Đánh giá Seedream 5.0 Pro: Công cụ chỉnh sửa ảnh AI đột phá với khả năng can thiệp cục bộ

http://x.com/i/article/2076599995600621568

Đánh giá Seedream 5.0 Pro: Rào cản chỉnh sửa hình ảnh giảm mạnh

ByteDance tuần trước đã ra mắt mô hình hình ảnh thế hệ mới Seedream 5.0 Pro.

Tôi đã lập tức trải nghiệm thử và ấn tượng tổng thể là:

Chất lượng hình ảnh, khả năng hiểu câu lệnh (prompt) và năng lực tạo ảnh tổng hợp về cơ bản đã bắt kịp GPT-Image 2.0.

Hiện tại, Volcano Engine đã chính thức cung cấp dịch vụ API cho Seedream 5.0 Pro.

Bạn cũng có thể trải nghiệm tại các nền tảng như Jimeng, Doubao, Lumina và Trung tâm trải nghiệm Volcano Ark.

Các bảng xếp hạng đánh giá từ bên thứ ba cũng đưa ra kết luận tương tự: năng lực tổng hợp chỉ đứng sau GPT-Image 2.0, thuộc nhóm dẫn đầu.

Nếu chỉ dừng lại ở mức bắt kịp, tôi đã không cần viết bài này.

Điều thực sự thu hút sự chú ý của tôi nằm ở phần chỉnh sửa hình ảnh trong thông báo cập nhật của họ.

Một, điểm sáng thực sự nằm ở khả năng chỉnh sửa

Thông báo có đề cập đến khả năng chỉnh sửa tương tác (Interactive Editing).

Tôi đã tìm hiểu và phát hiện hiện tại chỉ có nền tảng Lumina của Volcano Engine là cung cấp đầy đủ nhất các tính năng chỉnh sửa này.

Sau khi thử nghiệm, tôi nhận ra đây không phải kiểu chỉnh sửa ảnh bằng AI mà chúng ta vẫn thường thấy.

Đây là sự chỉnh sửa tinh vi thực sự: bạn chỉ vào đâu, nó sửa ở đó, các vị trí khác không thay đổi dù chỉ một pixel.

Kết hợp với thiết kế tương tác của nó, hầu hết các nhu cầu chỉnh sửa ảnh và thiết kế hàng ngày có thể không cần dùng đến Photoshop nữa.

Hơn nữa, người dùng phổ thông cũng có thể thực hiện các thao tác chỉnh sửa chi tiết một cách rất dễ dàng.

Hai, tương tác: Đưa vùng chọn vào trong câu lệnh

Trước khi đi vào các ví dụ, cần phải làm rõ cách tương tác của nó, vì cách tương tác hỗ trợ chỉnh sửa hình ảnh lần này rất thú vị.

Tất cả các ví dụ đều được xây dựng dựa trên bộ tương tác này.

Sau khi tải ảnh lên, bạn có thể nhấp vào nút "Draw" để chỉnh sửa hình ảnh một cách chính xác.

Sau đó, bạn có thể thực hiện ba loại đánh dấu chỉnh sửa chính xác trên ảnh:

Một là chấm điểm (Mark): Nhấp vào vật thể muốn chỉnh sửa để tạo một dấu (Mark).

Hai là vẽ khung chọn (Region): Khoanh vùng một khu vực, biểu thị rằng việc chỉnh sửa chỉ diễn ra trong phạm vi đó.

Ba là vẽ nguệch ngoạc và mũi tên: Có thể dùng bút vẽ và mũi tên với các màu sắc khác nhau để đánh dấu các phần và vị trí trên ảnh.

Điểm mấu chốt nằm ở bước tiếp theo:

Những điểm bạn chấm, khung bạn vẽ, ảnh bạn tải lên đều có thể được @ trực tiếp khi viết câu lệnh, biến chúng thành một "từ đa phương thức" trong prompt chỉ với một cú nhấp chuột.

Vì vậy, câu lệnh của bạn sẽ trông như thế này:

Thay ghế sofa tại @Mark01 bằng ghế sofa vải màu trắng kem, sơn lại tường tại @Mark02 bằng màu #F5EDE3, thay sàn nhà tại @Mark03 bằng sàn gỗ xương cá tự nhiên...

Điểm, khung, ảnh tham chiếu, mã màu và ngôn ngữ tự nhiên được trộn lẫn trong cùng một câu, mô hình đều có thể hiểu được.

Thiết kế này tốt ở hai điểm.

Thứ nhất, câu lệnh trở nên ngắn gọn hơn.

Trước đây phải mô tả "chiếc ghế sofa cũ màu kem, tay vịn hơi sờn ở bên trái gần cửa sổ", giờ đây chỉ cần chấm vào ghế. Không còn sự mơ hồ.

Thứ hai, rào cản viết câu lệnh đã biến mất.

Trước đây, khó khăn nhất của việc chỉnh sửa tinh vi không phải là xác định cần sửa gì, mà là dùng văn bản để mô tả rõ sửa ở đâu.

Quan hệ không gian, chỉ định vật thể, viết được những câu lệnh kiểu này thực sự là một kỹ năng khó.

Bây giờ, vị trí giao cho tay, nhu cầu giao cho miệng.

Đây thực chất chính là logic tương tác của Photoshop: chọn vùng trước, thao tác sau.

Chỉ có điều, nửa phần "thao tác" – vốn là phần cần học vài năm mới làm được – nay đã được thay thế bằng ngôn ngữ tự nhiên.

Hiểu được bộ tương tác này, bạn có thể tái hiện lại tất cả các ví dụ dưới đây.

Ba, ví dụ thực tế: Bắt đầu từ việc cải tạo một căn phòng

Tôi đã thực hiện một loạt các bài kiểm tra tăng dần theo ba bối cảnh hàng ngày: trang trí nhà cửa, ảnh sản phẩm, dàn trang poster.

Mỗi ví dụ đều được viết theo cấu trúc "Dùng ảnh gì, làm thao tác gì, ra kết quả gì", bạn có thể làm theo.

Bối cảnh 1: Cải tạo phòng trọ, từ "sơn tường" đến "di chuyển nội thất"

Bước 1: Chấm điểm để thay đổi nội thất.

Ảnh gốc là ảnh chụp thực tế phòng trọ của tôi: tường trắng, sàn cũ, kệ đồ của chủ nhà chất đầy tạp vật, rất chân thực.

Tôi chấm bốn điểm trên ảnh: ghế sofa, tường, sàn nhà, kệ hàng, rồi ra lệnh:

Giúp tôi tạo một bản thiết kế sau khi cải tạo phòng trọ, thay @Mark01 bằng ghế sofa vải màu trắng kem, sơn tường tại @Mark02 bằng màu #F5EDE3, thay sàn nhà bằng sàn gỗ xương cá tự nhiên tại @Mark03, thay kệ hàng tại @Mark04 bằng kệ gỗ IKEA, và dọn dẹp quần áo cùng tạp vật bừa bãi.

Kết quả hình ảnh thu được rất tốt. Vẫn là căn phòng đó, vị trí cửa sổ, tỷ lệ phòng, góc nhìn hoàn toàn không thay đổi, nhưng bốn vị trí đã được thay đổi theo yêu cầu.

Ngay cả yêu cầu mơ hồ như "dọn dẹp tạp vật" cũng được thực hiện, đống quần áo lộn xộn trên ghế sofa đã biến mất. Tạo một lần, chỉnh sửa bốn nơi, không can thiệp lẫn nhau.

Bước 2: "Di chuyển" nội thất từ giỏ hàng vào phòng.

Chỉ thay đổi phong cách thôi chưa đủ, tôi tăng độ khó lên. Tôi tìm sáu bức ảnh nội thất cụ thể:

Ghế sofa, bàn trà, ghế nằm, tủ kệ, rèm cửa. Chấm sáu điểm trong phòng để thay thế 1-1:

Thay ghế sofa tại @Mark01 bằng @Image002, thay bàn trà tại @Mark02 bằng @Image004, thay ghế nằm tại @Mark03 bằng @Image003, thay tủ kệ tại @Mark04 bằng @Image005, đồng thời loại bỏ giá phơi đồ và tạp vật tại @Mark05, thay rèm cửa tại @Mark06 bằng @Image006.

Sáu món nội thất đều được "đặt" vào vị trí, phối cảnh và ánh sáng đều chuẩn xác.

Chiếc bàn trà gỗ hình đám mây đó đặt trên sàn phòng tôi, hướng đổ bóng hoàn toàn trùng khớp với nguồn sáng từ cửa sổ.

Đây là một yêu cầu rất phức tạp.

Trước đây nếu viết câu lệnh, tôi cần viết rất nhiều, và có thể nó vẫn xử lý không tốt vì diễn đạt bằng văn bản luôn có khoảng cách (gap).

Bây giờ tôi không cần phải "quay gacha" (thử vận may) nữa, làm một lần là xong, chi phí hiểu biết cực thấp, ai cũng dùng được.

Bước 3: Phối màu theo bảng màu.

Cuối cùng là kiểm tra khả năng kiểm soát phong cách. Seedream 5.0 hỗ trợ thay đổi màu sắc cực kỳ chính xác.

Tôi tải lên một bảng màu và yêu cầu nó phối lại màu cho toàn bộ căn phòng:

Tham khảo bảng màu @Image002 tôi cung cấp, phối lại màu cho căn phòng @Image001: tường dùng màu nhạt nhất, rèm dùng màu thứ hai, tủ và bàn trà thay bằng nội thất có màu tương ứng, vị trí nội thất giữ nguyên, loại bỏ tạp vật.

Nó hiểu chính xác mối quan hệ ánh xạ như "màu thứ mấy trong bảng màu dùng ở đâu". Vị trí nội thất không thay đổi một món nào, hệ thống màu sắc được thay đổi hoàn toàn.

Phương án phối màu mà các nhà thiết kế tính phí theo giờ, giờ đây chỉ mất vài chục giây. Không hài lòng? Bạn có thể tự đổi bảng màu khác và làm lại.

Bối cảnh 2: "Con đường thương mại hóa" của một chiếc bàn phím

Nhóm này kiểm tra điều mà các tiểu thương quan tâm nhất: sản phẩm chụp vội bằng điện thoại, liệu có thể không cần thuê nhiếp ảnh gia, không cần mở Photoshop mà vẫn sản xuất được trọn bộ tư liệu thương mại hay không.

Nguyên liệu chỉ có một tấm ảnh chiếc bàn phím cơ Lofree do tôi tự chụp.

Bước 1: Biến ảnh chụp vội thành ảnh quảng cáo chuyên nghiệp.

Đặt chiếc bàn phím này vào bối cảnh bàn làm việc bằng gỗ buổi sáng, bên cạnh có bánh mì và một tách trà, ngược sáng, chữ trên bàn phím giữ nguyên không được thay đổi.

Kết quả là một bức ảnh tiêu chuẩn "góc làm việc buổi sáng": ngược sáng, tách trà bốc khói, quầng sáng đèn trang trí dưới bàn phím cũng được giữ lại.

Quan trọng là các ký tự trên keycap không bị lỗi. Ảnh sản phẩm sợ nhất là mô hình làm loạn bao bì và chữ viết.

Câu lệnh này tôi sửa từ bài kiểm tra trước, trong đó còn sót lại một câu "mật ong phải có chất liệu hổ phách xuyên thấu" mà quên xóa.

Kết quả là nó thực sự đặt một hũ mật ong màu hổ phách xuyên thấu trên bàn, còn cắm cả que lấy mật.

Bước 2: Ảnh tháo rời (Exploded view).

Tiếp theo, tôi nhập một yêu cầu rất khó đối với việc chỉnh sửa ảnh truyền thống:

Thêm góc nhìn tháo rời để hiển thị cấu trúc bên trong của bàn phím.

Nó "tháo" bàn phím thành bốn lớp lơ lửng: keycap, switch và plate, foam lót, đế hợp kim nhôm.

Cấu trúc mỗi lớp đều phù hợp với cấu tạo thực tế của bàn phím cơ, bối cảnh và ánh sáng vẫn là chiếc bàn cũ.

Phía trên không có vấn đề gì, nhưng phía dưới có chút lỗi: nó tháo khung hợp kim nhôm đúc nguyên khối thành hai phần.

Những bức ảnh kiểu này trong quy trình truyền thống cần dựng mô hình 3D hoặc render sản phẩm. Bây giờ chỉ cần một câu nói.

Và không cần câu lệnh phức tạp.

Bạn thấy đấy, câu lệnh của tôi cộng lại chưa đến 20 chữ, cho thấy sự cải thiện về trí tuệ của nó là rất lớn.

Bước 3: Gắn nhãn điểm bán hàng cho ảnh tháo rời.

Chú thích vị trí đế: Hợp kim nhôm đúc nguyên khối; chú thích vị trí switch: Switch từ tính cao cấp; chú thích phần keycap: Keycap tinh xảo; chú thích phần đèn trang trí phía dưới: Đèn trang trí đa sắc.

Bốn đường dẫn, bốn chú thích, vị trí đều chỉ đúng. Một "ảnh cấu trúc điểm bán hàng" cho trang chi tiết sản phẩm đã hoàn thành.

Bước 4: Dùng khung để dàn trang poster trực tiếp.

Trước đó đều dùng chấm điểm, bước này chuyển sang dùng khung chọn.

Tôi vẽ ba khung trên ảnh tháo rời:

Một khung góc trên bên trái để đặt tiêu đề, một khung bên dưới đặt tiêu đề phụ, một dải ngang dưới cùng đặt điểm bán hàng. Sau đó gán nhiệm vụ văn bản cho từng khung:

Vị trí @Region01 viết tiêu đề lớn: magnetic speed. mechanical soul., vị trí @Region02 viết tiêu đề phụ: Lofree HYZEN67, @Region03 dùng một thẻ lớn lơ lửng bên trên để hiển thị dàn trang các điểm nhấn văn bản về tính năng của ba bàn phím, nội dung lần lượt là: CNC-Milled From a Single Block of Aluminum., solving the 65% keyboard limitation. visibility f-row mode indicators., architectural precision, a defined shape built for performance.

Kết quả là một tấm poster sản phẩm tiếng Anh có thể sử dụng ngay.

Tiêu đề lớn, tiêu đề phụ, ba cột thẻ điểm bán hàng bên dưới, tất cả đều nằm đúng vị trí tôi khoanh, văn bản không sai một chữ.

Có thể thấy, vị trí của nó rất chính xác, về cơ bản là theo đúng vị trí tôi đã khoanh.

Mặc dù vị trí khung tiêu đề bên trên hơi thiếu diện tích, nhưng nó tự mở rộng vị trí đó, thậm chí khoảng cách giữa tiêu đề và tiêu đề phụ cũng gần giống với vị trí tôi khoanh. Các thẻ bên dưới cũng tuân thủ nghiêm ngặt vị trí tôi khoanh.

Tôi đo thử, gần như không sai lệch bao nhiêu, có lẽ chỉ lệch vài pixel, cho thấy nó chỉnh sửa rất chính xác.

Hơn nữa, bạn hoàn toàn có thể dùng cách này để dàn trang trực tiếp trên các đánh dấu, coi như một mẹo nhỏ.

Ngoại truyện: Nhu cầu đổi màu thiết yếu của người bán quần áo.

Tư duy tương tự còn giúp tiết kiệm hơn trong danh mục quần áo. Tôi lấy một ảnh người mẫu mặc áo hoodie, báo trực tiếp mã màu:

Đổi chiếc áo hoodie này lần lượt sang ba màu #1E8BE5, #E53935, #4CAF50, giữ nguyên phom dáng, nếp gấp, ánh sáng và bối cảnh, xuất một ảnh ghép 4 ô bao gồm cả màu gốc.

Tạo một lần ra bốn màu trong 4 ô, nếp gấp và ánh sáng nhất quán từng ô, chữ in nhỏ trên ngực vẫn còn nguyên. Hơn nữa, tấm đầu tiên chính là ảnh gốc.

Một chiếc áo chụp một lần, ảnh cho tất cả các mã màu SKU đều đủ cả.

Nếu bạn muốn kiểm tra các màu sắc khác nhau hoặc các SKU chi tiết, hoàn toàn có thể tạo theo cách và từ khóa chi tiết của tôi.

Một tấm ảnh là có thể so sánh hết tất cả các SKU.

Bối cảnh 3: Poster và dàn trang, con người quản lý thông tin, AI quản lý thẩm mỹ

Đây là cách chơi mà tôi muốn giới thiệu nhất.

Vấn đề nan giải nhất của AI tạo ảnh là chữ dễ viết sai, bố cục không kiểm soát được.

Các mô hình khác tuy sau này cũng có thể giải quyết vấn đề này, nhưng độ chi tiết có thể không chính xác bằng.

Kết hợp với Seedream 5.0, việc chỉnh sửa hình ảnh này có thể đạt được:

Thông tin và bố cục do con người quyết định, mô hình chỉ chịu trách nhiệm "nâng cấp" nó thành một tác phẩm thiết kế.

Cách chơi 1: Bản thảo dàn trang nền trắng + Ảnh sản phẩm = Poster thành phẩm.

Tôi dàn trước một trang bản thảo văn bản đơn giản nhất trong PPT:

Tiêu đề "XX Coffee ra mắt sản phẩm mới", tiêu đề phụ, giá "¥29.9".

Toàn bộ là font mặc định, nền trắng chữ đen, chỉ cần đặt đúng vị trí.

Sau đó gửi kèm một tấm ảnh sản phẩm cà phê:

Dàn trang một poster tuân thủ nghiêm ngặt nội dung văn bản và vị trí dàn trang của ảnh 1: tổng thể là tông màu cà phê sữa (#C8A27A, #4A3728), tiêu đề làm theo chất liệu nổi như kem bóp ra, sản phẩm đặt ở phần giữa dưới của bố cục, ánh sáng là ánh sáng ấm của quán cà phê. Tất cả nội dung văn bản và vị trí tuân thủ nghiêm ngặt ảnh 1, không được sai một chữ.

Thành phẩm có tiêu đề nổi chất liệu kem, cận cảnh latte art, hạt cà phê rơi vãi.

Vị trí của mỗi phần tử trong bản thảo dàn trang của tôi đều được tuân thủ nghiêm ngặt, giá tiền không sai một xu.

Độ chính xác của văn bản do tôi đảm bảo, thẩm mỹ do nó chịu trách nhiệm. Sự phân công này hoàn toàn tránh được căn bệnh cũ là AI viết sai chữ.

Cách chơi 2: Cùng một bố cục, thay "da" như thay áo.

Lấy tấm poster thành phẩm ở trên, tôi chạy lại một lần nữa:

Tuân thủ nghiêm ngặt bố cục và chi tiết của tấm poster quảng cáo này, thay đổi tiêu đề và tiêu đề phụ trong ảnh quảng cáo lần lượt thành chất liệu chỉ khâu nỉ, chất liệu kim loại laser Y2K và chất liệu thủy mặc giấy xuyến chỉ, sau đó làm một ảnh ghép 4 ô, bao gồm cả ảnh gốc đặt cùng nhau.

Bốn tấm poster, văn bản và bố cục hoàn toàn nhất quán, chỉ có chất liệu tiêu đề thay đổi.

Bố cục là tài sản của bạn, "da" muốn thay thế nào thì thay. Làm tư liệu sự kiện, kiểm tra tỷ lệ nhấp của các phong cách khác nhau, tất cả chỉ là chuyện một câu nói.

Bốn, hướng dẫn sử dụng: Làm thế nào để tận dụng tối đa khả năng này

Sau đợt kiểm tra này, tôi thấy nó khá hữu ích, đặc biệt là trong việc giảm khoảng cách (gap) trong câu lệnh và tăng độ chính xác khi chỉnh sửa.

Tôi đã đúc kết ra năm cách dùng có thể áp dụng ngay, giúp bạn suy một ra ba.

• Có thể dùng tay thì đừng gõ nhiều chữ.

Chấm điểm và vẽ khung luôn ưu tiên hơn mô tả vị trí bằng văn bản.

Những mô tả như "cái bên trái", "gần cửa sổ" là nguồn gốc của sự mơ hồ, chấm một cái là hết mơ hồ ngay.

Câu lệnh của bạn chỉ nên còn lại "thay thành cái gì", còn "sửa ở đâu" hãy giao hết cho tay.

• Gom nhu cầu chỉnh sửa thành một câu.

Nó hỗ trợ nhiều Mark và Region trong một câu, tạo một lần, chỉnh sửa nhiều nơi, sẽ không bị "nát" dần như đối thoại nhiều vòng.

Trước khi sửa ảnh hãy liệt kê hết nhu cầu, gửi đi một lần.

• Nhu cầu chính xác hãy dùng "chỉ số cứng" để biểu đạt.

Màu sắc hãy báo mã màu hex (chú ý chữ cái phải viết hoa), phối màu hãy gửi ảnh bảng màu, vật thể thay thế hãy gửi ảnh tham chiếu.

Mức độ tuân thủ của mô hình đối với các đầu vào cứng này cao hơn nhiều so với tính từ. "Màu Morandi cao cấp" không bằng một bảng màu cộng với một câu "tường dùng màu nhạt nhất".

• Nhu cầu dàn trang, hãy làm "bản thảo thông tin" trước rồi mới làm "bản thảo thiết kế".

Poster, menu, trang chi tiết sản phẩm là những loại ảnh dày đặc văn bản, hãy dùng PPT, Excel hoặc Figma để dàn văn bản và vị trí trước.

Sau đó để mô hình chịu trách nhiệm về chất liệu và phong cách.

Con người quản lý thông tin, AI quản lý thẩm mỹ. Xác suất sai chữ sẽ giảm xuống gần bằng không.

• Coi mỗi sản phẩm đầu ra là ảnh nền cho lần chỉnh sửa tiếp theo.

Ảnh bối cảnh, ảnh tháo rời, ảnh chú thích, poster, dòng bàn phím của tôi chính là được chồng lớp lên như vậy.

Khả năng chỉnh sửa cục bộ của nó đủ ổn định, bạn có thể yên tâm tiếp tục gia công trên thành phẩm, một tấm ảnh gốc có thể phân tách thành cả một bộ tư liệu.

Cuối cùng, hãy điểm qua những cải tiến tổng thể của phiên bản này.

Ngoài khả năng chỉnh sửa, còn có ba phần khá tốt.

Khả năng đa ngôn ngữ rõ ràng đã tốt hơn. Trong ví dụ dịch menu ba thứ tiếng, bố cục và cách dùng từ của tiếng Anh, tiếng Pháp, tiếng Trung phồn thể đều ở mức có thể sử dụng được, không còn là kiểu "nhìn là biết AI viết ngoại ngữ".

Hiệu ứng chân dung đã lên một tầm cao mới.

Sự nhất quán của khuôn mặt trước và sau khi chỉnh sửa, chất liệu da đều ổn định hơn nhiều so với thế hệ trước, đổi màu quần áo không còn phải lo "thay đầu" nữa.

Chi tiết của ảnh thông tin phức tạp, đặc biệt là chữ nhỏ tiếng Trung, tiến bộ rất lớn.

Nhìn chung, lần này ByteDance đã đạt đến vị trí dẫn đầu toàn cầu về cả mô hình hình ảnh và video.

Đặc biệt là video, có thể nói là dẫn đầu vượt bậc; còn về mô hình hình ảnh, nó ngang ngửa với GPT-image-2.0, bỏ xa Nano Banana một khoảng cách khá lớn.

Về các mô hình cần thiết cho sản xuất nội dung, ByteDance về cơ bản đã bố trí xong xuôi, rất đáng sợ.

Sau đó, nếu mọi người cần tạo một số Agent hình ảnh, hoặc tự làm để chơi.

Từ góc độ mở, việc sử dụng API của Volcano Engine là rất thuận tiện và linh hoạt, cũng có thể thử xem sao.

Nếu bạn thấy nội dung của tôi hữu ích, có thể giúp tôi nhấn like, hoặc chia sẻ cho những người bạn đang cần.