Miért nem elég leírni a karaktert
Írj le egy embert olyan pontosan, ahogy csak bírod: „harmincas nő, vállig érő sötétbarna haj, szemüveg, szeplők". Generálj vele tíz képet. Tíz különböző nőt fogsz kapni, mindegyik illik a leírásra. A probléma nem az, hogy a modell nem figyel oda — hanem hogy a leírás egy kategóriát jelöl ki, nem egy személyt.
Egy arc azonosságát olyan finom viszonyok adják, amiket szavakkal gyakorlatilag nem lehet átadni: a szemek távolsága, az orr és a száj aránya, az arcél íve. Ezekre nincs szókincsünk. Ezért nem működik a részletesebb leírás, és ezért nem segít az sem, ha nevet adsz neki — kivéve, ha véletlenül egy tanítóanyagban gyakran szereplő híres emberről van szó, és akkor meg egy másik gond kezdődik.
A mai megoldás: referenciakép
Az áttörés az volt, hogy a modellek elkezdtek képet is fogadni bemenetként, nem csak szöveget. Feltöltöd a karakter egy vagy néhány képét, és a modell azokból veszi az arcot, miközben a prompt mondja meg, mi történjen: más póz, más környezet, más ruha.
Ez két éve még külön tanítást igényelt, ma pedig alapszolgáltatás minden nagy képmodellnél. A gyakorlati különbség óriási: tanítás nélkül, azonnal, egyetlen feltöltött képből is használható eredményt ad. A referenciatípusok között viszont fontos különbség van — stílust, karaktert és kompozíciót nem ugyanaz a mechanizmus viszi át —, erről a referenciaképek fajtái poszt szól részletesen.
Mennyi referenciát bír el
Minden szolgáltató megszabja, hány képet fogad el egyszerre, és ezek a számok többet mondanak a technológiáról, mint a marketinganyagok.
- A legnagyobb kapacitású modellek hat tárgyat, öt szereplőt és három stílusreferenciát kezelnek egyszerre.
- A gyorsabb, olcsóbb változatok jellemzően tíz tárgyat, de csak négy szereplőt engednek — a darabszám tehát nem minőségi rangsor, és a szereplők száma mindenhol szűkebb korlát, mint a tárgyaké.
- A nyílt súlyú családoknál tíz kép a felső határ.
- Az egyik nagy szolgáltató nemrég emelte a korlátot háromról öt forrásképre — ez jól mutatja, hogy a terület még mozgásban van.
Ahol összeomlik: több szereplő
Van egy jelenség, aminek külön neve van a szakirodalomban: amikor több szereplő van a képen, a modell összemossa őket. Egy 2026 márciusi mérés ezt számszerűsítette kutatási modelleken, és a görbe meredek.
- Két szereplőnél az esetek közel felében összecsúszik valamelyik kettő.
- Négy szereplőnél ez már négyötöd fölött van.
- Tíz szereplőnél gyakorlatilag mindig bekövetkezik.
- A jelenség nem a hasonlóságtól függ: eltérő nemű és korú szereplőknél is megjelenik.
Ezek a számok kutatási modellekre vonatkoznak, nem a kereskedelmi szolgáltatásokra, tehát ne vedd őket a saját eszközöd pontszámának. A tanulság viszont átvihető: egy képen egy szereplő. Ha ketten kellenek egy jelenetbe, az megbízhatóbban áll össze utólagos összeillesztéssel, mint egyetlen generálással.
Termék és karakter nem ugyanaz
A termékkonzisztencia első ránézésre ugyanaz a feladat, de a gyakorlatban könnyebb és szigorúbb egyszerre. Könnyebb, mert egy tárgynak nincs arca: a modell nem „félreismer" egy dobozt úgy, ahogy egy embert. Szigorúbb, mert a hibát azonnal észreveszed — ha a csomagoláson elcsúszik a logó vagy megváltozik a színárnyalat, az nem stílus, hanem hamis termékkép.
Ezért a termékeknél a bevált módszer nem a teljes generálás, hanem a valódi fotó kiegészítése: a terméket fotózod, a hátteret és a környezetet adja az AI . Ez egyszerre oldja meg a hűséget és a jogi kockázatot. A teljes munkamenetet a webshopos termékfotóposzt írja le, a tipikus hibákkal együtt.
Amikor mégis tanítani kell
A referenciakép nem mindent old meg. Ha ugyanazt a karaktert hetente tucatszor kell használnod, ha egészen sajátos stílusban dolgozol, vagy ha a szolgáltató referenciakezelése nem elég pontos a te esetedre, akkor a kis mértékű ráhangolás még mindig él.
A számok ma barátságosabbak, mint amire sokan emlékeznek: jellemzően kilenc-ötven kép elég hozzá, és a költség az egyik szolgáltatónál lépésenként számolódik — ezer lépés nagyságrendileg hat-hét dollár. Ez nem nagyvállalati tétel; egy kisvállalkozás egy délután alatt elkészítheti a saját karaktermodelljét. A kérdés inkább az, hogy megéri-e: ha havonta húsz képnél kevesebbet csinálsz vele, valószínűleg nem.
Tipikus félreértések
- „Ha több referenciaképet adok, jobb lesz." Egy pontig igen, utána nem. A szolgáltató által megadott felső határ közelében gyakran romlik az eredmény, mert a képek ellentmondanak egymásnak.
- „A stílusreferencia átviszi a karaktert is." Nem. A stílusreferencia a színvilágot és a megjelenést viszi; a szereplőket és a tárgyakat kifejezetten nem — az egyik szolgáltató ezt ki is írja a dokumentációjába.
- „A referenciakép csak az arcot befolyásolja." Sajnos nem: ha a referencián látszik a háttér vagy a ruha, abból is átszivárog. Ezt a jelenséget a szakirodalom külön néven tartja számon.
- „Ami egyszer beállt, az stabil marad." Hosszú sorozatnál lassú elsodródás van: a huszadik kép már észrevehetően más, mint az első. Érdemes mindig ugyanahhoz az eredeti referenciához visszatérni, nem az előző képhez.
Amit érdemes elvinni
A karakter és a termék azonossága ma referenciaképpel oldható meg, tanítás nélkül — és ez az elmúlt két év egyik legnagyobb gyakorlati változása. A határ ott van, ahol több szereplő kerül egy képre: onnantól a jelenetet érdemes darabokra bontani. Tanításba pedig csak akkor érdemes belevágni, ha a mennyiség tényleg indokolja.