#publisher — Public Fediverse posts

Atlantic CEO Nicholas Thompson Interview on OpenAI, His Own Videos

Running a great magazine is hard. So is turning a money-losing magazine into a profit center. Nicholas Thompson…
#NewsBeep #News #US #USA #UnitedStates #UnitedStatesOfAmerica #Artificialintelligence #AI #Americandemocracy #ArtificialIntelligence #Atlantic #businessinsider #CEO #conversation #deal #editor #lot #money #NicholasThompson #OpenAI #people #publisher #Technology #thing
https://www.newsbeep.com/us/844339/

Atlantic CEO Nicholas Thompson Interview on OpenAI, His Own Videos

Running a great magazine is hard. So is turning a money-losing magazine into a profit center. Nicholas Thompson…
#NewsBeep #News #US #USA #UnitedStates #UnitedStatesOfAmerica #Artificialintelligence #AI #Americandemocracy #ArtificialIntelligence #Atlantic #businessinsider #CEO #conversation #deal #editor #lot #money #NicholasThompson #OpenAI #people #publisher #Technology #thing
https://www.newsbeep.com/us/844339/

This. Build our own institutions. They'll succeed.

"#Keene is the eponymous tastemaker at the helm of a new #imprint within #WickedSonPress, a 5-year-old #publisher that has released mostly #nonfiction that leans right.

#MegKeene #Books will release four to six #novels over the next year that she and #WickedSon’s founders believe will elevate #Jewish voices and reconstruct a bygone communal Jewish #literary conversation. She’ll also edit a forthcoming #literarymagazine designed to shape the Jewish #book-buying audience.

“My goal is to make Jewish #publishing feel really cool,” Keene told the Jewish Telegraphic Agency.

“I’m planning to acquire books across genres — male authors, female authors, romance, thriller, literary fiction — you know, the works,” she added. “I also intend to put everything I have behind each book, and sort of ask the Jewish community to support these books and make the case for them.”

https://www.jta.org/2026/07/28/culture/feeling-excluded-in-the-literary-world-jews-are-launching-their-own-publishing-houses

Wo die Nachbearbeitung aufhört und die Fälschung anfängt

https://blog.clickomania.ch/2026/07/28/ki-bildbearbeitung-wo-liegt-die-grenze-drei-beispiele/

Wo die Nachbearbeitung aufhört und die Fälschung anfängt

https://blog.clickomania.ch/2026/07/28/ki-bildbearbeitung-wo-liegt-die-grenze-drei-beispiele/

Wo die Nachbearbeitung aufhört und die Fälschung anfängt

https://blog.clickomania.ch/2026/07/28/ki-bildbearbeitung-wo-liegt-die-grenze-drei-beispiele/

Wo die Nachbearbeitung aufhört und die Fälschung anfängt

https://blog.clickomania.ch/2026/07/28/ki-bildbearbeitung-wo-liegt-die-grenze-drei-beispiele/

Wo die Nachbearbeitung aufhört und die Fälschung anfängt

https://blog.clickomania.ch/2026/07/28/ki-bildbearbeitung-wo-liegt-die-grenze-drei-beispiele/

Logo-Gestaltung mit KI: Einen Design-Preis gibt es noch nicht

Kann die KI uns bei Gestaltungsaufgaben helfen? Meine Ansprüche liegen tief: Für meine Ansprüche braucht es kein überragendes Design, sondern bloss etwas, mit dem man sich nicht blamiert.

Obwohl die Latte fast am Boden liegt, wurde ich bei früheren Versuchen bitter enttäuscht: Ich liess mir vor drei Jahren und zweimal vor acht Jahren ein Logo kreieren und erhielt so langweilige, generische Resultate, dass ich selbst in fünf Minuten etwas Besseres hinbekommen hätte. Doch ist die Zeit inzwischen reif? Schliesslich haben die Bildgeneratoren in den letzten Monaten rasante Fortschritte gemacht.

Ein Icon, das hübsch, sympathisch und zugänglich wirkt

Die Herangehensweise ist dadurch eine völlig andere: Wir wählen keine spezialisierte Gestaltungs-App, sondern die üblichen Verdächtigen. Ich starte zwei Versuche mit Gemini und ChatGPT, und zwar mit einer maximal allgemeinen Anfrage: «Du kennst sicher meine Website Clickomania.ch. Kannst du mir ein Favicon gestalten? Es soll den technischen Aspekt widerspiegeln, aber auch sympathisch und nahbar wirken.»

Zur Erklärung: Das Favicon ist das Webseiten-Symbol, das der Browser in den Reitern und Lesezeichen anzeigt und auch in den Resultaten der Suchmaschinen bei der Unterscheidung hilft. Es sollte auch in winzigem Abbildungsmassstab erkennbar sein. Mein bisheriges Icon ist offensichtlich selbst gebastelt, und zwar in der tollen Farbschrift «Gilbert».

Der erste Versuch: ein Rohrkrepierer

Die Resultate zeigen, dass weder Gemini (links) noch ChatGPT (rechts) grosse Kenner meines Schaffens sind. Diese Favicons würde ich niemals verwenden wollen. Dennoch ist zumindest die Version von OpenAI besser als das, was 2023 und 2018 herausgekommen ist.

Doch diese zweite Version bringt mich auf eine Idee. Ich zeichne einen groben Entwurf und bitte die KI, ihn mir sauber auszuarbeiten. Das ist der Entwurf:

Versuch 2: Eine Skizze verschönern

Ihn übergebe ich mit einem relativ kurzen Prompt, der als Aufgabe stellt, eine fertige Version auszuarbeiten¹. Gemini liefert folgendes Resultat:

ChatGPT liefert mir nach dem zweiten Versuch (ich bitte darum, den grauen Hintergrund durch einen schwarzen zu ersetzen) dieses Logo ab:

Wir können folgende Dinge festhalten: OpenAI schlägt Google deutlich. Beim Sieger-Logo ist die Gestaltungs-Idee erkennbar. Doch es gibt einige Mängel. Der offensichtlichste ist, dass dieses Logo nicht freundlich wirkt.

Ein letzter Anlauf mit einem sehr ausführlichen Prompt

Ich starte einen neuen Chat mit meinem Ursprungslogo und formuliere meinen Prompt sehr viel ausführlicher².

Das sind die beiden Ergebnisse: Erstens Gemini …

… und zweitens von ChatGPT.

Fazit: Close, but no cigar, wie der Amerikaner sagt. Im Vergleich zu den grässlichen Logos bei meinen früheren Versuchen sind diese Resultate deutlich besser. Trotzdem bleibt das alte, dilettantische Favicon weiter in Benutzung. Denn obwohl meine Gestaltungs-Idee erkennbar ist, wirken diese KI-Werke blutleer – einfach zu wenig nahbar und menschlich, um dieses Blog und seine Werte repräsentieren zu dürfen.

Fussnoten

1) Das ist der Prompt für die Ausarbeitung:

Das ist mein grober Entwurf, inspiriert von deinem Design. Bitte entwickle daraus eine fertig ausgestaltete Fassung im Stil eines reduzierten, modernen Logos, das als Favicon funktioniert. Beachte folgende Dinge:

• Das Resultat muss quadratisch sein.
• Die Lesbarkeit muss auch in kleiner Reproduktion gewährleistet sein. Passe die Schrift entsprechend an. Verwende einen gut lesbaren Font.
• Falls möglich, verbessere die Verschmelzung des C und des Computerbildschirms.
• Verwende flächige Farben. ↩

2) Das ist der Prompt für den zweiten Versuch:

Das ist der grobe Entwurf für ein Favicon. Bitte entwickle daraus eine fertig ausgestaltete Fassung:

• Dein wichtigster Auftrag lautet, dass das Motiv selbst in kleiner Reproduktion erkennbar ist.
• Der Stil ist modern.
• Das fertige Bild ist quadratisch.
• Das C verschmilzt mit dem Computerbildschirm. Zusammen bilden Monitor und C eine Einheit. Das C ist deutlich vom Bildschirmrahmen abgehoben.
• Die Augen blicken beobachtend, eher freundlich als streng. Sie sind nicht exakt symmetrisch, sondern im Blick leicht nach rechts gerichtet.
• Arbeite mit geometrischen Formen. Ausnahme ist das C: Es darf eine leichte Andeutung einer handgezeichneten Form haben.
• Der Bildschirm und die Schrift stehen auf einem schwarzen Hintergrund.
• Die Farbe der Schrift (C und Clickomania) ist Hex 3399cc.
• Die Farbe des Gesichts (im Bildschirmhintergrund) ist Hex fb7d67.
• Verwende keine Farbverläufe, sondern flächige Farben. ↩

Aus der Vektorkurve geflogen

Gibt es KI-Bildgeneratoren, die Vektoren statt Pixel liefern? Diese Frage tauchte Anfang Januar bei einer meiner KI-Schulungen auf, und sie ist mehr als berechtigt. Pixel sind die beste Wahl für fotorealistische Motive oder künstlerische Illustrationen.

Doch in vielen anderen Fällen wäre der geometrische Ansatz geeigneter. Denken wir an die Infografiken, an technische Illustrationen, an Diagramme oder Visualisierungen, wie wir sie mit Notebook LM und Gemini erstellen. Wenn die aus einzelnen Elementen aufgebaut wären, liessen sie sich leicht bearbeiten: Wir könnten die Anordnung anpassen, Seitenverhältnisse ändern und die Farbgebung verbessern. Vor allem gäbe es die Möglichkeit, die Texte zu bearbeiten. Gemini und Dall-e von OpenAI haben zwar zugelegt. Doch noch immer generieren sie bei visuellem Output Nonsens-Ausdrücke, seltsame Formulierungen oder Sprachverwirrungen. Und auch typisch ist die Pseudo-Typografie: seltsame Gebilde, die aussehen wie Buchstaben, aber zu keinem bekannten Alphabet gehören.

Nachforschungen ergaben, dass die Auswahl an Vektor-Bildgeneratoren derzeit gering ist. Adobe Firefly warb schon bei der Lancierung mit der Funktion Text to vector. Die würde ich gern testen, aber dafür braucht es Illustrator und ein Abo für 25.95 Franken im Monat. Nebenbei: Was zum Teufel, Adobe!? Eure Abo-Seite ist abschreckender als die Auslage dieses dänischen Restbeständeverwerters.

Eine Umgebung für die kreative Ideenfindung

Dank recraft.ai muss ich nicht unverrichteter Dinge abziehen. Das in London beheimatete Unternehmen richtet sich an Gestaltungsprofis. Das merken wir daran, dass der Prompt für die Bilderzeugung nicht für sich allein steht, sondern in eine simple Grafik-Anwendung eingebettet ist. Wir zeichnen von Hand Rahmen, arbeiten mit Pinsel und geometrischen Elementen wie Linien, Rechtecken, Kreisformen und Pfeilen und platzieren Textfelder oder Pixel. Das soll kein Grafikprogramm ersetzen, sondern einfachen Entwürfen (Mockups) den Weg bereiten.

In dieser Umgebung platzieren auch die KI-generierten Elemente. Beim Prompt-Feld erzeugen wir unsere Inhalte entweder manuell oder mithilfe eines agentischen Assistenten. Letzteres benötigt natürlich mehr Credits.

Unter Model stehen uns eine Reihe von generativen KI-Modellen zur Auswahl. Einige davon kommen uns bekannt vor (Nano Banana und Imagen von Google, GPT von OpenAI, Flux von Black Forest, sowie Ideogram, Hidream und Qwen – also auch einige Vertreter aus der Open-Source-Welt). Recraft selbst hat eigene Modelle im Angebot, und hier werden wir mit Recraft V2 Vector und Recraft V3 Vector fündig. Das alte Modell will einen Credit für eine Bilderzeugung, das neue zwei. Apropos: Als Nutzer ohne Abo erhalten wir 30 Credits pro Tag. Für 10 US-Dollar (Pro) gibt es 1000 Credits pro Monat und das Team-Abo kostet 55 Dollar und beinhaltet 9000 Credits.

Kurzer Einschub: Die erste Variante dieses Blogposts wurde von der Wirklichkeit überholt. Während der Beitrag auf Halde lag, lancierte der Hersteller die Version 4 seines Modells, das auch bei den Vektormöglichkeiten eine deutliche Verbesserung verspricht. Da es auch deutlich mehr Credits verschlingt, konnte ich nicht alle Prompts mit dem neuen Modell ergänzen. Beim vierten Beispiel habe ich das jedoch getan – es zeigt eine deutliche Verbesserung. Einschub Ende.

1) Die Chimäre

Wir können die Modelle selbst auswählen oder die Wahl der Software überlassen. Ich probiere mein Glück mit der Einstellung Auto mode und mit dem Prompt, den ich seit Anbeginn der KI-Bildgeneratoren für meine Tests nutze. Eine junge Frau mit Fuchsschwanz und Hasenohren.

Die KI generiert zwei Varianten. Ohne stilistische Vorgaben erhalte ich zwei Illustrationen im Kinderbuchstil. Ob man sie für ein reales Projekt verwenden würde, ist natürlich Geschmackssache. Auf den ersten Blick wirken die Grafiken charmant. Bei längerer Betrachtung erkennen wir sie nicht unbedingt als KI-generiert. Aber sie wirken generisch genug, um keine Konkurrenz zu einer echten Illustratorin oder einem realen Illustrator zu sein.

Doch bei der Vektor-Vorgabe gibt sich Recraft keine Blösse: Die Grafiken lassen sich im SVG-Format exportieren, das sich problemlos in Affinity öffnen und bearbeiten lässt. Das Umfärben, Verschieben, Verändern und Entfernen von Bestandteilen der Grafik ist ein Klacks, und natürlich könnten wir auch Dinge hinzufügen.

Es zeigt sich allerdings auch, dass der Aufbau nicht über alle Zweifel erhaben ist. Ein Beispiel: Das blaue Kreissegment im Hintergrund des Fuchsmädchens ist aus fünf einzelnen Formen aufgebaut, die zwischen die Konturen der Figur im Vordergrund eingepasst wurden. Das ist natürlich Unfug. Wer nur den Hauch einer Ahnung von Vektoren hat, hätte ein einzelnes Kreissegment angelegt und hinter dem Mädchen platziert. Im Fall hier ist das kein wirkliches Problem. Doch generell erschweren solche Anfängerfehler die Bearbeitung, und sie machen die Grafik unnötig komplex.

Erfreulich allerdings: Die KI hat die Grafik genau in den Rahmen eingepasst, den ich vorab auf der Zeichenfläche deponierte. Beim Recraft-Prompt könnten wir alternativ bei Ratio das Seitenverhältnis angeben. Unter Count legen wir fest, wie viele Varianten erstellt werden sollen. Bei Image Colors wählen wir die Farbpalette, die die KI berücksichtigen soll. Und in den Settings geben wir an, ob im Bild Textelemente enthalten sein dürfen oder nicht (Avoid text in image).

2) Eine komplexe Infografik

So weit, so erfreulich. Aber wie gut ist das Resultat bei einer Aufgabe aus dem Bereich der Infografik? Um mit schwerem Geschütz einzusteigen, setze ich bei meinem Versuch von neulich an, mir eine erklärende Infografik zu einem komplexen Buch erzeugen zu lassen. Allerdings scheitert dieses Unterfangen schon vor dem Start: Der Prompt von Recraft nimmt nur 1000 Zeichen entgegen. Das ist zu kurz für alle Informationen, die in die Grafik gehören würden.

3) Eine einfache Infografik

Also, eine einfachere Aufgabe. Gemini lieferte mir für diesen Artikel ein visuelles Guetslirezept¹. Klappt das auch mit Recraft?

Die Antwort ist ein Jein. Das ganze Rezept lässt sich mit der Anweisung zwar auf unter 1000 Zeichen kürzen. Doch die KI ist dennoch überfordert.

Sie erfüllt die Anforderung zwar, sowohl Zutaten als auch Zubereitung zu visualisieren, doch bei den Details hapert es gewaltig: Statt drei Eiweiss sehen wir zwei ganze Eier und die Mandeln sind eindeutig nicht gemahlen. Der Text erscheint wie gefordert in Deutsch, doch die längeren Textblöcke erhalten viele Fehler und seltsame Glyphen-Unfälle:

Das ist das Resultat der neuen Version des Vektormodells. Zum Vergleich hier die ursprüngliche Variante, die noch mit dem Vorgänger entstand. Sie zeigt einen deutlichen Fortschritt:

Beim ersten Versuch erscheint der Text auf Englisch und nur die Liste mit den Zutaten wurde visualisiert.

Das grössere Problem besteht bei beiden Ausführungen: Die schriftlichen Angaben sind nicht als bearbeitbare Textrahmen in der SVG-Grafik enthalten. Sie bestehen aus Vektorkurven, wobei teilweise sogar einzelne Buchstaben aus mehreren Elementen zusammengebaut wurden. Die wirken in einer hohen Zoomstufe unbeholfen und kantig.

Die Vermutung liegt nahe, dass die Textelemente als Pixel generiert und vektorisiert wurden. Das deutet darauf hin, dass die künstliche Intelligenz diese Vektorgrafiken nicht systematisch aufbaut, wie es ein menschlicher Illustrator tun würde. Stattdessen bildet sie das Erscheinungsbild nach, so gut es halt geht. Das heisst: Optisch können die Grafiken in Ordnung sein – strukturell haben sie Defizite.

Im vorliegenden Fall müssten die Textelemente gelöscht und manuell neu aufgebaut werden. Das wäre zwar ein Zusatzaufwand; ein gewisses Rationalisierungspotenzial besteht dennoch.

4) Illustration fürs Schulbuch

Letzter Versuch: Eine Illustration fürs Schulbuch. Die Ausgangslage ist eine Tabelle, in der fünf Tiere (Elefant, Giraffe, Hauskatze, Nashorn und Grizzlybär) mit Gewicht und Körperhöhe aufgeführt sind. Eine Spalte mit Emojis zeigt die Gefährlichkeit für den Menschen.

Die KI sollte daraus eine Visualisierung erstellen und Diagramme für die jeweiligen Werte hinzufügen. Formale Vorgabe: «Gestalte es modern, verspielt, aber dennoch seriös genug für den Bildungsbereich, und achte darauf, dass der Text auf Deutsch bleibt.»

Wie man sieht, würden wir dieses Resultat niemals eins zu eins verwenden wollen, dafür stimmen zu viele Details nicht. Wir stellen etwa fest, dass die Höhe durch einen vertikalen Massstab symbolisiert wird. Und die Hauskatze ist mit 400 Kilogramm deutlich übergewichtig. Aber die Sprachvorgabe wurde berücksichtigt und als Rohfassung könnte diese Illustration nützliche Dienste erweisen.

Zum Vergleich: Das Resultat der Version 3 überzeugt deutlich weniger: Die Vorgabe zur Sprache wird ignoriert, die Diagramme fehlen. Die Giraffe wird mit den Werten des Elefanten angeschrieben und der Grizzlybär erscheint als Label, aber nicht als Bild und ohne Daten. Auf der zweiten Grafik taucht ein gelber Kopffüssler auf, der mit keinem der Tiere korrespondiert, die in der Liste erscheinen.

Fazit

Fazit: Als Ersatz für Cliparts ab Stange taugt Recraft auf alle Fälle: Die legendären Corel-CDs mit Sammlungen von Hunderttausenden Stock-Motiven in Vektorform sind hiermit – so sehr mich das auch schmerzt – Geschichte. Die so generierten Motive sind individueller als die vorgestanzten Kreationen. Durch geschicktes Prompten, klare Stilvorgaben und eine gezielte Nachbearbeitung lässt sich auch der Eindruck der Belanglosigkeit, der den KI-Werken anhaftet, verringern oder beseitigen.

Den Ansprüchen von Infografiken und Datenvisualisierungen ist die Technik im Moment nicht gewachsen. In ganz simplen Fällen kann sie den Initialaufwand verringern oder uns als Inspiration dienen. Aber für vorzeigbare Resultate kommen wir nicht darum herum, selbst Hand anzulegen.

Fussnoten

1) Bei Google machte ich es mir maximal einfach und schrieb nicht einmal das Rezept selbst auf. Das war der Prompt:

Hier ein Rezept für Zimtsterne. Kannst du mir daraus eine schöne Infografik machen, in der nicht nur die Zutaten visualisiert sind, sondern auch die einzelnen Arbeitsschritte? Das Resultat soll ansprechend wirken, wie in einem feinsäuberlich gestalteten Rezeptbuch. ↩

Beitragsbild: Um die Vektorkurven richtig zu nehmen, braucht es Erfahrung als Mauslenker in der Grafik-Anwendung (Jesse Bowser, Unsplash-Lizenz).

Aus der Vektorkurve geflogen

Gibt es KI-Bildgeneratoren, die Vektoren statt Pixel liefern? Diese Frage tauchte Anfang Januar bei einer meiner KI-Schulungen auf, und sie ist mehr als berechtigt. Pixel sind die beste Wahl für fotorealistische Motive oder künstlerische Illustrationen.

Doch in vielen anderen Fällen wäre der geometrische Ansatz geeigneter. Denken wir an die Infografiken, an technische Illustrationen, an Diagramme oder Visualisierungen, wie wir sie mit Notebook LM und Gemini erstellen. Wenn die aus einzelnen Elementen aufgebaut wären, liessen sie sich leicht bearbeiten: Wir könnten die Anordnung anpassen, Seitenverhältnisse ändern und die Farbgebung verbessern. Vor allem gäbe es die Möglichkeit, die Texte zu bearbeiten. Gemini und Dall-e von OpenAI haben zwar zugelegt. Doch noch immer generieren sie bei visuellem Output Nonsens-Ausdrücke, seltsame Formulierungen oder Sprachverwirrungen. Und auch typisch ist die Pseudo-Typografie: seltsame Gebilde, die aussehen wie Buchstaben, aber zu keinem bekannten Alphabet gehören.

Nachforschungen ergaben, dass die Auswahl an Vektor-Bildgeneratoren derzeit gering ist. Adobe Firefly warb schon bei der Lancierung mit der Funktion Text to vector. Die würde ich gern testen, aber dafür braucht es Illustrator und ein Abo für 25.95 Franken im Monat. Nebenbei: Was zum Teufel, Adobe!? Eure Abo-Seite ist abschreckender als die Auslage dieses dänischen Restbeständeverwerters.

Eine Umgebung für die kreative Ideenfindung

Dank recraft.ai muss ich nicht unverrichteter Dinge abziehen. Das in London beheimatete Unternehmen richtet sich an Gestaltungsprofis. Das merken wir daran, dass der Prompt für die Bilderzeugung nicht für sich allein steht, sondern in eine simple Grafik-Anwendung eingebettet ist. Wir zeichnen von Hand Rahmen, arbeiten mit Pinsel und geometrischen Elementen wie Linien, Rechtecken, Kreisformen und Pfeilen und platzieren Textfelder oder Pixel. Das soll kein Grafikprogramm ersetzen, sondern einfachen Entwürfen (Mockups) den Weg bereiten.

In dieser Umgebung platzieren auch die KI-generierten Elemente. Beim Prompt-Feld erzeugen wir unsere Inhalte entweder manuell oder mithilfe eines agentischen Assistenten. Letzteres benötigt natürlich mehr Credits.

Unter Model stehen uns eine Reihe von generativen KI-Modellen zur Auswahl. Einige davon kommen uns bekannt vor (Nano Banana und Imagen von Google, GPT von OpenAI, Flux von Black Forest, sowie Ideogram, Hidream und Qwen – also auch einige Vertreter aus der Open-Source-Welt). Recraft selbst hat eigene Modelle im Angebot, und hier werden wir mit Recraft V2 Vector und Recraft V3 Vector fündig. Das alte Modell will einen Credit für eine Bilderzeugung, das neue zwei. Apropos: Als Nutzer ohne Abo erhalten wir 30 Credits pro Tag. Für 10 US-Dollar (Pro) gibt es 1000 Credits pro Monat und das Team-Abo kostet 55 Dollar und beinhaltet 9000 Credits.

Kurzer Einschub: Die erste Variante dieses Blogposts wurde von der Wirklichkeit überholt. Während der Beitrag auf Halde lag, lancierte der Hersteller die Version 4 seines Modells, das auch bei den Vektormöglichkeiten eine deutliche Verbesserung verspricht. Da es auch deutlich mehr Credits verschlingt, konnte ich nicht alle Prompts mit dem neuen Modell ergänzen. Beim vierten Beispiel habe ich das jedoch getan – es zeigt eine deutliche Verbesserung. Einschub Ende.

1) Die Chimäre

Wir können die Modelle selbst auswählen oder die Wahl der Software überlassen. Ich probiere mein Glück mit der Einstellung Auto mode und mit dem Prompt, den ich seit Anbeginn der KI-Bildgeneratoren für meine Tests nutze. Eine junge Frau mit Fuchsschwanz und Hasenohren.

Die KI generiert zwei Varianten. Ohne stilistische Vorgaben erhalte ich zwei Illustrationen im Kinderbuchstil. Ob man sie für ein reales Projekt verwenden würde, ist natürlich Geschmackssache. Auf den ersten Blick wirken die Grafiken charmant. Bei längerer Betrachtung erkennen wir sie nicht unbedingt als KI-generiert. Aber sie wirken generisch genug, um keine Konkurrenz zu einer echten Illustratorin oder einem realen Illustrator zu sein.

Doch bei der Vektor-Vorgabe gibt sich Recraft keine Blösse: Die Grafiken lassen sich im SVG-Format exportieren, das sich problemlos in Affinity öffnen und bearbeiten lässt. Das Umfärben, Verschieben, Verändern und Entfernen von Bestandteilen der Grafik ist ein Klacks, und natürlich könnten wir auch Dinge hinzufügen.

Es zeigt sich allerdings auch, dass der Aufbau nicht über alle Zweifel erhaben ist. Ein Beispiel: Das blaue Kreissegment im Hintergrund des Fuchsmädchens ist aus fünf einzelnen Formen aufgebaut, die zwischen die Konturen der Figur im Vordergrund eingepasst wurden. Das ist natürlich Unfug. Wer nur den Hauch einer Ahnung von Vektoren hat, hätte ein einzelnes Kreissegment angelegt und hinter dem Mädchen platziert. Im Fall hier ist das kein wirkliches Problem. Doch generell erschweren solche Anfängerfehler die Bearbeitung, und sie machen die Grafik unnötig komplex.

Erfreulich allerdings: Die KI hat die Grafik genau in den Rahmen eingepasst, den ich vorab auf der Zeichenfläche deponierte. Beim Recraft-Prompt könnten wir alternativ bei Ratio das Seitenverhältnis angeben. Unter Count legen wir fest, wie viele Varianten erstellt werden sollen. Bei Image Colors wählen wir die Farbpalette, die die KI berücksichtigen soll. Und in den Settings geben wir an, ob im Bild Textelemente enthalten sein dürfen oder nicht (Avoid text in image).

2) Eine komplexe Infografik

So weit, so erfreulich. Aber wie gut ist das Resultat bei einer Aufgabe aus dem Bereich der Infografik? Um mit schwerem Geschütz einzusteigen, setze ich bei meinem Versuch von neulich an, mir eine erklärende Infografik zu einem komplexen Buch erzeugen zu lassen. Allerdings scheitert dieses Unterfangen schon vor dem Start: Der Prompt von Recraft nimmt nur 1000 Zeichen entgegen. Das ist zu kurz für alle Informationen, die in die Grafik gehören würden.

3) Eine einfache Infografik

Also, eine einfachere Aufgabe. Gemini lieferte mir für diesen Artikel ein visuelles Guetslirezept¹. Klappt das auch mit Recraft?

Die Antwort ist ein Jein. Das ganze Rezept lässt sich mit der Anweisung zwar auf unter 1000 Zeichen kürzen. Doch die KI ist dennoch überfordert.

Sie erfüllt die Anforderung zwar, sowohl Zutaten als auch Zubereitung zu visualisieren, doch bei den Details hapert es gewaltig: Statt drei Eiweiss sehen wir zwei ganze Eier und die Mandeln sind eindeutig nicht gemahlen. Der Text erscheint wie gefordert in Deutsch, doch die längeren Textblöcke erhalten viele Fehler und seltsame Glyphen-Unfälle:

Das ist das Resultat der neuen Version des Vektormodells. Zum Vergleich hier die ursprüngliche Variante, die noch mit dem Vorgänger entstand. Sie zeigt einen deutlichen Fortschritt:

Beim ersten Versuch erscheint der Text auf Englisch und nur die Liste mit den Zutaten wurde visualisiert.

Das grössere Problem besteht bei beiden Ausführungen: Die schriftlichen Angaben sind nicht als bearbeitbare Textrahmen in der SVG-Grafik enthalten. Sie bestehen aus Vektorkurven, wobei teilweise sogar einzelne Buchstaben aus mehreren Elementen zusammengebaut wurden. Die wirken in einer hohen Zoomstufe unbeholfen und kantig.

Die Vermutung liegt nahe, dass die Textelemente als Pixel generiert und vektorisiert wurden. Das deutet darauf hin, dass die künstliche Intelligenz diese Vektorgrafiken nicht systematisch aufbaut, wie es ein menschlicher Illustrator tun würde. Stattdessen bildet sie das Erscheinungsbild nach, so gut es halt geht. Das heisst: Optisch können die Grafiken in Ordnung sein – strukturell haben sie Defizite.

Im vorliegenden Fall müssten die Textelemente gelöscht und manuell neu aufgebaut werden. Das wäre zwar ein Zusatzaufwand; ein gewisses Rationalisierungspotenzial besteht dennoch.

4) Illustration fürs Schulbuch

Letzter Versuch: Eine Illustration fürs Schulbuch. Die Ausgangslage ist eine Tabelle, in der fünf Tiere (Elefant, Giraffe, Hauskatze, Nashorn und Grizzlybär) mit Gewicht und Körperhöhe aufgeführt sind. Eine Spalte mit Emojis zeigt die Gefährlichkeit für den Menschen.

Die KI sollte daraus eine Visualisierung erstellen und Diagramme für die jeweiligen Werte hinzufügen. Formale Vorgabe: «Gestalte es modern, verspielt, aber dennoch seriös genug für den Bildungsbereich, und achte darauf, dass der Text auf Deutsch bleibt.»

Wie man sieht, würden wir dieses Resultat niemals eins zu eins verwenden wollen, dafür stimmen zu viele Details nicht. Wir stellen etwa fest, dass die Höhe durch einen vertikalen Massstab symbolisiert wird. Und die Hauskatze ist mit 400 Kilogramm deutlich übergewichtig. Aber die Sprachvorgabe wurde berücksichtigt und als Rohfassung könnte diese Illustration nützliche Dienste erweisen.

Zum Vergleich: Das Resultat der Version 3 überzeugt deutlich weniger: Die Vorgabe zur Sprache wird ignoriert, die Diagramme fehlen. Die Giraffe wird mit den Werten des Elefanten angeschrieben und der Grizzlybär erscheint als Label, aber nicht als Bild und ohne Daten. Auf der zweiten Grafik taucht ein gelber Kopffüssler auf, der mit keinem der Tiere korrespondiert, die in der Liste erscheinen.

Fazit

Fazit: Als Ersatz für Cliparts ab Stange taugt Recraft auf alle Fälle: Die legendären Corel-CDs mit Sammlungen von Hunderttausenden Stock-Motiven in Vektorform sind hiermit – so sehr mich das auch schmerzt – Geschichte. Die so generierten Motive sind individueller als die vorgestanzten Kreationen. Durch geschicktes Prompten, klare Stilvorgaben und eine gezielte Nachbearbeitung lässt sich auch der Eindruck der Belanglosigkeit, der den KI-Werken anhaftet, verringern oder beseitigen.

Den Ansprüchen von Infografiken und Datenvisualisierungen ist die Technik im Moment nicht gewachsen. In ganz simplen Fällen kann sie den Initialaufwand verringern oder uns als Inspiration dienen. Aber für vorzeigbare Resultate kommen wir nicht darum herum, selbst Hand anzulegen.

Fussnoten

1) Bei Google machte ich es mir maximal einfach und schrieb nicht einmal das Rezept selbst auf. Das war der Prompt:

Hier ein Rezept für Zimtsterne. Kannst du mir daraus eine schöne Infografik machen, in der nicht nur die Zutaten visualisiert sind, sondern auch die einzelnen Arbeitsschritte? Das Resultat soll ansprechend wirken, wie in einem feinsäuberlich gestalteten Rezeptbuch. ↩

Beitragsbild: Um die Vektorkurven richtig zu nehmen, braucht es Erfahrung als Mauslenker in der Grafik-Anwendung (Jesse Bowser, Unsplash-Lizenz).

Wie aus einer verwickelten Geschichte eine anschauliche Grafik entsteht

Es ist paradox: Einerseits beobachten wir diesen enormen Fortschritt bei den Bildgeneratoren. Andererseits wird mit dieser generativen KI fast ausschliesslich Schindluder getrieben. Zumindest scheint es so: AI Slop bis zum Abwinken auf Facebook und sexistische Kackscheisse auf X bei Elon Musk. Der Mann versprach zwar Besserung. Aber das Problem ist nicht vom Tisch.

Es scheint zwar nicht so, aber es gibt auch vernünftige Einsatzzwecke. Mir haben es die massgeschneiderten Infografiken angetan. Die Bildgeneratoren beherrschen allerlei Formate: Infografiken, Diagramme und Mindmaps, um nur einige zu nennen.

Sachverhalte zu visualisieren, hilft beim Nachdenken. Nebenbei sind sie wunderbar geeignet, um einen drögen Blogpost oder Dokumente anderer Art aufzupeppen. Im Vergleich zu rein illustrativen Bildern – bei denen ich den KI-Einsatz hier im Blog stark zurückgefahren habe – scheint mir die Akzeptanz bei informativen Formaten grösser zu sein.

Die Bilder-KIs privat und halbprivat nutzen

Nebst den journalistischen Möglichkeiten lassen sich Bilder-KIs wunderbar privat benutzen: Heute gelingt es der künstlichen Intelligenz, anders als noch vor einem Jahr, innenarchitektonische Szenarien durchzuexerzieren oder Rezepte grafisch zu gestalten.

Bei mir wirkt sie einer persönlichen Schwäche entgegen: Mir fällt es bei der Buchlektüre oft schwer, mir die Namen der Personen zu merken. Das liegt manchmal an den Autoren, wenn sie in ihren Storys mehrere Dutzend Leute auffahren. Meistens bin ich selbst schuld.

Wie wäre es also, fragte ich mich, wenn ich mir ein Personenverzeichnis zu Hilfe nähme? Das geht in Textform, aber viel wirkungsvoller ist eine grafische Darstellung. Die hilft, den Personen eine bildliche Erscheinung zu geben.

Genau jetzt werden viele begeisterte Bücherwürmer (und -würmerinnen) aufschreien und betonen, zum integralen Leseerlebnis gehöre zwingend dazu, sich die Erscheinung der Protagnonistinnen und Hauptfiguren selbst auszumalen. Einverstanden – aber wie gesagt, fällt mir das schwer. Man kann die Methode genausogut auf wichtige Schauplätze, auf entscheidende Wendungen oder meinetwegen auf schwer verständliche Konzepte anwenden.

Ich exerzierte die Methode bei Daniel Suarez’ Weltraumepos «Delta-V» durch und verfeinerte sie mit «The Hallmarked Man» von J.K. Rowling. Zu meiner Freude klappte es wunderbar. Ich benötigte drei Schritte:

1) Die notwendigen Informationen bereitstellen

Als Erstes ist eine Übersicht der wichtigen Figuren gefragt. Bei Geschichten mit üppiger Besetzung liefern die Verlage es als Buchanhang mit (unterschlagen es jedoch beim Hörbuch). Bei bekannten Werken stöbern wir sie via Internet auf (z.B. hier für «The Hallmarked Man»), doch meistens sind wir auf uns allein gestellt. Es kommt hinzu: Für die Visualisierung brauchen wir nicht nur die Namen, sondern zusätzlich eine Beschreibung, die Anhaltspunkte für die Visualisierung gibt.

Das heisst: Wir kommen nicht darum herum, die Liste selbst zu erstellen. Falls wir es nicht von Hand erledigen wollen, hilft das E-Book weiter: Digitalleser und Reader-Besitzerinnen sind im Vorteil. Damit wir es der KI vorsetzen können, darf es keinen Kopierschutz aufweisen; der Kindle-Store fällt als Bezugsquelle flach. Die deutschsprachigen Buchläden helfen weiter. Sie statten ihre Bücher mit Wasserzeichen, nicht mit einem DRM, aus.

Um der KI das Buch vorzusetzen, benötigen wir es im richtigen Format. Mit Epub kommen wir kaum zum Ziel. Bei der Konvertierung hilft uns die Open-Source-Software Calibre weiter:

Wir öffnen das Buch im Hauptprogramm (nicht im Viewer). Dort klicken wir es in der Übersicht mit der rechten Maustaste an und wählen Bücher konvertieren > Einzeln konvertieren aus dem Kontextmenü aus. Im Dialog selektieren wir rechts oben das Zielformat. Wir können Docx benutzen, aber reiner Text (TXT) erfüllt den Zweck ebenso. Das exportierte Buch findet sich im Nutzerverzeichnis von Calibre, dort in einer Ordnerstruktur aus Autor und Buchtitel.

2) Das Personenregister erstellen

Diese Exportdatei verwenden wir für unser Personenverzeichnis – oder analog für beliebige andere Bereiche, die wir analysieren oder visualisieren möchten.

Dabei stellt sich uns eine garstige Hürde in den Weg: Wie sich zeigt, sprengen längere Romane das Fassungsvermögen gängiger Sprachmodelle. Das liegt daran, dass das Kontextfenster zu schmal ist und darum nicht der gesamte Inhalt berücksichtigt wird.

Bei «Delta-v» zeigt sich das eindrücklich: Das 556-seitige Buch überfordert sowohl ChatGPT als auch Gemini und lässt sie kräftig halluzinieren. Beide Sprachmodelle liefern komplett erfundene Crews.

Der Aufgabe gewachsen ist hingegen LM von Google. Diese Lösung ist für grössere Datenmengen geeignet¹. Sie liefert ein brauchbares Personalverzeichnis².

Beim Prompt sind wir frei. Mein Beispiel:

Gib mir bitte eine Übersicht der Crew der Konstantin, die zum Asteroiden fliegt: Namen und eine Kurzbeschreibung. Berücksichtige die Personenbeschreibungen im Buch exakt und gib Hinweise auf die äussere Erscheinung wieder: Ethnie, Alter, Haarfarbe, Körperbau, besondere Merkmale und Kleidungsstil. Welchen ersten Eindruck macht die Person durch ihre Erscheinung?

Je nach Buch lässt sich das variieren. Für «The Hallmarked Man» verwendete ich folgende Einleitung:

Stelle eine Liste der wichtigen Personen zusammen. Erwähne insbesondere die Figuren, die für die Handlung wichtig sind oder mindestens dreimal erwähnt werden. Lasse Nebenfiguren weg. Gruppiere die Personen nach Rolle in der Geschichte, d. h., ob sie zum Umfeld von Robin und Cormoran gehören, zu den privaten Handlungssträngen zählen oder im Rahmen der Ermittlungen wichtig sind.

3) Das Register visualisieren

Ist diese Liste vorhanden, setzen wir sie einer KI vor. Notebook LM beherrscht vielerlei Visualisierungsmöglichkeiten, sodass wir unsere Übersicht mit den Funktionen generieren, die rechts im Studio-Bereich vorzufinden sind. Auch gut geeignet ist Nano Banana in Google Gemini.

Gemäss unseren Vorlieben betrauen wir auch die alternatativen Bildgenerator mit dieser Aufgabe. Bei meinem Test – ich probierte es mit Dall-e von OpenAI und mit Meta AI – waren die Konkurrenten den Infografik-Formaten jedoch nicht gewachsen.

Den Prompt formuliere ich wie folgt:

Erstelle anhand der Informationen ein fiktives, möglichst realistisches Passbild der jeweiligen Person, das der Ethnie Rechnung trägt. Ergänze Rang und Rolle, aber verzichte auf jegliche Angaben, die den Verlauf der Geschichte spoilern könnten. Diese Infografik ist für Leserinnen und Leser gedacht, die sich während der Lektüre mit den jeweiligen Personen vertraut machen können.

Das Resultat

Natürlich, ob gut oder schlecht, liegt im Auge des Betrachters. Das Resultat der Personenübersicht von «Delta-v» entpuppt sich als nützliche Ergänzung zu meiner Rezension.

Zugegeben, mit acht Leuten ist diese Aufgabe überschaubar. Böse Zungen würden behaupten, dass sich ein etwas aufmerksamerer Leser als ich die Leute durchaus hätte merken können (trotz des Handicaps, dass diverse Namen auf A enden).

Anders sieht das bei «The Hallmarked Man» aus. Notebook LM liefert in der Personenübersicht zwanzig Namen. Die Liste von Wikipedia ist fast dreimal so lang. In der Infografik tauchen 14 Personen auf – und zwar nicht ausschliesslich diejenigen, die die Handlung vorantreiben.

Mit anderen Worten: Bei J. K. Rowling muss Google kapitulieren. Das zeigt sich bereits beim Titel. Das «getönte Glas» aus der Titelzeile ist eine Halluzination. Ich habe Notebook LM mit der englischsprachigen Fassung gefüttert. Auf Deutsch heisst das Buch «Der Mann mit dem Silberzeichen».

Trotzdem: Mit einigen Anpassungen liesse sich die Methode verbessern. Wir könnten insbesondere das KI-generierte Personenverzeichnis anhand der Wikipedia-Übersicht unseren Bedürfnissen anpassen und auf die Personen begrenzen, die wir tatsächlich im Auge behalten wollen.

Oder wir könnten uns separate Grafiken für die einzelnen Sphären erstellen lassen: Also Cormoran, Robin und die Agentur, private Verwicklungen und Personen im Visier der Ermittlungen. Das ergäbe eine deutliche Verbesserung.

Wie oben erwähnt, liefert nur Google eine brauchbare Übersichtsgrafik. Doch mit einer leicht modifizierten Aufgabestellung liefert ChatGPT ein schönes Resultat. Der Clou ist, keine separaten Passbilder, sondern ein Gruppenbild zu verlangen.

Fussnoten

1) Gemäss dieser Übersicht verwendet Notebook LM zwei Millionen Token, die bezahlte Version von ChatGPT jedoch nicht einmal einen Zehntel, nämlich 128’000 Token. Bei der Gratisvariante seien es sogar nur 4000 bis 16’000. Obs stimmt, weiss ich nicht, aber die Zahlen decken sich mit meinen Beobachtungen. ↩

2) Wenn wir ganze Bücher an die KI verfüttern, sollten wir dem Urheberrecht Rechnung tragen: Bei vielen KI-Modellen werden die eingegebenen Daten u. U. fürs Training des Modells benutzt. Das heisst: Eine Folge unseres Experiments könnte darin bestehen, dass die Werke auf eine Weise verwendet werden, die nicht im Interesse der Autorinnen, Autoren und Verlage ist. Ich habe für diesen Test (auch im Rahmen einer Schulung meinen geschäftlichen Account verwendet, bei dem der Betreiber garantiert, dass kein Training mit den eingegebenen Daten erfolgt. ↩

Beitragsbild: Natürlich – sie würde es noch viel besser hinbekommen (Andrea Piacquadio, Pexels-Lizenz).

Wie aus einer verwickelten Geschichte eine anschauliche Grafik entsteht

Es ist paradox: Einerseits beobachten wir diesen enormen Fortschritt bei den Bildgeneratoren. Andererseits wird mit dieser generativen KI fast ausschliesslich Schindluder getrieben. Zumindest scheint es so: AI Slop bis zum Abwinken auf Facebook und sexistische Kackscheisse auf X bei Elon Musk. Der Mann versprach zwar Besserung. Aber das Problem ist nicht vom Tisch.

Es scheint zwar nicht so, aber es gibt auch vernünftige Einsatzzwecke. Mir haben es die massgeschneiderten Infografiken angetan. Die Bildgeneratoren beherrschen allerlei Formate: Infografiken, Diagramme und Mindmaps, um nur einige zu nennen.

Sachverhalte zu visualisieren, hilft beim Nachdenken. Nebenbei sind sie wunderbar geeignet, um einen drögen Blogpost oder Dokumente anderer Art aufzupeppen. Im Vergleich zu rein illustrativen Bildern – bei denen ich den KI-Einsatz hier im Blog stark zurückgefahren habe – scheint mir die Akzeptanz bei informativen Formaten grösser zu sein.

Die Bilder-KIs privat und halbprivat nutzen

Nebst den journalistischen Möglichkeiten lassen sich Bilder-KIs wunderbar privat benutzen: Heute gelingt es der künstlichen Intelligenz, anders als noch vor einem Jahr, innenarchitektonische Szenarien durchzuexerzieren oder Rezepte grafisch zu gestalten.

Bei mir wirkt sie einer persönlichen Schwäche entgegen: Mir fällt es bei der Buchlektüre oft schwer, mir die Namen der Personen zu merken. Das liegt manchmal an den Autoren, wenn sie in ihren Storys mehrere Dutzend Leute auffahren. Meistens bin ich selbst schuld.

Wie wäre es also, fragte ich mich, wenn ich mir ein Personenverzeichnis zu Hilfe nähme? Das geht in Textform, aber viel wirkungsvoller ist eine grafische Darstellung. Die hilft, den Personen eine bildliche Erscheinung zu geben.

Genau jetzt werden viele begeisterte Bücherwürmer (und -würmerinnen) aufschreien und betonen, zum integralen Leseerlebnis gehöre zwingend dazu, sich die Erscheinung der Protagnonistinnen und Hauptfiguren selbst auszumalen. Einverstanden – aber wie gesagt, fällt mir das schwer. Man kann die Methode genausogut auf wichtige Schauplätze, auf entscheidende Wendungen oder meinetwegen auf schwer verständliche Konzepte anwenden.

Ich exerzierte die Methode bei Daniel Suarez’ Weltraumepos «Delta-V» durch und verfeinerte sie mit «The Hallmarked Man» von J.K. Rowling. Zu meiner Freude klappte es wunderbar. Ich benötigte drei Schritte:

1) Die notwendigen Informationen bereitstellen

Als Erstes ist eine Übersicht der wichtigen Figuren gefragt. Bei Geschichten mit üppiger Besetzung liefern die Verlage es als Buchanhang mit (unterschlagen es jedoch beim Hörbuch). Bei bekannten Werken stöbern wir sie via Internet auf (z.B. hier für «The Hallmarked Man»), doch meistens sind wir auf uns allein gestellt. Es kommt hinzu: Für die Visualisierung brauchen wir nicht nur die Namen, sondern zusätzlich eine Beschreibung, die Anhaltspunkte für die Visualisierung gibt.

Das heisst: Wir kommen nicht darum herum, die Liste selbst zu erstellen. Falls wir es nicht von Hand erledigen wollen, hilft das E-Book weiter: Digitalleser und Reader-Besitzerinnen sind im Vorteil. Damit wir es der KI vorsetzen können, darf es keinen Kopierschutz aufweisen; der Kindle-Store fällt als Bezugsquelle flach. Die deutschsprachigen Buchläden helfen weiter. Sie statten ihre Bücher mit Wasserzeichen, nicht mit einem DRM, aus.

Um der KI das Buch vorzusetzen, benötigen wir es im richtigen Format. Mit Epub kommen wir kaum zum Ziel. Bei der Konvertierung hilft uns die Open-Source-Software Calibre weiter:

Wir öffnen das Buch im Hauptprogramm (nicht im Viewer). Dort klicken wir es in der Übersicht mit der rechten Maustaste an und wählen Bücher konvertieren > Einzeln konvertieren aus dem Kontextmenü aus. Im Dialog selektieren wir rechts oben das Zielformat. Wir können Docx benutzen, aber reiner Text (TXT) erfüllt den Zweck ebenso. Das exportierte Buch findet sich im Nutzerverzeichnis von Calibre, dort in einer Ordnerstruktur aus Autor und Buchtitel.

2) Das Personenregister erstellen

Diese Exportdatei verwenden wir für unser Personenverzeichnis – oder analog für beliebige andere Bereiche, die wir analysieren oder visualisieren möchten.

Dabei stellt sich uns eine garstige Hürde in den Weg: Wie sich zeigt, sprengen längere Romane das Fassungsvermögen gängiger Sprachmodelle. Das liegt daran, dass das Kontextfenster zu schmal ist und darum nicht der gesamte Inhalt berücksichtigt wird.

Bei «Delta-v» zeigt sich das eindrücklich: Das 556-seitige Buch überfordert sowohl ChatGPT als auch Gemini und lässt sie kräftig halluzinieren. Beide Sprachmodelle liefern komplett erfundene Crews.

Der Aufgabe gewachsen ist hingegen LM von Google. Diese Lösung ist für grössere Datenmengen geeignet¹. Sie liefert ein brauchbares Personalverzeichnis².

Beim Prompt sind wir frei. Mein Beispiel:

Gib mir bitte eine Übersicht der Crew der Konstantin, die zum Asteroiden fliegt: Namen und eine Kurzbeschreibung. Berücksichtige die Personenbeschreibungen im Buch exakt und gib Hinweise auf die äussere Erscheinung wieder: Ethnie, Alter, Haarfarbe, Körperbau, besondere Merkmale und Kleidungsstil. Welchen ersten Eindruck macht die Person durch ihre Erscheinung?

Je nach Buch lässt sich das variieren. Für «The Hallmarked Man» verwendete ich folgende Einleitung:

Stelle eine Liste der wichtigen Personen zusammen. Erwähne insbesondere die Figuren, die für die Handlung wichtig sind oder mindestens dreimal erwähnt werden. Lasse Nebenfiguren weg. Gruppiere die Personen nach Rolle in der Geschichte, d. h., ob sie zum Umfeld von Robin und Cormoran gehören, zu den privaten Handlungssträngen zählen oder im Rahmen der Ermittlungen wichtig sind.

3) Das Register visualisieren

Ist diese Liste vorhanden, setzen wir sie einer KI vor. Notebook LM beherrscht vielerlei Visualisierungsmöglichkeiten, sodass wir unsere Übersicht mit den Funktionen generieren, die rechts im Studio-Bereich vorzufinden sind. Auch gut geeignet ist Nano Banana in Google Gemini.

Gemäss unseren Vorlieben betrauen wir auch die alternatativen Bildgenerator mit dieser Aufgabe. Bei meinem Test – ich probierte es mit Dall-e von OpenAI und mit Meta AI – waren die Konkurrenten den Infografik-Formaten jedoch nicht gewachsen.

Den Prompt formuliere ich wie folgt:

Erstelle anhand der Informationen ein fiktives, möglichst realistisches Passbild der jeweiligen Person, das der Ethnie Rechnung trägt. Ergänze Rang und Rolle, aber verzichte auf jegliche Angaben, die den Verlauf der Geschichte spoilern könnten. Diese Infografik ist für Leserinnen und Leser gedacht, die sich während der Lektüre mit den jeweiligen Personen vertraut machen können.

Das Resultat

Natürlich, ob gut oder schlecht, liegt im Auge des Betrachters. Das Resultat der Personenübersicht von «Delta-v» entpuppt sich als nützliche Ergänzung zu meiner Rezension.

Zugegeben, mit acht Leuten ist diese Aufgabe überschaubar. Böse Zungen würden behaupten, dass sich ein etwas aufmerksamerer Leser als ich die Leute durchaus hätte merken können (trotz des Handicaps, dass diverse Namen auf A enden).

Anders sieht das bei «The Hallmarked Man» aus. Notebook LM liefert in der Personenübersicht zwanzig Namen. Die Liste von Wikipedia ist fast dreimal so lang. In der Infografik tauchen 14 Personen auf – und zwar nicht ausschliesslich diejenigen, die die Handlung vorantreiben.

Mit anderen Worten: Bei J. K. Rowling muss Google kapitulieren. Das zeigt sich bereits beim Titel. Das «getönte Glas» aus der Titelzeile ist eine Halluzination. Ich habe Notebook LM mit der englischsprachigen Fassung gefüttert. Auf Deutsch heisst das Buch «Der Mann mit dem Silberzeichen».

Trotzdem: Mit einigen Anpassungen liesse sich die Methode verbessern. Wir könnten insbesondere das KI-generierte Personenverzeichnis anhand der Wikipedia-Übersicht unseren Bedürfnissen anpassen und auf die Personen begrenzen, die wir tatsächlich im Auge behalten wollen.

Oder wir könnten uns separate Grafiken für die einzelnen Sphären erstellen lassen: Also Cormoran, Robin und die Agentur, private Verwicklungen und Personen im Visier der Ermittlungen. Das ergäbe eine deutliche Verbesserung.

Wie oben erwähnt, liefert nur Google eine brauchbare Übersichtsgrafik. Doch mit einer leicht modifizierten Aufgabestellung liefert ChatGPT ein schönes Resultat. Der Clou ist, keine separaten Passbilder, sondern ein Gruppenbild zu verlangen.

Fussnoten

1) Gemäss dieser Übersicht verwendet Notebook LM zwei Millionen Token, die bezahlte Version von ChatGPT jedoch nicht einmal einen Zehntel, nämlich 128’000 Token. Bei der Gratisvariante seien es sogar nur 4000 bis 16’000. Obs stimmt, weiss ich nicht, aber die Zahlen decken sich mit meinen Beobachtungen. ↩

2) Wenn wir ganze Bücher an die KI verfüttern, sollten wir dem Urheberrecht Rechnung tragen: Bei vielen KI-Modellen werden die eingegebenen Daten u. U. fürs Training des Modells benutzt. Das heisst: Eine Folge unseres Experiments könnte darin bestehen, dass die Werke auf eine Weise verwendet werden, die nicht im Interesse der Autorinnen, Autoren und Verlage ist. Ich habe für diesen Test (auch im Rahmen einer Schulung meinen geschäftlichen Account verwendet, bei dem der Betreiber garantiert, dass kein Training mit den eingegebenen Daten erfolgt. ↩

Beitragsbild: Natürlich – sie würde es noch viel besser hinbekommen (Andrea Piacquadio, Pexels-Lizenz).

Nein, Googles neue Bildbearbeitungs-KI ist kein «Adobe-Killer»

Letzte Woche lancierte Google eine neue KI-Funktion und sparte nicht mit Selbstlob: «Schon bei der ersten Vorabversion gerieten die Leute völlig aus dem Häuschen. Das ist das weltweit am besten bewertete Bildbearbeitungsmodell!», prahlten die beiden Googler Nicole Brichtova und David Sharon.

Die Euphorie war anscheinend ansteckend. Beim «Business Insider» fragte man sich schon, ob Adobe demnächst einpacken müsse. Denn wieso sollte jemand noch Photoshop abonnieren wollen, wenn Bilder per sofort mittels Prompts verändert werden können? Nach dieser Logik hätten nicht nur die Bildbearbeitungsprogramme ausgedient, sondern auch die Leute, die sie bedienen können.

Nein, kein «Adobe-Killer»

Ohne das Ergebnis meines eigenen Tests vorwegzunehmen, darf ich vermelden, dass «Business Insider» entweder plumpes Clickbaiting betreibt oder keine Ahnung hat. Das neue Bildbearbeitungsmodell «Nano Banana» ist zwar ein Fortschritt. Aber es konkurrenziert die klassische Fotoretusche in keinerlei Hinsicht. Bei der geht es um gezielte, subtile und moderate Korrekturen, die die Echtheit eines Motivs nicht tangieren. Oder jemand verfolgt eine künstlerische Vision, die mit handwerklichen Mitteln zu realisieren ist.

Im Vergleich dazu ist «Nano Banana» ein lustiges Spielzeug, das das vorgesetzte Bildmaterial auf rabiate und schwer kontrollierbare Weise verändert. Dafür gibt es selbstverständlich Einsatzzwecke. Aber die sind experimenteller und nicht professioneller Natur. Mein eigener Testlauf belegt das: Google liefert ein amüsantes Resultat, kann meine Erwartungen aber nur ansatzweise erfüllen.

Tolkien würde es vermutlich hassen

Zum Einsatz kam mein Mordor-Selfie, das ich schon für meinen Test der Flux-KI benutzte. Der erste Prompt lautet:

Das ist ein Selfie. Ich hätte gerne, dass du mich in eine Landschaft setzt, die wie Mordor aussieht: Also wüst, öd und dunkel, mit einem Lava speienden Vulkan im Hintergrund. Bitte entferne das Smartphone aus meiner Hand und füge stattdessen einen grossen, glänzenden Ring ein, auf dem mysteriöse Schriftzeichen sichtbar sind.

Gemini sagt, er liefere mir ein Bild, tut aber nichts. Auf meinen Hinweis, dass er das Bild vergessen habe, kommt er zu Potte.

Der Schicksalsberg im Hintergrund ist hübsch getroffen und auch der Ring mit den sprühenden Funken gefällt mir ausgezeichnet. Zu kritisieren ist, dass Isildurs Fluch ums Handgelenk getragen werden müsste, weil er für den Finger viel zu gross ist. Aber das sei verziehen, weil ein Ring in passender Grösse auf dem Bild kaum zu erkennen wäre.

Wie schon bei meinem Flux-Test wird das Hauptmotiv zwar tadellos freigestellt (vom Hintergrund getrennt) und in die Fantasie-Szene verfrachtet. Dennoch wirkt es wie ausgeschnitten, weil es in Bezug auf Helligkeit, Licht und Schatten überhaupt nicht zur Umgebung passt. Ich fordere «Nano Banana» daher auf, eine Angleichung vorzunehmen und dafür zu sorgen, dass der Schriftzug auf dem T-Shirt auch lesbar ist:

Kannst du mir das Bild horizontal spiegeln, damit der Schriftzug richtig lesbar ist? Und dann sorge bitte dafür, dass die Lichtstimmung beim Selfie zu der düsteren Umgebung von Mordor passt. Die Figur sollte dunkler werden und, falls möglich, eher von hinten beleuchtet werden, denn von vorn – weil der Vulkan ja im Hintergrund zu sehen ist. Damit ich nicht gänzlich in der Dunkelheit verschwinde, könntest du etwas Licht von vorn geben, z. B. von einem Feuer oder einer Lampe.

Die Lichtstimmung bekommt Gemini nicht hin

Das klappt nicht. Weder die Spiegelung noch die passende Stimmung sind im Resultat zu sehen. Das einzige, was Gemini hinbekommt, ist das Feuer im Vordergrund. Ich werde daher deutlicher und ergänze ausserdem den Wunsch, mich in einen Elben zu verwandeln:

Kannst du das noch prägnanter machen? Also den Mann abdunkeln und in eine düsterere Lichtstimmung tauchen? Und wenn wir schon dabei sind: Entferne doch die Brille und die Uhr, verpasse mir einen längeren Bart und spitzige Elben-Ohren!

Die Uhr und die Brille verschwinden tatsächlich und auch den Bart würde ich als gelungen bezeichnen. Von den Elben-Ohren lässt sich das nicht behaupten. Die sind etwas abstehender als in Wirklichkeit, aber für meinen Geschmack viel zu wenig spitz.

Das Spiegeln des Schriftzugs (oder der ganzen Figur) wäre auf herkömmlichem Weg in einer Sekunde erledigt. Der KI gelingt es interessanterweise nur teilweise. Beim Bild rechts steht der Anfang des Satzes («one does …») nun richtig herum, der hintere Teil aber durcheinander. Es steht nun «Walmes tin» da – was auch immer das heissen sollte.

Ich entschliesse mich, Gemini die volle Dröhnung zu verpassen, und übergebe eine (von ChatGPT erstellte) Übersicht aller wichtigen äusseren Eigenschaften der Elben:

Kannst du mich noch elfenhafter machen? Also:
Gesicht: schmal, ebenmässig, aber von Altersweisheit geprägt; feine Linien um Augen und Mund, jedoch ohne menschliche Gebrechlichkeit.
Augen: klar, leuchtend, oft grau oder blau, mit tiefer, uralter Weisheit.
Haare: lang, silbern oder weiss, manchmal leicht golden; meist glatt und gepflegt.
Körperbau: gross, schlank, aufrecht, mit würdevollem Auftreten.
Kleidung: edel, aber schlicht – lange Gewänder in Naturfarben (Grün, Grau, Braun, Weiss oder Blau), bestickt mit feinen Mustern.
Accessoires: Umhang, oft mit einer Brosche geschlossen; Schmuck aus Silber oder Mithril; gelegentlich ein Stab oder Schwert als Symbol seiner Stellung.
Aura: würdevoll, gelassen, fast überirdisch; eine stille Autorität, die Zeit und Erfahrung ausstrahlt.

Das tut Gemini auch, bedauerlicherweise geht an dieser Stelle jedoch die Ähnlichkeit zu meinem Selfie verloren. Ich versuche, noch einmal bei meinem bärtigen Ich anzusetzen und die Beschreibung klarer zu halten:

Mache mein Gesicht schmaler, weiser, die Augen blau und gross, meine Haare lang und silbrig und zu einem Pferdeschwanz gebunden und gib mir eine schwere Halskette und ein Schwert.

Doch das Bildbearbeitungsmodell ist nicht in der Lage, alle Anforderungen unter einen Hut zu bringen. Der resultierende Elf ist nicht mehr fotorealistisch, sondern comichaft.

Damit haben wir erfolgreich die Grenzen der neuen Bilder-KI erreicht. Und ja, es ist beeindruckend, was Google abliefert: Hätte ich dieses Modell vor vier Jahren – also bevor wir es mit generativer künstlicher Intelligenz zu tun bekommen haben – ausprobiert, ich wäre hin und weg gewesen. Meine kritische Haltung zeigt, wie sehr wir uns an die Möglichkeiten und den rasanten Fortschritt gewöhnt haben.

Unter dem Strich finde ich die Arbeit mit der Bildbearbeitung in Midjourney intuitiver und produktiver. Eines ist jedoch nicht wegzudiskutieren: Die Möglichkeiten, die sich mit «Nano Banana» eröffnen, sind faszinierend – vor allem für Leute wie mich, die zwar eine rege Fantasie, aber dummerweise zu wenig handwerkliche Fähigkeiten haben, sie auf die herkömmliche Weise in Kunst umzusetzen.

Beitragsbild: Ein Werk von Nano-Banana: Meine Wenigkeit am Filmset von «Herr der Ringe».

Nein, Googles neue Bildbearbeitungs-KI ist kein «Adobe-Killer»

Letzte Woche lancierte Google eine neue KI-Funktion und sparte nicht mit Selbstlob: «Schon bei der ersten Vorabversion gerieten die Leute völlig aus dem Häuschen. Das ist das weltweit am besten bewertete Bildbearbeitungsmodell!», prahlten die beiden Googler Nicole Brichtova und David Sharon.

Die Euphorie war anscheinend ansteckend. Beim «Business Insider» fragte man sich schon, ob Adobe demnächst einpacken müsse. Denn wieso sollte jemand noch Photoshop abonnieren wollen, wenn Bilder per sofort mittels Prompts verändert werden können? Nach dieser Logik hätten nicht nur die Bildbearbeitungsprogramme ausgedient, sondern auch die Leute, die sie bedienen können.

Nein, kein «Adobe-Killer»

Ohne das Ergebnis meines eigenen Tests vorwegzunehmen, darf ich vermelden, dass «Business Insider» entweder plumpes Clickbaiting betreibt oder keine Ahnung hat. Das neue Bildbearbeitungsmodell «Nano Banana» ist zwar ein Fortschritt. Aber es konkurrenziert die klassische Fotoretusche in keinerlei Hinsicht. Bei der geht es um gezielte, subtile und moderate Korrekturen, die die Echtheit eines Motivs nicht tangieren. Oder jemand verfolgt eine künstlerische Vision, die mit handwerklichen Mitteln zu realisieren ist.

Im Vergleich dazu ist «Nano Banana» ein lustiges Spielzeug, das das vorgesetzte Bildmaterial auf rabiate und schwer kontrollierbare Weise verändert. Dafür gibt es selbstverständlich Einsatzzwecke. Aber die sind experimenteller und nicht professioneller Natur. Mein eigener Testlauf belegt das: Google liefert ein amüsantes Resultat, kann meine Erwartungen aber nur ansatzweise erfüllen.

Tolkien würde es vermutlich hassen

Zum Einsatz kam mein Mordor-Selfie, das ich schon für meinen Test der Flux-KI benutzte. Der erste Prompt lautet:

Das ist ein Selfie. Ich hätte gerne, dass du mich in eine Landschaft setzt, die wie Mordor aussieht: Also wüst, öd und dunkel, mit einem Lava speienden Vulkan im Hintergrund. Bitte entferne das Smartphone aus meiner Hand und füge stattdessen einen grossen, glänzenden Ring ein, auf dem mysteriöse Schriftzeichen sichtbar sind.

Gemini sagt, er liefere mir ein Bild, tut aber nichts. Auf meinen Hinweis, dass er das Bild vergessen habe, kommt er zu Potte.

Der Schicksalsberg im Hintergrund ist hübsch getroffen und auch der Ring mit den sprühenden Funken gefällt mir ausgezeichnet. Zu kritisieren ist, dass Isildurs Fluch ums Handgelenk getragen werden müsste, weil er für den Finger viel zu gross ist. Aber das sei verziehen, weil ein Ring in passender Grösse auf dem Bild kaum zu erkennen wäre.

Wie schon bei meinem Flux-Test wird das Hauptmotiv zwar tadellos freigestellt (vom Hintergrund getrennt) und in die Fantasie-Szene verfrachtet. Dennoch wirkt es wie ausgeschnitten, weil es in Bezug auf Helligkeit, Licht und Schatten überhaupt nicht zur Umgebung passt. Ich fordere «Nano Banana» daher auf, eine Angleichung vorzunehmen und dafür zu sorgen, dass der Schriftzug auf dem T-Shirt auch lesbar ist:

Kannst du mir das Bild horizontal spiegeln, damit der Schriftzug richtig lesbar ist? Und dann sorge bitte dafür, dass die Lichtstimmung beim Selfie zu der düsteren Umgebung von Mordor passt. Die Figur sollte dunkler werden und, falls möglich, eher von hinten beleuchtet werden, denn von vorn – weil der Vulkan ja im Hintergrund zu sehen ist. Damit ich nicht gänzlich in der Dunkelheit verschwinde, könntest du etwas Licht von vorn geben, z. B. von einem Feuer oder einer Lampe.

Die Lichtstimmung bekommt Gemini nicht hin

Das klappt nicht. Weder die Spiegelung noch die passende Stimmung sind im Resultat zu sehen. Das einzige, was Gemini hinbekommt, ist das Feuer im Vordergrund. Ich werde daher deutlicher und ergänze ausserdem den Wunsch, mich in einen Elben zu verwandeln:

Kannst du das noch prägnanter machen? Also den Mann abdunkeln und in eine düsterere Lichtstimmung tauchen? Und wenn wir schon dabei sind: Entferne doch die Brille und die Uhr, verpasse mir einen längeren Bart und spitzige Elben-Ohren!

Die Uhr und die Brille verschwinden tatsächlich und auch den Bart würde ich als gelungen bezeichnen. Von den Elben-Ohren lässt sich das nicht behaupten. Die sind etwas abstehender als in Wirklichkeit, aber für meinen Geschmack viel zu wenig spitz.

Das Spiegeln des Schriftzugs (oder der ganzen Figur) wäre auf herkömmlichem Weg in einer Sekunde erledigt. Der KI gelingt es interessanterweise nur teilweise. Beim Bild rechts steht der Anfang des Satzes («one does …») nun richtig herum, der hintere Teil aber durcheinander. Es steht nun «Walmes tin» da – was auch immer das heissen sollte.

Ich entschliesse mich, Gemini die volle Dröhnung zu verpassen, und übergebe eine (von ChatGPT erstellte) Übersicht aller wichtigen äusseren Eigenschaften der Elben:

Kannst du mich noch elfenhafter machen? Also:
Gesicht: schmal, ebenmässig, aber von Altersweisheit geprägt; feine Linien um Augen und Mund, jedoch ohne menschliche Gebrechlichkeit.
Augen: klar, leuchtend, oft grau oder blau, mit tiefer, uralter Weisheit.
Haare: lang, silbern oder weiss, manchmal leicht golden; meist glatt und gepflegt.
Körperbau: gross, schlank, aufrecht, mit würdevollem Auftreten.
Kleidung: edel, aber schlicht – lange Gewänder in Naturfarben (Grün, Grau, Braun, Weiss oder Blau), bestickt mit feinen Mustern.
Accessoires: Umhang, oft mit einer Brosche geschlossen; Schmuck aus Silber oder Mithril; gelegentlich ein Stab oder Schwert als Symbol seiner Stellung.
Aura: würdevoll, gelassen, fast überirdisch; eine stille Autorität, die Zeit und Erfahrung ausstrahlt.

Das tut Gemini auch, bedauerlicherweise geht an dieser Stelle jedoch die Ähnlichkeit zu meinem Selfie verloren. Ich versuche, noch einmal bei meinem bärtigen Ich anzusetzen und die Beschreibung klarer zu halten:

Mache mein Gesicht schmaler, weiser, die Augen blau und gross, meine Haare lang und silbrig und zu einem Pferdeschwanz gebunden und gib mir eine schwere Halskette und ein Schwert.

Doch das Bildbearbeitungsmodell ist nicht in der Lage, alle Anforderungen unter einen Hut zu bringen. Der resultierende Elf ist nicht mehr fotorealistisch, sondern comichaft.

Damit haben wir erfolgreich die Grenzen der neuen Bilder-KI erreicht. Und ja, es ist beeindruckend, was Google abliefert: Hätte ich dieses Modell vor vier Jahren – also bevor wir es mit generativer künstlicher Intelligenz zu tun bekommen haben – ausprobiert, ich wäre hin und weg gewesen. Meine kritische Haltung zeigt, wie sehr wir uns an die Möglichkeiten und den rasanten Fortschritt gewöhnt haben.

Unter dem Strich finde ich die Arbeit mit der Bildbearbeitung in Midjourney intuitiver und produktiver. Eines ist jedoch nicht wegzudiskutieren: Die Möglichkeiten, die sich mit «Nano Banana» eröffnen, sind faszinierend – vor allem für Leute wie mich, die zwar eine rege Fantasie, aber dummerweise zu wenig handwerkliche Fähigkeiten haben, sie auf die herkömmliche Weise in Kunst umzusetzen.

Beitragsbild: Ein Werk von Nano-Banana: Meine Wenigkeit am Filmset von «Herr der Ringe».

So leicht verschlägt es einen nach Mordor

Mir wurde in letzter Zeit etliche Male von Flux vorgeschwärmt; teils privat und teils medial. Das ist eine Software, die Bilder und Videos generiert. Und falls das überhaupt noch der Erwähnung bedarf: Sie tut das mithilfe künstlicher Intelligenz.

Bemerkenswert hingegen ist, von wem die Software stammt. Das Unternehmen hinter Flux heisst Black Forest Labs und Wikipedia gibt an, die Entwicklung habe in Freiburg im Breisgau ihren Anfang genommen. Im Impressum von bfl.ai wird heute allerdings Wilmington, DE angegeben, wobei das Kürzel nicht für Deutschland, sondern für Delaware steht. Das ist ein Dämpfer für jene unter uns, die in Flux gern einen europäischen Hoffnungsträger im globalen Gerangel um die KI-Vorherrschaft sehen würden.

Preisvergleiche sind schwierig

Das hält mich nicht von einem Test ab. Flux kann auf mehreren Wegen verwendet werden. Auf der Website des Entwicklers gibt es einen Playground. Die KI ist auch über Websites von Drittanbietern wie flux-ai.io oder getimg.ai zugänglich. Die Abos sind jeweils unterschiedlich ausgestaltet, was Preisvergleiche leider erschwert¹.

Ich habe mit Flux meine übliche Testreihe durchgeführt: Die Prompts dazu findet ihr hier und die Resultate seht ihr gleich. Zuvor muss eine Spezialität von Flux gewürdigt werden.

Die Bilderzeugung ist nämlich nicht die einzige Disziplin, die die KI beherrscht. Sie kann auch bestehende Bilder anhand eines Prompts verändern. Und das habe ich als erstes ausprobiert – das Resultat seht ihr als oben als Beitragsbild.

Der Prompt dazu lautete wie folgt:

Spiegle das Bild dieses Mannes an der vertikalen Achse, sodass die Schrift auf dem T-Shirt nicht spiegelverkehrt erscheint. Transferiere ihn in eine Landschaft, die wie Mordor aussieht: Also dunkel, mit düsteren Schatten und karger Vegetation, einem Lavaspeienden Berg im Hintergrund und dunklen Wolken am Himmel. Ersetze das Handy in der Hand des Mannes durch einen Ring.

Auf der positiven Seite stellen wir folgende Dinge fest:

• Flux hat die Kernaufgabe richtig verstanden. In der bearbeiteten Version stehe ich nicht mehr in meinem Badezimmer, sondern vor dem Schicksalsberg.
• Der Hintergrund ist gut gelungen – um Welten besser, als was ich aus Cocreator in Microsoft Paint herausleiern konnte, wo ich letzten Oktober ein ähnliches Experiment mit dem gleichen Bild unternommen habe.
• Die KI hat eine ausgezeichnete Arbeit geleistet, meine beiden Ellbogen, die auf dem Foto nicht sichtbar sind, zu rekonstruieren. Nicht einmal ich als Besitzer dieser Ellbogen käme auf die Idee, dass sie künstlich generiert sind.

In einer Detailkritik haben wir indes diverse Unstimmigkeiten zu bemängeln:

• Den Wunsch, mein Bild zu spiegeln, hat die KI ignoriert.
• Das Handy ist zwar aus meiner Hand verschwunden, aber der geforderte Ring wurde nicht hinzugefügt.
• Und natürlich passt die Lichtstimmung des eingefügten Motivs überhaupt nicht zu der düsteren Landschaft.

Das erste Problem liesse sich beheben, indem wir die Spiegelung selbst vornehmen. Den Ring und die Lichtstimmung bekämen wir vielleicht hin, wenn wir den Prompt konkreter und mit mehr Details ausgestalten würden. (Da ich meine Gratis-Credits aufgebraucht habe, kann ich das vorerst leider nicht ausprobieren.) Falls möglich, würde ich aber beim Ausgangsbild und ein neues Selfie aufnehmen, das besser zum gewünschten Endresultat passt.

Eine direkte Herausforderung für Photoshop

Trotzdem muss ich das Offensichtliche hier festhalten: Das ist ein epochaler Meilenstein in der Fotografie-Postproduktion. Die gleiche Arbeit in Photoshop würde auf herkömmliche Weise einen erfahrenen Anwender eine halbe Stunde beschäftigen. Ein wenig erfahrener Anwender hätte keine Chance. Das ist eine Zeitenwende in der Bildbearbeitung.

Hier abschliessend wie versprochen die Bilder zu meinen vier Standardtests, die ihr mit den Resultaten anderer generativer Bilder-KIs vergleichen könnt. Ich sortiere die Kreationen aufsteigend nach meiner Benotung.

4) Der träumende Androide

Ein schwieriges Motiv, zugegeben. Der Stil wäre für ein Kinderbuch passend. Da es sich bei der Aufgabe um eine Anspielung an das Buch Do Androids Dream of Electric Sheep? von Philip K. Dick handelt, wäre eine etwas «erwachsenere» Darstellung auch okay. Speziell kritisiere ich allerdings, dass der Android nicht schläft und damit nicht träumt und zwei Schafe aus der Traumblase ausgebrochen sind. Ausserdem ist nicht erkennbar, dass es sich um elektrische Schafe handeln müsste.

3) Das Schweiz-Diorama

Die Umsetzung gefällt mir gut; wie sich Matterhorn, Bundeshaus und Kapellbrücke ineinanderfügen, ist sogar ausgezeichnet. Minuspunkte gibt es, weil das Bundeshaus nicht aus Schokolade besteht – und weil es nicht als Bundeshaus zu erkennen ist.

2) Die Frau mit Hasenohren und Fuchsschwanz

Bei dieser Umsetzung sitzen sowohl die Ohren als auch der Fuchsschwanz. Der Stil ist dem märchenhaften Motiv angemessen und die Darstellung ist nicht übersexualisiert, wie das sonst oft der Fall ist.

Bei diesem Motiv zeigt Flux, dass die Vorschusslorbeeren nicht unverdient sind: Das ist das beste Resultat, das ich zu diesem Prompt bislang erhalten habe. Es gibt dennoch nur die Note gut, weil ich schade finde, dass oben die Ohren und unten die Haarspitzen angeschnitten sind.

1) Die Punk-Familie in Paris

Bei diesem Motiv wird Flux selbst hohen Erwartungen gerecht: Alle drei Familienmitglieder erscheinen so, wie beschrieben, und an der Pose vor dem Eiffelturm gibt es nichts zu mäkeln. Erster Kritikpunkt: Der Papa könnte noch etwas wilder, bzw. weniger gepflegt aussehen, insbesondere, was Bart und Frisur angeht.

Zweiter Kritikpunkt: Die Beleuchtung am Turm und bei der Strassenlaterne deutet auf Nacht hin, der Rest der Szene findet bei Tageslicht statt. Und natürlich würden wir uns für ein Ferienbild einen blauen Himmel wünschen. Auch diese Mankos liessen sich womöglich durch eine explizitere Formulierung des Prompts beseitigen.

Trotzdem: Flux überzeugt. Und positiv zu erwähnen ist das unglaubliche Tempo, mit denen diese vier Bilder erstellt worden sind.

Fussnoten

1) Bei Flux-ai kostet das günstigste Abo zehn Dollar pro Monat, wofür es 5000 Credits gibt. Da je nach Aufgabe eine unterschiedliche Zahl von Credits benötigt werden, kann ich nicht allgemeingültig sagen, wie weit das reicht. Für den Test gibt es 40 Credits gratis, die für vier Bilder mit dem Modell Flux.1 schnell gereicht haben. Für Videoexperimente sind mindestens 100 Credits pro Versuch einzurechnen, sodass wir mit dem Gratis-Account leider keinen Versuch unternehmen können. Bei getimg.ai zahlen wir mindestens acht Franken pro Monat für 3000 monatliche Credits. ↩

#KI #Publisher #VideoBildgenerator

So leicht verschlägt es einen nach Mordor

Mir wurde in letzter Zeit etliche Male von Flux vorgeschwärmt; teils privat und teils medial. Das ist eine Software, die Bilder und Videos generiert. Und falls das überhaupt noch der Erwähnung bedarf: Sie tut das mithilfe künstlicher Intelligenz.

Bemerkenswert hingegen ist, von wem die Software stammt. Das Unternehmen hinter Flux heisst Black Forest Labs und Wikipedia gibt an, die Entwicklung habe in Freiburg im Breisgau ihren Anfang genommen. Im Impressum von bfl.ai wird heute allerdings Wilmington, DE angegeben, wobei das Kürzel nicht für Deutschland, sondern für Delaware steht. Das ist ein Dämpfer für jene unter uns, die in Flux gern einen europäischen Hoffnungsträger im globalen Gerangel um die KI-Vorherrschaft sehen würden.

Preisvergleiche sind schwierig

Das hält mich nicht von einem Test ab. Flux kann auf mehreren Wegen verwendet werden. Auf der Website des Entwicklers gibt es einen Playground. Die KI ist auch über Websites von Drittanbietern wie flux-ai.io oder getimg.ai zugänglich. Die Abos sind jeweils unterschiedlich ausgestaltet, was Preisvergleiche leider erschwert¹.

Ich habe mit Flux meine übliche Testreihe durchgeführt: Die Prompts dazu findet ihr hier und die Resultate seht ihr gleich. Zuvor muss eine Spezialität von Flux gewürdigt werden.

Die Bilderzeugung ist nämlich nicht die einzige Disziplin, die die KI beherrscht. Sie kann auch bestehende Bilder anhand eines Prompts verändern. Und das habe ich als erstes ausprobiert – das Resultat seht ihr als oben als Beitragsbild.

Der Prompt dazu lautete wie folgt:

Spiegle das Bild dieses Mannes an der vertikalen Achse, sodass die Schrift auf dem T-Shirt nicht spiegelverkehrt erscheint. Transferiere ihn in eine Landschaft, die wie Mordor aussieht: Also dunkel, mit düsteren Schatten und karger Vegetation, einem Lavaspeienden Berg im Hintergrund und dunklen Wolken am Himmel. Ersetze das Handy in der Hand des Mannes durch einen Ring.

Auf der positiven Seite stellen wir folgende Dinge fest:

• Flux hat die Kernaufgabe richtig verstanden. In der bearbeiteten Version stehe ich nicht mehr in meinem Badezimmer, sondern vor dem Schicksalsberg.
• Der Hintergrund ist gut gelungen – um Welten besser, als was ich aus Cocreator in Microsoft Paint herausleiern konnte, wo ich letzten Oktober ein ähnliches Experiment mit dem gleichen Bild unternommen habe.
• Die KI hat eine ausgezeichnete Arbeit geleistet, meine beiden Ellbogen, die auf dem Foto nicht sichtbar sind, zu rekonstruieren. Nicht einmal ich als Besitzer dieser Ellbogen käme auf die Idee, dass sie künstlich generiert sind.

In einer Detailkritik haben wir indes diverse Unstimmigkeiten zu bemängeln:

• Den Wunsch, mein Bild zu spiegeln, hat die KI ignoriert.
• Das Handy ist zwar aus meiner Hand verschwunden, aber der geforderte Ring wurde nicht hinzugefügt.
• Und natürlich passt die Lichtstimmung des eingefügten Motivs überhaupt nicht zu der düsteren Landschaft.

Das erste Problem liesse sich beheben, indem wir die Spiegelung selbst vornehmen. Den Ring und die Lichtstimmung bekämen wir vielleicht hin, wenn wir den Prompt konkreter und mit mehr Details ausgestalten würden. (Da ich meine Gratis-Credits aufgebraucht habe, kann ich das vorerst leider nicht ausprobieren.) Falls möglich, würde ich aber beim Ausgangsbild und ein neues Selfie aufnehmen, das besser zum gewünschten Endresultat passt.

Eine direkte Herausforderung für Photoshop

Trotzdem muss ich das Offensichtliche hier festhalten: Das ist ein epochaler Meilenstein in der Fotografie-Postproduktion. Die gleiche Arbeit in Photoshop würde auf herkömmliche Weise einen erfahrenen Anwender eine halbe Stunde beschäftigen. Ein wenig erfahrener Anwender hätte keine Chance. Das ist eine Zeitenwende in der Bildbearbeitung.

Hier abschliessend wie versprochen die Bilder zu meinen vier Standardtests, die ihr mit den Resultaten anderer generativer Bilder-KIs vergleichen könnt. Ich sortiere die Kreationen aufsteigend nach meiner Benotung.

4) Der träumende Androide

Ein schwieriges Motiv, zugegeben. Der Stil wäre für ein Kinderbuch passend. Da es sich bei der Aufgabe um eine Anspielung an das Buch Do Androids Dream of Electric Sheep? von Philip K. Dick handelt, wäre eine etwas «erwachsenere» Darstellung auch okay. Speziell kritisiere ich allerdings, dass der Android nicht schläft und damit nicht träumt und zwei Schafe aus der Traumblase ausgebrochen sind. Ausserdem ist nicht erkennbar, dass es sich um elektrische Schafe handeln müsste.

3) Das Schweiz-Diorama

Die Umsetzung gefällt mir gut; wie sich Matterhorn, Bundeshaus und Kapellbrücke ineinanderfügen, ist sogar ausgezeichnet. Minuspunkte gibt es, weil das Bundeshaus nicht aus Schokolade besteht – und weil es nicht als Bundeshaus zu erkennen ist.

2) Die Frau mit Hasenohren und Fuchsschwanz

Bei dieser Umsetzung sitzen sowohl die Ohren als auch der Fuchsschwanz. Der Stil ist dem märchenhaften Motiv angemessen und die Darstellung ist nicht übersexualisiert, wie das sonst oft der Fall ist.

Bei diesem Motiv zeigt Flux, dass die Vorschusslorbeeren nicht unverdient sind: Das ist das beste Resultat, das ich zu diesem Prompt bislang erhalten habe. Es gibt dennoch nur die Note gut, weil ich schade finde, dass oben die Ohren und unten die Haarspitzen angeschnitten sind.

1) Die Punk-Familie in Paris

Bei diesem Motiv wird Flux selbst hohen Erwartungen gerecht: Alle drei Familienmitglieder erscheinen so, wie beschrieben, und an der Pose vor dem Eiffelturm gibt es nichts zu mäkeln. Erster Kritikpunkt: Der Papa könnte noch etwas wilder, bzw. weniger gepflegt aussehen, insbesondere, was Bart und Frisur angeht.

Zweiter Kritikpunkt: Die Beleuchtung am Turm und bei der Strassenlaterne deutet auf Nacht hin, der Rest der Szene findet bei Tageslicht statt. Und natürlich würden wir uns für ein Ferienbild einen blauen Himmel wünschen. Auch diese Mankos liessen sich womöglich durch eine explizitere Formulierung des Prompts beseitigen.

Trotzdem: Flux überzeugt. Und positiv zu erwähnen ist das unglaubliche Tempo, mit denen diese vier Bilder erstellt worden sind.

Fussnoten

1) Bei Flux-ai kostet das günstigste Abo zehn Dollar pro Monat, wofür es 5000 Credits gibt. Da je nach Aufgabe eine unterschiedliche Zahl von Credits benötigt werden, kann ich nicht allgemeingültig sagen, wie weit das reicht. Für den Test gibt es 40 Credits gratis, die für vier Bilder mit dem Modell Flux.1 schnell gereicht haben. Für Videoexperimente sind mindestens 100 Credits pro Versuch einzurechnen, sodass wir mit dem Gratis-Account leider keinen Versuch unternehmen können. Bei getimg.ai zahlen wir mindestens acht Franken pro Monat für 3000 monatliche Credits. ↩

#KI #Publisher #VideoBildgenerator

Bei Musk geht die Sonne ständig unter

Wer hätte das gedacht? Wir alle haben von Elon Musk ein verfrühtes Weihnachtsgeschenk erhalten. Er machte Mitte letzter Woche seine KI Grok 2 kostenlos allgemein zugänglich¹. Wobei, Korrektur: Diejenigen Personen, die seine Plattform, die uns noch unter dem Namen Twitter geläufig ist, den Rücken zugekehrt haben, kommen nicht in den Genuss dieser KI. Was uns an dieser Stelle zur Vermutung verleiten könnte, dass es sich hier um eine Massnahme handelt, den Nutzerschwund einzudämmen.

So steht eine Frage im Raum: Lohnt es sich denn, wegen Grok auszuharren? Die KI könnte ein Grund sein, zumindest sein Konto nicht zu löschen. Den Postings müssten wir uns in diesem Szenario schliesslich nicht mehr aussetzen.

Ein kleiner Test soll eine Klärung bringen: Für einen ersten Eindruck beschränke ich mich hier auf Grok als Bildgenerator. Was die Auskünfte angeht, die uns Grok erteilt, kämen wir nicht darum herum, deren politische und weltanschauliche Ausgewogenheit zu prüfen. Denn weil Twitter inzwischen so weit nach rechts lehnt, wollen wir natürlich wissen, ob auch das Grok-Sprachmodell von dieser Tendenz betroffen ist.

Darum habe ich Grok mit jenen Aufgaben konfrontiert, die ich hier im Blog den Bild- und Video-KIs routinemässig unterbreite. Das erlaubt es, die Resultate untereinander zu vergleichen: mit Firefly, Meta AI, Micro­soft Image Creator, Leonardo.ai, diversen Video-Generatoren und den Bilder-KIs der ersten Stunde.

1) Die von elektrischen Schafen träumenden Roboter

Eine schwierige Aufgabe, weil mehrere abstrakte Elemente zu diesem Motiv beitragen: Die Elektrizität der Schafe und die Tatsache, dass sie bloss im Traum des Androiden vorkommen.

Es steht ausser Frage, dass Grok diese Aufgabe brillant löst. Die Bilder sind detailreich, stimmungsvoll und das Motiv ist problemlos erkennbar. Der Androide ist zwar mehr ein Roboter, aber das Mischwesen aus Mensch-Maschine hervorragend getroffen. Die Bestnote gibt es jedoch nicht, weil auch Grok Unstimmigkeiten fabriziert: Im ersten Bild scheint das Kissen in der Luft zu schweben. Beim zweiten steckt der Android mitten in der Bettdecke und beim dritten Resultat ist der Kopf des Androiden offenbar nicht mit dem Körper verbunden. Auch ist die Bauchlage etwas seltsam.

Übrigens: Im Fall dieses Tests hier, passt die Visualisierung eines Konzepts aus einem Science-Fiction-Romans besonders gut. Der Name Grok stammt nämlich aus dem Buch Stranger in a Strange Land («Fremder in einer fremden Welt») von Robert A. Heinlein.

2) Die Fuchs-Hasen-Frau

Auch das vier eindrückliche Resultate, die vor Augen führen, wie riesig die Fortschritte sind, seit ich diese Aufgabe im September 2022 zum ersten Mal gestellt habe. Wie die Ohren mit den Frisuren harmonieren, gefällt mir ausgezeichnet. Zu kritisieren ist, dass die Fuchs-Frau auf dem ersten Bild ein drittes, nach hinten zeigendes Ohr besitzt.

3) Das Matterhorn als Dessert

Warum ich seinerzeit auf die Idee gekommen bin, mir ein Schoko-Dessert in Form des Matterhorns erstellen zu lassen, habe ich nicht mehr erinnerlich. Es bleibt aber ein interessantes Motiv, weil es zeigt, wie streng sich die Modelle an die Vorgabe halten – und ob sie in der Lage sind, zwei so unterschiedliche Objekte wie einen Berg und ein süsses Gericht miteinander zu verschmelzen.

Groks Resultate sind denn auch durchwachsen: Bild Nummer zwei sieht mir verdächtig nach dem 💩-Emoji aus, aber immerhin ist im Hintergrund das echte Matterhorn zu erkennen. Die Varianten finde ich jedoch interessant, auch wenn beim ersten Bild Vanillecreme und beim dritten Puderzucker anstelle von Schlagrahm zum Zug kommt.

4) Zugabe 1: Die Punk-Familie in Paris

Unlängst habe ich ein weiteres kniffliges Motiv in meine Testreihe aufgenommen: die Punker-Familie in Paris. Die hat mich in Stable Diffusion vor fast unlösbare Probleme gestellt. Auch bei dieser wirklich schwierigen Aufgabestellung liefert Grok ein souveränes Resultat ab: Das erste Bild mit dem Eiffelturm als Silhouette gefällt mir ausgezeichnet. Beim zweiten Motiv ist der Papa zu wenig Punk, beim dritten überzeugen zwar die Eltern, doch es gibt ein Kind zuviel und dass Mama den Nachwuchs leicht zu würgen scheint, ist auch nicht angemessen. Beim vierten Bild ist die Mutter eher eine Schwester, was den Mann zum Bruder macht.

5) Zugabe 2: Elon auf dem Einhorn

Bemerkenswert ist, dass sich mit Grok auch Bilder von bekannten Personen generieren lassen. Das klappt sonst bei keinem der grossen Bildgeneratoren; eine Ausnahme ist lediglich Image Playground von Apple.

Elon ist vor allem auf dem vierten Bild gut zu erkennen und auch am Einhorn ist wenig auszusetzen. In der Kombination wollen Pferd, Mann und Hintergrund nicht so richtig zusammenpassen: Vor allem das erste Bild wirkt so, als hätte ein mittelmässig begabter Photoshopper eine Komposition aus Einzelelementen gebastelt. Das liegt daran, dass die Lichtverhältnisse nicht stimmen: Die Schatten fallen völlig falsch und die Lichtstimmung im Vordergrund passt überhaupt nicht zu der im Hintergrund.

Diese Kritik trifft in geringerem Mass auch auf die anderen Varianten zu. Generell ist auffallend, wie viele Bilder bei Grok einen Sonnenuntergang (vielleichg auch einen Sonnenaufgang) zeigen, obwohl Gegenlichtaufnahmen ihre besonderen Tücken haben.

Fazit: Das kann sich sehen lassen!

Egal, was wir von Twitter und Musk halten: Grok überzeugt. Ich gehe nicht so weit, den anderen Bildgeneratoren abzuschwören. Doch wenn Bedarf an schwierigen und exotischen Motive besteht, zählt Grok definitiv zu den Kandidaten, denen ich eine Chance geben werde.

Abschliessend noch ein Tipp: Auf die Aufforderung «Draw me» erzeugt Grok ein Bild, in dem man selbst einen Auftritt hat. Für die Darstellung der Person zieht die KI das Profilbild heran. Da das bei mir eine (seinerzeit handgefertigte) Strichzeichnung ist, entsteht in meinem Fall leider nur eine sehr entfernte Ähnlichkeit. Ein Problem, das sich durch ein anderes Profilfoto beheben oder entschärfen liesse.

Fazit: Ob das ein Grund ist, den Twitter-Account zumindest vorerst nicht zu löschen, bleibt selbstverständlich eine persönliche Entscheidung. Was mich angeht, behalte ich meinen Account ohnehin, damit ich auch weiterhin Tests wie diesen unternehmen kann. Es bleibt aber dabei, dass Twitter eigentlich eine Plattform für Kurznachrichten und keine KI-Anwendung ist. Und die Kritik an Twitter als soziales Medium schafft Grok natürlich nicht aus der Welt: Wer dagegen ein Zeichen setzen will, sollte seinen Account trotz Grok aus dem Verkehr ziehen.

Fussnoten

1) Die KI lässt sich nun kostenlos benutzen. Vorher brauchte es ein bezahltes Abo dafür. Wer für Premium und Premium Plus bezahlt, bekommt ein grösseres Kontingent für seine Kreationen. ↩

#KI #Publisher #TlDr #Twitter #VideoBildgenerator

Bei Musk geht die Sonne ständig unter

Wer hätte das gedacht? Wir alle haben von Elon Musk ein verfrühtes Weihnachtsgeschenk erhalten. Er machte Mitte letzter Woche seine KI Grok 2 kostenlos allgemein zugänglich¹. Wobei, Korrektur: Diejenigen Personen, die seine Plattform, die uns noch unter dem Namen Twitter geläufig ist, den Rücken zugekehrt haben, kommen nicht in den Genuss dieser KI. Was uns an dieser Stelle zur Vermutung verleiten könnte, dass es sich hier um eine Massnahme handelt, den Nutzerschwund einzudämmen.

So steht eine Frage im Raum: Lohnt es sich denn, wegen Grok auszuharren? Die KI könnte ein Grund sein, zumindest sein Konto nicht zu löschen. Den Postings müssten wir uns in diesem Szenario schliesslich nicht mehr aussetzen.

Ein kleiner Test soll eine Klärung bringen: Für einen ersten Eindruck beschränke ich mich hier auf Grok als Bildgenerator. Was die Auskünfte angeht, die uns Grok erteilt, kämen wir nicht darum herum, deren politische und weltanschauliche Ausgewogenheit zu prüfen. Denn weil Twitter inzwischen so weit nach rechts lehnt, wollen wir natürlich wissen, ob auch das Grok-Sprachmodell von dieser Tendenz betroffen ist.

Darum habe ich Grok mit jenen Aufgaben konfrontiert, die ich hier im Blog den Bild- und Video-KIs routinemässig unterbreite. Das erlaubt es, die Resultate untereinander zu vergleichen: mit Firefly, Meta AI, Micro­soft Image Creator, Leonardo.ai, diversen Video-Generatoren und den Bilder-KIs der ersten Stunde.

1) Die von elektrischen Schafen träumenden Roboter

Eine schwierige Aufgabe, weil mehrere abstrakte Elemente zu diesem Motiv beitragen: Die Elektrizität der Schafe und die Tatsache, dass sie bloss im Traum des Androiden vorkommen.

Es steht ausser Frage, dass Grok diese Aufgabe brillant löst. Die Bilder sind detailreich, stimmungsvoll und das Motiv ist problemlos erkennbar. Der Androide ist zwar mehr ein Roboter, aber das Mischwesen aus Mensch-Maschine hervorragend getroffen. Die Bestnote gibt es jedoch nicht, weil auch Grok Unstimmigkeiten fabriziert: Im ersten Bild scheint das Kissen in der Luft zu schweben. Beim zweiten steckt der Android mitten in der Bettdecke und beim dritten Resultat ist der Kopf des Androiden offenbar nicht mit dem Körper verbunden. Auch ist die Bauchlage etwas seltsam.

Übrigens: Im Fall dieses Tests hier, passt die Visualisierung eines Konzepts aus einem Science-Fiction-Romans besonders gut. Der Name Grok stammt nämlich aus dem Buch Stranger in a Strange Land («Fremder in einer fremden Welt») von Robert A. Heinlein.

2) Die Fuchs-Hasen-Frau

Auch das vier eindrückliche Resultate, die vor Augen führen, wie riesig die Fortschritte sind, seit ich diese Aufgabe im September 2022 zum ersten Mal gestellt habe. Wie die Ohren mit den Frisuren harmonieren, gefällt mir ausgezeichnet. Zu kritisieren ist, dass die Fuchs-Frau auf dem ersten Bild ein drittes, nach hinten zeigendes Ohr besitzt.

3) Das Matterhorn als Dessert

Warum ich seinerzeit auf die Idee gekommen bin, mir ein Schoko-Dessert in Form des Matterhorns erstellen zu lassen, habe ich nicht mehr erinnerlich. Es bleibt aber ein interessantes Motiv, weil es zeigt, wie streng sich die Modelle an die Vorgabe halten – und ob sie in der Lage sind, zwei so unterschiedliche Objekte wie einen Berg und ein süsses Gericht miteinander zu verschmelzen.

Groks Resultate sind denn auch durchwachsen: Bild Nummer zwei sieht mir verdächtig nach dem 💩-Emoji aus, aber immerhin ist im Hintergrund das echte Matterhorn zu erkennen. Die Varianten finde ich jedoch interessant, auch wenn beim ersten Bild Vanillecreme und beim dritten Puderzucker anstelle von Schlagrahm zum Zug kommt.

4) Zugabe 1: Die Punk-Familie in Paris

Unlängst habe ich ein weiteres kniffliges Motiv in meine Testreihe aufgenommen: die Punker-Familie in Paris. Die hat mich in Stable Diffusion vor fast unlösbare Probleme gestellt. Auch bei dieser wirklich schwierigen Aufgabestellung liefert Grok ein souveränes Resultat ab: Das erste Bild mit dem Eiffelturm als Silhouette gefällt mir ausgezeichnet. Beim zweiten Motiv ist der Papa zu wenig Punk, beim dritten überzeugen zwar die Eltern, doch es gibt ein Kind zuviel und dass Mama den Nachwuchs leicht zu würgen scheint, ist auch nicht angemessen. Beim vierten Bild ist die Mutter eher eine Schwester, was den Mann zum Bruder macht.

5) Zugabe 2: Elon auf dem Einhorn

Bemerkenswert ist, dass sich mit Grok auch Bilder von bekannten Personen generieren lassen. Das klappt sonst bei keinem der grossen Bildgeneratoren; eine Ausnahme ist lediglich Image Playground von Apple.

Elon ist vor allem auf dem vierten Bild gut zu erkennen und auch am Einhorn ist wenig auszusetzen. In der Kombination wollen Pferd, Mann und Hintergrund nicht so richtig zusammenpassen: Vor allem das erste Bild wirkt so, als hätte ein mittelmässig begabter Photoshopper eine Komposition aus Einzelelementen gebastelt. Das liegt daran, dass die Lichtverhältnisse nicht stimmen: Die Schatten fallen völlig falsch und die Lichtstimmung im Vordergrund passt überhaupt nicht zu der im Hintergrund.

Diese Kritik trifft in geringerem Mass auch auf die anderen Varianten zu. Generell ist auffallend, wie viele Bilder bei Grok einen Sonnenuntergang (vielleichg auch einen Sonnenaufgang) zeigen, obwohl Gegenlichtaufnahmen ihre besonderen Tücken haben.

Fazit: Das kann sich sehen lassen!

Egal, was wir von Twitter und Musk halten: Grok überzeugt. Ich gehe nicht so weit, den anderen Bildgeneratoren abzuschwören. Doch wenn Bedarf an schwierigen und exotischen Motive besteht, zählt Grok definitiv zu den Kandidaten, denen ich eine Chance geben werde.

Abschliessend noch ein Tipp: Auf die Aufforderung «Draw me» erzeugt Grok ein Bild, in dem man selbst einen Auftritt hat. Für die Darstellung der Person zieht die KI das Profilbild heran. Da das bei mir eine (seinerzeit handgefertigte) Strichzeichnung ist, entsteht in meinem Fall leider nur eine sehr entfernte Ähnlichkeit. Ein Problem, das sich durch ein anderes Profilfoto beheben oder entschärfen liesse.

Fazit: Ob das ein Grund ist, den Twitter-Account zumindest vorerst nicht zu löschen, bleibt selbstverständlich eine persönliche Entscheidung. Was mich angeht, behalte ich meinen Account ohnehin, damit ich auch weiterhin Tests wie diesen unternehmen kann. Es bleibt aber dabei, dass Twitter eigentlich eine Plattform für Kurznachrichten und keine KI-Anwendung ist. Und die Kritik an Twitter als soziales Medium schafft Grok natürlich nicht aus der Welt: Wer dagegen ein Zeichen setzen will, sollte seinen Account trotz Grok aus dem Verkehr ziehen.

Fussnoten

1) Die KI lässt sich nun kostenlos benutzen. Vorher brauchte es ein bezahltes Abo dafür. Wer für Premium und Premium Plus bezahlt, bekommt ein grösseres Kontingent für seine Kreationen. ↩

#KI #Publisher #TlDr #Twitter #VideoBildgenerator

Bei Musk geht die Sonne ständig unter

Wer hätte das gedacht? Wir alle haben von Elon Musk ein verfrühtes Weihnachtsgeschenk erhalten. Er machte Mitte letzter Woche seine KI Grok 2 kostenlos allgemein zugänglich¹. Wobei, Korrektur: Diejenigen Personen, die seine Plattform, die uns noch unter dem Namen Twitter geläufig ist, den Rücken zugekehrt haben, kommen nicht in den Genuss dieser KI. Was uns an dieser Stelle zur Vermutung verleiten könnte, dass es sich hier um eine Massnahme handelt, den Nutzerschwund einzudämmen.

So steht eine Frage im Raum: Lohnt es sich denn, wegen Grok auszuharren? Die KI könnte ein Grund sein, zumindest sein Konto nicht zu löschen. Den Postings müssten wir uns in diesem Szenario schliesslich nicht mehr aussetzen.

Ein kleiner Test soll eine Klärung bringen: Für einen ersten Eindruck beschränke ich mich hier auf Grok als Bildgenerator. Was die Auskünfte angeht, die uns Grok erteilt, kämen wir nicht darum herum, deren politische und weltanschauliche Ausgewogenheit zu prüfen. Denn weil Twitter inzwischen so weit nach rechts lehnt, wollen wir natürlich wissen, ob auch das Grok-Sprachmodell von dieser Tendenz betroffen ist.

Darum habe ich Grok mit jenen Aufgaben konfrontiert, die ich hier im Blog den Bild- und Video-KIs routinemässig unterbreite. Das erlaubt es, die Resultate untereinander zu vergleichen: mit Firefly, Meta AI, Micro­soft Image Creator, Leonardo.ai, diversen Video-Generatoren und den Bilder-KIs der ersten Stunde.

1) Die von elektrischen Schafen träumenden Roboter

Eine schwierige Aufgabe, weil mehrere abstrakte Elemente zu diesem Motiv beitragen: Die Elektrizität der Schafe und die Tatsache, dass sie bloss im Traum des Androiden vorkommen.

Es steht ausser Frage, dass Grok diese Aufgabe brillant löst. Die Bilder sind detailreich, stimmungsvoll und das Motiv ist problemlos erkennbar. Der Androide ist zwar mehr ein Roboter, aber das Mischwesen aus Mensch-Maschine hervorragend getroffen. Die Bestnote gibt es jedoch nicht, weil auch Grok Unstimmigkeiten fabriziert: Im ersten Bild scheint das Kissen in der Luft zu schweben. Beim zweiten steckt der Android mitten in der Bettdecke und beim dritten Resultat ist der Kopf des Androiden offenbar nicht mit dem Körper verbunden. Auch ist die Bauchlage etwas seltsam.

Übrigens: Im Fall dieses Tests hier, passt die Visualisierung eines Konzepts aus einem Science-Fiction-Romans besonders gut. Der Name Grok stammt nämlich aus dem Buch Stranger in a Strange Land («Fremder in einer fremden Welt») von Robert A. Heinlein.

2) Die Fuchs-Hasen-Frau

Auch das vier eindrückliche Resultate, die vor Augen führen, wie riesig die Fortschritte sind, seit ich diese Aufgabe im September 2022 zum ersten Mal gestellt habe. Wie die Ohren mit den Frisuren harmonieren, gefällt mir ausgezeichnet. Zu kritisieren ist, dass die Fuchs-Frau auf dem ersten Bild ein drittes, nach hinten zeigendes Ohr besitzt.

3) Das Matterhorn als Dessert

Warum ich seinerzeit auf die Idee gekommen bin, mir ein Schoko-Dessert in Form des Matterhorns erstellen zu lassen, habe ich nicht mehr erinnerlich. Es bleibt aber ein interessantes Motiv, weil es zeigt, wie streng sich die Modelle an die Vorgabe halten – und ob sie in der Lage sind, zwei so unterschiedliche Objekte wie einen Berg und ein süsses Gericht miteinander zu verschmelzen.

Groks Resultate sind denn auch durchwachsen: Bild Nummer zwei sieht mir verdächtig nach dem 💩-Emoji aus, aber immerhin ist im Hintergrund das echte Matterhorn zu erkennen. Die Varianten finde ich jedoch interessant, auch wenn beim ersten Bild Vanillecreme und beim dritten Puderzucker anstelle von Schlagrahm zum Zug kommt.

4) Zugabe 1: Die Punk-Familie in Paris

Unlängst habe ich ein weiteres kniffliges Motiv in meine Testreihe aufgenommen: die Punker-Familie in Paris. Die hat mich in Stable Diffusion vor fast unlösbare Probleme gestellt. Auch bei dieser wirklich schwierigen Aufgabestellung liefert Grok ein souveränes Resultat ab: Das erste Bild mit dem Eiffelturm als Silhouette gefällt mir ausgezeichnet. Beim zweiten Motiv ist der Papa zu wenig Punk, beim dritten überzeugen zwar die Eltern, doch es gibt ein Kind zuviel und dass Mama den Nachwuchs leicht zu würgen scheint, ist auch nicht angemessen. Beim vierten Bild ist die Mutter eher eine Schwester, was den Mann zum Bruder macht.

5) Zugabe 2: Elon auf dem Einhorn

Bemerkenswert ist, dass sich mit Grok auch Bilder von bekannten Personen generieren lassen. Das klappt sonst bei keinem der grossen Bildgeneratoren; eine Ausnahme ist lediglich Image Playground von Apple.

Elon ist vor allem auf dem vierten Bild gut zu erkennen und auch am Einhorn ist wenig auszusetzen. In der Kombination wollen Pferd, Mann und Hintergrund nicht so richtig zusammenpassen: Vor allem das erste Bild wirkt so, als hätte ein mittelmässig begabter Photoshopper eine Komposition aus Einzelelementen gebastelt. Das liegt daran, dass die Lichtverhältnisse nicht stimmen: Die Schatten fallen völlig falsch und die Lichtstimmung im Vordergrund passt überhaupt nicht zu der im Hintergrund.

Diese Kritik trifft in geringerem Mass auch auf die anderen Varianten zu. Generell ist auffallend, wie viele Bilder bei Grok einen Sonnenuntergang (vielleichg auch einen Sonnenaufgang) zeigen, obwohl Gegenlichtaufnahmen ihre besonderen Tücken haben.

Fazit: Das kann sich sehen lassen!

Egal, was wir von Twitter und Musk halten: Grok überzeugt. Ich gehe nicht so weit, den anderen Bildgeneratoren abzuschwören. Doch wenn Bedarf an schwierigen und exotischen Motive besteht, zählt Grok definitiv zu den Kandidaten, denen ich eine Chance geben werde.

Abschliessend noch ein Tipp: Auf die Aufforderung «Draw me» erzeugt Grok ein Bild, in dem man selbst einen Auftritt hat. Für die Darstellung der Person zieht die KI das Profilbild heran. Da das bei mir eine (seinerzeit handgefertigte) Strichzeichnung ist, entsteht in meinem Fall leider nur eine sehr entfernte Ähnlichkeit. Ein Problem, das sich durch ein anderes Profilfoto beheben oder entschärfen liesse.

Fazit: Ob das ein Grund ist, den Twitter-Account zumindest vorerst nicht zu löschen, bleibt selbstverständlich eine persönliche Entscheidung. Was mich angeht, behalte ich meinen Account ohnehin, damit ich auch weiterhin Tests wie diesen unternehmen kann. Es bleibt aber dabei, dass Twitter eigentlich eine Plattform für Kurznachrichten und keine KI-Anwendung ist. Und die Kritik an Twitter als soziales Medium schafft Grok natürlich nicht aus der Welt: Wer dagegen ein Zeichen setzen will, sollte seinen Account trotz Grok aus dem Verkehr ziehen.

Fussnoten

1) Die KI lässt sich nun kostenlos benutzen. Vorher brauchte es ein bezahltes Abo dafür. Wer für Premium und Premium Plus bezahlt, bekommt ein grösseres Kontingent für seine Kreationen. ↩

#KI #Publisher #TlDr #Twitter #VideoBildgenerator

Bei Musk geht die Sonne ständig unter

Wer hätte das gedacht? Wir alle haben von Elon Musk ein verfrühtes Weihnachtsgeschenk erhalten. Er machte Mitte letzter Woche seine KI Grok 2 kostenlos allgemein zugänglich¹. Wobei, Korrektur: Diejenigen Personen, die seine Plattform, die uns noch unter dem Namen Twitter geläufig ist, den Rücken zugekehrt haben, kommen nicht in den Genuss dieser KI. Was uns an dieser Stelle zur Vermutung verleiten könnte, dass es sich hier um eine Massnahme handelt, den Nutzerschwund einzudämmen.

So steht eine Frage im Raum: Lohnt es sich denn, wegen Grok auszuharren? Die KI könnte ein Grund sein, zumindest sein Konto nicht zu löschen. Den Postings müssten wir uns in diesem Szenario schliesslich nicht mehr aussetzen.

Ein kleiner Test soll eine Klärung bringen: Für einen ersten Eindruck beschränke ich mich hier auf Grok als Bildgenerator. Was die Auskünfte angeht, die uns Grok erteilt, kämen wir nicht darum herum, deren politische und weltanschauliche Ausgewogenheit zu prüfen. Denn weil Twitter inzwischen so weit nach rechts lehnt, wollen wir natürlich wissen, ob auch das Grok-Sprachmodell von dieser Tendenz betroffen ist.

Darum habe ich Grok mit jenen Aufgaben konfrontiert, die ich hier im Blog den Bild- und Video-KIs routinemässig unterbreite. Das erlaubt es, die Resultate untereinander zu vergleichen: mit Firefly, Meta AI, Micro­soft Image Creator, Leonardo.ai, diversen Video-Generatoren und den Bilder-KIs der ersten Stunde.

1) Die von elektrischen Schafen träumenden Roboter

Eine schwierige Aufgabe, weil mehrere abstrakte Elemente zu diesem Motiv beitragen: Die Elektrizität der Schafe und die Tatsache, dass sie bloss im Traum des Androiden vorkommen.

Es steht ausser Frage, dass Grok diese Aufgabe brillant löst. Die Bilder sind detailreich, stimmungsvoll und das Motiv ist problemlos erkennbar. Der Androide ist zwar mehr ein Roboter, aber das Mischwesen aus Mensch-Maschine hervorragend getroffen. Die Bestnote gibt es jedoch nicht, weil auch Grok Unstimmigkeiten fabriziert: Im ersten Bild scheint das Kissen in der Luft zu schweben. Beim zweiten steckt der Android mitten in der Bettdecke und beim dritten Resultat ist der Kopf des Androiden offenbar nicht mit dem Körper verbunden. Auch ist die Bauchlage etwas seltsam.

Übrigens: Im Fall dieses Tests hier, passt die Visualisierung eines Konzepts aus einem Science-Fiction-Romans besonders gut. Der Name Grok stammt nämlich aus dem Buch Stranger in a Strange Land («Fremder in einer fremden Welt») von Robert A. Heinlein.

2) Die Fuchs-Hasen-Frau

Auch das vier eindrückliche Resultate, die vor Augen führen, wie riesig die Fortschritte sind, seit ich diese Aufgabe im September 2022 zum ersten Mal gestellt habe. Wie die Ohren mit den Frisuren harmonieren, gefällt mir ausgezeichnet. Zu kritisieren ist, dass die Fuchs-Frau auf dem ersten Bild ein drittes, nach hinten zeigendes Ohr besitzt.

3) Das Matterhorn als Dessert

Warum ich seinerzeit auf die Idee gekommen bin, mir ein Schoko-Dessert in Form des Matterhorns erstellen zu lassen, habe ich nicht mehr erinnerlich. Es bleibt aber ein interessantes Motiv, weil es zeigt, wie streng sich die Modelle an die Vorgabe halten – und ob sie in der Lage sind, zwei so unterschiedliche Objekte wie einen Berg und ein süsses Gericht miteinander zu verschmelzen.

Groks Resultate sind denn auch durchwachsen: Bild Nummer zwei sieht mir verdächtig nach dem 💩-Emoji aus, aber immerhin ist im Hintergrund das echte Matterhorn zu erkennen. Die Varianten finde ich jedoch interessant, auch wenn beim ersten Bild Vanillecreme und beim dritten Puderzucker anstelle von Schlagrahm zum Zug kommt.

4) Zugabe 1: Die Punk-Familie in Paris

Unlängst habe ich ein weiteres kniffliges Motiv in meine Testreihe aufgenommen: die Punker-Familie in Paris. Die hat mich in Stable Diffusion vor fast unlösbare Probleme gestellt. Auch bei dieser wirklich schwierigen Aufgabestellung liefert Grok ein souveränes Resultat ab: Das erste Bild mit dem Eiffelturm als Silhouette gefällt mir ausgezeichnet. Beim zweiten Motiv ist der Papa zu wenig Punk, beim dritten überzeugen zwar die Eltern, doch es gibt ein Kind zuviel und dass Mama den Nachwuchs leicht zu würgen scheint, ist auch nicht angemessen. Beim vierten Bild ist die Mutter eher eine Schwester, was den Mann zum Bruder macht.

5) Zugabe 2: Elon auf dem Einhorn

Bemerkenswert ist, dass sich mit Grok auch Bilder von bekannten Personen generieren lassen. Das klappt sonst bei keinem der grossen Bildgeneratoren; eine Ausnahme ist lediglich Image Playground von Apple.

Elon ist vor allem auf dem vierten Bild gut zu erkennen und auch am Einhorn ist wenig auszusetzen. In der Kombination wollen Pferd, Mann und Hintergrund nicht so richtig zusammenpassen: Vor allem das erste Bild wirkt so, als hätte ein mittelmässig begabter Photoshopper eine Komposition aus Einzelelementen gebastelt. Das liegt daran, dass die Lichtverhältnisse nicht stimmen: Die Schatten fallen völlig falsch und die Lichtstimmung im Vordergrund passt überhaupt nicht zu der im Hintergrund.

Diese Kritik trifft in geringerem Mass auch auf die anderen Varianten zu. Generell ist auffallend, wie viele Bilder bei Grok einen Sonnenuntergang (vielleichg auch einen Sonnenaufgang) zeigen, obwohl Gegenlichtaufnahmen ihre besonderen Tücken haben.

Fazit: Das kann sich sehen lassen!

Egal, was wir von Twitter und Musk halten: Grok überzeugt. Ich gehe nicht so weit, den anderen Bildgeneratoren abzuschwören. Doch wenn Bedarf an schwierigen und exotischen Motive besteht, zählt Grok definitiv zu den Kandidaten, denen ich eine Chance geben werde.

Abschliessend noch ein Tipp: Auf die Aufforderung «Draw me» erzeugt Grok ein Bild, in dem man selbst einen Auftritt hat. Für die Darstellung der Person zieht die KI das Profilbild heran. Da das bei mir eine (seinerzeit handgefertigte) Strichzeichnung ist, entsteht in meinem Fall leider nur eine sehr entfernte Ähnlichkeit. Ein Problem, das sich durch ein anderes Profilfoto beheben oder entschärfen liesse.

Fazit: Ob das ein Grund ist, den Twitter-Account zumindest vorerst nicht zu löschen, bleibt selbstverständlich eine persönliche Entscheidung. Was mich angeht, behalte ich meinen Account ohnehin, damit ich auch weiterhin Tests wie diesen unternehmen kann. Es bleibt aber dabei, dass Twitter eigentlich eine Plattform für Kurznachrichten und keine KI-Anwendung ist. Und die Kritik an Twitter als soziales Medium schafft Grok natürlich nicht aus der Welt: Wer dagegen ein Zeichen setzen will, sollte seinen Account trotz Grok aus dem Verkehr ziehen.

Fussnoten

1) Die KI lässt sich nun kostenlos benutzen. Vorher brauchte es ein bezahltes Abo dafür. Wer für Premium und Premium Plus bezahlt, bekommt ein grösseres Kontingent für seine Kreationen. ↩

#KI #Publisher #TlDr #Twitter #VideoBildgenerator

Auf Apples Bilder-Spielplatz blüht der Kitsch

Letzte Woche hat Apple iOS 18.2 vom Stapel gelassen. Das Betriebssystem-Update fürs iPhone hält, wie seine Vorgänger, einige Apple-Intelligence-Gimmicks bereit – allen voran die Image-Playground-App, auf die ich sehr gespannt war.

Es handelt sich um eine App, in der sich per künstlicher Intelligenz Bilder erstellen lassen. Zwei Dinge zeichnen sie aus: Erstens geht es nicht um allgemeine Motive, sondern um leichtgewichtige Fantasiebilder von uns selbst und den Leuten, die wir häufiger fotografieren. Image Playground liefert keine fotorealistischen Resultate, sondern verfremdete Bildnisse. Zweitens werden die Fotos nicht auf fremden Servern gerechnet, sondern direkt auf dem Gerät.

Nach einem verspielten Wochenende darf ich mit einem Fazit aufwarten, das zur einen Hälfte aus einem dicken Lob und zur anderen Hälfte aus einer ebenso dicken Portion Kritik besteht. Lasst mich mit dem positiven Aspekt anfangen:

In der Benutzung ist Image Playground ungeschlagen – kein Vergleich mit Stable Diffusion, wo wir uns mit halsbrecherischen Prompts herumschlagen müssen.

Erster Schritt: eine Person in einen Avatar verwandeln

Die App führt uns nach dem Bauklötzchenprinzip an die Resultate heran. Als erstes wählen wir eine Person, die als KI-Avatar im Bild zu sehen sein soll. Image Playground stellt uns die Personen zur Auswahl, die in unserer Fotomediathek häufiger auftauchen und in der Fotos-App mit Namen erfasst sind.

Mein Eindruck ist, dass nur Personen zur Auswahl angeboten werden, die auf selbst gemachten Fotos abgebildet sind. Das wäre einleuchtend, weil diese Massnahme es erschweren würde, Fotos von Prominenten oder generell fremden Personen zu erstellen. Diese Hürde ist allerdings keinesfalls unüberwindbar. Ich habe es zwar auf den ersten Anlauf nicht geschafft, Roger Federer als Protagonist in Image Playground auszuwählen, obwohl ich eines seiner Porträts aus dem Netz in der Fotos-App mit einem Namen versehen habe. Auf einem Umweg hat es doch geklappt. Den Trick erkläre ich weiter unten.

Der Deepfake-Falle ausweichen

Es versteht sich von selbst, dass Apple keinesfalls möchte, dass mithilfe dieser neuen App Deepfakes erstellt werden, die anschliessend in den sozialen Medien für Aufruhr sorgen. Vielleicht hält die App aus dem gleichen Grund auch keine Option für fotorealistische Resultate bereit.

Ist die Person ausgewählt, erhalten wir den Avatar in Varianten vorgeführt, die sich teilweise deutlich unterscheiden. Es scheint so zu sein, dass Image Playground immer nur ein einziges Bild als Grundlage für die KI-Repräsentation heranzieht. Diese Methode unterscheidet sich deutlich von den «magischen Avataren», die im letzten Jahr für Furore sorgten: Die wurden jeweils anhand von mindestens einem Dutzend Fotos ermittelt (vermutlich als Low-Rank-/Lora-Modell).

Mit älteren Herrschaften hat es Apple nicht so

Die Qualität der Avatare ist daher höchstens mittelmässig. Und sie variiert sehr stark: Die KI-Repräsentanz meiner Tochter ist teilweise ganz in Ordnung und auch meine Frau wird verhältnismässig gut getroffen. Der Avatar meiner Mutter hat kaum Ähnlichkeit mit dem menschlichen Vorbild. Und auch mit meinen Avataren bin ich unzufrieden – auch wenn die Resultate nicht so verheerend sind wie bei Microsoft.

Haben wir den Avatar ausgewählt, beginnt die Inszenierung. Die App stellt uns Kostüme (Raumanzug, Chefmütze, Wandermontur mit Rucksack, Rennfahrerhelm, Superheldenanzug, Anzug mit Schlips), Accessoires (Malpalette, Beret, Schal, Sonnenbrille, Beanie-Mütze) und Szenerien (Stadt, Wüste, Wald, Berge, Leuchtturm, Park, Stadion, Bühne, Vulkan) zur Auswahl, die wir zu unserem Werk hinzufügen können.

Wir haben auch die Möglichkeit, über das Eingabefeld eine Beschreibung des Bildes abzugeben. Von komplizierten Prompts ist die App aber überfordert und sie verweigert die Erstellung gelegentlich auch mit einer Fehlermeldung. Was aber gut funktioniert, ist, Instruktionen als einzelne Stichworte hinzuzufügen. Während der Erstellung des Bildes schweben die einzelnen Stichworte um das in Entstehung begriffene Motiv herum und können auch wieder entfernt werden.

Sich an brauchbare Resultate herantasten

Da das Berechnen zügig vonstattengeht, lädt diese Methode zum Experimentieren ein: Nach dem Prinzip von Versuch und Irrtum lassen sich Stichworte hinzufügen oder entfernen. Da die App immer mehrere Varianten generiert und beim Scrollen nach links zweitere hinzufügt, tasten wir uns spielerisch ans gewünschte Motiv heran: Der Anspruch des Bilder-Spielplatzes erfüllt Image Playground viel besser als andere Apps wie Dall-e oder auch Adobe Firefly.

Jetzt bin ich euch noch den Tipp schuldig, wie ihr Roger Federer oder andere Leute in die App hineinbekommt: Dazu tippen wir rechts unten auf das Plus-Symbol. Es erscheint ein Pop-up-Menü, in dem wir den Stil auswählen (Animation oder Illustration). Ausserdem finden sich hier die beiden Befehle Choose Photo und Take Photo. Über ersteren findet das aus dem Web gespeicherte Foto seinen Weg in die App.

Wenn diese Bilder bloss nicht so kitschig wären!

Ich hatte nebst dem Lob aber auch Kritik in Aussicht gestellt. Und bei der sind wir jetzt – und damit bei der Stilkritik.

Diese Motive sind ein Ausbund an Kitsch. Mir ist klar, dass Apple aus den Kontroversen um die magischen Avatare die notwendigen Lehren gezogen hat. Die Apps, die Ende 2022 aufgetaucht sind, haben vor allem die Nutzerinnen oft auf sexualisierte Weise dargestellt. Und es ist generell ein Risiko, wenn die Nutzerinnen und Nutzer selbst zum Experimentierobjekt werden: Die KI kennt die persönlichen Sensibilitäten nicht und kann daher nicht verhindern, dass Leute auch in Situationen dargestellt werden, die ihnen nicht entsprechen, sie auch befremden oder im schlimmsten Fall schockieren und traumatisieren.

Es verleidet wahnsinnig schnell

Um das zu verhindern, verwendet Apple einen so harmlosen Stil, wie man sich ihn nur ausdenken kann. Animation erinnert an animierte Kinofilme wie The Incredibles, Illustration an Zeichnungen in Kinder- und Schulbüchern. Aber das macht die Sache leider auch unglaublich vorhersehbar. Wir werden in maximal stereotype Versionen unserer selbst verwandelt. Man kriegt nicht einmal ein Bildchen hin, auf dem man nicht fröhlich grinst.

Darum lässt der Reiz des Bilder-Spielplatzes nach ein paar ersten Versuchen sofort nach. Es bräuchte zumindest einige Stilvarianten mehr, damit auf Dauer auch die Erwachsenen ihren Spass haben.

Abschliessend ein kurzes Fazit zu Apple Intelligence und zu den KI-Plänen von Apple, wie sie sich per Ende 2024 präsentieren. Während der Start Ende Oktober mehr als enttäuschend war, wird die Strategie langsam deutlich. Ich finde den Ansatz ausgezeichnet, die Berechnungen standardmässig lokal durchzuführen. Ich rechne es Apple an, dass auf diese Weise dem Datenschutz Rechnung getragen wird. Der Konkurrenz, Microsoft, aber auch Google, scheint dieser Aspekt weitestgehend egal zu sein. Apple zeigt gleichzeitig, welches Potenzial in KI-Apps steckt, die ins Betriebssystem integriert sind und direkt mit den Daten von uns Nutzerinnen und Nutzern arbeiten können. Da können wir uns für 2025 noch auf einiges gefasst machen.

#Apple #KI #Publisher #TlDr #VideoBildgenerator

Auf Apples Bilder-Spielplatz blüht der Kitsch

Letzte Woche hat Apple iOS 18.2 vom Stapel gelassen. Das Betriebssystem-Update fürs iPhone hält, wie seine Vorgänger, einige Apple-Intelligence-Gimmicks bereit – allen voran die Image-Playground-App, auf die ich sehr gespannt war.

Es handelt sich um eine App, in der sich per künstlicher Intelligenz Bilder erstellen lassen. Zwei Dinge zeichnen sie aus: Erstens geht es nicht um allgemeine Motive, sondern um leichtgewichtige Fantasiebilder von uns selbst und den Leuten, die wir häufiger fotografieren. Image Playground liefert keine fotorealistischen Resultate, sondern verfremdete Bildnisse. Zweitens werden die Fotos nicht auf fremden Servern gerechnet, sondern direkt auf dem Gerät.

Nach einem verspielten Wochenende darf ich mit einem Fazit aufwarten, das zur einen Hälfte aus einem dicken Lob und zur anderen Hälfte aus einer ebenso dicken Portion Kritik besteht. Lasst mich mit dem positiven Aspekt anfangen:

In der Benutzung ist Image Playground ungeschlagen – kein Vergleich mit Stable Diffusion, wo wir uns mit halsbrecherischen Prompts herumschlagen müssen.

Erster Schritt: eine Person in einen Avatar verwandeln

Die App führt uns nach dem Bauklötzchenprinzip an die Resultate heran. Als erstes wählen wir eine Person, die als KI-Avatar im Bild zu sehen sein soll. Image Playground stellt uns die Personen zur Auswahl, die in unserer Fotomediathek häufiger auftauchen und in der Fotos-App mit Namen erfasst sind.

Mein Eindruck ist, dass nur Personen zur Auswahl angeboten werden, die auf selbst gemachten Fotos abgebildet sind. Das wäre einleuchtend, weil diese Massnahme es erschweren würde, Fotos von Prominenten oder generell fremden Personen zu erstellen. Diese Hürde ist allerdings keinesfalls unüberwindbar. Ich habe es zwar auf den ersten Anlauf nicht geschafft, Roger Federer als Protagonist in Image Playground auszuwählen, obwohl ich eines seiner Porträts aus dem Netz in der Fotos-App mit einem Namen versehen habe. Auf einem Umweg hat es doch geklappt. Den Trick erkläre ich weiter unten.

Der Deepfake-Falle ausweichen

Es versteht sich von selbst, dass Apple keinesfalls möchte, dass mithilfe dieser neuen App Deepfakes erstellt werden, die anschliessend in den sozialen Medien für Aufruhr sorgen. Vielleicht hält die App aus dem gleichen Grund auch keine Option für fotorealistische Resultate bereit.

Ist die Person ausgewählt, erhalten wir den Avatar in Varianten vorgeführt, die sich teilweise deutlich unterscheiden. Es scheint so zu sein, dass Image Playground immer nur ein einziges Bild als Grundlage für die KI-Repräsentation heranzieht. Diese Methode unterscheidet sich deutlich von den «magischen Avataren», die im letzten Jahr für Furore sorgten: Die wurden jeweils anhand von mindestens einem Dutzend Fotos ermittelt (vermutlich als Low-Rank-/Lora-Modell).

Mit älteren Herrschaften hat es Apple nicht so

Die Qualität der Avatare ist daher höchstens mittelmässig. Und sie variiert sehr stark: Die KI-Repräsentanz meiner Tochter ist teilweise ganz in Ordnung und auch meine Frau wird verhältnismässig gut getroffen. Der Avatar meiner Mutter hat kaum Ähnlichkeit mit dem menschlichen Vorbild. Und auch mit meinen Avataren bin ich unzufrieden – auch wenn die Resultate nicht so verheerend sind wie bei Microsoft.

Haben wir den Avatar ausgewählt, beginnt die Inszenierung. Die App stellt uns Kostüme (Raumanzug, Chefmütze, Wandermontur mit Rucksack, Rennfahrerhelm, Superheldenanzug, Anzug mit Schlips), Accessoires (Malpalette, Beret, Schal, Sonnenbrille, Beanie-Mütze) und Szenerien (Stadt, Wüste, Wald, Berge, Leuchtturm, Park, Stadion, Bühne, Vulkan) zur Auswahl, die wir zu unserem Werk hinzufügen können.

Wir haben auch die Möglichkeit, über das Eingabefeld eine Beschreibung des Bildes abzugeben. Von komplizierten Prompts ist die App aber überfordert und sie verweigert die Erstellung gelegentlich auch mit einer Fehlermeldung. Was aber gut funktioniert, ist, Instruktionen als einzelne Stichworte hinzuzufügen. Während der Erstellung des Bildes schweben die einzelnen Stichworte um das in Entstehung begriffene Motiv herum und können auch wieder entfernt werden.

Sich an brauchbare Resultate herantasten

Da das Berechnen zügig vonstattengeht, lädt diese Methode zum Experimentieren ein: Nach dem Prinzip von Versuch und Irrtum lassen sich Stichworte hinzufügen oder entfernen. Da die App immer mehrere Varianten generiert und beim Scrollen nach links zweitere hinzufügt, tasten wir uns spielerisch ans gewünschte Motiv heran: Der Anspruch des Bilder-Spielplatzes erfüllt Image Playground viel besser als andere Apps wie Dall-e oder auch Adobe Firefly.

Jetzt bin ich euch noch den Tipp schuldig, wie ihr Roger Federer oder andere Leute in die App hineinbekommt: Dazu tippen wir rechts unten auf das Plus-Symbol. Es erscheint ein Pop-up-Menü, in dem wir den Stil auswählen (Animation oder Illustration). Ausserdem finden sich hier die beiden Befehle Choose Photo und Take Photo. Über ersteren findet das aus dem Web gespeicherte Foto seinen Weg in die App.

Wenn diese Bilder bloss nicht so kitschig wären!

Ich hatte nebst dem Lob aber auch Kritik in Aussicht gestellt. Und bei der sind wir jetzt – und damit bei der Stilkritik.

Diese Motive sind ein Ausbund an Kitsch. Mir ist klar, dass Apple aus den Kontroversen um die magischen Avatare die notwendigen Lehren gezogen hat. Die Apps, die Ende 2022 aufgetaucht sind, haben vor allem die Nutzerinnen oft auf sexualisierte Weise dargestellt. Und es ist generell ein Risiko, wenn die Nutzerinnen und Nutzer selbst zum Experimentierobjekt werden: Die KI kennt die persönlichen Sensibilitäten nicht und kann daher nicht verhindern, dass Leute auch in Situationen dargestellt werden, die ihnen nicht entsprechen, sie auch befremden oder im schlimmsten Fall schockieren und traumatisieren.

Es verleidet wahnsinnig schnell

Um das zu verhindern, verwendet Apple einen so harmlosen Stil, wie man sich ihn nur ausdenken kann. Animation erinnert an animierte Kinofilme wie The Incredibles, Illustration an Zeichnungen in Kinder- und Schulbüchern. Aber das macht die Sache leider auch unglaublich vorhersehbar. Wir werden in maximal stereotype Versionen unserer selbst verwandelt. Man kriegt nicht einmal ein Bildchen hin, auf dem man nicht fröhlich grinst.

Darum lässt der Reiz des Bilder-Spielplatzes nach ein paar ersten Versuchen sofort nach. Es bräuchte zumindest einige Stilvarianten mehr, damit auf Dauer auch die Erwachsenen ihren Spass haben.

Abschliessend ein kurzes Fazit zu Apple Intelligence und zu den KI-Plänen von Apple, wie sie sich per Ende 2024 präsentieren. Während der Start Ende Oktober mehr als enttäuschend war, wird die Strategie langsam deutlich. Ich finde den Ansatz ausgezeichnet, die Berechnungen standardmässig lokal durchzuführen. Ich rechne es Apple an, dass auf diese Weise dem Datenschutz Rechnung getragen wird. Der Konkurrenz, Microsoft, aber auch Google, scheint dieser Aspekt weitestgehend egal zu sein. Apple zeigt gleichzeitig, welches Potenzial in KI-Apps steckt, die ins Betriebssystem integriert sind und direkt mit den Daten von uns Nutzerinnen und Nutzern arbeiten können. Da können wir uns für 2025 noch auf einiges gefasst machen.

#Apple #KI #Publisher #TlDr #VideoBildgenerator

Tricks, mit denen wir Bilder-KIs ungewöhnliche Motive entlocken

Inzwischen weiss Hinz und Kunz, wie man Bilder per KI erzeugt. Wer es nicht glaubt, muss bloss für ein paar Momente durch Linkedin scrollen: Dort werden bedeutungsschwangere Botschaften entweder mit einem Selfie bebildert, auf dem der Autor oder die Autorin betroffen in die Linse schaut. Oder aber mit einem Bild, das einer der gängigen Bildgeneratoren beim ersten Versuch ausgeworfen hat.

Nein, ich übertreibe … es gibt auch noch die Leute, die Zeitungsartikel posten, weil sie vom lokalen Käseblatt interviewt worden sind.

Aber wer bin ich, mit Steinen zu werfen, wo ich im Glashaus sitze: Ich spanne die künstliche Intelligenz selbst für meine Zwecke ein. Allerdings wieder viel seltener, als es noch anfangs des Jahres der Fall war. Meine Euphorie verpuffte, weil die Bilder meist zu unecht aussehen. Sie wirken zu künstlich und leblos. Das fiel mir besonders negativ auf, als ich durch mein Blog scrollte: Einzeln mögen die KI-Bilder in Ordnung sein. Doch in der Masse führen sie zu einer Entwertung des Inhalts – genau, wie es Oliver Reichenstein konstatiert (hier in der Zeitung, hier im Radio).

Die KI als Rückfallebene

Aber bei besonderen Gelegenheiten kommt die KI auch heute noch zum Zug. Nämlich dann, wenn meine üblichen Quellen für echte Fotos nichts Passendes anzubieten haben. Die KI ist als Rückfallebene praktisch – und beim gezielten, zurückhaltenden Einsatz halten sich die negativen Auswirkungen in Grenzen.

Ein Beispiel ist die Punker-Familie in Paris. Der dazugehörende Beitrag ist sehr technisch und auf herkömmlichem Weg nur langweilig zu bebildern. In dieser Situation war die KI der Retter in der Not.

Für den gewünschten Effekt muss die KI einen aussergewöhnlichen Sachverhalt auf möglichst realistische Weise darstellen. Mir ist wichtig, dass das Bild als Inszenierung zu erkennen ist – aber nicht unbedingt als KI-generiertes Werk.

Randbemerkung: Die grossen Medienhäuser handhaben das anders. Sie verbieten fotorealistische KI-Bilder; ausser, wenn es um die KI selbst geht. Die Absicht ist, die Beweiskraft von Fotos bei der Berichterstattung nicht zu schmälern. Im journalistischen Kontext sollen Bilder ihren dokumentarischen Wert behalten. Und das ist nicht der Fall, wenn fiktive Motive in gleicher Weise präsentiert werden wie echte. Ich erlaube mir, das im Blog anders zu handhaben, weil Fotos in aller Regel Symbolbilder sind und selten einen echten Sachverhalt beweisen müssen.

Was alles schiefgehen kann

Womit wir endlich beim Thema wären: Wie entlockt man einer KI ein Bild, das einen ungewöhnlichen Sachverhalt auf möglichst realistische Weise zeigt? Das ist in der Tat schwierig, wie im Fall des erwähnten Beispiels mit der Punkerfamilie in Paris selbst feststellen musste. Ich habe Dutzende Versuche mit Stable Diffusion unternommen, ohne ein gutes Bild herauszubekommen. Besonders folgende drei Probleme traten auf:

1. Entgleiste Gesichtszüge. Stable Diffusion hat häufig Probleme mit menschlichen Gesichtern oder auch Händen und Fingern. Aber selbst kleine Fehler entlarven ein Bild sofort als unecht.
2. Eine falsche Konstellation von Personen. Die Vorgabe – ein Vater, eine Mutter und eine Tochter – erweist sich als extrem schwierig. Mal sind zu wenige Leute auf dem Bild, mal zu viele und mal die falschen. Und bisweilen hat auch der Sohn der Familie den Bart, den ich beim Vater hätte sehen wollen.
3. Der doppelte Eiffelturm. Grosse Schwierigkeiten hat die KI mit den geografischen Gegebenheiten – beispielsweise der Tatsache, dass die Pariser Sehenswürdigkeiten nur einmal existieren und nicht mehrfach im Bild vorkommen können.

Das Experiment mit Stable Diffusion war frustrierend – sosehr, dass ich am Ende einem Werk von Adobe Firefly den Zuschlag gegeben habe. Abgesehen davon gab es einige spannende Erkenntnisse. Nämlich:

1. Einsichten darüber, wie KI-Bilder erkannt werden können: mehr dazu hier und hier.
2. Einige Tricks, die bei fotorealistischen Motiven helfen – u.a. mittels negativer Prompts. Die Details verrate ich hier.
3. Und schliesslich mehrere Erkenntnisse zu den Tücken von Stable Diffusion.

Um diesen dritten Punkt soll es hier abschliessend gehen. Ich verwende Stable Diffusion am Mac mit Draw Things, aber es funktioniert auch bei der Nutzung dieser KI auf anderen Wegen. Und die Tipps können analog auch bei anderen Text-zu-Bild-Generatoren angewandt werden.

1) Die Bildgrösse als Fehlerquelle

Einen fatalen Fehler habe ich anfänglich bei der Bildgrösse gemacht (Abschnitt Image Size in der Rubrik Basic Settings). Da ich Bilder mit einigermassen brauchbarer Auflösung benötige, habe ich die Werte für Width und Height grosszügig hochgedreht (z.B. 1920 × 1080 Pixel). Wie sich nach etlichen Versuchen zeigte, führt genau das dazu, dass sich Elemente im Bild auf unerwünschte Weise vervielfältigen – der Eiffelturm etwa zwei- oder sogar dreimal zu sehen ist.

Besser ist, die Einstellung auf Normal zu belassen und stattdessen nachträglich das Bild hochzurechnen. Das tut der Upscaler: Die Einstellungen dazu finden sich im Bereich Advanced. Es gibt verschiedene Upscaler; ich habe mit Universal Upscaler V2 Sharp gute Erfahrungen gemacht.

Auch eine Erkenntnis: Das Seitenverhältnis hat einen Einfluss aufs Resultat. Am besten klappt es bei quadratischen Motiven. Bei sehr breiten Bildern (16:9) habe ich teils Dutzende Anläufe für ein brauchbares Motiv benötigt.

2) Die Feinheiten des Promptings

Es hat diverse Anläufe gebraucht, bis ich kapiert habe, dass die Bildbeschreibung in ausformulierten Prompts bei anderen Bildgeneratoren okay funktioniert, bei Stable Diffusion aber nicht der Königsweg ist. Stattdessen geben wir das Motiv an und zählen dessen Eigenschaften auf:

ibex, brown fur body, four legs, strong long round horns

Wie wir sehen, umfasst der Prompt auch Angaben zum Stil und zur Ausarbeitung.

3) Den Prompt nach Elementen unterteilen

Eine weitere Methode besteht darin, die Elemente des Prompts zu gliedern. Das kann durch einen senkrechten Strich (|) geschehen. Es gibt auch Leute, die dafür den Break-Befehl verwenden:

ibex, brown fur body, four legs, strong long round horns, standing heroically in alpine scenery with sunshine, blue sky, an alpine hut with a Swiss flag | hyperrealistic, ultra-detailed, photographic style, 4K resolution.

4) Elemente im Prompt gewichten

Schliesslich können wir mit Klammern operieren: Sie geben eine Gewichtung vor. Runde Klammern erhöhen die Wichtigkeit, eckige verringern sie. Die Klammern können auch verschachtelt werden, um die Gewichtung zu erhöhen bzw. zu verringern. Es gibt auch die Möglichkeit, die Gewichtung über den Parameter flag anzugeben:

ibex, brown fur body, four legs, strong long round horns, standing heroically, looking directly into the camera (((close-up, wide-angle view))) | alpine scenery with sunshine, blue sky, [an alpine hut with a Swiss flag:0.5] | (((hyperrealistic))), ultra-detailed, ((photographic style)), [4K resolution]

5) Natürlich kann ChatGPT bei dieser Arbeit helfen

Bei der Formulierung der Prompts kann ChatGPT helfen. Zum Testen habe ich folgende, ausformulierte Beschreibung benutzt:

Ich hätte gerne ein Bild mit vier Personen. Im Bild sollten drei Figuren zu sehen sein, die wir aus Comics kennen, aber fotorealistisch umgesetzt. Links sitzen Asterix und Obelix, rechts von ihnen Dagobert Duck und am rechten Rand Tim aus Tim und Struppi. Beschreibe die Figuren jeweils so, dass sie erkennbar sind, auch wenn Stable Diffusion keine Informationen über ihr Äusseres hat. Die Personen sitzen auf einer Bank vor einer Landschaft, die wie der Zürichsee aussieht. Verwende eine Methode, um den Prompt zu gliedern und zu gewichten. Wichtig ist das Aussehen der Personen, weniger wichtig der Hintergrund.

ChatGPT hat daraufhin dieses Prompt-Meisterwerk gezaubert:

A photorealistic scene with four characters sitting on a bench in front of a lake landscape that resembles Lake Zurich | (character details:1.2) 1. (On the left: A strong, short man with a large mustache, wearing a winged helmet, small blue striped pants, and a green belt - representing Asterix:1.2), sitting next to 2. (a large, muscular man with red braids, a round belly, and a boar skin hat, wearing blue striped pants - representing Obelix:1.2). 3. To the right of them, (a duck-like character dressed in a formal suit with a top hat, glasses, and spats, holding a cane - resembling Scrooge McDuck/Dagobert Duck:1.2), and 4. (on the far right: a young man with a blonde quiff, wearing a light blue sweater and brown pants, with a curious and determined expression - representing Tintin:1.2). | The background shows Lake Zurich with gentle waves and distant mountains [background lake and mountains:0.5]. | hyperrealistic, ultra-detailed, 4K resolution, cinematic lighting.

Um die Katze aus dem Sack zu lassen: Ich habe viele Anläufe genommen; keines hat meine Erwartungen erfüllt. Das Ergebnis, das die grösste Übereinstimmung mit meinem Prompt hat, stammt vom Modell Dreamshaper v8. Leider ist das qualitativ so schlecht, dass ich es hier nicht zeige. Ein hübsches Bild ist mit Juggernaut XL v9 entstanden; das ist als Beitragsbild oben zu sehen.

Und das nachfolgende Werk ist ebenfalls reichlich entenlastig und muss ohne Asterix, Obelix und Tim auskommen. Es wurde von SDXL Base (V1.0) erzeugt.

Wir lernen: Auch die besten Tricks verhelfen nicht immer zum gewünschten Motiv.

Was liesse sich noch tun? Wir könnten mit weiteren Modellen experimentieren oder versuchen, über einen negativen Prompt die Fehler auszubügeln. Aber vermutlich müssen wir akzeptieren, dass unsere Bildidee für die KI derzeit einfach noch zu extravagant ist …

#KI #Publisher #VideoBildgenerator

Tricks, mit denen wir Bilder-KIs ungewöhnliche Motive entlocken

Inzwischen weiss Hinz und Kunz, wie man Bilder per KI erzeugt. Wer es nicht glaubt, muss bloss für ein paar Momente durch Linkedin scrollen: Dort werden bedeutungsschwangere Botschaften entweder mit einem Selfie bebildert, auf dem der Autor oder die Autorin betroffen in die Linse schaut. Oder aber mit einem Bild, das einer der gängigen Bildgeneratoren beim ersten Versuch ausgeworfen hat.

Nein, ich übertreibe … es gibt auch noch die Leute, die Zeitungsartikel posten, weil sie vom lokalen Käseblatt interviewt worden sind.

Aber wer bin ich, mit Steinen zu werfen, wo ich im Glashaus sitze: Ich spanne die künstliche Intelligenz selbst für meine Zwecke ein. Allerdings wieder viel seltener, als es noch anfangs des Jahres der Fall war. Meine Euphorie verpuffte, weil die Bilder meist zu unecht aussehen. Sie wirken zu künstlich und leblos. Das fiel mir besonders negativ auf, als ich durch mein Blog scrollte: Einzeln mögen die KI-Bilder in Ordnung sein. Doch in der Masse führen sie zu einer Entwertung des Inhalts – genau, wie es Oliver Reichenstein konstatiert (hier in der Zeitung, hier im Radio).

Die KI als Rückfallebene

Aber bei besonderen Gelegenheiten kommt die KI auch heute noch zum Zug. Nämlich dann, wenn meine üblichen Quellen für echte Fotos nichts Passendes anzubieten haben. Die KI ist als Rückfallebene praktisch – und beim gezielten, zurückhaltenden Einsatz halten sich die negativen Auswirkungen in Grenzen.

Ein Beispiel ist die Punker-Familie in Paris. Der dazugehörende Beitrag ist sehr technisch und auf herkömmlichem Weg nur langweilig zu bebildern. In dieser Situation war die KI der Retter in der Not.

Für den gewünschten Effekt muss die KI einen aussergewöhnlichen Sachverhalt auf möglichst realistische Weise darstellen. Mir ist wichtig, dass das Bild als Inszenierung zu erkennen ist – aber nicht unbedingt als KI-generiertes Werk.

Randbemerkung: Die grossen Medienhäuser handhaben das anders. Sie verbieten fotorealistische KI-Bilder; ausser, wenn es um die KI selbst geht. Die Absicht ist, die Beweiskraft von Fotos bei der Berichterstattung nicht zu schmälern. Im journalistischen Kontext sollen Bilder ihren dokumentarischen Wert behalten. Und das ist nicht der Fall, wenn fiktive Motive in gleicher Weise präsentiert werden wie echte. Ich erlaube mir, das im Blog anders zu handhaben, weil Fotos in aller Regel Symbolbilder sind und selten einen echten Sachverhalt beweisen müssen.

Was alles schiefgehen kann

Womit wir endlich beim Thema wären: Wie entlockt man einer KI ein Bild, das einen ungewöhnlichen Sachverhalt auf möglichst realistische Weise zeigt? Das ist in der Tat schwierig, wie im Fall des erwähnten Beispiels mit der Punkerfamilie in Paris selbst feststellen musste. Ich habe Dutzende Versuche mit Stable Diffusion unternommen, ohne ein gutes Bild herauszubekommen. Besonders folgende drei Probleme traten auf:

1. Entgleiste Gesichtszüge. Stable Diffusion hat häufig Probleme mit menschlichen Gesichtern oder auch Händen und Fingern. Aber selbst kleine Fehler entlarven ein Bild sofort als unecht.
2. Eine falsche Konstellation von Personen. Die Vorgabe – ein Vater, eine Mutter und eine Tochter – erweist sich als extrem schwierig. Mal sind zu wenige Leute auf dem Bild, mal zu viele und mal die falschen. Und bisweilen hat auch der Sohn der Familie den Bart, den ich beim Vater hätte sehen wollen.
3. Der doppelte Eiffelturm. Grosse Schwierigkeiten hat die KI mit den geografischen Gegebenheiten – beispielsweise der Tatsache, dass die Pariser Sehenswürdigkeiten nur einmal existieren und nicht mehrfach im Bild vorkommen können.

Das Experiment mit Stable Diffusion war frustrierend – sosehr, dass ich am Ende einem Werk von Adobe Firefly den Zuschlag gegeben habe. Abgesehen davon gab es einige spannende Erkenntnisse. Nämlich:

1. Einsichten darüber, wie KI-Bilder erkannt werden können: mehr dazu hier und hier.
2. Einige Tricks, die bei fotorealistischen Motiven helfen – u.a. mittels negativer Prompts. Die Details verrate ich hier.
3. Und schliesslich mehrere Erkenntnisse zu den Tücken von Stable Diffusion.

Um diesen dritten Punkt soll es hier abschliessend gehen. Ich verwende Stable Diffusion am Mac mit Draw Things, aber es funktioniert auch bei der Nutzung dieser KI auf anderen Wegen. Und die Tipps können analog auch bei anderen Text-zu-Bild-Generatoren angewandt werden.

1) Die Bildgrösse als Fehlerquelle

Einen fatalen Fehler habe ich anfänglich bei der Bildgrösse gemacht (Abschnitt Image Size in der Rubrik Basic Settings). Da ich Bilder mit einigermassen brauchbarer Auflösung benötige, habe ich die Werte für Width und Height grosszügig hochgedreht (z.B. 1920 × 1080 Pixel). Wie sich nach etlichen Versuchen zeigte, führt genau das dazu, dass sich Elemente im Bild auf unerwünschte Weise vervielfältigen – der Eiffelturm etwa zwei- oder sogar dreimal zu sehen ist.

Besser ist, die Einstellung auf Normal zu belassen und stattdessen nachträglich das Bild hochzurechnen. Das tut der Upscaler: Die Einstellungen dazu finden sich im Bereich Advanced. Es gibt verschiedene Upscaler; ich habe mit Universal Upscaler V2 Sharp gute Erfahrungen gemacht.

Auch eine Erkenntnis: Das Seitenverhältnis hat einen Einfluss aufs Resultat. Am besten klappt es bei quadratischen Motiven. Bei sehr breiten Bildern (16:9) habe ich teils Dutzende Anläufe für ein brauchbares Motiv benötigt.

2) Die Feinheiten des Promptings

Es hat diverse Anläufe gebraucht, bis ich kapiert habe, dass die Bildbeschreibung in ausformulierten Prompts bei anderen Bildgeneratoren okay funktioniert, bei Stable Diffusion aber nicht der Königsweg ist. Stattdessen geben wir das Motiv an und zählen dessen Eigenschaften auf:

ibex, brown fur body, four legs, strong long round horns

Wie wir sehen, umfasst der Prompt auch Angaben zum Stil und zur Ausarbeitung.

3) Den Prompt nach Elementen unterteilen

Eine weitere Methode besteht darin, die Elemente des Prompts zu gliedern. Das kann durch einen senkrechten Strich (|) geschehen. Es gibt auch Leute, die dafür den Break-Befehl verwenden:

ibex, brown fur body, four legs, strong long round horns, standing heroically in alpine scenery with sunshine, blue sky, an alpine hut with a Swiss flag | hyperrealistic, ultra-detailed, photographic style, 4K resolution.

4) Elemente im Prompt gewichten

Schliesslich können wir mit Klammern operieren: Sie geben eine Gewichtung vor. Runde Klammern erhöhen die Wichtigkeit, eckige verringern sie. Die Klammern können auch verschachtelt werden, um die Gewichtung zu erhöhen bzw. zu verringern. Es gibt auch die Möglichkeit, die Gewichtung über den Parameter flag anzugeben:

ibex, brown fur body, four legs, strong long round horns, standing heroically, looking directly into the camera (((close-up, wide-angle view))) | alpine scenery with sunshine, blue sky, [an alpine hut with a Swiss flag:0.5] | (((hyperrealistic))), ultra-detailed, ((photographic style)), [4K resolution]

5) Natürlich kann ChatGPT bei dieser Arbeit helfen

Bei der Formulierung der Prompts kann ChatGPT helfen. Zum Testen habe ich folgende, ausformulierte Beschreibung benutzt:

Ich hätte gerne ein Bild mit vier Personen. Im Bild sollten drei Figuren zu sehen sein, die wir aus Comics kennen, aber fotorealistisch umgesetzt. Links sitzen Asterix und Obelix, rechts von ihnen Dagobert Duck und am rechten Rand Tim aus Tim und Struppi. Beschreibe die Figuren jeweils so, dass sie erkennbar sind, auch wenn Stable Diffusion keine Informationen über ihr Äusseres hat. Die Personen sitzen auf einer Bank vor einer Landschaft, die wie der Zürichsee aussieht. Verwende eine Methode, um den Prompt zu gliedern und zu gewichten. Wichtig ist das Aussehen der Personen, weniger wichtig der Hintergrund.

ChatGPT hat daraufhin dieses Prompt-Meisterwerk gezaubert:

A photorealistic scene with four characters sitting on a bench in front of a lake landscape that resembles Lake Zurich | (character details:1.2) 1. (On the left: A strong, short man with a large mustache, wearing a winged helmet, small blue striped pants, and a green belt - representing Asterix:1.2), sitting next to 2. (a large, muscular man with red braids, a round belly, and a boar skin hat, wearing blue striped pants - representing Obelix:1.2). 3. To the right of them, (a duck-like character dressed in a formal suit with a top hat, glasses, and spats, holding a cane - resembling Scrooge McDuck/Dagobert Duck:1.2), and 4. (on the far right: a young man with a blonde quiff, wearing a light blue sweater and brown pants, with a curious and determined expression - representing Tintin:1.2). | The background shows Lake Zurich with gentle waves and distant mountains [background lake and mountains:0.5]. | hyperrealistic, ultra-detailed, 4K resolution, cinematic lighting.

Um die Katze aus dem Sack zu lassen: Ich habe viele Anläufe genommen; keines hat meine Erwartungen erfüllt. Das Ergebnis, das die grösste Übereinstimmung mit meinem Prompt hat, stammt vom Modell Dreamshaper v8. Leider ist das qualitativ so schlecht, dass ich es hier nicht zeige. Ein hübsches Bild ist mit Juggernaut XL v9 entstanden; das ist als Beitragsbild oben zu sehen.

Und das nachfolgende Werk ist ebenfalls reichlich entenlastig und muss ohne Asterix, Obelix und Tim auskommen. Es wurde von SDXL Base (V1.0) erzeugt.

Wir lernen: Auch die besten Tricks verhelfen nicht immer zum gewünschten Motiv.

Was liesse sich noch tun? Wir könnten mit weiteren Modellen experimentieren oder versuchen, über einen negativen Prompt die Fehler auszubügeln. Aber vermutlich müssen wir akzeptieren, dass unsere Bildidee für die KI derzeit einfach noch zu extravagant ist …

#KI #Publisher #VideoBildgenerator

Was Adobe Firefly inzwischen kann – und was nicht

Anderthalb Jahre nach meinem ersten Test ist es Zeit, einen erneuten Blick auf Adobe Firefly zu werfen. Welche Fortschritte hat der Bildgenerator gemacht? Und: Was taugen die Bearbeitungsfunktionen, die seitdem dazugekommen sind?

Mein Urteil seinerzeit war negativ: Positiv wertete ich die vielen Optionen zur formalen und stilistischen Steuerungsmöglichkeit des Resultats. Doch die meisten der von Firefly erzeugten Bilder waren im Vergleich durchschnittlich und den Kreationen der Konkurrenz (vor allem Midjourney) unterlegen.

Im April hat Adobe eine neue Version lanciert (das Firefly Image 3 Foundation Model). Das habe ich zum Anlass genommen, diese KI wieder häufiger zu benutzen. Berechtigterweise: Bei meinem ausführlichen Vergleichstest zur Frage, welche generative KI bei den fotorealistischen Motiven am meisten überzeugt, kürte ich sie zum Sieger. Wie man sieht, kommt die KI heute auch mit abstrakten Motiven gut zurecht. Das oben abgebildete Beispiel zeigt einen Androiden, der von elektrischen Schafen träumt. Das Resultat ist um Welten besser beim ersten Test, auch wenn die Probleme nicht zu übersehen sind, die die KI mit den Fingern des Androiden und den Beinen der Schafe hat.

Festzuhalten ist auch, dass ich meinen Prompt noch beschreibender und konkreter formuliert habe¹ als bei den ersten Versuchen. Die Verbesserungen sind somit nicht nur der Software geschuldet, sondern auch dem höheren Verständnis bei uns Usern, wie wir mit generativer KI umgehen müssen.

Ein reales Foto mit KI-Elementen anreichern

Hier soll es jedoch vor allem um das neue Modul Generativ füllen gehen. In Englisch spricht man auch von Inpainting: Die Idee ist, dass Teile des Bildes entfernt und per KI ersetzt werden. Mit dieser Technik werden Objekte im Bild ausgetauscht. Auch das Erweitern der Bildfläche ist in diesem Modul möglich.

Als Ausgangsmaterial dient ein Selfie, das mich mit der Brille meiner Tochter zeigt. Das sollte in ein, naja, möglichst spektakuläres Motiv verwandelt werden. Dazu sind drei Schritte nötig:

1. Ich markiere den Hintergrund und lasse ihn entfernen.
2. Dann ziehe ich das Bild breiter.
3. Schliesslich lasse ich die KI gemäss meinem Prompt einen neuen Hintergrund einfügen.

Im Modul Generativ füllen gibt es für jeden Schritt den passenden Befehl, nämlich Entfernen, Erweitern und Einfügen. Es gibt ausserdem den Befehl Verschieben, mit dem sich ein Bildobjekt umplatzieren lässt.

Der erste Schritt erfolgt halb automatisch: Mit dem Subtrahieren-Pinsel markiere ich grob den Hintergrund und klicke auf die Schaltfläche Entfernen. Mit wenig Aufwand entsteht so ein annehmbares Resultat – als Perfektionist hätten wir natürlich noch die kleine Delle zuoberst an meinem Schädel korrigiert.

Mal zum Arzt mit dieser Schulter?

Das Erweitern erfolgt genauso unkompliziert. Firefly steht vor der Aufgabe, dass auf dem Originalbild meine Schultern nur halb zu sehen sind. Die werden automatisch angesetzt. Das Endergebnis ist akzeptabel, aber nicht grossartig. Meine linke Schulter sieht im Vergleich zur rechten zu bullig aus. Man kann das damit entschuldigen, dass ich sie (vielleicht) nach vorn strecke – so wie man das tut, wenn man sich das Handy zwecks Selfie vors Gesicht hält.

Mein Prompt lautet, eine futuristische Achterbahn einzufügen, die durch eine Schweizer Landschaft führt.

Ist das Resultat gelungen? Nun, das liegt im Auge des Betrachters.

Positiv finde ich folgende Dinge:

• Die Perspektive stimmt einigermassen: Es gibt eine Bahn, die nach hinten verschwindet, eine Art Gondel und ein Gerüst rundherum, wie das bei einer Achterbahn der Fall wäre.
• Die Landschaft könnte in der Schweiz sein.
• Und es gibt nette Details, wie die Härchen an meinem Hals, die im Gegenlicht schimmern.

Da wäre mir das Lachen längst vergangen

Alles in allem überwiegen die Unstimmigkeiten aber bei Weitem:

• Die Achterbahn ist viel zu schmal. Ich würde kaum zwischen den Metallträgern durchpassen.
• Die Konstruktion wirkt chaotisch. Die meisten der Gerüstelemente haben keinen erkennbaren Zweck und manches führt vom Nichts ins Nichts.
• Die Schärfeebenen stimmen nicht. Meine Schultern sind schon etwas unscharf, aber Teile der deutlich weiter hinten liegenden Metallkonstruktion befinden sich im Fokus.
• Mein rechtes Ohr hat sich irgendwie verdoppelt.

Letztlich passen aber vor allem die Bildstile nicht zusammen: Das Selfie ist im Vergleich zum stark farbgesättigten Hintergrund zu blass. Und die Beleuchtung im Gesicht passt nicht zur Umgebung.

Würden wir dieses Bild verwenden wollen? Natürlich kommt das immer auf den Kontext an. Für einen Scherzpost auf Instagram wäre es akzeptabel. Aber selbst als Illustration in einem Blog – ausser zu einem KI-Thema – würde ich es keinesfalls verwenden.

Habe ich zu viel gewollt? Vermutlich wäre das Resultat besser, wenn als Ausgangsmaterial kein Selfie, sondern eine Illustration hätte herhalten müssen. Und es ist anzunehmen, dass es einfachere Hintergründe gibt als eine Achterbahn; man denke an eine unscharfe Stadtlandschaft oder ein paar Palmen und blauer Himmel. Die Beispiele von Adobe, die – so hoffe ich doch – nicht manuell nachbearbeitet sind – können sich sehen (und drucken) lassen. Bei derlei Aufgaben sollte Inpainting auch mit professionellen Ansprüchen eingesetzt werden können.

Bei meinen Test soll es jedoch immer auch darum gehen, die Grenzen der künstlichen Intelligenz aufzuzeigen und dem Eindruck entgegenzuwirken, mit diesen Instrumenten sei ohne jede Anstrengung einfach alles möglich. Was das angeht: q. e. d.

Fussnoten

1) «Ein Androide (Roboter) liegt in einem Bett und schläft. Über seinem Kopf schwebt eine Luftblase. In dieser Blase befinden sich zwei Schafe. Diese Schafe schimmern in einem elektrischen Blau.» ↩

Beitragsbild: Der aktuelle Stand der Dinge, was von Schafen träumende Androiden angeht.

#Adobe #KI #Publisher #VideoBildgenerator

Was Adobe Firefly inzwischen kann – und was nicht

Anderthalb Jahre nach meinem ersten Test ist es Zeit, einen erneuten Blick auf Adobe Firefly zu werfen. Welche Fortschritte hat der Bildgenerator gemacht? Und: Was taugen die Bearbeitungsfunktionen, die seitdem dazugekommen sind?

Mein Urteil seinerzeit war negativ: Positiv wertete ich die vielen Optionen zur formalen und stilistischen Steuerungsmöglichkeit des Resultats. Doch die meisten der von Firefly erzeugten Bilder waren im Vergleich durchschnittlich und den Kreationen der Konkurrenz (vor allem Midjourney) unterlegen.

Im April hat Adobe eine neue Version lanciert (das Firefly Image 3 Foundation Model). Das habe ich zum Anlass genommen, diese KI wieder häufiger zu benutzen. Berechtigterweise: Bei meinem ausführlichen Vergleichstest zur Frage, welche generative KI bei den fotorealistischen Motiven am meisten überzeugt, kürte ich sie zum Sieger. Wie man sieht, kommt die KI heute auch mit abstrakten Motiven gut zurecht. Das oben abgebildete Beispiel zeigt einen Androiden, der von elektrischen Schafen träumt. Das Resultat ist um Welten besser beim ersten Test, auch wenn die Probleme nicht zu übersehen sind, die die KI mit den Fingern des Androiden und den Beinen der Schafe hat.

Festzuhalten ist auch, dass ich meinen Prompt noch beschreibender und konkreter formuliert habe¹ als bei den ersten Versuchen. Die Verbesserungen sind somit nicht nur der Software geschuldet, sondern auch dem höheren Verständnis bei uns Usern, wie wir mit generativer KI umgehen müssen.

Ein reales Foto mit KI-Elementen anreichern

Hier soll es jedoch vor allem um das neue Modul Generativ füllen gehen. In Englisch spricht man auch von Inpainting: Die Idee ist, dass Teile des Bildes entfernt und per KI ersetzt werden. Mit dieser Technik werden Objekte im Bild ausgetauscht. Auch das Erweitern der Bildfläche ist in diesem Modul möglich.

Als Ausgangsmaterial dient ein Selfie, das mich mit der Brille meiner Tochter zeigt. Das sollte in ein, naja, möglichst spektakuläres Motiv verwandelt werden. Dazu sind drei Schritte nötig:

1. Ich markiere den Hintergrund und lasse ihn entfernen.
2. Dann ziehe ich das Bild breiter.
3. Schliesslich lasse ich die KI gemäss meinem Prompt einen neuen Hintergrund einfügen.

Im Modul Generativ füllen gibt es für jeden Schritt den passenden Befehl, nämlich Entfernen, Erweitern und Einfügen. Es gibt ausserdem den Befehl Verschieben, mit dem sich ein Bildobjekt umplatzieren lässt.

Der erste Schritt erfolgt halb automatisch: Mit dem Subtrahieren-Pinsel markiere ich grob den Hintergrund und klicke auf die Schaltfläche Entfernen. Mit wenig Aufwand entsteht so ein annehmbares Resultat – als Perfektionist hätten wir natürlich noch die kleine Delle zuoberst an meinem Schädel korrigiert.

Mal zum Arzt mit dieser Schulter?

Das Erweitern erfolgt genauso unkompliziert. Firefly steht vor der Aufgabe, dass auf dem Originalbild meine Schultern nur halb zu sehen sind. Die werden automatisch angesetzt. Das Endergebnis ist akzeptabel, aber nicht grossartig. Meine linke Schulter sieht im Vergleich zur rechten zu bullig aus. Man kann das damit entschuldigen, dass ich sie (vielleicht) nach vorn strecke – so wie man das tut, wenn man sich das Handy zwecks Selfie vors Gesicht hält.

Mein Prompt lautet, eine futuristische Achterbahn einzufügen, die durch eine Schweizer Landschaft führt.

Ist das Resultat gelungen? Nun, das liegt im Auge des Betrachters.

Positiv finde ich folgende Dinge:

• Die Perspektive stimmt einigermassen: Es gibt eine Bahn, die nach hinten verschwindet, eine Art Gondel und ein Gerüst rundherum, wie das bei einer Achterbahn der Fall wäre.
• Die Landschaft könnte in der Schweiz sein.
• Und es gibt nette Details, wie die Härchen an meinem Hals, die im Gegenlicht schimmern.

Da wäre mir das Lachen längst vergangen

Alles in allem überwiegen die Unstimmigkeiten aber bei Weitem:

• Die Achterbahn ist viel zu schmal. Ich würde kaum zwischen den Metallträgern durchpassen.
• Die Konstruktion wirkt chaotisch. Die meisten der Gerüstelemente haben keinen erkennbaren Zweck und manches führt vom Nichts ins Nichts.
• Die Schärfeebenen stimmen nicht. Meine Schultern sind schon etwas unscharf, aber Teile der deutlich weiter hinten liegenden Metallkonstruktion befinden sich im Fokus.
• Mein rechtes Ohr hat sich irgendwie verdoppelt.

Letztlich passen aber vor allem die Bildstile nicht zusammen: Das Selfie ist im Vergleich zum stark farbgesättigten Hintergrund zu blass. Und die Beleuchtung im Gesicht passt nicht zur Umgebung.

Würden wir dieses Bild verwenden wollen? Natürlich kommt das immer auf den Kontext an. Für einen Scherzpost auf Instagram wäre es akzeptabel. Aber selbst als Illustration in einem Blog – ausser zu einem KI-Thema – würde ich es keinesfalls verwenden.

Habe ich zu viel gewollt? Vermutlich wäre das Resultat besser, wenn als Ausgangsmaterial kein Selfie, sondern eine Illustration hätte herhalten müssen. Und es ist anzunehmen, dass es einfachere Hintergründe gibt als eine Achterbahn; man denke an eine unscharfe Stadtlandschaft oder ein paar Palmen und blauer Himmel. Die Beispiele von Adobe, die – so hoffe ich doch – nicht manuell nachbearbeitet sind – können sich sehen (und drucken) lassen. Bei derlei Aufgaben sollte Inpainting auch mit professionellen Ansprüchen eingesetzt werden können.

Bei meinen Test soll es jedoch immer auch darum gehen, die Grenzen der künstlichen Intelligenz aufzuzeigen und dem Eindruck entgegenzuwirken, mit diesen Instrumenten sei ohne jede Anstrengung einfach alles möglich. Was das angeht: q. e. d.

Fussnoten

1) «Ein Androide (Roboter) liegt in einem Bett und schläft. Über seinem Kopf schwebt eine Luftblase. In dieser Blase befinden sich zwei Schafe. Diese Schafe schimmern in einem elektrischen Blau.» ↩

Beitragsbild: Der aktuelle Stand der Dinge, was von Schafen träumende Androiden angeht.

#Adobe #KI #Publisher #VideoBildgenerator

Da Vinci würde sich (vermutlich) im Grab umdrehen

Natürlich ist der Name eine fürchterliche Anmassung. Leonardo! Denn gemeint ist weniger DiCaprio als vielmehr da Vinci; das grösste Universalgenie aller Zeiten. Also, wer sich erdreistet, seine KI so zu nennen, hat (natürlich nur im übertragenen Sinn) einen Nasenstüber verdient.

Was mich angeht, ist der Name kein Hinderungsgrund für einen Test, sondern vielmehr eine Ermutigung. Aber natürlich mit maximalen Erwartungen. Also, kann die KI, die mit diesem Namen Bilder generiert, ihre Genialität unter Beweis stellen?

Leonardo.ai beherrscht die klassische Funktion einer generativen KI und erzeugt anhand eines Prompts Bilder. Für Vergleichszwecke¹ habe ich sie ein Bild des Android erzeugen lassen, das von einem elektrischen Schaf träumt. Das Resultat ist ein absoluter Reinfall: Anstelle des Androiden erscheint ein träumender Mensch, das Schaf ist eine Missgeburt mit einem Kopf an jedem Körperende und der Vorgang des Träumens ist ebenfalls nicht ersichtlich.

An dieser Stelle ist eine Ergänzung wichtig: Leonardo basiert auf Stable Diffusion, dem freien KI-Bildgenerator. Entsprechend wird das Resultat massgeblich vom Modell beeinflusst, das wir auswählen. Standardmässig ist Leonardo Lightning XL eingestellt. Wir dürfen aber aus mehreren Dutzend Modellen wählen. Nebst den Standard-Modellen für Stable Diffusion (SDXL, Stable Diffusion 2.1, etc.) stehen auch diverse Community-Modelle zur Auswahl.

Die Parameter machen den Unterschied

Ein Vorteil von Stable Diffusion gegenüber den meisten anderen Bildgeneratoren sind die diversen Einstellungsmöglichkeiten: Wir dürfen nicht nur die Abmessungen des Resultates (Bildbreite, -höhe und Seitenverhältnis) angeben, sondern auch diverse Optionen setzen. Unter anderem die folgenden:

• Transparency macht bei Bedarf den Hintergrund durchscheinend, sodass das Bild auf andere Motive gesetzt oder in ein Druck- oder Weblayout integriert werden kann.
• Photoreal erzeugt (im Idealfall) besonders realistische Ergebnisse.
• Tiling ist gefragt, wenn das Motiv als Kachel verwendet werden soll, d.h. horizontal und vertikal ohne sichtbare Kante wiederholt werden muss.

Der klassische Bildgenerator nicht das einzige Werkzeug in Leonardos Zauberkasten. Es gibt diverse weitere Module, nämlich:

• Mit Motion versehen wir ein Standbild mit etwas Bewegung. Das kennen wir von Webanwendungen wie Runwayml.
• Bei Realtime Canvas fertigen wir eine Skizze an, die in Echtzeit, also quasi bei jedem Strich, in eine detaillierte Illustration umgewandelt wird. Die Resultate sind durchwachsen.
• Bei Realtime Gen entstehen Bilder, während wir tippen – und zwar so schnell, dass annähernd bei jedem Buchstaben ein neues Motiv erscheint. Das ist nicht wirklich nützlich, aber sehr eindrücklich.
• AI Canvas ist ein Bildbearbeitungsprogramm, das mithilfe von künstlicher Intelligenz vorhandene Bilder verändert. Wir können Bildteile ansetzen (Outpainting) und Bestandteile des Bildes löschen und ändern (Inpainting).
• Im Bereich Advanced gibt es die Möglichkeit, eigene Modelle zu trainieren (Training & Datasets) oder Community-Modelle zu inspizieren und zu vergleichen (Finetuned Models).

Ein guter Weg, um Stable Diffusion zu nutzen

Fazit: Leonardo.ai hält nicht nur die klassische Bilderzeugung bereit, sondern vielfältige kreative Möglichkeiten – ähnlich wie Adobe Firefly, nur weniger auf deren Produktpalette zugeschnitten. Leonardo ist auch ein guter Weg, um Stable Diffusion einzusetzen, wenn wir die Software nicht selbst betreiben möchten. Wie wir letzteres tun könnten, habe ich erst kürzlich erklärt.

Leonardo lässt sich kostenlos mit 150 Gratis-Token pro Tag verwenden, wobei ein Bild ein oder zwei Dutzend Tokens beanspruchen kann. Es gibt drei kostenpflichtige Preispläne, die bei zehn US-Dollar pro Monat beginnen und bei 48 US-Dollar monatlich enden. Für dieses Geld gibt es 60’000 Token für die schnelle Bilderzeugung und die Möglichkeit, eigene Modelle zu trainieren und vorzuhalten.

Fussnoten

1) Diesen Prompt habe ich schon mit Stable Diffusion, mit Imagine with Meta AI und Googles Bilder-KI, mit Microsoft Image Creator und Dall-e 3 und mit Adobe Firefly verwendet. ↩

Beitragsbild: Okay, vielleicht wäre er auch begeistert von Leonardo.ai (Modell «Leonardo Photoreal»).

#KI #Publisher #VideoBildgenerator

Da Vinci würde sich (vermutlich) im Grab umdrehen

Natürlich ist der Name eine fürchterliche Anmassung. Leonardo! Denn gemeint ist weniger DiCaprio als vielmehr da Vinci; das grösste Universalgenie aller Zeiten. Also, wer sich erdreistet, seine KI so zu nennen, hat (natürlich nur im übertragenen Sinn) einen Nasenstüber verdient.

Was mich angeht, ist der Name kein Hinderungsgrund für einen Test, sondern vielmehr eine Ermutigung. Aber natürlich mit maximalen Erwartungen. Also, kann die KI, die mit diesem Namen Bilder generiert, ihre Genialität unter Beweis stellen?

Leonardo.ai beherrscht die klassische Funktion einer generativen KI und erzeugt anhand eines Prompts Bilder. Für Vergleichszwecke¹ habe ich sie ein Bild des Android erzeugen lassen, das von einem elektrischen Schaf träumt. Das Resultat ist ein absoluter Reinfall: Anstelle des Androiden erscheint ein träumender Mensch, das Schaf ist eine Missgeburt mit einem Kopf an jedem Körperende und der Vorgang des Träumens ist ebenfalls nicht ersichtlich.

An dieser Stelle ist eine Ergänzung wichtig: Leonardo basiert auf Stable Diffusion, dem freien KI-Bildgenerator. Entsprechend wird das Resultat massgeblich vom Modell beeinflusst, das wir auswählen. Standardmässig ist Leonardo Lightning XL eingestellt. Wir dürfen aber aus mehreren Dutzend Modellen wählen. Nebst den Standard-Modellen für Stable Diffusion (SDXL, Stable Diffusion 2.1, etc.) stehen auch diverse Community-Modelle zur Auswahl.

Die Parameter machen den Unterschied

Ein Vorteil von Stable Diffusion gegenüber den meisten anderen Bildgeneratoren sind die diversen Einstellungsmöglichkeiten: Wir dürfen nicht nur die Abmessungen des Resultates (Bildbreite, -höhe und Seitenverhältnis) angeben, sondern auch diverse Optionen setzen. Unter anderem die folgenden:

• Transparency macht bei Bedarf den Hintergrund durchscheinend, sodass das Bild auf andere Motive gesetzt oder in ein Druck- oder Weblayout integriert werden kann.
• Photoreal erzeugt (im Idealfall) besonders realistische Ergebnisse.
• Tiling ist gefragt, wenn das Motiv als Kachel verwendet werden soll, d.h. horizontal und vertikal ohne sichtbare Kante wiederholt werden muss.

Der klassische Bildgenerator nicht das einzige Werkzeug in Leonardos Zauberkasten. Es gibt diverse weitere Module, nämlich:

• Mit Motion versehen wir ein Standbild mit etwas Bewegung. Das kennen wir von Webanwendungen wie Runwayml.
• Bei Realtime Canvas fertigen wir eine Skizze an, die in Echtzeit, also quasi bei jedem Strich, in eine detaillierte Illustration umgewandelt wird. Die Resultate sind durchwachsen.
• Bei Realtime Gen entstehen Bilder, während wir tippen – und zwar so schnell, dass annähernd bei jedem Buchstaben ein neues Motiv erscheint. Das ist nicht wirklich nützlich, aber sehr eindrücklich.
• AI Canvas ist ein Bildbearbeitungsprogramm, das mithilfe von künstlicher Intelligenz vorhandene Bilder verändert. Wir können Bildteile ansetzen (Outpainting) und Bestandteile des Bildes löschen und ändern (Inpainting).
• Im Bereich Advanced gibt es die Möglichkeit, eigene Modelle zu trainieren (Training & Datasets) oder Community-Modelle zu inspizieren und zu vergleichen (Finetuned Models).

Ein guter Weg, um Stable Diffusion zu nutzen

Fazit: Leonardo.ai hält nicht nur die klassische Bilderzeugung bereit, sondern vielfältige kreative Möglichkeiten – ähnlich wie Adobe Firefly, nur weniger auf deren Produktpalette zugeschnitten. Leonardo ist auch ein guter Weg, um Stable Diffusion einzusetzen, wenn wir die Software nicht selbst betreiben möchten. Wie wir letzteres tun könnten, habe ich erst kürzlich erklärt.

Leonardo lässt sich kostenlos mit 150 Gratis-Token pro Tag verwenden, wobei ein Bild ein oder zwei Dutzend Tokens beanspruchen kann. Es gibt drei kostenpflichtige Preispläne, die bei zehn US-Dollar pro Monat beginnen und bei 48 US-Dollar monatlich enden. Für dieses Geld gibt es 60’000 Token für die schnelle Bilderzeugung und die Möglichkeit, eigene Modelle zu trainieren und vorzuhalten.

Fussnoten

1) Diesen Prompt habe ich schon mit Stable Diffusion, mit Imagine with Meta AI und Googles Bilder-KI, mit Microsoft Image Creator und Dall-e 3 und mit Adobe Firefly verwendet. ↩

Beitragsbild: Okay, vielleicht wäre er auch begeistert von Leonardo.ai (Modell «Leonardo Photoreal»).

#KI #Publisher #VideoBildgenerator

Die Software hat träumen gelernt

Dall-e 2 hat uns vor einem Jahr in Erstaunen versetzt. Nun steht Dall-e 3 in den Startlöchern; gemäss «The Verge» wird die neue Version noch im Oktober erscheinen. Sie lässt sich schon jetzt ausprobieren. Microsoft hat sie anfangs Oktober in den Bing Image Creator eingebaut.

Ich habe Dall-e 3 für den Tagi ausprobiert und muss sagen: Ich bin beeindruckt.

Um mir einen Eindruck zu verschaffen, habe ich einige der Tests wiederholt, die ich mit Dall-e 2 und Midjourney und mit Adobe Firefly durchgeführt habe. Die Resultate sprechen Bände:

Ein Androide, der von elektrischen Schafen träumt

In Anspielung an die bekannte Sci-fi-Geschichte von Philip K. Dick habe ich mir einen Androiden erstellen lassen, der von elektrischen Schafen träumt. Ich habe die Beschreibung für Dall-e 3 noch etwas erweitert¹ und insbesondere den Stil als «märchenhaft-romantisch» beschrieben.

Während bei den früheren Versuchen das gewünschte Motiv kaum zu erkennen war, wird so sofort klar, was gemeint ist – mit der Einschränkung, dass das Modell einen Aspekt ignoriert hat: Wir sehen nämlich normale Schafe, keine elektrische. Aber ich räume ein: Es ist verflixt schwer, ein elektrisches Schaf zu visualisieren. Man könnte es mit LED-Lämpchen bestücken, aber neogelb leuchten lassen oder aber – als digitale Idee – grobpixelig erscheinen.

Und siehe da: Mit dieser Anweisung erscheint das Schaf genauso wie gefordert.

Die Fuchs-Hasen-Frau

Einer meiner ersten Versuche war eine Chimäre: Eine Frau mit Hasenohren und einem Fuchsschwanz. Das war ein Motiv, das die Modelle anfänglich komplett überfordert hat.

Bei meinen früheren Tests waren bei keinem Resultat alle Elemente vorhanden. Das ist nun nicht mehr so – auch wenn man sich bei den Ohren fragen kann, ob die mehr nach Fuchs als nach Hase aussehen.

Das Bundeshaus aus Schokolade, belagert von Bankern

Um gleich eine Ladung von Schweizer Klischees zu bemühen, bin ich seinerzeit auf die Idee verfallen, mir ein Bundeshaus aus Schokolade generieren zu lassen, das von Bankern belagert wird.

Zugegeben, eine fast unlösbare Aufgabe. Denn wenn das ganze Bundeshaus sichtbar ist, treten die Menschen auf dem Bild entsprechend klein in Erscheinung. Sie in diesem Verhältnis als Banker erkennbar zu machen, ist praktisch unmöglich – zumal Banker zwar einen gewissen formellen Kleidungsstil pflegen, der in anderen Branchen aber genauso üblich ist.

Wenn ich als menschlicher Künstler vor dieser Aufgabe stehen würde, dann würde ich mir mit einem Trick behelfen und die Banker als Demonstranten auftreten lassen. Die würden ein Banner tragen, auf dem die Parole den Bezug zur Finanzbranche herstellt. Zu derlei erzählerischen Tricks ist die KI nicht in der Lage – zum Glück!

Der Groschen ist gefallen – auch bei mir

Als Fazit dürfen wir festhalten, dass die KIs massiv besser geworden sind. Der Sprung von Dall-e 2 zu Dall-e 3 ist gewaltig. Erinnern wir uns zurück an die Kreationen der Anfangszeit: Die waren oft grobschlächtig. Vor allem die Menschen waren oft gruselig, mit ihren entgleisten Gesichtszügen, überzähligen Fingern oder anderen Extremitäten, ungestalten Körpern. An abstrakten Motiven sind die Text-zu-Bild-Generatoren regelmässig gescheitert. Und ein häufiges Problem bestand darin, dass Teile der Vorgabe einfach unter den Tisch gefallen sind.

Schön waren diese Bilder damals nicht. Beeindruckt haben sie uns trotzdem, weil es derlei vorher nicht gegeben hat und wir Computersoftware bislang nicht kreativ erlebt haben. Doch im Frühling hat uns Midjourney 5 darauf vorbereitet, dass die Kinderkrankheiten bald überwunden sein würden. Das gilt jetzt auch für den Bing Image Creator und Dall-e 3: Die Kreationen dieser neuesten Modelle sind meist einwandfrei, aber auch ästhetisch ansprechend.

Dazugelernt haben aber nicht nur die Modelle, sondern auch die Nutzerinnen und Nutzer. Das Beispiel mit den elektrischen Schafen zeigt, was ich inzwischen kapiert habe: Wenn ich eine abstrakte Ideen realisieren möchte, dann tue ich gut daran, auszudeutschen und zu erklären, wie konkret sie umgesetzt werden soll.

Fussnoten

1) An android who dreams of electric sheep. He is in a large room on a soft bed and the sheep can be seen in a dream bubble above his head. The style is fairy-tale romantic. ↩

#KI #Publisher #VideoBildgenerator

Die Software hat träumen gelernt

Dall-e 2 hat uns vor einem Jahr in Erstaunen versetzt. Nun steht Dall-e 3 in den Startlöchern; gemäss «The Verge» wird die neue Version noch im Oktober erscheinen. Sie lässt sich schon jetzt ausprobieren. Microsoft hat sie anfangs Oktober in den Bing Image Creator eingebaut.

Ich habe Dall-e 3 für den Tagi ausprobiert und muss sagen: Ich bin beeindruckt.

Um mir einen Eindruck zu verschaffen, habe ich einige der Tests wiederholt, die ich mit Dall-e 2 und Midjourney und mit Adobe Firefly durchgeführt habe. Die Resultate sprechen Bände:

Ein Androide, der von elektrischen Schafen träumt

In Anspielung an die bekannte Sci-fi-Geschichte von Philip K. Dick habe ich mir einen Androiden erstellen lassen, der von elektrischen Schafen träumt. Ich habe die Beschreibung für Dall-e 3 noch etwas erweitert¹ und insbesondere den Stil als «märchenhaft-romantisch» beschrieben.

Während bei den früheren Versuchen das gewünschte Motiv kaum zu erkennen war, wird so sofort klar, was gemeint ist – mit der Einschränkung, dass das Modell einen Aspekt ignoriert hat: Wir sehen nämlich normale Schafe, keine elektrische. Aber ich räume ein: Es ist verflixt schwer, ein elektrisches Schaf zu visualisieren. Man könnte es mit LED-Lämpchen bestücken, aber neogelb leuchten lassen oder aber – als digitale Idee – grobpixelig erscheinen.

Und siehe da: Mit dieser Anweisung erscheint das Schaf genauso wie gefordert.

Die Fuchs-Hasen-Frau

Einer meiner ersten Versuche war eine Chimäre: Eine Frau mit Hasenohren und einem Fuchsschwanz. Das war ein Motiv, das die Modelle anfänglich komplett überfordert hat.

Bei meinen früheren Tests waren bei keinem Resultat alle Elemente vorhanden. Das ist nun nicht mehr so – auch wenn man sich bei den Ohren fragen kann, ob die mehr nach Fuchs als nach Hase aussehen.

Das Bundeshaus aus Schokolade, belagert von Bankern

Um gleich eine Ladung von Schweizer Klischees zu bemühen, bin ich seinerzeit auf die Idee verfallen, mir ein Bundeshaus aus Schokolade generieren zu lassen, das von Bankern belagert wird.

Zugegeben, eine fast unlösbare Aufgabe. Denn wenn das ganze Bundeshaus sichtbar ist, treten die Menschen auf dem Bild entsprechend klein in Erscheinung. Sie in diesem Verhältnis als Banker erkennbar zu machen, ist praktisch unmöglich – zumal Banker zwar einen gewissen formellen Kleidungsstil pflegen, der in anderen Branchen aber genauso üblich ist.

Wenn ich als menschlicher Künstler vor dieser Aufgabe stehen würde, dann würde ich mir mit einem Trick behelfen und die Banker als Demonstranten auftreten lassen. Die würden ein Banner tragen, auf dem die Parole den Bezug zur Finanzbranche herstellt. Zu derlei erzählerischen Tricks ist die KI nicht in der Lage – zum Glück!

Der Groschen ist gefallen – auch bei mir

Als Fazit dürfen wir festhalten, dass die KIs massiv besser geworden sind. Der Sprung von Dall-e 2 zu Dall-e 3 ist gewaltig. Erinnern wir uns zurück an die Kreationen der Anfangszeit: Die waren oft grobschlächtig. Vor allem die Menschen waren oft gruselig, mit ihren entgleisten Gesichtszügen, überzähligen Fingern oder anderen Extremitäten, ungestalten Körpern. An abstrakten Motiven sind die Text-zu-Bild-Generatoren regelmässig gescheitert. Und ein häufiges Problem bestand darin, dass Teile der Vorgabe einfach unter den Tisch gefallen sind.

Schön waren diese Bilder damals nicht. Beeindruckt haben sie uns trotzdem, weil es derlei vorher nicht gegeben hat und wir Computersoftware bislang nicht kreativ erlebt haben. Doch im Frühling hat uns Midjourney 5 darauf vorbereitet, dass die Kinderkrankheiten bald überwunden sein würden. Das gilt jetzt auch für den Bing Image Creator und Dall-e 3: Die Kreationen dieser neuesten Modelle sind meist einwandfrei, aber auch ästhetisch ansprechend.

Dazugelernt haben aber nicht nur die Modelle, sondern auch die Nutzerinnen und Nutzer. Das Beispiel mit den elektrischen Schafen zeigt, was ich inzwischen kapiert habe: Wenn ich eine abstrakte Ideen realisieren möchte, dann tue ich gut daran, auszudeutschen und zu erklären, wie konkret sie umgesetzt werden soll.

Fussnoten

1) An android who dreams of electric sheep. He is in a large room on a soft bed and the sheep can be seen in a dream bubble above his head. The style is fairy-tale romantic. ↩

#KI #Publisher #VideoBildgenerator

Adobe steht komplett auf dem Schlauch

Neulich habe ich Adobe Firefly einem ausführlichen Test unterzogen. Diese Software verwandelt kurze Textbeschreibungen in Bilder und stellt sich in einer Reihe mit Dall-e 2, Midjourney und Stable Diffusion.

Der wesentliche Unterschied zur Konkurrenz besteht allerdings darin, dass die Text-zu-Bild-Erzeugung nur eine von vielen Anwendungsmöglichkeiten ist. Firefly soll künftig ein knappes Dutzend weiterer Funktionen bereithalten. Nicht alle können bereits getestet werden. Aber es gibt eine, die bereits zur Verfügung steht: Sie heisst Text effects und erlaubt es, einen Schriftzug mit einem Muster auszustatten, bzw. ihn wie eine Art typografisches Bildhauerobjekt aussehen zu lassen. Die Beispiele zeigen Buchstaben, die mit Fell bewachsen oder mit Federn geschmückt sind, die wie ein knorriges Stück Holz aussehen oder wie ein moosbewachsenes Schwemmteil. Oder wie ein Toast mit komischer Käsekruste oder ein beschupptes Stück Schrift.

Ein schöner Logo-Schriftzug für diese Site hier

Um diese Funktion zu testen, habe ich mir überlegt, ein typografisches Logo für meine Website zu erzeugen. Die Idee: Die Buchstaben sollten mit einem Mosaik aus bunten Plättchen überzogen sein, das an das namensgebende Spiel «Clickomania» erinnert: Dort gibt es bekanntlich ein Spielfeld, das mit quadratischen Steinen in unterschiedlichen Farben belegt ist, und die weggeklickt werden können, wenn mehrere Steine der gleichen Farbe eine Gruppe bilden.

Das soll sich im Schriftzug widerspiegeln: Buchstaben, die wie ein buntes, Clickomania-haftes Badezimmer gekachelt sind.

Also, erster Versuch:

Das sieht imposant aus und würde, in Handarbeit erstellt, zu einer massiven Plagerei ausarten. Aber es ist offensichtlich nicht einmal ansatzweise das, was ich mir ausgedacht habe. Die Plastikteile sind viel zu unregelmässig und unterschiedlich gross, um als Spielsteine durchzugehen. Und das Bewegungsmoment, das ich gern hier gesehen hätte, macht die Sache offensichtlich unnötig kompliziert.

Also, zweiter Versuch:

Ich hatte die Hoffnung, mehr Ruhe in die Anordnung der Teile bringen zu können, indem sie auf einem Schachbrett ausgelegt werden sollen. Das sollte doch unweigerlich zu einer rasterförmigen, gleichmässigen Darstellung führen, nicht? Denn ich möchte, dass das Spielfeld von «Clickomania» wiederzuerkennen ist, auf dem die quadratischen Spielsteine liegen.

Das ist zu organisch für meinen Zweck

Klar, damit das nicht allzu uniform und kästchenhaft aussieht, ist ein bisschen Varianz in Ordnung. Auch eine leichte dreidimensionale Wirkung könnte interessant sein. Aber das ist im Vergleich viel zu chaotisch und nicht als Spielfeld eines Computergames wiederzuerkennen.

Ausserdem stimmt die Farbgebung nicht. Im Spiel gibt es Steine, die farblich klar zu unterscheiden sind. Wie viele Farben es gibt, hängt vom Spielmodus ab, aber es sind drei bis maximal sechs.

Darum ein nächster Versuch mit einer hoffentlich eindeutigen Instruktion:

Das ist nicht schlecht, allerdings hat sich Firefly nicht an die Angabe gehalten, dass alle Steine gleich gross sein sollen. Sie sind auch nicht immer quadratisch, und die Unterschiede bei der Höhe sind zu stark. Ein Spielfeld – und meines Erachtens auch ein Mosaik – müsste einigermassen ebenerdig sein.

Klar; eine gewisse Abweichung von der Norm gäbe diesem Schriftzug eine natürliche, handgemachte Anmutung. Aber diese starken Abweichungen erinnern eher an eine Landschaft aus chaotisch aufgestapelten Legosteinen, denn an ein wohlgeordnetes Spielfeld.

Kritik am Rand: Die kleinen As sehen nicht aus wie As, sondern wie ein seitenverkehrtes S.

Darum ein vierter Versuch:

Hier versuchen wir es mit dem Hinweis aufs Computerspiel. Der fruchtet allerdings auch nicht. Die Spielsteine sind längst nicht immer quadratisch und auch nicht gleich ausgerichtet – was ich allerdings auch nicht gefordert habe. Das sieht interessant aus, ist aber genauso weit weg von meiner Idee wie der erste Versuch.

Wie wäre es mit Kugeln statt mit Kacheln?

Aber gut: Schliesslich gibt es «Clickomania» nicht nur in der klassischen Spielvariante mit den quadratischen Spielsteinen, sondern auch in einer Variante mit bunten Kugeln. Diese Kugeln habe ich seinerzeit eigenhändig von Corel Dream 3D rendern lassen. Sie erscheinen standardmässig, wenn «Clickomania Next Generation» gestartet wird (was übrigens auch unter Windows 11 nach wie vor funktioniert).

Darum ein letzter Versuch mit Kugeln anstelle der quadratischen Mosaiksteinchen. Denn Kugeln haben immerhin den Vorteil, dass sie nicht verdreht oder schräg angeordnet werden können.

Und siehe da:

Hundertprozentig zufrieden bin ich nicht, weil die Firefly einige meiner Anordnungen missachtet hat: Die Kugeln sind nicht gleich gross, sie sind nicht gleichmässig und nicht rasterförmig angeordnet. Und sie liegen auch nicht auf einer einzigen Fläche. Sie sind offensichtlich auch übereinander gestapelt. Aber trotzdem: Dieses Resultat will ich gelten lassen – auch wenn ich nicht sicher bin, ob ich es tatsächlich als Logo für diese Website hier verwenden werde.

Je abstrakter, desto schwieriger

Wir lernen: Bei dieser Aufgabe ist es entscheidend, unsere Vorstellung ganz exakt in Worte zu fassen. Und das ist alles andere als einfach, da bei solchen abstrakten Situationen selbst eine ganz einfache Szene eine grosse Zahl von impliziten Voraussetzungen beinhaltet. In dem Fall dürfte das Problem auch darin liegen, dass Adobe diese KI nicht mit Vorlagen trainiert hat, die mit meinen Ideen korrespondieren – ich wünsche mir einen technoiden Look, während die Erfinder von Firefly organische Vorbilder hatten.

Derlei Disrkmacht die Erzeugung solcher typografischer Objekte zu einer schwierigen und auch etwas frustrierenden Angelegenheit. Aber wir erkennen auch die Grenzen der KI; denn einem menschlichen Künstler hätten wir unser Anliegen sehr viel schneller verständlich gemacht.

Beitragsbild: Adobe Firefly mit dem Prompt «Equal-sized reflexive balls in the colors green, yellow, blue and red, arranged evenly».

#Adobe #KI #Publisher #Typografie #VideoBildgenerator

Adobe Firefly in einem ersten Augenschein

Die künstliche Intelligenz ist kein Neuland für Adobe. Der Softwarekonzern stattet seine Produkte seit Längerem mit Funktionen aus, die mit KI bzw. mit maschinellem Lernen arbeiten.

Schon vor fünf Jahren haben in Photoshop Funktionen Einzug gehalten, mit denen bei der Bildbearbeitung mehrere Aufnahmen auf realistische Weise verschmolzen werden konnten oder die Software Teile eines Bildes auf realistische Weise ergänzen oder ersetzen konnte. Das hiess damals Adobe Sensei und war beeindruckend – aber ist von der breiten Öffentlichkeit nicht wahrgenommen worden. Klar: Denn diese Funktionen waren für die Anwenderinnen im Bereich des professionellen Publishings entwickelt worden.

Die Algorithmen damals haben der Anwenderschaft beim Gestalten geholfen und bestehendes Bildmaterial aufgepeppt. Doch die eigentliche KI-Revolution – wenn wir sie denn so nennen wollen – hat im letzten Jahr damit begonnen, dass Programme wie Dall-e 2, Midjourney oder Stable Diffusion uns vorgeführt haben, wie sich anhand einer kurzen Beschreibung Abbildungen erschaffen lassen.

Adobe ist parat, sein Territorium zu verteidigen

Klar, dass Adobe diese Entwicklung nicht ignorieren konnte – denn sie betrifft das Kerngeschäft der Leute, die mit Photoshop, Illustrator, InDesign und den weiteren Creative-Cloud-Produkten arbeiten. Darum entwickelt Adobe ein Produkt namens Firefly, das wie folgt beschrieben wird:

Firefly ist die neue Familie kreativer generativer KI-Modelle für Adobe-Produkte, die sich zunächst auf die Erzeugung von Bild- und Texteffekten konzentriert.

Es gibt zwei weitere Möglichkeiten, nämlich die Texteffekte und die Möglichkeit, Vektorbilder anders einzufärben (Recolor Vectors). Wie die Beschreibung andeutet, werden noch viele weitere Anwendungen dazukommen. Neun weitere Anwendungen werden hier aufgeführt:

• Inpainting: Ein Teil eines Bildes wird mit einem Pinsel gelöscht und die Software füllt den Bereich gemäss einer Textbeschreibung neu auf.
• Personalisierung: Bilder werden anhand persönlicher Objekte oder Stile erzeugt.
• Text zu Vektor: Aus einer Textbeschreibung werden bearbeitbare Vektorobjekte erzeugt.
• Bilder erweitern: Wenn das Seitenverhältnis eines Bildes geändert wird, passt die Software den Inhalt an und erfindet beispielsweise am Rand Dinge dazu.
• 3D zu Bild: Anhand eines 3D-Modells wird ein Bild oder eine fotorealistische Abbildung erzeugt.
• Text zu Muster: Nahtlose Kacheln, die anhand einer Beschreibung erzeugt werden.
• Text zu Pinsel: Durch Textbeschreibungen lassen sich Pinsel für Photoshop erstellen.
• Skizze zu Bild: Ein simpler Zeichenentwurf wird von der Software zu einem fertigen Kunstwerk ausgearbeitet.
• Text zu Vorlage: Aus einer Beschreibung wird eine Vorlage – wobei mir nicht klar ist, für welches Programm. Photoshop vielleicht, möglicherweise auch Indesign.

Das ist eindrücklich – aber natürlich fallen uns sofort weitere Möglichkeiten ein. Wie genial wäre es, wenn wir Schriften anhand von Textbeschreibungen erzeugen könnten?

Adobe Firefly ist in einem Betastadium und nur gegen Einladung zugänglich. Ich habe mich angemeldet und letzten Freitag meinen Zugang erhalten – sodass ich hier meinen ersten Eindruck der Text-zu-Bild-Möglichkeiten verschaffen konnte. Die Text Effect-Funktion habe ich separat getestet; meine diesbezüglichen Erkenntnisse gibt es im Beitrag Adobe steht komplett auf dem Schlauch.

Der Test: Was taugt Firefly?

Für eine direkte Vergleichsmöglichkeit habe ich mir von Firefly als Erstes zwei Bilder generieren lassen, die ich hier im Blog bei meinem Test von Stable Diffu­sion, Dall·e 2, Craiyon, Art­breeder und Starryai durchexerziert habe. Das heisst: Ihr könnt die Resultate direkt mit diesem Produkten vergleichen und bekommt so einen Eindruck, wie sich Adobe im Vergleich schlägt. Allerdings ist der erste Test auch schon wieder ein halbes Jahr her – und das ist eine halbe Ewigkeit in diesem Bereich, weil die Fortschritte rasant waren.

Frau mit Fuchsschwanz und Kaninchen-Ohren

Also, hier kommen die Resultate:

Das ist das Ergebnis mit den Standardeinstellungen: Firefly erzeugt keine fotorealistische Ansicht, sondern «Art» – also eine künstlerische Interpretation, die zum Beispiel in einem Buch benutzt werden könnten. Das sind ohne Zweifel schöne und eindrückliche Illustrationen –  mit der Kritik, dass der Fuchsschwanz nur bei einem Bild zu sehen ist.

Zum direkten Vergleich das Resultat von Dall-e 2.

Zurück zu Firefly:

Firefly kann nicht nur künstlerische Bilder erzeugen, sondern auch fotorealistische Motive. Die sind etwas weniger gelungen. Die Porträts mit den Ohren sind weitgehend in Ordnung, wobei die Stirnbänder es so aussehen lassen, als seien die Ohren künstlich – natürlich war meine Erwartung, es mit möglichst authentisch wirkenden Chimären zu tun zu bekommen.

Mit dem zweiten Bild von links stimmt etwa nicht. Die Frau streckt den rechten Arm auf seltsame Weise durch ihren Rock und der Fuchsschwanz hat zwei Enden.

Und wie schlägt sich Midjourney bei der fotorealistischen Darstellung? Dank David Blum – ein grosses Merci dafür! – kann ich euch auch diese Variante hier vorführen:

Wir brauchen hier nicht lange zu diskutieren: Das ist so deutlich besser, dass der Sieger bei dieser Aufgabe nur Midjourney lauten kann.

Das Matterhorn aus Schokolade, mit Schlagrahm gekrönt

Zu meinem Text vor einem halbem Jahr gehörte auch das Matterhorn aus Schokolade, das mit Schlagrahm, statt mit Schnee bedeckt ist. Das rührt natürlich einerseits von meiner Vorliebe für Desserts her. Andererseits ist es eine hervorragende Ausgangslage, die zeigt, wie die Software mit abstrakten Vorgaben zurechtkommt. Wir sehen: Das Matterhorn ist auch bei Firefly nicht wirklich als Matternorn zu erkennen – die Form ist ein ebenmässiger Kegel, was eher an ein Zelt erinnert. Und auf die Idee, den Schnee durch Rahm (Sahne) zu ersetzen, ist Firefly offensichtlich nicht gekommen.

Hier das Resultat von Dall-e 2 zu dieser Aufgabe:

Das Problem mit der Wiedererkennbarkeit des Matterhorns finden wir auch hier. Aber was die Vielfalt der Lösungen angeht, ist Dall-e 2 auf alle Fälle kreativer.

Midjourney liefert diese Bilder:

Auch hier ist Midjourney der Sieger, das Dessert sieht am ehesten nach Berg aus – abgesehen davon, dass das echte Matterhorn ins Bild Eingang gefunden hat. Abzug bei der Variante von Version gibt, dass der Schlagrahm verschwunden ist.

Das Bundeshaus aus Schokolade, belagert von Bankern

Bei meiner Übersicht zu KI-Anwendungen hatte ich die Idee, auch das Bundeshaus in Bern visualisieren zu lassen, wobei das wiederum aus Schokolade bestehen und von Bankern belagert werden sollte (The federal parliament building in Berne, made of Chocolate with bankers standing around the door).

Das ist ein enttäuschendes Resultat: Bei keinem dieser Bilder ist das Bundeshaus wirklich als Bundeshaus zu erkennen – Dall-e 2 hat das im Vergleich viel besser getroffen. Auch die Schokolade ist höchstens zu erahnen, und Personen sind nur auf dem vierten Bild zu sehen – wobei es nicht zu erkennen ist, dass es Banker sein sollten. Zugegeben, es handelt sich um eine schwierige Aufgabe, die auch einen menschlichen Künstler vor eine Herausforderung stellen würde. Aber es soll hier darum gehen, die Grenzen aufzuzeigen.

Auch hier lautet der Sieger Midjourney, auch wenn das Bundeshaus nicht über alle Zweifel erhaben sind, gibt es die beste Ansammlung von Personen, die wenigstens ansatzweise nach Banker aussehen.

Ein Android, der von elektrischen Schafen träumt

Die letzte Aufgabe hat mich aber wieder mit Firefly versöhnt. Es ging darum, einen Androiden zu erschaffen, der von elektrischen Schafen träumt. Das ist, natürlich, eine Anspielung an den Roman Do Androids Dream of Electric Sheep? von Philip K. Dick, der als Vorlage für Blade Runner diente. Das ist ebenfalls eine schwierige Aufgabe, und man kann sich fragen, ob der Android selbst wirklich schafhafte Züge annehmen sollte. Und man könnte auch kritisieren, dass diese Schafe nicht wirklich «elektrisch» wirken.

Trotzdem sehe ich hier Potenzial. Und wie toll wäre es, wenn Firefly dereinst diese Bilder in einem bearbeitbaren Format ausliefern würde, also als PSD-Datei, die sich in Photoshop öffnen lässt und die einzelnen Elemente als Ebene zur Verfügung stellt: Dann liessen sich die Schafe notfalls auf manuellem Weg elektrifizieren.

Zum Schluss der Kronfavorit, Midjourney:

Die Aufgabe, ein Schaf elektrisch wirken zu lassen, hat Midjourney am besten gelöst. Der Android gefällt mir bei Adobe am besten. Darum ex äquo Platz 1 für Firefly und Midjourney, mit Dall-e 2 auf dem zweiten Platz.

Gibt es einen klaren Sieger?

Ja, Midjourney erfüllt die Aufgaben meistens am Besten, und was den Fotorealismus angeht, ist diese KI schlicht atemberaubend gut. Bei den künstlerischen Varianten kann Adobe Firefly mithalten. Allerdings hat Adobe einige exklusiven Funktionen wie die eingangs erwähnten Texteffekte, die ich separat testen werde.

Und es gibt noch eine Sache, bei der Firefly die Konkurrenz abtrocket. Und das ist die Bedienbarkeit und die Funktionen, um auf die Resultate Einfluss zu nehmen und künstlerisch zu beeinflussen. Das ist die grosse Stärke von Adobe.

Einige Details dazu: Eine Steuerungspalette am rechten Rand erlaubt die Konfiguration der Ausgabe: Wir wählen bei Content type die Art des Resultats, Foto (Photo), Grafik (Graphic), Kunst (Art) oder Ohne (None). Was die letzte Option bringen sollte, ist mir leider nicht klar.

Es gibt ferner auch Stile (Styles) zur Auswahl, die in die Kategorien Beliebt (Popular), Bewegungen (Movements), Themen (Themes), Techniken (Techniques), Effekte (Effects), Materialien (Materials) und Konzepte (Concepts) gegliedert sind. Einige Beispiele, was das bedeutet:

Unter Movements stehen Dinge wie

• Steampunk,
• Fantasy,
• Pop Art,
• Barock (Baroque),
• Kubismus (Cubism),

Cyberpunk zur Auswahl, bei Techniques Optionen wie

• Malerei (Painting),
• Punktstich (Stippling),
• Klare Linie (Bold Lines),
• Ölmalerei (Oil Painting)

und bei Concepts wählen wir u.a. zwischen Chaotic, Kitschy, Nostalgic oder Simple.

Das eröffnet ein weites Feld für Experimente und erlaubt es, das Resultat einzugrenzen. Wir können, wie das auch bei Midjourney und Dall-e 2 der Fall ist, eines der vorgeschlagenen Bilder auswählen und weiterentwickeln.

Dabei dürfen wir die Farbgebung (Color and tone), die Beleuchtung (Lighting) und die Komposition beeinflussen und hier Kameraperspektiven wie Weitwinkel, Nahaufnahme, den unscharfen Hintergrund, sowie Vogel- und Froschperspektive auswählen.

Noch nicht alles läuft rund

Und schliesslich gibt es die Möglichkeit, das Seitenverhältnis anzupassen, und statt Quadrate auch Bilder mit 4:3 oder 16:9 erzeugen zu lassen. Ich habe allerdings festgestellt, dass ein Formatwechsel nicht funktioniert, wenn wir ein vorhandenes Bild weiter verfeinern wollen: Beim Umschalten der quadratischen Ansicht auf 16:9 werden einige der Objekte unschön in die Breite gezogen.

Fazit: Das hat Potenzial – und wirkt gleichzeitig einschüchternd. Wenn ich Illustrator wäre, dann wären meine Gefühle sehr gemischt – denn die Konkurrenz, die sich abzeichnet, ist brutal. Welcher Mensch kann schon so viele Stile, Arbeitsweisen und Varianten aus dem Stegreif anbieten? Es bleibt dabei, dass wir diese KI-Werkzeuge als Hilfsmittel, aber nicht als Ersatz für kreative Leistungen betrachten dürfen.

Beitragsbild: Eine ausgearbeitete Variante von Adobe Firefly zur Vorgabe «An Androids who dreams of electric sheep».

#Adobe #KI #Publisher #TlDr #VideoBildgenerator

Hi folks … here’s an #introduction … I’m David J Howe … an #author and #publisher … specialist in #doctorwho and #horrorfilms … I run #telos an independent publisher of #horror and #genre books also #artbooks and #television and #film #spinoff #factualbooks … Married to the awesome #novelist and #scriptwriter #samanthaleehowe