AI गर्लफ्रेंड फोटो जनरेशन: ऐसे सुसंगत किरदार बनाएं जो असली दिखें

मैं आपसे सीधी बात करने जा रहा हूं। AI गर्लफ्रेंड फोटो जनरेशन का सबसे कठिन हिस्सा एक खूबसूरत तस्वीर बना लेना नहीं है। कोई भी मॉडल वह कर सकता है। कठिन हिस्सा यह है कि आपकी दूसरी तस्वीर पहली तस्वीर वाले उसी इंसान की तरह दिखे। और फिर तीसरी भी। और चालीसवीं भी। मैंने 2025 के अंत में लगभग तीन महीने इस गुत्थी को सुलझाने में लगाए, और मैंने जो सीखा वह यह है कि ज्यादातर लोग इसे बिल्कुल गलत तरीके से कर रहे हैं।

त्वरित उत्तर: सुसंगत, फोटोरियलिस्टिक AI गर्लफ्रेंड फोटो बनाने के लिए, यथार्थवाद के लिए अपने बेस मॉडल के रूप में FLUX 2 का उपयोग करें, चेहरे की पहचान के लिए 15 से 25 चुनी हुई संदर्भ छवियों पर एक LoRA ट्रेन करें, पोज और दृश्य भिन्नता के लिए उसके ऊपर IPAdapter जोड़ें, और यथार्थवादी रोशनी, सेटिंग और कपड़ों के लिए प्रॉम्प्ट इंजीनियरिंग में महारत हासिल करें। सही तरीके से करने पर यह संयोजन सैकड़ों जनरेशन में 90% से अधिक चेहरे की सुसंगति देता है।

ज्यादातर AI गर्लफ्रेंड फोटो नकली क्यों दिखती हैं?

इसे ठीक करने की बात करने से पहले, आइए बात करते हैं कि ज्यादातर AI गर्लफ्रेंड फोटो यथार्थवाद की परीक्षा में क्यों फेल हो जाती हैं। मुझे हर जगह वही गलतियां दिखती हैं, और ईमानदारी से कहूं तो जब मैं शुरुआत कर रहा था तब मैंने भी ये सारी गलतियां की थीं।

सबसे बड़ी समस्या वह है जिसे मैं "ब्यूटी फिल्टर इफेक्ट" कहता हूं। लोग सौंदर्य सेटिंग को चरम पर ले जाते हैं, अल्ट्रा-स्मूद स्किन प्रॉम्प्ट का इस्तेमाल करते हैं, और ऐसी छवियों के साथ रह जाते हैं जो लगती हैं जैसे वे छह इंस्टाग्राम फिल्टर से होकर गुजरी हों। असली लोगों में रोमछिद्र होते हैं, उनके नैन-नक्श में हल्की असमानता होती है, और खामियां होती हैं। जब आपके AI किरदार की त्वचा पुतले से भी ज्यादा चिकनी होती है, तो किसी भी समझदार आंख वाले इंसान को यह साफ "जनरेटेड" चिल्लाती है।

दूसरी समस्या रोशनी है। ज्यादातर लोग इसके बारे में बिल्कुल नहीं सोचते। वे "कैफे में सुंदर महिला" जैसे प्रॉम्प्ट लिखते हैं और मॉडल पर रोशनी तय करना छोड़ देते हैं। मॉडल इस एक समान, छायारहित रोशनी पर डिफॉल्ट हो जाता है जो असली फोटोग्राफी में नहीं होती। असली फोटो में दिशात्मक रोशनी होती है। ठुड्डी के नीचे छाया और गाल की हड्डी पर हाइलाइट होती है। पास के लैंप से वह गर्म नारंगी चमक, या खिड़की से आती ठंडी नीली छाया होती है।

यहां मेरी तीसरी शिकायत है, और यह व्यक्तिगत है। बैकग्राउंड। मैंने शुरुआत में दो हफ्ते ऐसी छवियां बनाने में लगाए जहां मेरा किरदार बढ़िया दिखता था लेकिन इन अजीब तरह से बेदाग बैकग्राउंड के सामने खड़ा होता था जिनमें कोई बिखराव नहीं, कोई गहराई नहीं, कोई असली दुनिया की अव्यवस्था नहीं थी। असली फोटो असली जगहों पर होती हैं। मेज पर कॉफी का कप थोड़ा बेतरतीब रखा होता है। बैकग्राउंड में कोई धुंधला अजनबी गुजरता दिखता है। मेजपोश में एक सिलवट होती है। ये छोटी-छोटी बातें ही यथार्थवाद को बेचती हैं।

बाएं: चिकनी त्वचा और सपाट रोशनी के साथ सामान्य ओवर-प्रोसेस्ड AI आउटपुट। दाएं: प्राकृतिक बनावट, दिशात्मक रोशनी और पर्यावरणीय विवरण के साथ सही तरीके से बनाई गई फोटो।

यथार्थवादी AI फोटो के लिए FLUX 2 सबसे अच्छा विकल्प क्या बनाता है?

मैंने इस इस्तेमाल के लिए वस्तुतः हर प्रमुख मॉडल को परखा है। Stable Diffusion XL, Midjourney v6, DALL-E 3, FLUX के विभिन्न संस्करण। और लगभग 2,000 परीक्षण जनरेशन चलाने के बाद मेरा निष्कर्ष यह है कि किरदार के काम के लिए FLUX 2 सबसे स्वाभाविक रूप से फोटोरियलिस्टिक आउटपुट देता है।

इसका कारण यह है कि FLUX त्वचा की बनावट और प्रकाश के परस्पर प्रभाव को कैसे संभालता है। जहां SDXL थोड़ी चित्रकारी जैसी त्वचा बनाता है (फोटोरियलिस्टिक चेकपॉइंट के साथ भी), वहीं FLUX 2 रोमछिद्र, चेहरे के महीन बाल और सबसरफेस स्कैटरिंग को इस तरह दिखाता है जो बस सही लगता है। मॉडल को असली फोटोग्राफी के विशाल डेटासेट पर ट्रेन किया गया था, और यह आपको पता चल जाता है। प्रकाश चेहरों के चारों ओर सही ढंग से लिपटता है। छाया वहीं पड़ती है जहां पड़नी चाहिए। त्वचा में वह पारभासी गुण होता है जो असली त्वचा में कुछ खास रोशनी की स्थितियों में होता है।

यहां एक तीखी राय है। मुझे लगता है कि Midjourney v6 औसतन अधिक "आकर्षक" छवियां बनाता है, लेकिन FLUX 2 अधिक "असली दिखने वाली" छवियां बनाता है। और खासकर AI गर्लफ्रेंड फोटो जनरेशन के लिए, असली दिखना मैगज़ीन-कवर वाली सुंदरता से ज्यादा मायने रखता है। लोग सोशल मीडिया पर AI किरदारों को इसलिए फॉलो करते हैं क्योंकि वे किसी स्तर पर यह मानते हैं कि यह इंसान वाकई हो सकता है। Midjourney का आउटपुट शानदार है लेकिन उसमें अक्सर वह हल्की असहज पूर्णता होती है जो संदेह पैदा करती है।

यहां किरदार फोटो के लिए मेरा असली काम करने वाला FLUX 2 सेटअप है। मैं आपको डॉक्यूमेंटेशन डिफॉल्ट नहीं दूंगा क्योंकि वे इस इस्तेमाल के लिए अच्छे नहीं हैं।

• मॉडल: FLUX 2 Dev (Schnell नहीं, चेहरों के लिए गुणवत्ता का अंतर महत्वपूर्ण है)
• रेज़ोल्यूशन: पोर्ट्रेट शॉट के लिए 1024x1360, लैंडस्केप दृश्यों के लिए 1360x1024
• गाइडेंस स्केल: 3.0 से 3.5 (ज्यादातर लोगों के इस्तेमाल से कम, लेकिन यह चीजों को स्वाभाविक रखता है)
• स्टेप्स: 28 से 35 (डिफॉल्ट से ज्यादा, लेकिन चेहरे के विवरण में सुधार अतिरिक्त समय के लायक है)
• सैंपलर: Euler, सामान्य शेड्यूलर के साथ

अगर आप सेटअप को पूरी तरह छोड़ना चाहते हैं, तो Lewdly.ai जैसे टूल आपको इनमें से कुछ भी खुद कॉन्फ़िगर किए बिना FLUX वर्कफ़्लो चलाने देते हैं। मैं ईमानदार रहूंगा, मैंने इस प्लेटफॉर्म को बनाने में मदद की, लेकिन जब मैं अपना लोकल रिग चालू नहीं करना चाहता तब मैं वाकई इसे त्वरित जनरेशन के लिए इस्तेमाल करता हूं।

चेहरे की सुसंगति के लिए LoRA ट्रेनिंग: नींव

यहीं ज्यादातर लोग या तो हार मान लेते हैं या गलती कर बैठते हैं। फोटो में एक सुसंगत AI किरदार बनाए रखने के लिए LoRA ट्रेनिंग अकेली सबसे प्रभावशाली तकनीक है, और इसमें कोई मुकाबला भी नहीं है। अगर आपने AI गर्लफ्रेंड Stable Diffusion कैसे बनाएं वर्कफ़्लो पर मेरी गाइड पढ़ी है, तो आप जानते हैं कि मैं LoRA का बड़ा प्रशंसक हूं। लेकिन खासकर चेहरे की सुसंगति के लिए एक LoRA ट्रेन करना सामान्य स्टाइल LoRA से अलग खेल है।

अपना संदर्भ डेटासेट बनाना

आपके LoRA की गुणवत्ता पूरी तरह आपकी ट्रेनिंग छवियों की गुणवत्ता पर निर्भर करती है। मैंने यह कठिन तरीके से सीखा। मेरे पहले LoRA ट्रेनिंग प्रयास में 40 छवियों का इस्तेमाल हुआ जो मूल रूप से एक ही कोण और रोशनी की थीं, और नतीजा एक ऐसा किरदार था जो केवल उसी एक खास सेटअप में सही दिखता था। कोण को 30 डिग्री बदलें और चेहरा बिखर जाता था।

यहां चेहरे की सुसंगति के लिए एक अच्छा ट्रेनिंग सेट कैसा दिखता है, यह बताया गया है।

• 15 से 25 छवियां (10 नहीं, 50 नहीं, परीक्षण के जरिए मैंने पाया कि यह दायरा सबसे उपयुक्त है)
• कई कोण: सामने, 3/4 बाएं, 3/4 दाएं, हल्का प्रोफाइल, ऊपर देखते हुए, नीचे देखते हुए
• कई रोशनी की स्थितियां: प्राकृतिक दिन का उजाला, अंदर की गर्म रोशनी, ठंडी छाया, बादल भरा मौसम
• सभी छवियों में सुसंगत पहचान: अगर आप शुरू से बना रहे हैं, तो FLUX के साथ एक बेस सेट जनरेट करें और उन्हें चुनें जो एक-दूसरे से सबसे ज्यादा मिलते-जुलते दिखते हों
• भावों में विविधता: सामान्य, हल्की मुस्कान, हंसना, गंभीर, सोचते हुए
• ट्रेनिंग के लिए साफ बैकग्राउंड पसंदीदा (आप उन्हें बाद में जटिल दृश्यों में रख सकते हैं)

मुझसे अक्सर पूछा जाने वाला सवाल है "अगर मेरे पास अभी तक संदर्भ छवियां नहीं हैं तो क्या?" यह मुर्गी और अंडे वाली समस्या है। जो समाधान मैं इस्तेमाल करता हूं वह यह है कि बहुत विस्तृत चेहरे के विवरण वाले प्रॉम्प्ट का उपयोग करके FLUX के साथ लगभग 100 छवियां जनरेट करें, उनमें से 15 से 25 चुनें जो एक-दूसरे से सबसे ज्यादा सुसंगत दिखती हों, फिर उन पर एक LoRA ट्रेन करें। पहला बैच परफेक्ट नहीं होगा, लेकिन LoRA उन छवियों में जो भी समानताएं हैं उन्हें लॉक कर लेता है, और आपके दूसरी पीढ़ी के आउटपुट नाटकीय रूप से अधिक सुसंगत होंगे।

ऐसी ट्रेनिंग सेटिंग जो वाकई काम करती हैं

मैंने ट्रेनिंग सेटिंग पर इतनी बार आगे-पीछे किया है कि गिनती भी नहीं कर सकता। पिछले साल में लगभग 30 से 40 किरदार LoRA ट्रेन करने के बाद ये वे मान हैं जिन पर मैं टिक गया हूं।

• लर्निंग रेट: 1e-4 (मानक, लेकिन अगर मुझे ट्रेनिंग के दौरान चेहरा "खिसकता" दिखे तो मैं इसे 5e-5 तक कम कर देता हूं)
• ट्रेनिंग स्टेप्स: FLUX LoRA के लिए 1500 से 2500 (ज्यादा बेहतर नहीं है, आप ओवरफिट कर देंगे)
• रैंक: 32 (मैं पहले 16 इस्तेमाल करता था, लेकिन 32 फाइल को बड़ा किए बिना ज्यादा चेहरे का विवरण पकड़ता है)
• बैच साइज: आपकी VRAM के आधार पर 1 या 2
• रेगुलराइज़ेशन छवियां: वैकल्पिक, लेकिन मैंने पाया है कि रेगुलराइज़ेशन के रूप में 100 से 200 विविध चेहरे की छवियों का उपयोग मॉडल को दूसरे लोगों को बनाना "भूलने" से रोकता है

ट्रेनिंग प्रक्रिया में 24GB GPU पर लगभग 1 से 2 घंटे लगते हैं। अगर आप क्लाउड कंप्यूट का इस्तेमाल कर रहे हैं, तो प्रदाता के आधार पर प्रति ट्रेनिंग रन शायद 2 से 5 डॉलर खर्च करने की उम्मीद रखें।

चेहरों के लिए LoRA ट्रेनिंग के बारे में एक बात जो कोई नहीं बताता। कैप्शन की गुणवत्ता ट्रेनिंग सेटिंग से ज्यादा मायने रखती है। अगर आपके कैप्शन सामान्य हैं ("एक कमरे में खड़ी महिला"), तो LoRA यह नहीं सीखेगा कि आपके किरदार का चेहरा क्या अनोखा बनाता है बनाम क्या सिर्फ दृश्य-विशिष्ट शोर है। मैं अपनी ट्रेनिंग छवियों को बेहद विशिष्ट चेहरे के विवरण के साथ कैप्शन करता हूं। "ऊंची गाल की हड्डियों, थोड़ी ऊपर उठी नाक, गहरी धंसी हरी आंखों, पतली धनुषाकार भौंहों, दिल के आकार के चेहरे, भरे निचले होंठ वाली महिला" इत्यादि। आप जितनी सटीकता से चेहरे के नैन-नक्श का वर्णन करेंगे, LoRA उन्हें अलग करना और फिर से बनाना उतना ही बेहतर सीखेगा।

IPAdapter पोज और दृश्य भिन्नता में कैसे मदद करता है?

एक बार जब आपके पास चेहरे की पहचान के लिए लॉक किया गया LoRA हो, तो विविधता बनाने के लिए IPAdapter आपका सबसे अच्छा दोस्त बन जाता है। यहां इसका कारण है। आपका LoRA सुनिश्चित करता है कि चेहरा सुसंगत रहे, लेकिन यह पोज, संरचना या दृश्य के परस्पर प्रभाव को नियंत्रित नहीं करता। वहीं IPAdapter काम आता है। यह एक संदर्भ छवि लेता है और उसका उपयोग आउटपुट की समग्र संरचना और शैली का मार्गदर्शन करने के लिए करता है।

मैं इसे इस तरह सोचता हूं। आपका LoRA अभिनेता है। IPAdapter निर्देशक है, जो अभिनेता को बताता है कि कहां खड़ा होना है और शॉट को कैसे फ्रेम करना है। साथ मिलकर, वे शक्तिशाली हैं।

ComfyUI में सेटअप कुछ ऐसा दिखता है। आप अपना FLUX मॉडल लोड करते हैं, अपना किरदार LoRA लागू करते हैं, फिर एक IPAdapter नोड कनेक्ट करते हैं जो इनपुट के रूप में एक संदर्भ छवि लेता है। संदर्भ छवि का आपके किरदार की होना जरूरी नहीं है। यह एक असली फोटो हो सकती है जो आपके मनचाहे पोज, रोशनी या संरचना को दिखाती है, और LoRA सुनिश्चित करेगा कि चेहरा सुसंगत रहे जबकि IPAdapter बाकी सब कुछ संभालता है।

IPAdapter वजन सेटिंग (यह आपकी सोच से ज्यादा मायने रखती है)

मुझे याद है जब मैंने पहली बार किरदार के काम के लिए IPAdapter इस्तेमाल करना शुरू किया था। मैंने वजन डिफॉल्ट 0.7 पर छोड़ दिया और समझ नहीं पा रहा था कि मेरे नतीजे औसत क्यों थे। चेहरा मेरे संदर्भ से कुछ हद तक मेल खाता था लेकिन कुछ हद तक नहीं भी। यह उसी इंसान के बजाय किसी रिश्तेदार को देखने जैसा था।

आजमाइश और गलती के जरिए, मैंने पाया कि चेहरा-केंद्रित IPAdapter काम के लिए 0.8 से 0.9 सबसे उपयुक्त है। 0.8 से नीचे जाएं और संदर्भ का प्रभाव बहुत कमजोर हो जाता है। 0.9 से ऊपर जाएं और आप दृश्य और पोज बदलने की क्षमता खोने लगते हैं, आउटपुट आपकी संदर्भ छवि की लगभग नकल बन जाता है जो पूरे मकसद को ही खत्म कर देता है।

यहां एक विवरण है कि व्यवहार में अलग-अलग वजन मान क्या बनाते हैं।

• 0.5 से 0.7: सामान्य शैली और संरचना का स्थानांतरण, चेहरे की सुसंगति कम है
• 0.7 से 0.8: मध्यम चेहरे की सुसंगति, ढीले स्टाइल मिलान के लिए अच्छा
• 0.8 से 0.9: मजबूत चेहरे की सुसंगति, किरदार के काम के लिए मैं यहीं काम करता हूं
• 0.9 से 1.0: संदर्भ की लगभग नकल, दृश्य भिन्नता के लिए कम गुंजाइश

जो पाठक केवल गर्लफ्रेंड फोटो से आगे किरदार सुसंगति की समस्या में गहराई से जाना चाहते हैं, उनके लिए AI सुसंगत किरदार जनरेटर तकनीकों पर मेरी गाइड टूल और तरीकों के व्यापक परिदृश्य को कवर करती है।

IPAdapter वजन की तुलना 0.6 से 0.95 तक। ध्यान दें कि 0.85 चेहरे की सुसंगति और दृश्य लचीलेपन का सबसे अच्छा संतुलन कैसे प्रदान करता है।

फोटोरियलिस्टिक AI गर्लफ्रेंड फोटो के लिए प्रॉम्प्ट इंजीनियरिंग

ईमानदारी से कहूं तो, यही वह हिस्सा है जो शौकिया नतीजों को पेशेवर नतीजों से अलग करता है। आपका मॉडल और LoRA परफेक्ट हो सकते हैं, लेकिन खराब प्रॉम्प्ट फिर भी खराब फोटो ही बनाएंगे। और बाहर मौजूद ज्यादातर प्रॉम्प्टिंग सलाह यथार्थवाद के लिए घटिया है क्योंकि वह फैंटेसी आर्ट या एनीमे जनरेशन के लिए लिखी गई थी।

एक फोटोग्राफर की तरह सोचें, लेखक की तरह नहीं

प्रॉम्प्ट इंजीनियरिंग में मेरा अब तक का सबसे उपयोगी मानसिक बदलाव यह रहा है कि विवरण लिखना बंद करूं और फोटोग्राफी ब्रीफ लिखना शुरू करूं। असली फोटोग्राफर फोकल लंबाई, एपर्चर, रोशनी की दिशा और रंग तापमान के संदर्भ में सोचते हैं। आपके प्रॉम्प्ट को भी ऐसा करना चाहिए।

"कॉफी शॉप में मुस्कुराती सुंदर महिला" के बजाय, सोचें कि एक फोटोग्राफर वास्तव में क्या कैद करेगा।

खराब प्रॉम्प्ट: "भूरे बालों वाली सुंदर महिला कॉफी शॉप में बैठी, मुस्कुराती, फोटोरियलिस्टिक, उच्च गुणवत्ता, 8k"

अच्छा प्रॉम्प्ट: "एक व्यस्त कॉफी शॉप में खिड़की वाली मेज पर बैठी महिला की कैंडिड फोटो, बाईं ओर से आती सुबह की रोशनी, अन्य ग्राहकों के दिखने के साथ मुलायम बोकेह बैकग्राउंड, वह हंसी के बीच में कैमरे से थोड़ा परे देख रही है, एक आरामदायक बुना स्वेटर पहने हुए, 85mm f/1.8 पर शॉट, गर्म रंग तापमान, सिरेमिक कॉफी मग की ओर हाथ बढ़ाते समय उसके हाथ पर हल्का मोशन ब्लर"

अंतर देखा? दूसरा प्रॉम्प्ट मॉडल को प्रकाश के स्रोत, फील्ड की गहराई, कैमरा लेंस, माहौल, खामियों (मोशन ब्लर, कैमरे की ओर सीधे देखने के बजाय परे देखना), और उन पर्यावरणीय विवरणों के बारे में बताता है जो एक फोटो को असली महसूस कराते हैं।

एंटी-AI प्रॉम्प्ट तरकीबें

पिछले साल में, मैंने खासतौर पर सामान्य "AI लुक" का मुकाबला करने के लिए डिज़ाइन किए गए प्रॉम्प्ट वाक्यांशों का एक सेट विकसित किया है। मैं इन्हें अपने एंटी-AI प्रॉम्प्ट जोड़ कहता हूं, और मैं इन्हें हर जनरेशन में छिड़कता हूं।

• "detailed background" के बजाय "slightly out of focus background"
• स्मूदिंग प्रभाव से लड़ने के लिए "natural skin texture with visible pores"
• यथार्थवाद के लिए "imperfect lighting" या "mixed color temperature lighting"
• मॉडल की विषय को केंद्र में रखने की प्रवृत्ति तोड़ने के लिए "casual composition, not centered"
• फोटोग्राफिक रेंडरिंग को ट्रिगर करने के लिए "shot on [specific camera/lens]" (85mm f/1.4 मेरी पसंद है)
• उस एनालॉग फोटोग्राफी अनुभव के लिए "grain, film texture"
• चेहरे के यथार्थवाद के लिए "one eye slightly squinted" या "asymmetrical smile"

मैं उन चीजों को दबाने के लिए सक्रिय रूप से नेगेटिव प्रॉम्प्ट का भी इस्तेमाल करता हूं जो AI फोटो को नकली बनाती हैं। "Smooth skin, porcelain skin, perfect symmetry, centered composition, studio lighting, airbrushed, digital art, illustration, drawing" ये सब मेरे नेगेटिव प्रॉम्प्ट में जाते हैं।

एक प्रॉम्प्ट टेम्पलेट सिस्टम बनाना

हजारों छवियां जनरेट करने के बाद, मैं हर बार शुरू से प्रॉम्प्ट लिखते-लिखते थक गया। तो मैंने एक टेम्पलेट सिस्टम बनाया। इसने मेरा जनरेशन समय लगभग आधा कर दिया और मेरे आउटपुट को ज्यादा सुसंगत बनाया।

मेरी टेम्पलेट संरचना कुछ ऐसी दिखती है।

[किरदार पहचान ट्रिगर शब्द] + [कपड़ों का विवरण] + [गतिविधि/पोज] + [विशिष्ट विवरण के साथ स्थान] + [रोशनी सेटअप] + [कैमरा तकनीकी विवरण] + [माहौल/वातावरण]

उदाहरण के लिए। "v_sarah, wearing a dark green utility jacket and white t-shirt, leaning against a weathered brick wall checking her phone, urban alley with graffiti and puddles from recent rain, late afternoon golden hour light from the right casting long shadows, shot on Sony A7III 50mm f/1.4, moody atmospheric"

ट्रिगर शब्द "v_sarah" मेरे LoRA को सक्रिय करता है। बाकी सब कुछ संरचना और यथार्थवाद का मार्गदर्शन करता है। मेरे पास अलग-अलग परिदृश्यों के लिए ऐसे लगभग 20 टेम्पलेट सहेजे हुए हैं: कैफे दृश्य, बाहर की सैर, जिम शॉट, बीच सेटिंग, रात की बाहर निकलने वाली सेटिंग, घर/आरामदायक सेटिंग, इत्यादि।

कौन सी सेटिंग सबसे यथार्थवादी त्वचा और रोशनी बनाती हैं?

यहीं मैं वाकई बहुत विशिष्ट होने जा रहा हूं क्योंकि डिफॉल्ट फोटोरियलिज्म के लिए सचमुच खराब हैं। मैंने इन सेटिंग का पता लगाने से पहले ठीक-ठाक नतीजे पाने में हफ्ते बर्बाद किए, और मैं नहीं चाहता कि आप वह अनुभव दोहराएं।

CFG स्केल और यथार्थवाद पर इसका प्रभाव

ज्यादातर ट्यूटोरियल आपको "उच्च गुणवत्ता" छवियों के लिए 7 या 8 का CFG इस्तेमाल करने को कहते हैं। खासकर FLUX 2 के लिए, यह यथार्थवादी फोटो के लिए बहुत ज्यादा है। उच्च CFG मॉडल को आपके प्रॉम्प्ट का ज्यादा आक्रामक रूप से पालन करवाता है, लेकिन यह संतृप्ति भी बढ़ाता है, किनारों को अप्राकृतिक रूप से तेज करता है, और वह "बहुत परफेक्ट" लुक बनाता है।

FLUX 2 पर फोटोरियलिस्टिक AI गर्लफ्रेंड फोटो के लिए, मैं 2.5 से 3.5 का गाइडेंस स्केल इस्तेमाल करता हूं। हां, यह ज्यादातर लोगों की सिफारिश से कम है। और हां, यह बहुत बड़ा अंतर लाता है। रंग ज्यादा हल्के और प्राकृतिक हो जाते हैं। रोशनी ज्यादा मुलायम हो जाती है। त्वचा एयरब्रश किए प्लास्टिक के बजाय असली त्वचा जैसी दिखती है।

यहां अलग-अलग लुक के लिए एक त्वरित संदर्भ है।

• 2.0 से 2.5: बहुत प्राकृतिक, लगभग फिल्म जैसा। कैंडिड शॉट और डॉक्यूमेंट्री-शैली फोटो के लिए बढ़िया
• 2.5 से 3.5: सबसे उपयुक्त बिंदु। साफ लेकिन यथार्थवादी। मैं अपना ज्यादातर समय यहीं बिताता हूं
• 3.5 से 5.0: "प्रोड्यूस्ड" दिखने लगता है। हेडशॉट या पेशेवर फोटो के लिए ठीक
• 5.0+: यथार्थवाद के लिए ज्यादा संतृप्त और बहुत तेज। कमर्शियल फोटोग्राफी शैली के लिए काम करता है लेकिन ज्यादातर लोगों के मनचाहे प्राकृतिक लुक के लिए नहीं

अंतिम स्पर्श के लिए पोस्ट-प्रोसेसिंग

मैं ईमानदार रहूंगा। परफेक्ट जनरेशन सेटिंग के बावजूद, मैं अभी भी अपनी लगभग 70% छवियों पर हल्की पोस्ट-प्रोसेसिंग करता हूं। भारी एडिटिंग नहीं, बस सूक्ष्म स्पर्श जो "बढ़िया AI फोटो" और "रुको, क्या यह असली इंसान है?" के बीच की खाई को पाटते हैं।

मेरे पोस्ट-प्रोसेसिंग वर्कफ़्लो में प्रति छवि लगभग 30 सेकंड लगते हैं।

1. संरचना को कम "AI-केंद्रित" महसूस कराने के लिए हल्का क्रॉप समायोजन
2. कैमरा सेंसर शोर की नकल करने के लिए 2 से 3% ग्रेन जोड़ें
3. सूक्ष्म रंग तापमान बदलाव (आमतौर पर 100 से 200K गर्म)
4. 3 में से 2 छवियों पर बहुत सूक्ष्म विग्नेट
5. असली कैमरे चमकीले क्षेत्रों को कैसे संभालते हैं उससे मेल खाने के लिए हल्का हाइलाइट कम्प्रेशन

यह वैकल्पिक है लेकिन अगर आप अधिकतम यथार्थवाद चाहते हैं तो अनुशंसित है। Lightroom या Darktable जैसे मुफ्त विकल्प भी इसे जल्दी संभाल लेते हैं। अगर आप अपनी जनरेशन पाइपलाइन के लिए Lewdly.ai का इस्तेमाल कर रहे हैं, तो इनमें से कुछ समायोजन खुद वर्कफ़्लो में बेक किए जा सकते हैं, जो वॉल्यूम में कंटेंट बनाते समय समय बचाता है।

अलग-अलग पोशाकों और दृश्यों में सुसंगति कैसे बनाए रखें?

यही वह सवाल है जो मेरे DM में बार-बार आता है, और ईमानदारी से कहूं तो, यहीं ज्यादातर लोग सबसे ज्यादा संघर्ष करते हैं। आपके पास एक किरदार है जो एक आरामदायक पोशाक में बढ़िया दिखता है। अब आपको उसे एक रेस्तरां में औपचारिक ड्रेस में चाहिए। और फिर जिम में वर्कआउट कपड़ों में। और किसी तरह उसे इन सभी परिदृश्यों में वही इंसान दिखना चाहिए।

चुनौती यह है कि LoRA और IPAdapter कुछ खास नैन-नक्श को कुछ खास संदर्भों से जोड़ देते हैं। अगर आपकी ज्यादातर ट्रेनिंग छवियों में आपका किरदार प्राकृतिक रोशनी के साथ आरामदायक कपड़ों में दिखता है, तो जब आप नाटकीय रूप से अलग संदर्भ के लिए प्रॉम्प्ट करेंगे तो मॉडल चेहरे को सूक्ष्म रूप से बदल सकता है। मैंने यह दर्जनों बार होते देखा है। वही LoRA, वही ट्रिगर शब्द, लेकिन "रेस्तरां संस्करण" में "बीच संस्करण" से थोड़ी अलग गाल की हड्डियां हैं।

यहां मेरा समाधान है, और यह महीनों के परीक्षण का नतीजा है।

एंकर इमेज सिस्टम

मैं अपने किरदार की तीन से पांच "एंकर छवियां" रखता हूं जो अलग-अलग संदर्भों के लिए IPAdapter संदर्भ के रूप में काम करती हैं। प्रत्येक एंकर छवि किरदार को एक विशिष्ट सेटिंग प्रकार में दिखाती है लेकिन एक तटस्थ, पहचानने योग्य कोण से जहां उसका चेहरा साफ दिखाई दे।

• एंकर 1: क्लोज-अप पोर्ट्रेट, तटस्थ भाव, मुलायम रोशनी (यह "पहचान रीसेट" छवि है)
• एंकर 2: पूरे शरीर का आरामदायक दृश्य, प्राकृतिक रोशनी
• एंकर 3: गर्म कृत्रिम रोशनी के साथ अंदर की सेटिंग
• एंकर 4: चमकीली रोशनी के साथ सक्रिय/बाहरी दृश्य
• एंकर 5: नाटकीय रोशनी के साथ शाम/माहौल वाला दृश्य

जब मैं जिम दृश्य जनरेट करता हूं, तो मैं एंकर 4 इस्तेमाल करता हूं। जब मैं डिनर डेट दृश्य जनरेट करता हूं, तो मैं एंकर 3 इस्तेमाल करता हूं। LoRA चेहरे की पहचान संभालता है जबकि संदर्भ के अनुरूप एंकर छवि उस विशिष्ट सेटिंग के लिए स्वाभाविक दिखने वाले नतीजे बनाने के लिए IPAdapter का मार्गदर्शन करती है।

अगर किसी खास संदर्भ में चेहरा खिसकने लगता है, तो मैं एंकर 1 (पहचान रीसेट क्लोज-अप) का उपयोग करके 0.9 से 0.95 के उच्च IPAdapter वजन के साथ फिर से जनरेट करता हूं, फिर उस आउटपुट को एक नए संदर्भ-विशिष्ट एंकर के रूप में इस्तेमाल करता हूं। इस प्रक्रिया में लगभग 10 मिनट लगते हैं लेकिन यह सुसंगति की बेसलाइन को रीसेट कर देती है।

ऐसी वार्डरोब प्रॉम्प्टिंग जो चेहरे नहीं बिगाड़ती

यहां एक बात है जो कोई नहीं बताता। कुछ कपड़ों के विवरण दूसरों की तुलना में चेहरे की जनरेशन में ज्यादा बाधा डालते हैं। मुझे तकनीकी रूप से कोई अंदाज़ा नहीं कि यह क्यों होता है, लेकिन मैंने इसे इतनी बार लगातार देखा है कि इसके इर्द-गिर्द नियम बना लिए हैं।

कम बाधा वाले कपड़ों के प्रॉम्प्ट (चेहरे की सुसंगति के लिए सुरक्षित):

• आरामदायक टी-शर्ट, स्वेटर, जींस, स्नीकर्स
• बिना विस्तृत पैटर्न वाली सादी ड्रेसें
• एथलेटिक वियर, हुडी

उच्च बाधा वाले कपड़ों के प्रॉम्प्ट (अपनी चेहरे की सुसंगति का ध्यान रखें):

• चेहरे के पास विस्तृत आभूषण (कान की बाली, हार)
• टोपी, हेडबैंड, बालों के एक्सेसरीज़
• धूप का चश्मा (जाहिर है)
• ऊंचे कॉलर वाले परिधान जो चेहरे को अलग तरह से फ्रेम करते हैं
• पोशाकें या बहुत विस्तृत औपचारिक परिधान

जब मुझे "उच्च बाधा" वाले कपड़े इस्तेमाल करने होते हैं, तो मैं LoRA वजन को 0.1 से 0.15 बढ़ाकर और IPAdapter के लिए ज्यादा कसा हुआ चेहरा क्रॉप एंकर छवि इस्तेमाल करके इसकी भरपाई करता हूं। यह परफेक्ट नहीं है, लेकिन मदद करता है।

केवल दृश्य पक्ष से आगे अनुकूलन तकनीकों पर गहराई से नज़र डालने के लिए, पूरी AI गर्लफ्रेंड अनुकूलन गाइड देखें जो उपस्थिति सेटिंग के साथ-साथ व्यक्तित्व और बातचीत के पहलुओं को कवर करती है।

LoRA साथ में IPAdapter एंकर सिस्टम का उपयोग करके पांच अलग-अलग पोशाकों और सेटिंग में बनाया गया वही AI किरदार। नाटकीय संदर्भ बदलावों के बावजूद चेहरे की पहचान स्थिर रहती है।

आम गलतियां और उन्हें कैसे ठीक करें

मैं एक साल से ज्यादा समय से डिस्कॉर्ड समुदायों में लोगों की उनकी AI किरदार जनरेशन में मदद कर रहा हूं, और मुझे वही गलतियां बार-बार सामने आती दिखती हैं। मुझे आपका कुछ समय बचाने दें।

गलती 1. सुंदरता के लिए अति-प्रॉम्प्टिंग

लोग एक ही प्रॉम्प्ट में "beautiful, gorgeous, stunning, attractive, pretty" सब लिख देते हैं। यह मॉडल को एक आदर्शित, सामान्य चेहरे की ओर धकेलता है जो असली इंसान से कम और ट्रेनिंग डेटा में मौजूद हर "सुंदर" चेहरे के मिश्रण से ज्यादा दिखता है। अधिकतम एक सौंदर्य शब्द चुनें, या इससे भी बेहतर, इसके बजाय विशिष्ट नैन-नक्श का वर्णन करें।

गलती 2. रेज़ोल्यूशन और एस्पेक्ट रेशियो की अनदेखी

512x512 या यहां तक कि 768x768 पर जनरेट करना और फिर अपस्केल करना अजीब चेहरे के आर्टिफैक्ट के लिए एक नुस्खा है। शुरू से ही मूल उच्च रेज़ोल्यूशन (FLUX पर पोर्ट्रेट के लिए 1024x1360) पर जनरेट करें। उच्च मूल रेज़ोल्यूशन पर चेहरे का विवरण उससे काफी बेहतर होता है जो आपको कम रेज़ोल्यूशन की जनरेशन को अपस्केल करने से मिलता है।

गलती 3. हर छवि के लिए एक ही पोज इस्तेमाल करना

यह एक स्पष्ट संकेत है कि कंटेंट AI से बना है। अगर हर फोटो आपके किरदार को कैमरे की ओर मुंह किए एक जैसे 3/4 दृश्य में दिखाती है, तो यह किसी असली इंसान की फोटो फीड के बजाय एक किरदार चयन स्क्रीन जैसी दिखती है। असली लोगों की फोटो कैंडिड पलों में, अलग-अलग कोणों से, कभी-कभी आंशिक रूप से छिपे हुए, कभी-कभी गति के बीच में ली जाती हैं। डिफॉल्ट पोज की जड़ता से बाहर निकलने के लिए विविध संदर्भ पोज छवियों के साथ IPAdapter इस्तेमाल करें।

गलती 4. अपने आउटपुट को न छांटना

मैं हर एक छवि के लिए जिसे मैं वास्तव में इस्तेमाल करता हूं, लगभग 8 से 12 छवियां जनरेट करता हूं। यह असफलता का संकेत नहीं है। यह उत्पादन प्रक्रिया है। पेशेवर फोटोग्राफर भी प्रति सत्र सैकड़ों फोटो खींचते हैं और केवल 20 से 30 अंतिम छवियां देते हैं। अपनी छंटाई में बेरहम रहें। सूक्ष्म चेहरे की असंगतियों, अजीब हाथ के आर्टिफैक्ट, या अप्राकृतिक भावों वाली किसी भी चीज़ को हटा दें। हमेशा मात्रा से ज्यादा गुणवत्ता।

गलती 5. "साधारण" फोटो की उपेक्षा

सबसे विश्वसनीय AI किरदार अकाउंट ग्लैमर शॉट से भरे नहीं होते। उनमें किराना स्टोर की सेल्फी, बिखरे बेडरूम के शीशे की फोटो, धुंधली कॉन्सर्ट की फोटो, और थकी हुई सुबह की कॉफी की तस्वीरें होती हैं। ये "बोरिंग" छवियां असल में नकली बनाना सबसे कठिन होती हैं और सही तरीके से करने पर सबसे ज्यादा भरोसेमंद होती हैं। मैं अपनी लगभग 30 से 40% जनरेशन इन साधारण, अनाकर्षक परिदृश्यों को समर्पित करता हूं।

उत्पादन वर्कफ़्लो: मेरी एंड-टू-एंड प्रक्रिया

मुझे आपको अपने असली उत्पादन वर्कफ़्लो से गुजारने दें। जब मैं किसी प्रोजेक्ट के लिए या परीक्षण के उद्देश्य से AI गर्लफ्रेंड फोटो का एक बैच जनरेट करने बैठता हूं तो मैं यही करता हूं।

चरण 1. सत्र योजना (5 मिनट)। मैं 5 से 8 परिदृश्य तय करता हूं जिन्हें मैं शूट करना चाहता हूं। मैं प्रत्येक के लिए स्थान, पोशाक, माहौल और दिन के समय के साथ एक ब्रीफ लिखता हूं। मैं इसे एक असली फोटो शूट की योजना की तरह सोचता हूं।

चरण 2. एंकर इमेज चयन (2 मिनट)। मैं अपने 3 से 5 एंकर के सेट से प्रत्येक परिदृश्य के लिए सबसे प्रासंगिक एंकर छवि चुनता हूं।

चरण 3. प्रॉम्प्ट मसौदा (10 मिनट)। मैं अपने टेम्पलेट सिस्टम का उपयोग करके प्रॉम्प्ट लिखता हूं, प्रत्येक परिदृश्य के लिए विवरण को अनुकूलित करता हूं। प्रत्येक प्रॉम्प्ट को कैमरा स्पेक्स, रोशनी का विवरण, और पर्यावरणीय विवरण मिलते हैं।

चरण 4. बैच जनरेशन (20 से 30 मिनट)। मैं प्रत्येक परिदृश्य की 8 से 12 विविधताएं जनरेट करता हूं। अगर मैं लोकल चला रहा हूं, तो इसमें ज्यादा समय लगता है। अगर मैं Lewdly.ai या किसी अन्य क्लाउड प्लेटफॉर्म का इस्तेमाल कर रहा हूं, तो मैं इसे समानांतर चला सकता हूं और तेजी से नतीजे पा सकता हूं।

चरण 5. छंटाई (10 मिनट)। मैं सभी आउटपुट की समीक्षा करता हूं और प्रत्येक परिदृश्य से 1 से 2 सर्वश्रेष्ठ चुनता हूं। मैं अपनी एंकर छवियों के मुकाबले चेहरे की सुसंगति जांचता हूं, किसी भी आर्टिफैक्ट की तलाश करता हूं, और सत्यापित करता हूं कि समग्र अनुभव फोटोरियलिस्टिक है।

चरण 6. हल्की पोस्ट-प्रोसेसिंग (5 से 10 मिनट)। Lightroom में त्वरित समायोजन। ग्रेन, हल्का रंग सुधार, क्रॉप समायोजन।

5 से 8 अंतिम फोटो के बैच का कुल समय। लगभग 50 मिनट से एक घंटा। इसमें सेटअप, जनरेशन, छंटाई और पोस्ट-प्रोसेसिंग शामिल है। अभ्यास के साथ, आप तेज हो जाएंगे।

जानने लायक उन्नत तकनीकें

एक बार जब आपके बुनियादी सिद्धांत पक्के हो जाएं, तो कुछ उन्नत तकनीकें हैं जो आपके नतीजों को और भी आगे ले जा सकती हैं।

क्लोज-अप के लिए Face Detailer / ADetailer

किसी भी छवि के लिए जहां चेहरा फ्रेम के लगभग 25% से कम घेरता है, मैं इसे एक फेस डिटेलर पास से गुजारता हूं। यह केवल चेहरे के क्षेत्र को उच्च रेज़ोल्यूशन पर और चेहरे-विशिष्ट सेटिंग के साथ फिर से जनरेट करता है, फिर इसे वापस मूल छवि में जोड़ देता है। पूरे शरीर या मध्यम शॉट के लिए चेहरे के विवरण में सुधार नाटकीय होता है। मैं इस चरण को किसी भी ऐसी छवि के लिए अनिवार्य मानता हूं जिसे पूरे आकार में देखा जाएगा।

सुसंगत उम्र और भाव रेखाएं

एक सूक्ष्म स्पर्श जो यथार्थवाद जोड़ता है। असली लोगों के सुसंगत चेहरे के नैन-नक्श होते हैं जैसे हंसी की रेखाएं, आंखों के नीचे की छाया, या मुस्कुराते समय एक खास सिलवट का पैटर्न। अगर आपके किरदार को 28 साल का दिखना है, तो उसकी त्वचा शून्य भाव रेखाओं के साथ पूरी तरह चिकनी नहीं होनी चाहिए। मैं अपने प्रॉम्प्ट में सूक्ष्म उम्र-उपयुक्त विवरण जोड़ता हूं। "Faint smile lines, subtle under-eye shadow, natural forehead movement lines." अगर ये आपके ट्रेनिंग कैप्शन और प्रॉम्प्ट टेम्पलेट में हैं तो ये विवरण जनरेशन में सुसंगत रहते हैं।

असली फोटोग्राफी संदर्भों का उपयोग

यह मेरा गुप्त हथियार है और मुझे नहीं लगता कि पर्याप्त लोग ऐसा करते हैं। मैं उस परिदृश्य से मेल खाने वाली असली फोटो के लिए फोटोग्राफी सबरेडिट और Pinterest ब्राउज़ करता हूं जिसे मैं जनरेट करना चाहता हूं। नकल करने के लिए नहीं, बल्कि यह समझने के लिए कि उस सेटिंग में असली फोटो वास्तव में कैसी दिखती हैं। रोशनी क्या कर रही है? छाया कहां हैं? बैकग्राउंड में क्या है? फील्ड की गहराई क्या है?

फिर मैं उन असली फोटो का अध्ययन करता हूं और उनके गुणों को अपने प्रॉम्प्ट में अनुवादित करता हूं। इस रिवर्स-इंजीनियरिंग दृष्टिकोण ने मेरे यथार्थवाद को किसी भी तकनीकी सेटिंग बदलाव से ज्यादा सुधारा है।

क्या आपको क्लाउड प्लेटफॉर्म इस्तेमाल करने चाहिए या लोकल चलाना चाहिए?

यह आपकी स्थिति पर निर्भर करता है, और इस बारे में मेरी राय है।

तीखी राय। AI गर्लफ्रेंड फोटो जनरेशन करने वाले ज्यादातर लोगों के लिए लोकल चलाना ज़रूरत से ज्यादा बढ़ा-चढ़ाकर पेश किया जाता है। जब तक आपके पास 24GB+ GPU न हो और आपको Python एनवायरनमेंट और CUDA ड्राइवर के साथ छेड़छाड़ करने में मजा न आता हो, आप वास्तव में छवियां जनरेट करने से ज्यादा समय अपने सेटअप को डीबग करने में बिताएंगे। Lewdly.ai, Replicate, और RunPod जैसे क्लाउड प्लेटफॉर्म इन्फ्रास्ट्रक्चर संभालते हैं ताकि आप रचनात्मक पक्ष पर ध्यान केंद्रित कर सकें।

उस ने कहा, गंभीर उपयोगकर्ताओं के लिए लोकल चलाने के असली फायदे हैं। कोई रेट लिमिट नहीं, कोई कंटेंट पॉलिसी प्रतिबंध नहीं (यह मानते हुए कि आप कुछ भी अवैध नहीं कर रहे हैं), हर पैरामीटर पर पूरा नियंत्रण, और आपके शुरुआती हार्डवेयर निवेश के बाद कोई प्रति-छवि लागत नहीं। अगर आप एक दिन में 50+ छवियां जनरेट कर रहे हैं, तो लोकल हार्डवेयर की अर्थव्यवस्था समझ में आने लगती है।

यहां वॉल्यूम के आधार पर मेरी सिफारिश है।

• प्रति दिन 20 से कम छवियां: एक क्लाउड प्लेटफॉर्म इस्तेमाल करें। लोकल सेटअप की सिरदर्दी के लायक नहीं
• प्रति दिन 20 से 50 छवियां: दोनों काम करते हैं। यह इस पर निर्भर करता है कि आप सुविधा को महत्व देते हैं या नियंत्रण को
• प्रति दिन 50+ छवियां: लोकल हार्डवेयर 2 से 3 महीने में अपनी कीमत वसूल कर लेता है

खासकर LoRA ट्रेनिंग पक्ष के लिए, मैं हमेशा क्लाउड कंप्यूट की सिफारिश करता हूं जब तक आपके पास 24GB VRAM न हो। 12GB कार्ड पर ट्रेनिंग संभव है लेकिन दर्दनाक रूप से धीमी है, और जब आप ट्रेनिंग पैरामीटर के साथ प्रयोग कर रहे हों तो दोहराव की गति मायने रखती है।

अक्सर पूछे जाने वाले प्रश्न

2026 में यथार्थवादी AI गर्लफ्रेंड फोटो के लिए सबसे अच्छा मॉडल कौन सा है?

फोटोरियलिज्म के लिए FLUX 2 Dev मेरी शीर्ष सिफारिश है। यह त्वचा की बनावट, रोशनी के परस्पर प्रभाव, और प्राकृतिक भावों को किसी भी अन्य खुले उपलब्ध मॉडल से बेहतर संभालता है। गति की कीमत पर और भी उच्च गुणवत्ता के लिए, अगर आपके पास किसी API प्रदाता के जरिए पहुंच है तो FLUX 2 Pro आजमाने लायक है।

एक सुसंगत चेहरा LoRA के लिए मुझे कितनी ट्रेनिंग छवियों की आवश्यकता है?

मैंने 15 से 25 छवियों को सबसे उपयुक्त पाया है। 15 से नीचे और आपके पास मॉडल के लिए यह सीखने हेतु पर्याप्त विविधता नहीं होती कि चेहरे के बारे में क्या सुसंगत है बनाम क्या आकस्मिक है। 25 से ऊपर और आपको घटते प्रतिफल मिलने लगते हैं। सुनिश्चित करें कि आपकी छवियां कई कोण, रोशनी की स्थितियां और भाव कवर करती हों।

क्या मैं LoRA ट्रेन किए बिना किरदार सुसंगति पा सकता हूं?

हां, लेकिन सुसंगति कम होगी। एक मजबूत संदर्भ छवि के साथ अकेला IPAdapter आपको लगभग 75 से 85% चेहरे की सुसंगति तक पहुंचा सकता है। IPAdapter के ऊपर InstantID जोड़ने से यह लगभग 85 से 90% तक पहुंच जाती है। लेकिन सैकड़ों छवियों में 90% से अधिक विश्वसनीयता के लिए, LoRA ट्रेनिंग सबसे भरोसेमंद दृष्टिकोण बना रहता है।

मेरी AI फोटो "बहुत परफेक्ट" और साफ नकली क्यों दिखती हैं?

आप शायद बहुत उच्च CFG/गाइडेंस स्केल इस्तेमाल कर रहे हैं, सुंदरता के लिए अति-प्रॉम्प्टिंग कर रहे हैं, और अपने प्रॉम्प्ट में खामियों के संकेत शामिल नहीं कर रहे हैं। FLUX पर अपनी गाइडेंस को 2.5 से 3.5 तक कम करें, प्राकृतिक त्वचा बनावट के कीवर्ड जोड़ें, पर्यावरणीय खामियां शामिल करें, और चित्रण रेंडरिंग के बजाय फोटोग्राफिक रेंडरिंग को ट्रिगर करने के लिए कैमरा-विशिष्ट तकनीकी शब्दों का उपयोग करें।

मैं AI गर्लफ्रेंड फोटो में हाथों को कैसे संभालूं?

हाथ अभी भी AI इमेज जनरेशन की कमजोर कड़ी हैं, हालांकि FLUX 2 उन्हें पहले के मॉडल से कहीं बेहतर संभालता है। मेरा दृष्टिकोण तीन तरफा है। पहला, ऐसे शॉट रचें जहां हाथ केंद्र बिंदु न हों। दूसरा, जब हाथ दिखने ही चाहिए, तो साफ, प्राकृतिक हाथ की मुद्राओं वाली IPAdapter संदर्भ छवियों का उपयोग करें। तीसरा, किसी भी छवि के लिए जहां हाथ गलत दिखें, फिर से जनरेट करें या केवल हाथ के क्षेत्र को ठीक करने के लिए इनपेंटिंग का उपयोग करें।

सबसे अच्छे चेहरे के विवरण के लिए मुझे किस रेज़ोल्यूशन पर जनरेट करना चाहिए?

FLUX 2 पर पोर्ट्रेट ओरिएंटेशन के लिए 1024x1360 या लैंडस्केप के लिए 1360x1024 पर जनरेट करें। ये वे मूल उच्च-रेज़ोल्यूशन लक्ष्य हैं जो बिना आर्टिफैक्ट के सबसे अच्छा चेहरे का विवरण बनाते हैं। इससे ऊपर जाने पर अक्सर अजीब टाइलिंग आर्टिफैक्ट आ जाते हैं। अगर आपको बड़ी अंतिम छवियां चाहिए, तो इन आकारों पर जनरेट करें और फिर Real-ESRGAN जैसे एक समर्पित अपस्केलर का उपयोग करके अपस्केल करें।

मैं एक ही किरदार पर अलग-अलग पोशाकों को स्वाभाविक कैसे बनाऊं?

ऊपर बताए गए एंकर इमेज सिस्टम का उपयोग करें। अलग-अलग रोशनी संदर्भों में अपने किरदार की 3 से 5 संदर्भ छवियां रखें, और जिस दृश्य को आप जनरेट कर रहे हैं उससे एंकर का मिलान करें। अगर कोई खास पोशाक चेहरा खिसकने का कारण बन रही है, तो भरपाई के लिए अपना LoRA वजन 0.1 से 0.15 बढ़ाएं।

क्या ऐसे पूरे फोटो सेट जनरेट करना संभव है जो किसी असली इंसान के सोशल मीडिया जैसे दिखें?

बिल्कुल, और यहीं इस गाइड की तकनीकें वाकई चमकती हैं। कुंजी विविधता है। ग्लैमर शॉट को साधारण शॉट के साथ मिलाएं। दिन के अलग-अलग समय, अंदर और बाहर की सेटिंग, अकेले शॉट और निहित सामाजिक स्थितियां शामिल करें। एंकर इमेज सिस्टम साथ में प्रॉम्प्ट टेम्पलेट इसे व्यवस्थित रूप से हासिल करने योग्य बनाते हैं। मैं नियमित रूप से 30 से 50 छवियों के सेट जनरेट करता हूं जो सुसंगत पहचान बनाए रखते हैं।

शुरू से पूरे सेटअप में कितना समय लगता है?

अगर आप शून्य से शुरू कर रहे हैं, तो अपने पहले किरदार के लिए लगभग 4 से 6 घंटे की उम्मीद रखें। यह इस तरह बंटता है, बुनियादी सिद्धांत सीखने में लगभग 1 घंटा, अपना शुरुआती संदर्भ छवि सेट जनरेट करने और छांटने में 1 से 2 घंटे, एक LoRA ट्रेन करने में 1 से 2 घंटे, और अपने प्रॉम्प्ट टेम्पलेट और एंकर छवियां सेट करने में 30 मिनट से एक घंटा। उस शुरुआती सेटअप के बाद, नई छवियां जनरेट करना तेज है, आमतौर पर प्रति अंतिम चयनित छवि एक मिनट से कम।

क्या मैं इन तकनीकों का उपयोग वीडियो कंटेंट के लिए भी कर सकता हूं?

चेहरे की सुसंगति की तकनीकें (LoRA, एंकर छवियां) Kling और Runway Gen-3 जैसे मॉडलों के साथ AI वीडियो जनरेशन में सीधे लागू होती हैं। मुख्य अंतर यह है कि वीडियो एक और आयाम के रूप में लौकिक सुसंगति जोड़ता है जिसे आपको प्रबंधित करना होता है। लेकिन फोटो जनरेशन के लिए आप जो नींव बनाते हैं वह आपको बड़ी बढ़त देती है। हालांकि यह एक पूरा अलग लेख है।

अंतिम विचार

AI गर्लफ्रेंड फोटो जनरेशन पिछले साल में अविश्वसनीय रूप से आगे बढ़ी है। फोटोरियलिस्टिक रेंडरिंग के लिए FLUX 2, चेहरे की पहचान के लिए LoRA ट्रेनिंग, लचीली पोजिंग के लिए IPAdapter, और यथार्थवाद के लिए सोच-समझकर की गई प्रॉम्प्ट इंजीनियरिंग का संयोजन ऐसी किरदार फोटो बनाना संभव करता है जिन्हें असली फोटोग्राफी से अलग पहचानना सचमुच कठिन है।

इस सब के जरिए मैंने जो सबसे बड़ा सबक सीखा है वह यह है कि यथार्थवाद तकनीकी पूर्णता के बारे में नहीं है। यह अपूर्णता के बारे में है। असली फोटो में खामियां होती हैं। असली लोगों के नैन-नक्श असमान होते हैं। असली कैमरे ग्रेन और बोकेह और लेंस की विकृति पैदा करते हैं। आप इन खामियों की ओर जितना झुकेंगे, आपके नतीजे उतने ही भरोसेमंद बनेंगे।

FLUX 2 से शुरू करें, एक ठोस LoRA ट्रेन करें, अपना एंकर इमेज सिस्टम बनाएं, और ऐसे प्रॉम्प्ट टेम्पलेट विकसित करें जो प्रॉम्प्ट इंजीनियर के बजाय एक फोटोग्राफर की तरह सोचें। खुद को ढेर सारी छवियां जनरेट करने और बेरहमी से सर्वश्रेष्ठ तक छांटने की अनुमति दें। यही प्रक्रिया है। यह जादू नहीं है, और यह तुरंत नहीं होता, लेकिन नतीजे खुद बोलते हैं।

अगर आपको यह गाइड मददगार लगी और आप AI साथियों के व्यक्तित्व और बातचीत पक्ष का पता लगाना चाहते हैं (केवल दृश्य पक्ष नहीं), तो AI गर्लफ्रेंड अनुकूलन और Stable Diffusion के साथ AI गर्लफ्रेंड किरदार बनाने पर मेरी गाइड देखें। इस लेख की दृश्य सुसंगति तकनीकें वहां कवर किए गए किरदार विकास दृष्टिकोणों के साथ बखूबी मेल खाती हैं।