật như một dáng hình nhỏ bé trong một môi trường rộng lớn hơn."

Đối với một ảnh chân dung nhân vật:

"Một ảnh chân dung cận trung với chủ thể nhìn thẳng vào máy quay."

Điểm quan trọng không phải là đưa vào mọi thuật ngữ nhiếp ảnh có thể có. Chỉ nên dùng ngôn ngữ về máy quay khi nó đóng góp vào kết quả thị giác mà bạn muốn.

Mô tả phong cách với chủ đích

Các từ khóa về phong cách có thể hữu ích, nhưng chúng nên hỗ trợ cho khái niệm hình ảnh thực tế chứ không thay thế nó.

Thay vì viết:

"Điện ảnh, chân thực, đẹp, chi tiết, chuyên nghiệp."

hãy mô tả chủ đích thị giác:

"Nhiếp ảnh biên tập chân thực với kết cấu da tự nhiên, độ tương phản được kiểm soát, hạt phim tinh tế và độ sâu trường ảnh nông."

Đối với minh họa:

"Một minh họa biên tập gọn gàng với các hình khối hình học đơn giản hóa, các dải chuyển màu tinh tế, ít yếu tố rối mắt và thẩm mỹ của một thương hiệu công nghệ hiện đại."

Điều này mang lại cho GPT Image 2 sự hiểu biết sâu sắc hơn về ngôn ngữ thị giác mong muốn.

Nếu bạn đang tạo ảnh cho một thương hiệu, việc mô tả bản sắc thị giác một cách rõ ràng cũng rất hữu ích thay vì liên tục dựa vào những từ mơ hồ như "cao cấp" hay "chuyên nghiệp".

Kiểm soát các chi tiết quan trọng bằng những chỉ dẫn rõ ràng

Khi một hình ảnh chứa một đối tượng quan trọng, hãy mô tả trực tiếp các đặc điểm của nó.

Ví dụ:

"Con robot có lớp vỏ gốm trắng nhỏ gọn, các khớp cơ khí lộ ra ngoài, một cảm biến tròn màu xanh duy nhất ở trung tâm khuôn mặt và đôi bàn tay nhỏ có khớp cử động."

Điều này hữu ích hơn nhiều so với:

"Một con robot tương lai."

Nguyên tắc tương tự áp dụng cho trang phục, sản phẩm, kiến trúc, phương tiện, đồ ăn và các chủ thể quan trọng về mặt thị giác khác.

Nếu một yếu tố cụ thể nào đó cần được giữ nhất quán, hãy biến nó thành một trong những phần trọng tâm của prompt thay vì chỉ nhắc đến một cách qua loa ở phần cuối.

Tạo ảnh có chứa văn bản

Văn bản bên trong ảnh được tạo ra vốn dĩ luôn là một trong những phần khó nhất của việc tạo ảnh bằng AI.

Khi tạo poster, quảng cáo, bản mẫu UI, bao bì sản phẩm, biển hiệu hay đồ họa mạng xã hội, hãy chỉ định văn bản một cách rõ ràng và giải thích vị trí đặt nó.

Ví dụ:

"Tạo một quảng cáo công nghệ tối giản. Tiêu đề chính nên là 'BUILD FASTER WITH AI' bằng chữ in hoa lớn màu trắng trải dọc khu vực phía trên bên trái. Giữ kiểu chữ gọn gàng và hiện đại, với đủ khoảng trống xung quanh tiêu đề."

Nếu câu chữ chính xác là quan trọng, hãy xử lý văn bản như một yêu cầu thiết kế cụ thể thay vì chỉ nói "thêm một ít chữ".

Đối với các quy trình sản xuất, đôi khi cũng hữu ích khi tạo bố cục thị giác trước rồi bổ sung phần chữ hoàn thiện trong một công cụ thiết kế sau đó khi cần đặt chữ chính xác đến từng pixel.

Sử dụng chỉnh sửa ảnh thay vì tạo lại toàn bộ

GPT Image 2 hỗ trợ cả tạo ảnh lẫn chỉnh sửa ảnh, nghĩa là bạn không phải lúc nào cũng cần bắt đầu lại từ đầu khi có gì đó chưa ổn.

Giả sử bố cục tổng thể tuyệt vời nhưng chiếc áo khoác của nhân vật lại sai màu. Thay vì tạo một ảnh khác với bố cục hoàn toàn khác, hãy dùng quy trình chỉnh sửa và mô tả rõ ràng thay đổi cần thực hiện:

"Đổi màu áo khoác của nhân vật từ đen sang đỏ sẫm. Giữ nguyên khuôn mặt, tư thế, ánh sáng, phông nền, góc máy và bố cục tổng thể của nhân vật."

Đây là một nguyên tắc viết prompt quan trọng cho việc chỉnh sửa ảnh:

Hãy mô tả rõ ràng điều gì nên thay đổi và điều gì nên giữ nguyên.

Nếu bạn muốn bảo toàn phần lớn hình ảnh gốc, hãy nêu rõ những yêu cầu giữ nguyên đó.

Đừng biến mọi prompt thành cực kỳ dài

Nhiều từ hơn không tự động tạo ra hình ảnh tốt hơn.

Một prompt cực kỳ dài có thể chứa những yêu cầu mâu thuẫn. Ví dụ, yêu cầu "bố cục tối giản" trong khi đồng thời đòi hỏi "hàng chục vật thể nền chi tiết" sẽ tạo ra một xung đột cố hữu.

Một prompt tốt hơn được tổ chức xoay quanh mức độ ưu tiên.

Hãy bắt đầu bằng chủ thể và bố cục, rồi bổ sung các yêu cầu thị giác quan trọng nhất. Những chi tiết không thực sự ảnh hưởng đến hình ảnh có thể được lược bỏ.

Một phép thử hữu ích là tự hỏi:

"Nếu tôi bỏ câu này đi, hình ảnh mong muốn có thay đổi không?"

Nếu câu trả lời là không, thì câu đó có lẽ không cần xuất hiện trong prompt.

Một mẫu prompt thực dụng cho GPT Image 2

Đối với hầu hết các tác vụ tạo ảnh, cấu trúc sau đây hoạt động tốt:

Chủ thể: Đối tượng, con người hoặc khung cảnh chính là gì? Bố cục: Chủ thể được đặt ở đâu và nên dùng góc nhìn nào? Môi trường: Có gì bao quanh chủ thể? Ngoại hình: Những đặc điểm thị giác quan trọng nào cần được giữ lại? Ánh sáng: Hướng, màu sắc và chất lượng của ánh sáng là gì? Phong cách: Hình ảnh nên tuân theo ngôn ngữ thị giác nào? Ràng buộc quan trọng: Điều gì phải xuất hiện, điều gì không được thay đổi, và khoảng trống nên được giữ ở đâu?

Ví dụ:

"Một chiếc mô tô điện tương lai đỗ trên con phố Tokyo ướt đẫm mưa vào ban đêm. Chiếc mô tô chiếm phần bên phải khung hình, được nhìn từ góc chếch ba phần tư thấp, với đủ khoảng trống bên trái để đặt nội dung quảng cáo. Các biển hiệu neon xanh và hồng phản chiếu khắp mặt đường ướt. Chiếc mô tô có thân màu đen mờ, ánh sáng nhấn màu cam tinh tế và các chi tiết cơ khí chân thực. Làn sương giàu không khí bao quanh phông nền trong khi chiếc mô tô vẫn được lấy nét sắc sảo. Nhiếp ảnh ô tô thương mại chân thực với ánh sáng điện ảnh và độ tương phản được kiểm soát."

Chừng đó đã đủ thông tin để thiết lập một định hướng thị giác mạnh mẽ mà không biến prompt thành một bức tường từ khóa.

Tối ưu prompt cho các trường hợp sử dụng khác nhau

Cấu trúc prompt tốt nhất phụ thuộc vào việc bạn đang tạo ra cái gì.

Đối với ảnh marketing bằng AI, bố cục và khoảng trống đặc biệt quan trọng vì hình ảnh thường sẽ được kết hợp với tiêu đề, logo và lời kêu gọi hành động.

Đối với nhiếp ảnh sản phẩm, hãy mô tả các đặc điểm vật lý của sản phẩm, góc máy, ánh sáng, chất liệu, phông nền và độ phản chiếu trên bề mặt.

Đối với thiết kế nhân vật, hãy tập trung vào bản sắc, trang phục, tư thế, biểu cảm khuôn mặt, môi trường và phong cách thị giác.

Đối với concept art, môi trường và bầu không khí có thể quan trọng hơn ngôn ngữ nhiếp ảnh chính xác.

Đối với nội dung mạng xã hội, bố cục nên tính đến tỷ lệ khung hình cuối cùng và nơi mà chú thích hoặc các thành phần UI sẽ xuất hiện.

Cùng một mô hình có thể xử lý tất cả các tình huống này, nhưng prompt nên phản ánh mục đích thực tế của hình ảnh.

Những điều cần cân nhắc về API đối với GPT Image 2

Nếu bạn tạo ảnh bằng lập trình, chất lượng prompt chỉ là một phần của quy trình. Lập trình viên cũng nên cân nhắc kích thước ảnh, chất lượng, độ trễ, xử lý lỗi, chiến lược thử lại và chi phí tạo ra nhiều biến thể khác nhau.

OpenAI hiện khuyến nghị dùng GPT Image 2 cho việc tạo và chỉnh sửa ảnh dựa trên API. Mô hình hỗ trợ kích thước ảnh linh hoạt và đầu vào ảnh có độ trung thực cao. (Tài liệu API GPT Image 2 của OpenAI)

Đối với các ứng dụng tạo ra nhiều hình ảnh, chi phí của những lần tạo không thành công có thể trở nên đáng kể. Do đó, một prompt tốt hơn có thể mang lại lợi ích kinh tế trực tiếp vì nó có thể giảm số lần lặp cần thiết để đạt được kết quả chấp nhận được.

Đây là lý do tại sao kỹ thuật viết prompt không nên chỉ được xem như một cách để cải thiện chất lượng ảnh. Nó còn có thể được xem như một cách để cải thiện hiệu quả tạo ảnh.

Tạo GPT Image 2 thông qua DDS Hub

Đối với các lập trình viên muốn tích hợp tính năng tạo ảnh bằng AI vào ứng dụng mà không phải quản lý riêng lẻ nhiều nhà cung cấp API, DDS Hub mang đến một lựa chọn truy cập API tiện lợi.

DDS Hub hiện cung cấp tính năng tạo ảnh GPT Image 2 với mô hình định giá trả theo mức sử dụng. Mỗi lần tạo ảnh tốn 0.2 platform credits, tương đương khoảng $0.03 mỗi lần tạo, khiến nó phù hợp với những lập trình viên muốn thử nghiệm các prompt khác nhau mà không phải cam kết đăng ký thuê bao.

Điều này đặc biệt hữu ích khi phát triển một ứng dụng tạo ảnh vì việc tối ưu prompt thường đòi hỏi nhiều lần lặp. Thay vì trả tiền cho một gói thuê bao cố định, lập trình viên có thể tạo ảnh theo nhu cầu và kiểm soát chi tiêu dựa trên mức sử dụng thực tế.

Bạn có thể khám phá các mô hình tạo ảnh và dịch vụ API sẵn có thông qua nền tảng mô hình DDS Hub.

Đối với các lập trình viên đang xây dựng ứng dụng tạo ảnh AI của riêng mình, DDS Hub API cũng có thể được dùng như một điểm truy cập thống nhất cho các dịch vụ mô hình AI.

Đôi lời kết

Cải thiện lớn nhất trong việc viết prompt cho GPT Image 2 không đến từ việc thêm nhiều tính từ hơn. Nó đến từ việc truyền đạt hình ảnh như một khái niệm thị giác.

Hãy bắt đầu từ chủ thể, giải thích bố cục, thiết lập môi trường, mô tả các đặc điểm thị giác quan trọng, chỉ định ánh sáng và góc nhìn, rồi định nghĩa phong cách mong muốn. Khi điều gì đó đặc biệt quan trọng, hãy nêu nó ra một cách rõ ràng thay vì cho rằng mô hình sẽ tự suy ra.

Đối với chỉnh sửa ảnh, hãy tách bạch rõ ràng điều gì nên thay đổi khỏi điều gì nên giữ nguyên. Đối với đồ họa thương mại, hãy đặc biệt chú ý đến bố cục và khoảng trống. Đối với các ứng dụng sản xuất, hãy cân nhắc thêm chi phí của việc tạo lặp đi lặp lại và giá trị của việc viết những prompt cho ra kết quả hữu ích với ít lần lặp hơn.

Do đó, những prompt hiệu quả nhất cho GPT Image 2 không nhất thiết là những prompt dài nhất. Chúng là những prompt truyền đạt đúng thông tin theo đúng thứ tự.

Khi việc tạo ảnh bằng AI ngày càng được tích hợp sâu vào website, hệ thống marketing, công cụ sáng tạo và ứng dụng của lập trình viên, kỹ thuật viết prompt sẽ ít còn là việc tìm ra một tập hợp từ khóa kỳ diệu mà nhiều hơn là học cách truyền đạt chủ đích thị giác một cách rõ ràng.

Và khi bạn kết hợp những prompt tốt hơn với một API hỗ trợ tạo ảnh trả theo mức sử dụng linh hoạt, việc thử nghiệm, lặp lại và xây dựng những sản phẩm tạo ảnh thực thụ trở nên dễ dàng hơn nhiều mà không cần đến hạ tầng hay chi phí thuê bao không cần thiết.