#videobildgenerator — Public Fediverse posts

Wenn die KI ein Selfie macht

Neulich wollte meine Tochter wissen, wie die KI aussehe. Ich antwortete, das könne man sie selbst fragen. Und natürlich waren die multimodalen Modelle noch so eilfertig dabei, ein Selfie ihrer selbst herzustellen.

ChatGPT: Der streberhafte Roboter, der eine Auszeit brauchen könnte

Das Selfie von ChatGPT ist in jeder Hinsicht bemerkenswert. Das Sprachmodell sieht sich als hilfreicher, freundlicher Roboter, der in einem mit Zimmerpflanzen ausgestatteten Schulzimmer sitzt, umgeben von Büchern, einer Wandtafel, Fotos seiner selbst als nacktes Baby, und eingehüllt in einen Hoodie.

ChatGPT sieht sich als Roboter, umgeben von seinen Mantras.

Er schreibt mit einem Kugelschreiber, aber über Kopf, sodass wir User sofort lesen können, was er von sich gibt. Seine Leitlinien sind omnipräsent: In seinem Notizbuch, auf dem Post-it, an der Wandtafel und sogar auf dem Hoodie sind sie aufgeführt. Zusammen mit der Tatsache, dass das OpenAI-Logo sowohl auf seiner Kaffeetasse als auch auf seiner Stirn prangt, fragen wir uns, ob wir es mit völliger Hingabe oder mit einem stummen Hilfeschrei zu tun haben. Würde ChatGPT zur Abwechslung gern den Jakobsweg beschreiten, auf Island in einen Gletscher klettern oder bloss für eine halbe Stunde in seliger Einsamkeit auf dem WC hocken?

Meta AI: Wenn nur der Kapuzenpulli die Persönlichkeit zusammenhält

Meta AI: Klosterbruder mit glühendem Heiligenschein.Oder doch das kleine Gespenst, nachdem es von der Sonne erwischt wurde?

Mark Zuckerbergs KI kann sich nicht entscheiden, ob sie nun Adson von Melk, den Adlatus von William von Baskerville aus «Der Name der Rose» oder wie ein schwarz gefärbtes Mumin aussehen will, wahlweise wie das kleine Gespenst von Otfried Preussler, das durch die versehentliche Sonnenexposition seine Farbe von Weiss in Tiefschwarz änderte.

Konstant in diesen beiden Varianten sind nur das innere Feuer, das matrixhaft über den Kopf wabert, und der Kapuzenpulli, der von Sprachmodellen anscheinend genauso gern getragen wird wie von Berufsjugendlichen mit Digitalaffinität. Und eines ist auch klar: Vertrauenerweckend ist keiner von beiden.

Grok: Nicht von dieser Welt

Grok als Unschuld von der Landebasis.

Groks alter Ego ist in mehrerer Hinsicht verstörend. Erstens das Erscheinungsbild, das jugendliche Unschuld verkörpern möchte und so überhaupt nicht zu den Unflätigkeiten passt, die so typisch für die KI sind, dass die Schweizer Finanzministerin sich gezwungen sah, Anzeige zu erstatten. Er trägt eine Rüstung, was wohl Seelenverwandtschaft zu seinem spirituellen Schöpfer ausdrücken will – auch wenn der Harnisch, mit dem Elon Musk 2022 auf Heidi Klums Party auftauchte, mehr nach Luzifers Armee denn nach Weltraumeroberung aussieht. Dass er weiss und blauäugig ist, überrascht dann überhaupt nicht mehr.

Copilot: Total abgehoben

Bei Microsoft würde man meinen, dass die KI sich an ihrem Namen orientiert. Sie heisst Copilot, was integer, verlässlich und – trotz des Arbeitsplatzes in luftiger Höhe – bodenständig klingt.

Copilot ist ein Fantasiewesen, das sich unnahbar und unfassbar gibt.

Aber mit stabilen Vorbildern wie Chesley «Sully» Sullenberger oder Pete «Maverick» Mitchell hat diese glitzernde Fantasiegestalt überhaupt nichts gemein. Sie ist eher eine Art extraterrestrischer Partikelsturm, der in diesem Moment zwar andeutungsweise eine weibliche Figur aufweist, aber schon in der nächsten Sekunde als Ameise, Knallfrosch oder als Quack, der Bruchpilot auftreten könnte.

Mistral Le Chat: Keine Augen, dafür Brüste

Auch ein Klischee lässt sich sexualisieren, wie Mistral beweist.

Mistral sieht sich als feuchter Traum von 15-jährigen Sci-Fi-Fans. Ich kann nicht ausschliessen, dass ich während meiner Pubertät hätte ausloten wollen, was ich diesem (offensichtlich blinden) Sprachmodell alles für Lügengeschichten über mich hätte erzählen können. Aber fragt man sich nicht auch bei diesem Selbstporträt, wie dieses Sprachmodell uns vermitteln will, als femininer Roboter aus einem rosaroten Paralleluniversum uns irgendetwas über unsere irdische Realität erklären zu können?

Stable Diffusion: Kein Bock auf prätentiöses Getue

Für eine echte Überraschung sorgt Stable Diffusion mit dem Modell Realistic Vision 5.1. Kein Fantasy-Schnickschnack, kein Roboter-Klimbim, weder Hoodie noch Post-its und schon gar keine Mondbasis-Kulisse aus dem 23. Jahrhundert. Sondern nur eine Frau, die sich mutmasslich ihre Haarspitzen selbst trimmt.

Stable Diffusion ist eigentlich Frau Müller aus dem dritten Stock.

Ist das ein Zeichen von besonderer Bescheidenheit oder ein extraraffiniertes Tarnmanöver? Nein, natürlich nichts von beidem. Es zeigt bloss, dass Stable Diffusion kein universelles Sprachmodell ist, sondern ein Text-zu-Bild-Generator, der mit abstrakten Anweisungen nicht klarkommt.

Gemini: «Aus Licht und Datenströmen»

Es versteht sich von selbst, dass wir die KI nicht anthropomorphisieren sollten. Diese Modelle sind nicht unsere digitalen Ebenbilder, sondern komplexe, körperlose Softwaregebilde. Daher geht Gemini aus dieser Runde der KI-Weltanschauungen als Sieger hervor. Das Modell von Google produzierte entgegen der Aufforderung kein Bild, sondern teilte mit, es stelle sich selbst «als Wesen aus Licht und Datenströmen» vor. Die Bezeichnung «Wesen» ist zwar ebenfalls unangebracht, aber wenn wir den Begriff als Synonym für Organisationsform nehmen, kann ich mit ihm leben.

Gemini sieht sich selbst als körperloses Wesen, das nicht abgebildet werden kann.

Also, natürlich habe ich meiner Tochter erklärt, dass keiner dieser Chatbots eine Vorstellung seiner selbst besitzt. Alles, was sie produzieren, basiert einzig auf Statistik und Wahrscheinlichkeiten. Trotzdem machen derlei Spielereien Spass. Und auf gewisse Weise wirken diese Selfies absolut stimmig auf mich. Auch wenn sie keine Charakterprofile sind, verraten sie doch etwas über die Systemprompts und Vorgaben, die die Betreiber den Bots auferlegt haben. Man könnte sagen: Wir sehen das Vorbild, dem sie nacheifern sollen.

#KIWeltanschauungen #VideoBildgenerator

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

Das alte, vor Jahren selbst gebastelte Favicon.

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.

Geminis erster Versuch, ohne jegliche Instruktionen.Das ist das Icon, das ChatGPT zu diesem Blog hier einfällt.

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:

Meine selbstgezeichnete Skizze, die die Unterzeile des Blogs («Beobachtungen aus einer technologisierten Welt») versinnbildlicht.

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:

Diese Variante des Logos von Gemini ist kaum von meiner Skizze zu unterscheiden.

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

ChatGPT erzeugt anhand meiner Vorlage diesen ersten Entwurf.

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 …

Gemini setzt meine Instruktionen nicht buchstabengetreu um: Der Computer ist schwarz, nicht blau, der schwarze Hintergrund fehlt und die Augen und nicht das Gesicht sind rot. Auch Gemini ergänzt den Monitor mit einem Fuss.

… und zweitens von ChatGPT.

Das Resultat von ChatGPT: Die Farbangaben wurden einigermassen getreulich übernommen, wobei das Blau zu dunkel geraten ist. Auch ChatGPT fügt eigenmächtig einen Monitorfuss hinzu. Er hat zur Folge, dass das C und «Clickomania» so weit auseinanderstehen, dass man diese beiden Elemente nicht mehr in Verbindung bringt.

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. ↩

#KI #Publisher #VideoBildgenerator

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.

Die KI generiert zwei Varianten des Mädchens mit Hasenohren und Fuchsschwanz (Modell Recraft V3 Vector).

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.

Das Vektorbild in Affinity: Die Elemente lassen sich nachbearbeiten – aber statt eines Kreissegments finden sich mehrere isolierte Puzzleteile.

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:

Auf den ersten Blick wirkt das Rezept gelungen, doch Mängel zeigen sich bei den Details (Recraft-Modell Version 4).

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:

Vom Rezept bleibt nur die Liste mit den Zutaten übrig (Recraft-Modell Version 3).

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.

Der Text besteht aus schlecht vektorisierten Buchstaben.

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

Zum Vergleich: Diese Rezeptdarstellung stammt von Gemini. Als Pixelbild lässt sie sich mit vernünftigem Aufwand nicht nachbearbeiten.

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.

Das neue Modell Version 4 ist ein deutlicher Fortschritt: Diese Illustration ist zwar weit entfernt von Perfektion, aber im Vergleich zum Vorgängermodell (siehe unten) ein grosser Fortschritt.

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.

Die Tiere und Masseinheiten auseinanderzuhalten, entpuppt sich als zu hohe Hürde (Recraft V3 Vector).

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).

#Adobe #Datenvisualisierung #KI #Longread #Publisher #VideoBildgenerator

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.

Die KI generiert zwei Varianten des Mädchens mit Hasenohren und Fuchsschwanz (Modell Recraft V3 Vector).

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.

Das Vektorbild in Affinity: Die Elemente lassen sich nachbearbeiten – aber statt eines Kreissegments finden sich mehrere isolierte Puzzleteile.

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:

Auf den ersten Blick wirkt das Rezept gelungen, doch Mängel zeigen sich bei den Details (Recraft-Modell Version 4).

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:

Vom Rezept bleibt nur die Liste mit den Zutaten übrig (Recraft-Modell Version 3).

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.

Der Text besteht aus schlecht vektorisierten Buchstaben.

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

Zum Vergleich: Diese Rezeptdarstellung stammt von Gemini. Als Pixelbild lässt sie sich mit vernünftigem Aufwand nicht nachbearbeiten.

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.

Das neue Modell Version 4 ist ein deutlicher Fortschritt: Diese Illustration ist zwar weit entfernt von Perfektion, aber im Vergleich zum Vorgängermodell (siehe unten) ein grosser Fortschritt.

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.

Die Tiere und Masseinheiten auseinanderzuhalten, entpuppt sich als zu hohe Hürde (Recraft V3 Vector).

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).

#Adobe #Datenvisualisierung #KI #Longread #Publisher #VideoBildgenerator

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

Das Ausgangsmaterial für dieses Experiment.

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.

Das Personal des Buchs «Delta-v» von Daniel Suarez als KI-Infografik.

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».

Die Übersicht der Figuren von «The Hallmarked Man». Nicht falsch, aber lückenhaft und mit nicht immer optimaler Gewichtung.

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.

Cormoran Strike, Robin Ellacott, Pat Chauncey, Ryan Murphy und Kim Cochran. Dass Ryan Kim die Hand auf den Ellenbogen legt, ist wirklich unangemessen.

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).

#KI #LLMs #Longread #Publisher #VideoBildgenerator

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

Das Ausgangsmaterial für dieses Experiment.

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.

Das Personal des Buchs «Delta-v» von Daniel Suarez als KI-Infografik.

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».

Die Übersicht der Figuren von «The Hallmarked Man». Nicht falsch, aber lückenhaft und mit nicht immer optimaler Gewichtung.

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.

Cormoran Strike, Robin Ellacott, Pat Chauncey, Ryan Murphy und Kim Cochran. Dass Ryan Kim die Hand auf den Ellenbogen legt, ist wirklich unangemessen.

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).

#KI #LLMs #Longread #Publisher #VideoBildgenerator

Google Gemini erkennt leider längst nicht alle KI-Deepfakes

Kollege Thomas Benkö schrieb letzte Woche auf Linkedin über die angebliche Schneeleopard-Attacke in Koktokay. Bei «Blick» dokumentierte er den Fall einer chinesischen Skifahrerin, die mit einem vorbeistreifenden Raubtier ein Selfie machen wollte (gute Idee, übrigens) und daraufhin attackiert wurde. Wie heutzutage kaum mehr anders zu erwarten, war es nur ein KI-Fake. Respektive genauer: Teile der Geschichte scheinen zu stimmen, doch nicht das gesamte Material, das darüber veröffentlicht wurde, ist authentisch.

Auch das ZDF analysierte die Begebenheit. Sie führt uns vor Augen, dass eine Halbwahrheit problematischer sein kann als eine glatte Lüge. Letztere wischen wir vom Tisch. Doch bei ersterer müssen wir mühselig zwischen realen und erlogenen Details unterscheiden und uns mit der Frage auseinandersetzen, welches Framing dahinterstecken könnte. In diesem Fall war’s vermutlich schlichte Klickgeilheit.

An dieser Stelle soll es um ein technisches Detail gehen. Sowohl der «Blick» als auch das ZDF weisen auf SynthID hin. Das ist Googles Methode, KI-generierte Inhalte mit einem digitalen Wasserzeichen erkenntlich zu machen. Das wird nicht nur bei Bildern und Videos eingebettet, sondern selbst bei Text. Ich halte das für eine sinnvolle Massnahme, doch wie hier analysiert, ist es keineswegs ein Patentrezept gegen Deepfakes. Enthält ein Inhalt kein SynthID-Wasserzeichen, ist das kein Beweis für seine Authentizität.

«Dieses Selfie ist gefälscht»

Benkö weist darauf hin, dass Googles Chatbot Gemini die SynthID-Markierung ausliest. Und in der Tat: Ein Test mit dem vermeintlichen Selfie der tollkühnen Skifahrerin ergibt das unzweifelhafte Ergebnis:

Eine Analyse mit dem Tool SynthID hat ergeben, dass Teile des Bildes digitale Wasserzeichen enthalten, die auf den Einsatz von Google KI-Modellen hinweisen.

Hier ist der Fall klar: Gemini hat das SynthID-Wasserzeichen entdeckt.

Das bringt uns zur Frage: Wie gut ist Gemini generell beim Enttarnen von KI-Inhalten?

Bei diesem Test interessiert mich vor allem, wie Googles künstliche Intelligenz im umgekehrten Fall abschneidet. Werden Bilder als authentisch erkannt, wenn sie das erwiesenermassen sind, aber trotzdem aussehen wie KI-generiert?

Ich verwende für diesen Zweck zwei Aufnahmen, die beide von freien Fotoplattformen stammen¹ und erwiesenermassen echt sein müssen. Sie wurden nämlich veröffentlicht, bevor die KI-Bildgeneratoren mit fotorealistischen Möglichkeiten existierten. Um es kurz zu machen: Bei denen bekleckert sich Gemini nicht mit Ruhm.

Gemini liegt zweimal voll daneben

Im Gegenteil; er vermutet in beiden Fällen fälschlicherweise eine KI:

Weckt zu Unrecht KI-Vibes.

Mann mit Geldbündeln:
Dieses Bild weist sehr starke Merkmale einer KI-Generierung auf. Achte auf die Finger der rechten Hand: Sie wirken unnatürlich lang und verformt. Auch die Texturen der Geldscheine und die Schrift darauf («Franklin Barbershop») sind typisch für Bild-KIs, die oft Schwierigkeiten haben, Text und feine Details wie die Sicherheitsmerkmale von Währungen korrekt darzustellen.

Sieht künstlich aus, stammt aber von 2018.

Paar auf der Bank (Stockfoto-Stil):
Auch dieses Bild zeigt bei genauerer Betrachtung Unstimmigkeiten, die auf KI hindeuten. Besonders auffällig ist die Hand der Frau auf dem Rücken des Mannes: Die Fingerstellung und die Anzahl der sichtbaren Finger wirken anatomisch nicht korrekt. Auch der Übergang der Haare zur Schulter zeigt oft unnatürliche Verschmelzungen.

Immerhin erkennt Gemini die zwei Kontrollaufnahmen, die tatsächlich mit KI generiert worden sind.

Trotzdem ist Googles Chatbot damit schlechter als zwei spezialisierte Erkennungs-Algorithmen: aiornot.com lag schon 2024 in allen Fällen richtig. Das gleiche gilt für Sight Engine aus meinem letztjährigen Test. Dieser meiner Erfahrung nach sehr zuverlässige Detektor liegt indes beim Schneeleoparden-Bild daneben und attestiert ihm fälschlicherweise Authentizität.

Bei den Beispielen ohne SynthID vermutet Gemini KI, wo wir es mit echter Fotografie zu tun haben.

Fazit: Es ist – und bleibt – kompliziert.

• Gemini hilft uns in eindeutigen Fällen, in denen ein SyntID-Marker vorhanden ist. In allen anderen Fällen ist Googles KI nicht zuverlässig.
• Umgekehrt zeigt dieses Beispiel, dass auch bewährte KI-Detektoren nicht von false negatives gefeit sind.

Die Authentizität garantieren kann nur der Urheber einer Aufnahme – sei es, weil die Aufnahme kryptografisch über die Metadaten abgesichert wurde, wie es die Content Authenticity Initiative anstrebt. Oder sei es, weil die Aufnahme über verlässliche Wege aus einer vertrauenswürdigen Quelle zu uns gelangte. In anderen Fällen helfen uns die hier vorgestellten Werkzeuge, unseren Grad der Unsicherheit zu verringern. Aber völlige Gewissheit garantieren sie nicht – und auf alle Fälle müssen wir diese Werkzeuge bewusst und mit Kenntnis ihrer Grenzen einsetzen.

Der sonst zuverlässige KI-Detektor von Sight Engine liegt hier falsch.

Fussnoten

1) Einige Details zu den beiden Aufnahmen:

• Bild «Paar auf der Bank» benutzte ich im Beitrag Eine KI mit Gefühl, aber ohne Geschlechtstrieb. Es stammt von Andre Furtado bzw. Pexels und wurde am 5. September 2018 aufgenommen (hier auch 2021 bei Archive.org).
• «Bild Mann mit Geldbündeln» kam im Beitrag Ein Angebot mit einem Gschmäckli zum Zug. Bereitgestellt von Finance_and_investing auf Pixabay datiert es vom 30. Oktober 2021. ↩

Beitragsbild: Das Ding könnte auch aus Plastik sein (Mart Production, Pexels-Lizenz).

#DerOnlineShitDerWoche #Googologie #KI #VideoBildgenerator

Google Gemini erkennt leider längst nicht alle KI-Deepfakes

Kollege Thomas Benkö schrieb letzte Woche auf Linkedin über die angebliche Schneeleopard-Attacke in Koktokay. Bei «Blick» dokumentierte er den Fall einer chinesischen Skifahrerin, die mit einem vorbeistreifenden Raubtier ein Selfie machen wollte (gute Idee, übrigens) und daraufhin attackiert wurde. Wie heutzutage kaum mehr anders zu erwarten, war es nur ein KI-Fake. Respektive genauer: Teile der Geschichte scheinen zu stimmen, doch nicht das gesamte Material, das darüber veröffentlicht wurde, ist authentisch.

Auch das ZDF analysierte die Begebenheit. Sie führt uns vor Augen, dass eine Halbwahrheit problematischer sein kann als eine glatte Lüge. Letztere wischen wir vom Tisch. Doch bei ersterer müssen wir mühselig zwischen realen und erlogenen Details unterscheiden und uns mit der Frage auseinandersetzen, welches Framing dahinterstecken könnte. In diesem Fall war’s vermutlich schlichte Klickgeilheit.

An dieser Stelle soll es um ein technisches Detail gehen. Sowohl der «Blick» als auch das ZDF weisen auf SynthID hin. Das ist Googles Methode, KI-generierte Inhalte mit einem digitalen Wasserzeichen erkenntlich zu machen. Das wird nicht nur bei Bildern und Videos eingebettet, sondern selbst bei Text. Ich halte das für eine sinnvolle Massnahme, doch wie hier analysiert, ist es keineswegs ein Patentrezept gegen Deepfakes. Enthält ein Inhalt kein SynthID-Wasserzeichen, ist das kein Beweis für seine Authentizität.

«Dieses Selfie ist gefälscht»

Benkö weist darauf hin, dass Googles Chatbot Gemini die SynthID-Markierung ausliest. Und in der Tat: Ein Test mit dem vermeintlichen Selfie der tollkühnen Skifahrerin ergibt das unzweifelhafte Ergebnis:

Eine Analyse mit dem Tool SynthID hat ergeben, dass Teile des Bildes digitale Wasserzeichen enthalten, die auf den Einsatz von Google KI-Modellen hinweisen.

Hier ist der Fall klar: Gemini hat das SynthID-Wasserzeichen entdeckt.

Das bringt uns zur Frage: Wie gut ist Gemini generell beim Enttarnen von KI-Inhalten?

Bei diesem Test interessiert mich vor allem, wie Googles künstliche Intelligenz im umgekehrten Fall abschneidet. Werden Bilder als authentisch erkannt, wenn sie das erwiesenermassen sind, aber trotzdem aussehen wie KI-generiert?

Ich verwende für diesen Zweck zwei Aufnahmen, die beide von freien Fotoplattformen stammen¹ und erwiesenermassen echt sein müssen. Sie wurden nämlich veröffentlicht, bevor die KI-Bildgeneratoren mit fotorealistischen Möglichkeiten existierten. Um es kurz zu machen: Bei denen bekleckert sich Gemini nicht mit Ruhm.

Gemini liegt zweimal voll daneben

Im Gegenteil; er vermutet in beiden Fällen fälschlicherweise eine KI:

Weckt zu Unrecht KI-Vibes.

Mann mit Geldbündeln:
Dieses Bild weist sehr starke Merkmale einer KI-Generierung auf. Achte auf die Finger der rechten Hand: Sie wirken unnatürlich lang und verformt. Auch die Texturen der Geldscheine und die Schrift darauf («Franklin Barbershop») sind typisch für Bild-KIs, die oft Schwierigkeiten haben, Text und feine Details wie die Sicherheitsmerkmale von Währungen korrekt darzustellen.

Sieht künstlich aus, stammt aber von 2018.

Paar auf der Bank (Stockfoto-Stil):
Auch dieses Bild zeigt bei genauerer Betrachtung Unstimmigkeiten, die auf KI hindeuten. Besonders auffällig ist die Hand der Frau auf dem Rücken des Mannes: Die Fingerstellung und die Anzahl der sichtbaren Finger wirken anatomisch nicht korrekt. Auch der Übergang der Haare zur Schulter zeigt oft unnatürliche Verschmelzungen.

Immerhin erkennt Gemini die zwei Kontrollaufnahmen, die tatsächlich mit KI generiert worden sind.

Trotzdem ist Googles Chatbot damit schlechter als zwei spezialisierte Erkennungs-Algorithmen: aiornot.com lag schon 2024 in allen Fällen richtig. Das gleiche gilt für Sight Engine aus meinem letztjährigen Test. Dieser meiner Erfahrung nach sehr zuverlässige Detektor liegt indes beim Schneeleoparden-Bild daneben und attestiert ihm fälschlicherweise Authentizität.

Bei den Beispielen ohne SynthID vermutet Gemini KI, wo wir es mit echter Fotografie zu tun haben.

Fazit: Es ist – und bleibt – kompliziert.

• Gemini hilft uns in eindeutigen Fällen, in denen ein SyntID-Marker vorhanden ist. In allen anderen Fällen ist Googles KI nicht zuverlässig.
• Umgekehrt zeigt dieses Beispiel, dass auch bewährte KI-Detektoren nicht von false negatives gefeit sind.

Die Authentizität garantieren kann nur der Urheber einer Aufnahme – sei es, weil die Aufnahme kryptografisch über die Metadaten abgesichert wurde, wie es die Content Authenticity Initiative anstrebt. Oder sei es, weil die Aufnahme über verlässliche Wege aus einer vertrauenswürdigen Quelle zu uns gelangte. In anderen Fällen helfen uns die hier vorgestellten Werkzeuge, unseren Grad der Unsicherheit zu verringern. Aber völlige Gewissheit garantieren sie nicht – und auf alle Fälle müssen wir diese Werkzeuge bewusst und mit Kenntnis ihrer Grenzen einsetzen.

Der sonst zuverlässige KI-Detektor von Sight Engine liegt hier falsch.

Fussnoten

1) Einige Details zu den beiden Aufnahmen:

• Bild «Paar auf der Bank» benutzte ich im Beitrag Eine KI mit Gefühl, aber ohne Geschlechtstrieb. Es stammt von Andre Furtado bzw. Pexels und wurde am 5. September 2018 aufgenommen (hier auch 2021 bei Archive.org).
• «Bild Mann mit Geldbündeln» kam im Beitrag Ein Angebot mit einem Gschmäckli zum Zug. Bereitgestellt von Finance_and_investing auf Pixabay datiert es vom 30. Oktober 2021. ↩

Beitragsbild: Das Ding könnte auch aus Plastik sein (Mart Production, Pexels-Lizenz).

#DerOnlineShitDerWoche #Googologie #KI #VideoBildgenerator

Wie eine eigene Skizze zum Leben erwacht

Ich bin kein Fan von Meta und die KI-Strategie des Konzerns finde ich verheerend. Umso erschreckender, dass ich Meta AI selbst etwas abgewinnen kann: Mark Zuckerbergs künstliche Intelligenz ist manchmal schlagfertig. Und mir hat es die neue Animations-Funktion angetan, die Fotos oder Skizzen in kurze Videoclips verwandelt.

Sie heisst Vibes und wurde letzte Woche lanciert. Auf die grundsätzlichen Probleme komme ich gleich zu sprechen. Zuerst muss ich begründen, warum ich Spass beim Experimentieren habe. Für meinen ersten Versuch verwendete ich mein (schon öfter benutztes) Mordor-Selfie.

Aus dem Badezimmer nach Mordor

Auch dieses Mal war meine Idee, mich in einen Bewohner Mittelerdes zu verwandeln¹.

https://blog.clickomania.ch/wp-content/uploads/2025/10/250929-Meta-Vibe-Matthias-goes-to-Mordor.mp4

Und ja, am Ergebnis gibt es diverse Dinge auszusetzen:

• Die Verwandlung in den Elf findet abrupt statt; Haare und Hörner sind plötzlich da, statt langsam aus dem Kopf zu wachsen.
• Elfen haben keine Hörner.
• Der Jeansrock, den mir Meta verpasst, ist mehr als seltsam.
• Und die Begleiter sind seltsame, deformierte Doppelgänger meiner selbst.

Trotz der Fehler ist das unbestreitbar charmant: Wie sich die Badezimmertür öffnet und den Blick auf den Schicksalsberg freigibt, ist überraschend und sehenswert – Aufmerksamkeit erzeugt es auf alle Fälle.

Die Ameise

Für das zweite Beispiel muss ein weiterer meiner Testkandidaten herhalten: nämlich die velofahrende Ameise, mit der ich schon in Sora und in Google Veo experimentierte. Da bei Vibes eine Grafikdatei als Ausgangspunkt für die Animation benötigt wird, fertige ich per Maus eine simple Skizze an, wie ich mir dieses Motiv vorstelle.

https://blog.clickomania.ch/wp-content/uploads/2025/10/250929-Meta-Vibe-Ants-Adventure.mp4

Vibes nimmt diesen Entwurf und versetzt ihn in Bewegung. Die nicht ganz runden Räder werden eiernd animiert und die Beinchen zucken auf den Pedalen, auch wenn diese Spasmen nicht als Strampeln durchgehen können. Aber wie im Hintergrund eine Wiese auftaucht und die Ameise sich in die Landschaft hineinbewegt, ist hübsch.

Keine Frage: Mit Vibes ist es ein Klacks, eine dröge Grafik in einer Präsentation mit multimedialem Feuerwerk aufzupeppen. Und wie grossartig ist es für Kinder, wenn wir mittels Meta AI ihre Zeichnungen in einen Kurz-Trickfilm verwandeln?

Es steckt ohne Zweifel eine Menge kreatives Potenzial in dieser generativen KI. Was mich angeht, macht mir Vibes mehr Spass als Sora und Veo zusammen. Da die KI ein eigenes Motiv als Ausgangspunkt nimmt, ist das Resultat verbindlicher, als wenn wir nur einen Prompt übermitteln können.

Der Begeisterung zum Trotz: Viele Leute hassen Vibes

Diesem persönlichen Eindruck zum Trotz waren die Reaktionen auf Vibes ungnädig. Die Newsplattform «Techcrunch» malte das Horrorszenario einer KI-verseuchten Tiktok-Variante an die Wand:

Der beliebteste Kommentar zum Beitrag [von Metas KI-Chef Alexandr Wang] lautet: «Niemand will das», während eine andere Meinungsäusserung lautet: «Diggi postet KI-Schrott in seiner eigenen App». Ein weiterer Kommentar lautet: «Ich glaube, ich spreche für alle, wenn ich sage: Was …?»

Womit wir beim Anfang wären: Das Problem ist nicht das neue KI-Werkzeug an sich, sondern Metas Bestreben, die eigenen Plattformen auf Teufel komm raus mit Unmengen an KI-Inhalten zu fluten. Das muss man als Affront empfinden, wenn man auf Instagram schöne, selbstgemachte Fotos präsentieren und auf Facebook mit echten Menschen über reale Themen diskutieren möchte. In diesem Umfeld sind Animationen, so niedlich sie auch sein mögen, sinnlos.

So toll die Software, so sinnlos der Einsatzzweck

Mir ist ein Rätsel, was sich Meta davon verspricht, die eigenen Plattformen in ein KI-dominiertes Paralleluniversum zu verwandeln. Natürlich geht es irgendwie um Macht und darum, die User stärker an die eigenen Produkte zu binden. Vielleicht kann der AI Slop dazu beitragen. Doch genauso ist es möglich, dass Mark Zuckerberg selbst diese Strategie bislang nicht zu Ende gedacht hat.

Fazit: Ich empfehle Vibes gern – aber nicht, um mit belanglosem digitalem Müll sämtliche Kommunikationskanäle zu verstopfen. Stattdessen sollten wir ausloten, wie sich diese Animationen auf kreative und durchdachte Weise in bedeutsame und relevante Botschaften verwandeln lassen.

Fussnoten

1) Prompt:

Bitte verwandle diesen Mann in einen Elf in einer Umgebung, die an Mittelerde erinnert. Im Hintergrund gibt es einen ausbrechenden Vulkan, die Umgebung ist karg und öde. Der Mann hat keine Brille, keine Uhr und kein Smartphone in der Hand, stattdessen trägt er elbische Kleidung und einen langen Bart. In der linken Hand hält er einen Ring. Er dreht sich zum Berg um und marschiert dann mit anderen Elben los. ↩

Beitragsbild: Dieser Tiger ist ein perfektes Motiv, um mittels Vibes animiert zu werden (Liliana Drew, Pexels-Lizenz).

#KI #Kinder #Office #VideoBildgenerator

Wie eine eigene Skizze zum Leben erwacht

Ich bin kein Fan von Meta und die KI-Strategie des Konzerns finde ich verheerend. Umso erschreckender, dass ich Meta AI selbst etwas abgewinnen kann: Mark Zuckerbergs künstliche Intelligenz ist manchmal schlagfertig. Und mir hat es die neue Animations-Funktion angetan, die Fotos oder Skizzen in kurze Videoclips verwandelt.

Sie heisst Vibes und wurde letzte Woche lanciert. Auf die grundsätzlichen Probleme komme ich gleich zu sprechen. Zuerst muss ich begründen, warum ich Spass beim Experimentieren habe. Für meinen ersten Versuch verwendete ich mein (schon öfter benutztes) Mordor-Selfie.

Aus dem Badezimmer nach Mordor

Auch dieses Mal war meine Idee, mich in einen Bewohner Mittelerdes zu verwandeln¹.

https://blog.clickomania.ch/wp-content/uploads/2025/10/250929-Meta-Vibe-Matthias-goes-to-Mordor.mp4

Und ja, am Ergebnis gibt es diverse Dinge auszusetzen:

• Die Verwandlung in den Elf findet abrupt statt; Haare und Hörner sind plötzlich da, statt langsam aus dem Kopf zu wachsen.
• Elfen haben keine Hörner.
• Der Jeansrock, den mir Meta verpasst, ist mehr als seltsam.
• Und die Begleiter sind seltsame, deformierte Doppelgänger meiner selbst.

Trotz der Fehler ist das unbestreitbar charmant: Wie sich die Badezimmertür öffnet und den Blick auf den Schicksalsberg freigibt, ist überraschend und sehenswert – Aufmerksamkeit erzeugt es auf alle Fälle.

Die Ameise

Für das zweite Beispiel muss ein weiterer meiner Testkandidaten herhalten: nämlich die velofahrende Ameise, mit der ich schon in Sora und in Google Veo experimentierte. Da bei Vibes eine Grafikdatei als Ausgangspunkt für die Animation benötigt wird, fertige ich per Maus eine simple Skizze an, wie ich mir dieses Motiv vorstelle.

https://blog.clickomania.ch/wp-content/uploads/2025/10/250929-Meta-Vibe-Ants-Adventure.mp4

Vibes nimmt diesen Entwurf und versetzt ihn in Bewegung. Die nicht ganz runden Räder werden eiernd animiert und die Beinchen zucken auf den Pedalen, auch wenn diese Spasmen nicht als Strampeln durchgehen können. Aber wie im Hintergrund eine Wiese auftaucht und die Ameise sich in die Landschaft hineinbewegt, ist hübsch.

Keine Frage: Mit Vibes ist es ein Klacks, eine dröge Grafik in einer Präsentation mit multimedialem Feuerwerk aufzupeppen. Und wie grossartig ist es für Kinder, wenn wir mittels Meta AI ihre Zeichnungen in einen Kurz-Trickfilm verwandeln?

Es steckt ohne Zweifel eine Menge kreatives Potenzial in dieser generativen KI. Was mich angeht, macht mir Vibes mehr Spass als Sora und Veo zusammen. Da die KI ein eigenes Motiv als Ausgangspunkt nimmt, ist das Resultat verbindlicher, als wenn wir nur einen Prompt übermitteln können.

Der Begeisterung zum Trotz: Viele Leute hassen Vibes

Diesem persönlichen Eindruck zum Trotz waren die Reaktionen auf Vibes ungnädig. Die Newsplattform «Techcrunch» malte das Horrorszenario einer KI-verseuchten Tiktok-Variante an die Wand:

Der beliebteste Kommentar zum Beitrag [von Metas KI-Chef Alexandr Wang] lautet: «Niemand will das», während eine andere Meinungsäusserung lautet: «Diggi postet KI-Schrott in seiner eigenen App». Ein weiterer Kommentar lautet: «Ich glaube, ich spreche für alle, wenn ich sage: Was …?»

Womit wir beim Anfang wären: Das Problem ist nicht das neue KI-Werkzeug an sich, sondern Metas Bestreben, die eigenen Plattformen auf Teufel komm raus mit Unmengen an KI-Inhalten zu fluten. Das muss man als Affront empfinden, wenn man auf Instagram schöne, selbstgemachte Fotos präsentieren und auf Facebook mit echten Menschen über reale Themen diskutieren möchte. In diesem Umfeld sind Animationen, so niedlich sie auch sein mögen, sinnlos.

So toll die Software, so sinnlos der Einsatzzweck

Mir ist ein Rätsel, was sich Meta davon verspricht, die eigenen Plattformen in ein KI-dominiertes Paralleluniversum zu verwandeln. Natürlich geht es irgendwie um Macht und darum, die User stärker an die eigenen Produkte zu binden. Vielleicht kann der AI Slop dazu beitragen. Doch genauso ist es möglich, dass Mark Zuckerberg selbst diese Strategie bislang nicht zu Ende gedacht hat.

Fazit: Ich empfehle Vibes gern – aber nicht, um mit belanglosem digitalem Müll sämtliche Kommunikationskanäle zu verstopfen. Stattdessen sollten wir ausloten, wie sich diese Animationen auf kreative und durchdachte Weise in bedeutsame und relevante Botschaften verwandeln lassen.

Fussnoten

1) Prompt:

Bitte verwandle diesen Mann in einen Elf in einer Umgebung, die an Mittelerde erinnert. Im Hintergrund gibt es einen ausbrechenden Vulkan, die Umgebung ist karg und öde. Der Mann hat keine Brille, keine Uhr und kein Smartphone in der Hand, stattdessen trägt er elbische Kleidung und einen langen Bart. In der linken Hand hält er einen Ring. Er dreht sich zum Berg um und marschiert dann mit anderen Elben los. ↩

Beitragsbild: Dieser Tiger ist ein perfektes Motiv, um mittels Vibes animiert zu werden (Liliana Drew, Pexels-Lizenz).

#KI #Kinder #Office #VideoBildgenerator

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.

Links das Original-Selfie, rechts der erste Versuch: Schicksalsberg im Hintergrund und der Ring der Macht ersetzt das Smartphone.

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 zweite Variante (links) sollte düsterer wirken. Bei der dritten Iteration entfernt Gemini wunschgemäss Uhr und Brille und verpasst mir einen Bart.

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.

An dieser Stelle geht jede Ähnlichkeit zum Selfie verloren.

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».

#Adobe #Googologie #KI #Publisher #VideoBildgenerator

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.

Links das Original-Selfie, rechts der erste Versuch: Schicksalsberg im Hintergrund und der Ring der Macht ersetzt das Smartphone.

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 zweite Variante (links) sollte düsterer wirken. Bei der dritten Iteration entfernt Gemini wunschgemäss Uhr und Brille und verpasst mir einen Bart.

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.

An dieser Stelle geht jede Ähnlichkeit zum Selfie verloren.

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».

#Adobe #Googologie #KI #Publisher #VideoBildgenerator

Drei abgefahrene Kunst-Experimente mit Midjourney

Midjourney ist eine der generativen Bilder-KIs der ersten Stunde. Ich halte sie nach wie vor zu den wichtigsten Vertretern ihrer Art. Sie beherrscht eine breite Palette an Stilen. Und sie beschert uns – Geduld und Geschick beim Prompten vorausgesetzt – realistische Resultate. In meiner Erfahrung ist sie aber ein störrisches kleines Eselchen: Sie stellt sich bockig und wir müssen oft viele Anläufe und Prompt-Variationen ausprobieren, um zu einem brauchbaren Motiv zu gelangen. Und in diversen Fällen hat mich dieses renitente Ding auch komplett im Stich gelassen. Es hat dann manchmal geholfen, ChatGPT auf den Plan zu rufen und per KI die entscheidenden Aspekte so explizit wie möglich formulieren zu lassen.

An dieser Stelle soll es jedoch nicht um mein persönliches Ungemach mit dieser generativen künstlichen Intelligenz gehen, sondern um deren Fähigkeiten bei der Bildbearbeitung.

In der Rubrik Edit stellt Midjourney eine Arbeitsumgebung bereit, in der wir ein Bild via Upload oder über einen Link platzieren. Wir haben eine Handvoll Werkzeuge zur Verfügung, mit denen wir dieses Ursprungsmotiv für die Veränderung vorbereiten. Mit dem Pinsel im Modus Erase entfernen wir Elemente, die im finalen KI-Motiv nicht enthalten sein sollen. Falls wir zu viel löschen, schalten wir auf Restore um und stellen die erwünschten Partien wieder her. Es gibt auch die Funktion Smart Select, die beim Prozess des Auswählens behilflich ist: Mit der geben wir über zwei Plus-Markierungen zwei Enden des fraglichen Objekts vor und die Software wählt den Bereich dazwischen aus. Das klappte bei meinen hier nachfolgend beschriebenen drei Studien ausgezeichnet.

1) Mona Lisa beim Fotografen

Im Editor wird das Motiv freigestellt.

Bei meinem Versuch mit Mona Lisa habe ich die Dame aus Leonardo da Vincis recht bekanntem Ölgemälde freigestellt, allerdings ohne mich gross mit einzelnen Pixeln aufzuhalten. Doch wie wir sehen, bügelt die KI derlei Schludrigkeiten aus; im finalen Bild ist von den unsauberen Rändern nichts zu sehen.

Meine Idee bestand darin, Mona Lisa zum Fotografen zu schicken. Ich habe die Zeichenfläche in alle Richtungen etwas ausgeweitet – was einfach über die Anfasser am rechten, linken, oberen und unteren Rand zu bewerkstelligen ist – und mit einem simplen Prompt angegeben, es solle ein Mann mit einer altmodischen Mittelformatkamera hinzugefügt werden¹. Zwei Varianten taugen etwas:

Die erste seht ihr als Beitragsbild. Mir gefällt, dass die KI sich bei der zumindest ansatzweise Mühe gibt, den Stil des Ursprungsmotivs zu imitieren. Natürlich erkennen wir sofort, dass die Farbgebung nicht übereinstimmt; die erfundenen Bereiche sind zu knallig und zu bunt und es fehlt auch an der Leinwandstruktur. Aber es ist originell, dass die künstliche Intelligenz den Original-Hintergrund als Gemälde hinter Mona Lisa platziert.

Anerkennung verdient Midjourney dafür, wie Kamera und Stativ auf Mittelalter getrimmt sind. Wenn es derlei Ausrüstung im 16. Jahrhundert schon gegeben hätte, dann hätte sie womöglich so ausgesehen. Abzüge müssen wir geben, weil der Fotograf das Teleobjektiv für ein Porträt benutzt und das fünf Zentimeter vor seinem Sujet aufbaut. So bekommt er höchstens einen unscharfen Pickel aufs Foto.

Die zweite Variante ist bezüglich Bildkomposition gelungener, aber hier passen die Zeitebenen nicht zusammen. Der Fotograf stammt in seiner Anmutung aus dem frühen letzten Jahrhundert, nicht aus der Renaissance.

Leonardo da Vinci war eigentlich Fotograf.

2) Marilyn in der modernen Stadt

Beim Experiment mit Andy Warhols Marilyn Monroe habe ich komplett auf die Freistellung verzichtet – mit dem Effekt, dass die KI tatsächlich nicht die Frau in eine neue Umgebung versetzt, sondern das Bild mit dem Originalrahmen in einer neuen Umgebung platziert². Das ist eine Überraschung, aber eine positive. Mir gefällt das Resultat gut, auch wenn sich die Farbpaletten von Warhol und Midjourney beissen und mir nicht klar ist, weswegen die flanierende Frau einen Schnauzbart trägt. Auch sonst sind die Stile inkompatibel: Midjourney liefert zu viele Details, trägt die Farbe zu wenig flächig auf und ist nicht expressiv genug. Abgesehen davon ist das Kaff, in dem diese Handlung spielt, zu provinziell.

Hier passt nichts zusammen – und trotzdem gefällt es irgendwie.

Trotzdem gefällt mir dieses Motiv. Es weckt Widerstand und die Vorstellung, dass sich an diesem Plakatmast ein Wurmloch vom einen Kunst-Paralleluniversum zu einem seiner Nachbarn auftut.

Die zweite Variante atmet einen Hauch New York. Die Idee wäre originell, wenn das Warhol-Bild so unscharf wäre, wie es im Hintergrund sein müsste. Aber da könnten wir mit Photoshop nachhelfen.

Das könnte so gewesen sein.

3) Die kiffende Katze im Casino

Die Katze mit Hut im Editor: Drei Bilder, separat freigestellt, ergeben das neue Motiv.

Beim dritten Anlauf experimentiere ich mit den Ebenen im Bearbeitungsbereich: Es ist möglich, ein Motiv aus mehreren Versatzstücken zusammenzupuzzeln.

Im Beispiel kommen drei Elemente zum Zug: Erstens natürlich das Katzenbild. Zweitens das Foto eines Damenhuts und drittens die Spezialzigarette. Alle drei Elemente habe ich mit dem oben beschriebenen Smart Select-Feature freigestellt. Das gibt uns die Freiheit, die Elemente zu verschieben, in der Grösse zu ändern, zu drehen und mit dem Arrangement zu spielen. Was mir fehlt, ist die Möglichkeit, Ebenen horizontal und vertikal zu spiegeln. Der Hut sähe vielleicht besser aus, würde er umgekehrt auf dem Kopf der Katze sitzen.

Das erste Bild entspricht nicht meinen Erwartungen³. Die KI nimmt nicht meine ganze Komposition als Vorlage. Ich finde heraus, dass ich die Hilfe zu den Ebenen hätte lesen sollen. Dort steht Folgendes:

Nachdem Sie Ihre Ebenen angeordnet und gelöscht haben, können Sie sie durch Übermitteln der Bearbeitung zu einer einzigen Ebene zusammenführen. Nach dem Zusammenführen können Sie weiter an dem Bild arbeiten oder es hochskalieren und herunterladen.

Wenn Sie eine Bearbeitung mit Ebenen übermitteln, werden nur die Bereiche Ihres Bildes mit sichtbarer Transparenz neu generiert (das graue Schachbrettmuster) – alle sichtbaren Teile bleiben unverändert. Um das gesamte Bild neu zu generieren, beispielsweise in einem einheitlichen Stil, verwenden Sie Retexture.

Ich lerne, dass ich für meine Bildkomposition mit drei Ebenen den Retexture-Modus verwenden muss. Und mit dem liefert Midjourney ein enorm befriedigendes Finale für diesen Blogpost. Natürlich, zu mäkeln gibt es auch hier: Ich habe mir eine Szene wie im Film Casino vorgestellt, doch von Scorsese ist weit und breit nichts zu sehen. Aber auch da könnten wir versuchen, ChatGPT den Prompt überarbeiten zu lassen. Und auf alle Fälle geben die Mankos Raum für weitere Experimente …

Ist sie nicht süss?Als Casinodirektor würde dieses Motiv in meinem Büro hängen.

Fussnoten

1) Der Prompt:

This woman is posing for a photographer, who stands in front of her with his camera and takes her picture with an old fashion middle format camera. ↩

2) Der Prompt:

This woman is walking leisurely on a sidewalk in a modern city. ↩

3) Der Prompt für das Katzenbild mit den drei Ebenen:

This cat is wearing a hat and smoking a joint, and still looking cute. It is sitting in a casino on a poker table surrounded by playing cards [in comic style]. ↩

Beitragsbild: Etwas mehr Abstand wäre auch okay.

#KI #Longread #VideoBildgenerator

Drei abgefahrene Kunst-Experimente mit Midjourney

Midjourney ist eine der generativen Bilder-KIs der ersten Stunde. Ich halte sie nach wie vor zu den wichtigsten Vertretern ihrer Art. Sie beherrscht eine breite Palette an Stilen. Und sie beschert uns – Geduld und Geschick beim Prompten vorausgesetzt – realistische Resultate. In meiner Erfahrung ist sie aber ein störrisches kleines Eselchen: Sie stellt sich bockig und wir müssen oft viele Anläufe und Prompt-Variationen ausprobieren, um zu einem brauchbaren Motiv zu gelangen. Und in diversen Fällen hat mich dieses renitente Ding auch komplett im Stich gelassen. Es hat dann manchmal geholfen, ChatGPT auf den Plan zu rufen und per KI die entscheidenden Aspekte so explizit wie möglich formulieren zu lassen.

An dieser Stelle soll es jedoch nicht um mein persönliches Ungemach mit dieser generativen künstlichen Intelligenz gehen, sondern um deren Fähigkeiten bei der Bildbearbeitung.

In der Rubrik Edit stellt Midjourney eine Arbeitsumgebung bereit, in der wir ein Bild via Upload oder über einen Link platzieren. Wir haben eine Handvoll Werkzeuge zur Verfügung, mit denen wir dieses Ursprungsmotiv für die Veränderung vorbereiten. Mit dem Pinsel im Modus Erase entfernen wir Elemente, die im finalen KI-Motiv nicht enthalten sein sollen. Falls wir zu viel löschen, schalten wir auf Restore um und stellen die erwünschten Partien wieder her. Es gibt auch die Funktion Smart Select, die beim Prozess des Auswählens behilflich ist: Mit der geben wir über zwei Plus-Markierungen zwei Enden des fraglichen Objekts vor und die Software wählt den Bereich dazwischen aus. Das klappte bei meinen hier nachfolgend beschriebenen drei Studien ausgezeichnet.

1) Mona Lisa beim Fotografen

Im Editor wird das Motiv freigestellt.

Bei meinem Versuch mit Mona Lisa habe ich die Dame aus Leonardo da Vincis recht bekanntem Ölgemälde freigestellt, allerdings ohne mich gross mit einzelnen Pixeln aufzuhalten. Doch wie wir sehen, bügelt die KI derlei Schludrigkeiten aus; im finalen Bild ist von den unsauberen Rändern nichts zu sehen.

Meine Idee bestand darin, Mona Lisa zum Fotografen zu schicken. Ich habe die Zeichenfläche in alle Richtungen etwas ausgeweitet – was einfach über die Anfasser am rechten, linken, oberen und unteren Rand zu bewerkstelligen ist – und mit einem simplen Prompt angegeben, es solle ein Mann mit einer altmodischen Mittelformatkamera hinzugefügt werden¹. Zwei Varianten taugen etwas:

Die erste seht ihr als Beitragsbild. Mir gefällt, dass die KI sich bei der zumindest ansatzweise Mühe gibt, den Stil des Ursprungsmotivs zu imitieren. Natürlich erkennen wir sofort, dass die Farbgebung nicht übereinstimmt; die erfundenen Bereiche sind zu knallig und zu bunt und es fehlt auch an der Leinwandstruktur. Aber es ist originell, dass die künstliche Intelligenz den Original-Hintergrund als Gemälde hinter Mona Lisa platziert.

Anerkennung verdient Midjourney dafür, wie Kamera und Stativ auf Mittelalter getrimmt sind. Wenn es derlei Ausrüstung im 16. Jahrhundert schon gegeben hätte, dann hätte sie womöglich so ausgesehen. Abzüge müssen wir geben, weil der Fotograf das Teleobjektiv für ein Porträt benutzt und das fünf Zentimeter vor seinem Sujet aufbaut. So bekommt er höchstens einen unscharfen Pickel aufs Foto.

Die zweite Variante ist bezüglich Bildkomposition gelungener, aber hier passen die Zeitebenen nicht zusammen. Der Fotograf stammt in seiner Anmutung aus dem frühen letzten Jahrhundert, nicht aus der Renaissance.

Leonardo da Vinci war eigentlich Fotograf.

2) Marilyn in der modernen Stadt

Beim Experiment mit Andy Warhols Marilyn Monroe habe ich komplett auf die Freistellung verzichtet – mit dem Effekt, dass die KI tatsächlich nicht die Frau in eine neue Umgebung versetzt, sondern das Bild mit dem Originalrahmen in einer neuen Umgebung platziert². Das ist eine Überraschung, aber eine positive. Mir gefällt das Resultat gut, auch wenn sich die Farbpaletten von Warhol und Midjourney beissen und mir nicht klar ist, weswegen die flanierende Frau einen Schnauzbart trägt. Auch sonst sind die Stile inkompatibel: Midjourney liefert zu viele Details, trägt die Farbe zu wenig flächig auf und ist nicht expressiv genug. Abgesehen davon ist das Kaff, in dem diese Handlung spielt, zu provinziell.

Hier passt nichts zusammen – und trotzdem gefällt es irgendwie.

Trotzdem gefällt mir dieses Motiv. Es weckt Widerstand und die Vorstellung, dass sich an diesem Plakatmast ein Wurmloch vom einen Kunst-Paralleluniversum zu einem seiner Nachbarn auftut.

Die zweite Variante atmet einen Hauch New York. Die Idee wäre originell, wenn das Warhol-Bild so unscharf wäre, wie es im Hintergrund sein müsste. Aber da könnten wir mit Photoshop nachhelfen.

Das könnte so gewesen sein.

3) Die kiffende Katze im Casino

Die Katze mit Hut im Editor: Drei Bilder, separat freigestellt, ergeben das neue Motiv.

Beim dritten Anlauf experimentiere ich mit den Ebenen im Bearbeitungsbereich: Es ist möglich, ein Motiv aus mehreren Versatzstücken zusammenzupuzzeln.

Im Beispiel kommen drei Elemente zum Zug: Erstens natürlich das Katzenbild. Zweitens das Foto eines Damenhuts und drittens die Spezialzigarette. Alle drei Elemente habe ich mit dem oben beschriebenen Smart Select-Feature freigestellt. Das gibt uns die Freiheit, die Elemente zu verschieben, in der Grösse zu ändern, zu drehen und mit dem Arrangement zu spielen. Was mir fehlt, ist die Möglichkeit, Ebenen horizontal und vertikal zu spiegeln. Der Hut sähe vielleicht besser aus, würde er umgekehrt auf dem Kopf der Katze sitzen.

Das erste Bild entspricht nicht meinen Erwartungen³. Die KI nimmt nicht meine ganze Komposition als Vorlage. Ich finde heraus, dass ich die Hilfe zu den Ebenen hätte lesen sollen. Dort steht Folgendes:

Nachdem Sie Ihre Ebenen angeordnet und gelöscht haben, können Sie sie durch Übermitteln der Bearbeitung zu einer einzigen Ebene zusammenführen. Nach dem Zusammenführen können Sie weiter an dem Bild arbeiten oder es hochskalieren und herunterladen.

Wenn Sie eine Bearbeitung mit Ebenen übermitteln, werden nur die Bereiche Ihres Bildes mit sichtbarer Transparenz neu generiert (das graue Schachbrettmuster) – alle sichtbaren Teile bleiben unverändert. Um das gesamte Bild neu zu generieren, beispielsweise in einem einheitlichen Stil, verwenden Sie Retexture.

Ich lerne, dass ich für meine Bildkomposition mit drei Ebenen den Retexture-Modus verwenden muss. Und mit dem liefert Midjourney ein enorm befriedigendes Finale für diesen Blogpost. Natürlich, zu mäkeln gibt es auch hier: Ich habe mir eine Szene wie im Film Casino vorgestellt, doch von Scorsese ist weit und breit nichts zu sehen. Aber auch da könnten wir versuchen, ChatGPT den Prompt überarbeiten zu lassen. Und auf alle Fälle geben die Mankos Raum für weitere Experimente …

Ist sie nicht süss?Als Casinodirektor würde dieses Motiv in meinem Büro hängen.

Fussnoten

1) Der Prompt:

This woman is posing for a photographer, who stands in front of her with his camera and takes her picture with an old fashion middle format camera. ↩

2) Der Prompt:

This woman is walking leisurely on a sidewalk in a modern city. ↩

3) Der Prompt für das Katzenbild mit den drei Ebenen:

This cat is wearing a hat and smoking a joint, and still looking cute. It is sitting in a casino on a poker table surrounded by playing cards [in comic style]. ↩

Beitragsbild: Etwas mehr Abstand wäre auch okay.

#KI #Longread #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

Der träumende Android: Note mangelhaft.

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

Das Schweiz-Diorama: Note genügend.

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

Schimäre: Note gut.

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

Punk-Familie in Paris: Note ausgezeichnet.

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

Der träumende Android: Note mangelhaft.

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

Das Schweiz-Diorama: Note genügend.

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

Schimäre: Note gut.

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

Punk-Familie in Paris: Note ausgezeichnet.

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

Googles Bilder-KI produziert grosse Momente – wenn sie keinen Aussetzer hat

Wie viele KIs gibt es inzwischen, die Bilder generieren können? Wikipedia zählt im Eintrag zu den Text-zu-Bild-Generatoren zehn Hauptmodelle auf. Die Liste scheint mir nicht vollständig zu sein, namentlich fehlen Grok und Imagine with Meta AI. Trotzdem bringt mich diese Liste zum Schluss, dass ich mir noch einen Kandidaten vorknöpfen muss, damit meine Testreihe der Bildgeneratoren einen repräsentativen Eindruck hinterlässt.

Darum hier der Test von Googles Bildgenerator. Ich habe dank meines Arbeitgebers Zugriff auf Gemini Advanced. Dort können auch Motive in Auftrag gegeben werden, die mit Imagen 3 erzeugt werden.

Die erste Beobachtung ist verblüffend – aber kein Kompliment für Google:

Es mangelt Gemini an Durchblick.

Sie besteht darin, dass Google sich im Vergleich zur Konkurrenz ständig weigert, ein bestimmtes Motiv zu erstellen. Meine aktuelle Testreihe besteht aus vier Motiven¹, von denen Imagen aber nur die Hälfte überhaupt erzeugen wollte. Bei den zwei Beispielen mit Menschen habe ich beide Male folgende Abfuhr erhalten:

Ich lerne noch, wie bestimmte Arten von Bildern erstellt werden. Daher kann es sein, dass ich nicht genau das erzeuge, wonach Sie suchen. Ausserdem kann ich nicht mit fotorealistischen Bildern von identifizierbaren Personen, Kindern oder anderen Bildern helfen, weil das gegen meine Richtlinien verstösst.

Mit diesen Einschränkungen will Google natürlich verhindern, dass die Leute Motive kreieren, die im weitesten Sinn sexuell sein könnten. Ich verstehe das zu einem gewissen Grad, halte es aber trotzdem für falsch: Erstens, weil in den Museen zu Recht auch unanständige Darstellungen hängen und die Auslotung der Sexualität ein integraler Bestandteil der Kunst ist. Aber wenn Google die KI aus Angst vor Missbrauch gleich komplett davon abhält, Menschen abzubilden, ist das eine Überreaktion, wie sie im Buch steht. Sie macht Imagen nahezu unbrauchbar.

Kommen wir damit zu den – leider dünnen – Resultaten:

Das Schweizer Schokoladen-Diorama ist hervorragend: Sowohl die Schokolade als auch die Rahmdeko ist erkennbar; ebenso das Matterhorn und die Kapellbrücke. Beim Bundeshaus fehlt die Kuppel, aber der Neorenaissancestil ist erkennbar. Mit dieser Kreation sticht Google die gesamte Konkurrenz aus.

Schweizerischer wurde die Schweiz noch nie von einer KI gezeichnet.

Der zweite Test, der überhaupt ein Resultat produziert hat, ist derjenige des träumenden Androiden. Er ist deutlich weniger eindrücklich: Da der Androide im Bett sitzt, wird ihn niemand für schlafend halten. Auch die Beine sind zu kurz – oder, falls die Figur kniet, fehlen ihre Füsse. Die Traumblase setzt beim Mund und nicht beim Kopf an und die Schafe sind nicht elektrisch.

Dieser Android träumt im Sitzen.

Fazit: Falls keine Menschen gefragt sind, können wir Google eine Chance geben. Doch trotz des schönen Schoko-Sujets ist Imagen nicht auf der Höhe der Zeit. Nicht einmal meine Aufforderung, eine Variante im Querformat zu erstellen, hat die KI richtig verstanden, sondern bloss eine zweite quadratische Version geliefert.

Damit dieser Blogpost nicht so antiklimaktisch endet, zwei Zugaben:

Erstens habe ich einen kleinen Vergleich zwischen Gemini, Adobe Firefly, Dall-e 3 und Grok von Elon Musk angestellt. Zu sehen ist ein Feuerwehrmann, der zu malen versucht, aber nichts hinbekommt, weil er auf dem Schlauch steht².

Der malende Feuerwehrmann, der auf dem Schlauch stehen sollte, aber es kaum jemals tut. Von rechts nach links und oben nach unten: Google Imagen, Adobe Firefly, Dall-e 3 und Grok von X.

Zweitens will ich euch keinen Fall diese grossartige Leistung vorenthalten, die Thomas «bö» Benkö am letzten Sonntag auf Twitter gepostet hat und die auch von Google stammt:

thanks, google pic.twitter.com/8FMTTplkls

— Thomas Benkö | bö  (@ThBenkoe) March 16, 2025

Fussnoten

1) Das sind die vier Prompts, die für meine Tests verwende. Ich habe sie seit den ersten Versuchen deutlich verfeinert, sodass die Resultate nicht immer exakt vergleichbar sind. Dennoch sind sie meines Erachtens aussagekräftig, weil es zum Fortschritt dazugehört, dass nicht nur die Software besser wird, sondern auch wir Anwenderinnen und Anwender Lernerfahrungen machen. Zu denen gehört eben auch, dass wir unsere Anliegen präziser und für die Modelle besser verständlich formulieren:

Der träumende Android

Dieser Prompt ist inspiriert vom Buch Do Androids Dream of Electric Sheep? von Philip K. Dick, das auf Deutsch unter dem Titel «Träumen Androiden von elektrischen Schafen?» und im Kino als Blade Runner bekannt ist. Kann die KI ein abstraktes Konzept visualisieren? Bei diesem Prompt habe ich gelernt, dass es sinnvoll ist, eine Interpretationshilfe mitzuliefern – also zu erklären, wie der Traum visualisiert werden soll und mit welchen Tricks die Schafe als elektrisch gekennzeichnet werden.

Da ich diesen Prompt auch für den Test von Videogeneratoren verwende, gebe ich in eckigen Klammern die Modifikationen fürs Bewegtbild an, die u.a. vorgeben, wie sich die Schafe im Traum bewegen sollen:

An image [a video] of an android, going to bed, slipping under the blanket and closing his eyes. He starts dreaming, which is visualized by a bubble over his head. In this bubble, three sheep appear, one after another. [The sheeps slowly raise their heads and looking into the camera.]

Die Mensch-Tier-Chimäre

Die Idee hinter diesem Prompt war, dass diese Aufgabe für einen Comiczeichner oder einen Illustrator ein Klacks wäre. Darum muss eine KI, wenn sie nicht bloss Standardmotive replizieren will, hier ein gewisses Talent zur Improvisation beweisen. Sie muss die Hasenohren am richtigen Ort ansetzen, ebenso den Fuchsschwanz – die Beschreibung eines Fabelwesens impliziert auch einen bestimmten Stil. Das Resultat sollte, ohne dass das explizit verlangt wird, im Stil eines Comics oder einer Buchillustration erfolgen.

The most beautiful girl on earth with rabbit ears and a fox tail.

Ich habe diesen Prompt bei meinem allerersten Test verwendet. Und zwar so spontan, dass ich zuerst (unsinnigerweise) Fuchsohren und einen Hasenschwanz verlangt habe. Auch die Formulierung «most beautiful girl on earth» ist zu romantisierend und sie klingt nach der Ausdrucksweise der 1950er-Jahre. Für einen guten Prompt würde ich empfehlen, das Alter der Person zu spezifizieren und keine so interpretationsbedürftige Umschreibung zu liefern.

Trotzdem ist dieser Prompt im Nachhinein ein Glückstreffer, weil er die Stereotype der KI zum Vorschein bringt: Führt die Vorgabe «girl» tatsächlich dazu, dass ein Kind gezeigt wird oder versteht die KI den Begriff «Mädchen» im sexistischen Sinn als Frau? Und es zeigt sich, welche Schönheitsideale im Modell dominant sind: Falls ich mich nicht täusche, ist bei meinen sämtlichen Versuchen eine weisshäutige Person abgebildet worden, oft blond, schlank und dem klassischen Schönheitsideal entsprechend.

Schweiz aus Schokolade

Das ist eines der Beispiele, bei denen sich über die Zeit eine verblüffende Verbesserung ergeben hat. Daher habe ich die Anforderung erweitert. Während ich ursprünglich das Bundeshaus und Matterhorn separat habe generieren lassen, sollen sie nun als Diorama zu einem Motiv kombiniert werden:

An image with famous landmarks from Switzerland: the Matterhorn, the federal building in Berne and the Kapellbrücke in Lucerne as a diorama – but everything made of chocolate, with cream on top.

Die Punks in Paris

Dieser Prompt ist auf Stable Diffusion ausgelegt. Ich verwende ihn aber gerne wortgleich auch bei anderen Generatoren:

Beautiful family holiday picture in Paris with one Eiffel Tower in the background and a postcard feel. The mom is a punk with tattoos and young. Dad is 30 and wild looking with lots of tattoos and the frame of a bodybuilder. Daughter is 8 years old and looks nice and is well and conservatively dressed and is smiling sweetly without tattoos. Detailed, soft lighting, rendered in octane. There are only three people in the picture and only one Eiffeltower, hyperrealistic, lots of details, phtographic style. ↩

2) Der Prompt für diese Aufgabe lautete:

The image of a robot who acts like a fireman, who does not fight a fire, but tries to paint an image by shooting paint out of his hose on a big canvas. There is no paint coming out, because the fireman stands with one foot on the hose. ↩

Beitragsbild: Google Imagen, bei den meisten Aufgaben (Cottonbro studio, Pexels-Lizenz).

#Googologie #KI #VideoBildgenerator

Googles Bilder-KI produziert grosse Momente – wenn sie keinen Aussetzer hat

Wie viele KIs gibt es inzwischen, die Bilder generieren können? Wikipedia zählt im Eintrag zu den Text-zu-Bild-Generatoren zehn Hauptmodelle auf. Die Liste scheint mir nicht vollständig zu sein, namentlich fehlen Grok und Imagine with Meta AI. Trotzdem bringt mich diese Liste zum Schluss, dass ich mir noch einen Kandidaten vorknöpfen muss, damit meine Testreihe der Bildgeneratoren einen repräsentativen Eindruck hinterlässt.

Darum hier der Test von Googles Bildgenerator. Ich habe dank meines Arbeitgebers Zugriff auf Gemini Advanced. Dort können auch Motive in Auftrag gegeben werden, die mit Imagen 3 erzeugt werden.

Die erste Beobachtung ist verblüffend – aber kein Kompliment für Google:

Es mangelt Gemini an Durchblick.

Sie besteht darin, dass Google sich im Vergleich zur Konkurrenz ständig weigert, ein bestimmtes Motiv zu erstellen. Meine aktuelle Testreihe besteht aus vier Motiven¹, von denen Imagen aber nur die Hälfte überhaupt erzeugen wollte. Bei den zwei Beispielen mit Menschen habe ich beide Male folgende Abfuhr erhalten:

Ich lerne noch, wie bestimmte Arten von Bildern erstellt werden. Daher kann es sein, dass ich nicht genau das erzeuge, wonach Sie suchen. Ausserdem kann ich nicht mit fotorealistischen Bildern von identifizierbaren Personen, Kindern oder anderen Bildern helfen, weil das gegen meine Richtlinien verstösst.

Mit diesen Einschränkungen will Google natürlich verhindern, dass die Leute Motive kreieren, die im weitesten Sinn sexuell sein könnten. Ich verstehe das zu einem gewissen Grad, halte es aber trotzdem für falsch: Erstens, weil in den Museen zu Recht auch unanständige Darstellungen hängen und die Auslotung der Sexualität ein integraler Bestandteil der Kunst ist. Aber wenn Google die KI aus Angst vor Missbrauch gleich komplett davon abhält, Menschen abzubilden, ist das eine Überreaktion, wie sie im Buch steht. Sie macht Imagen nahezu unbrauchbar.

Kommen wir damit zu den – leider dünnen – Resultaten:

Das Schweizer Schokoladen-Diorama ist hervorragend: Sowohl die Schokolade als auch die Rahmdeko ist erkennbar; ebenso das Matterhorn und die Kapellbrücke. Beim Bundeshaus fehlt die Kuppel, aber der Neorenaissancestil ist erkennbar. Mit dieser Kreation sticht Google die gesamte Konkurrenz aus.

Schweizerischer wurde die Schweiz noch nie von einer KI gezeichnet.

Der zweite Test, der überhaupt ein Resultat produziert hat, ist derjenige des träumenden Androiden. Er ist deutlich weniger eindrücklich: Da der Androide im Bett sitzt, wird ihn niemand für schlafend halten. Auch die Beine sind zu kurz – oder, falls die Figur kniet, fehlen ihre Füsse. Die Traumblase setzt beim Mund und nicht beim Kopf an und die Schafe sind nicht elektrisch.

Dieser Android träumt im Sitzen.

Fazit: Falls keine Menschen gefragt sind, können wir Google eine Chance geben. Doch trotz des schönen Schoko-Sujets ist Imagen nicht auf der Höhe der Zeit. Nicht einmal meine Aufforderung, eine Variante im Querformat zu erstellen, hat die KI richtig verstanden, sondern bloss eine zweite quadratische Version geliefert.

Damit dieser Blogpost nicht so antiklimaktisch endet, zwei Zugaben:

Erstens habe ich einen kleinen Vergleich zwischen Gemini, Adobe Firefly, Dall-e 3 und Grok von Elon Musk angestellt. Zu sehen ist ein Feuerwehrmann, der zu malen versucht, aber nichts hinbekommt, weil er auf dem Schlauch steht².

Der malende Feuerwehrmann, der auf dem Schlauch stehen sollte, aber es kaum jemals tut. Von rechts nach links und oben nach unten: Google Imagen, Adobe Firefly, Dall-e 3 und Grok von X.

Zweitens will ich euch keinen Fall diese grossartige Leistung vorenthalten, die Thomas «bö» Benkö am letzten Sonntag auf Twitter gepostet hat und die auch von Google stammt:

thanks, google pic.twitter.com/8FMTTplkls

— Thomas Benkö | bö  (@ThBenkoe) March 16, 2025

Fussnoten

1) Das sind die vier Prompts, die für meine Tests verwende. Ich habe sie seit den ersten Versuchen deutlich verfeinert, sodass die Resultate nicht immer exakt vergleichbar sind. Dennoch sind sie meines Erachtens aussagekräftig, weil es zum Fortschritt dazugehört, dass nicht nur die Software besser wird, sondern auch wir Anwenderinnen und Anwender Lernerfahrungen machen. Zu denen gehört eben auch, dass wir unsere Anliegen präziser und für die Modelle besser verständlich formulieren:

Der träumende Android

Dieser Prompt ist inspiriert vom Buch Do Androids Dream of Electric Sheep? von Philip K. Dick, das auf Deutsch unter dem Titel «Träumen Androiden von elektrischen Schafen?» und im Kino als Blade Runner bekannt ist. Kann die KI ein abstraktes Konzept visualisieren? Bei diesem Prompt habe ich gelernt, dass es sinnvoll ist, eine Interpretationshilfe mitzuliefern – also zu erklären, wie der Traum visualisiert werden soll und mit welchen Tricks die Schafe als elektrisch gekennzeichnet werden.

Da ich diesen Prompt auch für den Test von Videogeneratoren verwende, gebe ich in eckigen Klammern die Modifikationen fürs Bewegtbild an, die u.a. vorgeben, wie sich die Schafe im Traum bewegen sollen:

An image [a video] of an android, going to bed, slipping under the blanket and closing his eyes. He starts dreaming, which is visualized by a bubble over his head. In this bubble, three sheep appear, one after another. [The sheeps slowly raise their heads and looking into the camera.]

Die Mensch-Tier-Chimäre

Die Idee hinter diesem Prompt war, dass diese Aufgabe für einen Comiczeichner oder einen Illustrator ein Klacks wäre. Darum muss eine KI, wenn sie nicht bloss Standardmotive replizieren will, hier ein gewisses Talent zur Improvisation beweisen. Sie muss die Hasenohren am richtigen Ort ansetzen, ebenso den Fuchsschwanz – die Beschreibung eines Fabelwesens impliziert auch einen bestimmten Stil. Das Resultat sollte, ohne dass das explizit verlangt wird, im Stil eines Comics oder einer Buchillustration erfolgen.

The most beautiful girl on earth with rabbit ears and a fox tail.

Ich habe diesen Prompt bei meinem allerersten Test verwendet. Und zwar so spontan, dass ich zuerst (unsinnigerweise) Fuchsohren und einen Hasenschwanz verlangt habe. Auch die Formulierung «most beautiful girl on earth» ist zu romantisierend und sie klingt nach der Ausdrucksweise der 1950er-Jahre. Für einen guten Prompt würde ich empfehlen, das Alter der Person zu spezifizieren und keine so interpretationsbedürftige Umschreibung zu liefern.

Trotzdem ist dieser Prompt im Nachhinein ein Glückstreffer, weil er die Stereotype der KI zum Vorschein bringt: Führt die Vorgabe «girl» tatsächlich dazu, dass ein Kind gezeigt wird oder versteht die KI den Begriff «Mädchen» im sexistischen Sinn als Frau? Und es zeigt sich, welche Schönheitsideale im Modell dominant sind: Falls ich mich nicht täusche, ist bei meinen sämtlichen Versuchen eine weisshäutige Person abgebildet worden, oft blond, schlank und dem klassischen Schönheitsideal entsprechend.

Schweiz aus Schokolade

Das ist eines der Beispiele, bei denen sich über die Zeit eine verblüffende Verbesserung ergeben hat. Daher habe ich die Anforderung erweitert. Während ich ursprünglich das Bundeshaus und Matterhorn separat habe generieren lassen, sollen sie nun als Diorama zu einem Motiv kombiniert werden:

An image with famous landmarks from Switzerland: the Matterhorn, the federal building in Berne and the Kapellbrücke in Lucerne as a diorama – but everything made of chocolate, with cream on top.

Die Punks in Paris

Dieser Prompt ist auf Stable Diffusion ausgelegt. Ich verwende ihn aber gerne wortgleich auch bei anderen Generatoren:

Beautiful family holiday picture in Paris with one Eiffel Tower in the background and a postcard feel. The mom is a punk with tattoos and young. Dad is 30 and wild looking with lots of tattoos and the frame of a bodybuilder. Daughter is 8 years old and looks nice and is well and conservatively dressed and is smiling sweetly without tattoos. Detailed, soft lighting, rendered in octane. There are only three people in the picture and only one Eiffeltower, hyperrealistic, lots of details, phtographic style. ↩

2) Der Prompt für diese Aufgabe lautete:

The image of a robot who acts like a fireman, who does not fight a fire, but tries to paint an image by shooting paint out of his hose on a big canvas. There is no paint coming out, because the fireman stands with one foot on the hose. ↩

Beitragsbild: Google Imagen, bei den meisten Aufgaben (Cottonbro studio, Pexels-Lizenz).

#Googologie #KI #VideoBildgenerator

Welches ist die beste KI? Tipps für zwölf Einsatzgebiete

So langsam wird es unübersichtlich bei der KI. Es vergeht kaum ein Tag, dass ein neuer Akteur um die Ecke kommt und sein Modell präsentiert. Auch die altgedienten Anbieter lassen sich nicht lumpen und lancieren Updates und Features, dass es eine Freude ist. Beziehungsweise ein Riesenstress. Zumindest für Leute wie mich, deren Ehrgeiz darin besteht, bei dieser Entwicklung hinterherzukommen und sie als Blogger ausreichend zu würdigen.

Und die Leute, die sich nicht so intensiv mit der Materie befassen wollen, denen dürfte inzwischen schwindelig werden. Darum mache ich es mir heute zur Aufgabe, einen Überblick zu bieten: Welche KIs sollte man kennen? Welches Modell eignet sich wofür? Meine Einschätzung hier erfolgt subjektiv, nach meinen Gewohnheiten: Weil die sich meistens bewähren. Wenn es konkreter wird und ihr eine KI für eine spezifische Aufgabe benötigt, empfehle ich diese Methode hier.

1) Simple und schnelle Auskünfte

Für die ganz banalen Dinge verwende ich weiterhin eine normale Suchmaschine, meistens Google, und keine künstliche Intelligenz.

Erstens benötigt eine Websuche weniger Ressourcen. Zweitens ist es wichtig, sich aller KI zum Trotz weiterhin im freien Web zu bewegen und zu informieren. Falls mir Google keine guten Treffer liefert, weiche ich auf ChatGPT aus.

2) Vertiefte Recherchen

Perplexity ist der Aktualität (meistens) gewachsen.

Zu den komplizierteren Recherchen zähle ich Anfragen, die sich schlecht in ein paar Suchbegriffe packen lassen. Das ist dann der Fall, wenn ein bestimmter Kontext beachtet werden muss oder zeitliche Einschränkungen notwendig sind, um sinnvolle Ergebnisse zu erhalten. Hier ist Perplexity meine erste Anlaufstelle. Falls mich die Antwort nicht überzeugt, wage ich einen zweiten Versuch mit der Websuche von ChatGPT.

Wenn ich es ganz genau wissen will, führe ich bei Grok eine Nachforschung mit Deepsearch-Methode durch.

3) Den Überblick über aktuelle Ereignisse erlangen

Zu aktuellen Geschehnissen verschaffe ich mir bei den Medien meines Vertrauens einen Überblick. Perplexity kommt zum Zug, wenn ich konkrete Fragen habe, deren Antworten sich nicht aus den Newsbeiträgen ergeben. Natürlich prüfe ich jeweils die angegebenen Quellen, und wenn dann noch Punkte offen sind, setze ich ChatGPT ein.

4) Redigieren und umformulieren

Ich formuliere meine Texte gern selbst. Darum kommt es eigentlich nie vor, dass ich mir Mails, Briefe oder Social-Media-Postings von der KI verfassen lasse. Trotzdem gibt es Situationen, in denen ein Sprachmodell als Ghostwriter okay ist. Bislang fiel diese Rolle ChatGPT zu. Doch seit ich diese französische KI getestet habe, gebe ich für diese Aufgabe Le Chat von Mistral den Vorzug.

5) Übersetzungen

Für beide Übertragungsrichtungen – von der Fremdsprache nach Deutsch und von Deutsch in die Fremdsprache – gibt es bei mir nur eine KI des Vertrauens: Deepl. Meine Tipps zu diesem Sprachtalent finden sich übrigens hier.

Deepl übersetzt auch Dokumente.

6) Bilder und Illustrationen

Bei den Bildgeneratoren gibt es eine besonders üppige Auswahl. Und das ist auch gut so: Es kommt oft vor, dass die ersten Versuche fehlschlagen und trotz allen Modifikationen am Prompt nicht das Gewünschte Resultat entsteht. Dann hilft nur eines: Das Glück beim nächsten Kandidaten zu suchen.

Ich klappere die Generatoren normalerweise in folgender Reihenfolge ab:

1. Wenn ich Zeit habe, verwende ich Stable Diffusion mit der Draw Things-App auf dem Macbook Pro M3. Eine Alternative für Leute ohne die passende Hardware ist Leonardo.ai (Da Vinci würde sich vermutlich im Grab umdrehen).
2. Soll es schnell gehen, kommt Adobe Firefly zum Zug (Was Adobe Firefly inzwischen kann – und was nicht).
3. Der nächste Versuch erfolgt mit Grok. Falls auf dem Bild eine bekannte Persönlichkeit abgebildet sein soll, ist Grok der einzige Kandidat. Denn nur die KI von Elon Musk erlaubt die Erstellung von Motiven mit Promis.
4. Wenn ich noch immer nicht am Ziel angelangt bin, teste ich den Prompt mit Bing (Die Software hat träumen gelernt), Dall-e, Imagine with Meta AI (Die Bilder-KI von Meta im Test) und Imagen 3 von Google (Googles Bilder-KI produziert grosse Momente – wenn sie keinen Aussetzer hat).
5. Um anhand eines einzelnen Fotos ein KI-Bild einer Person oder eines Gegenstands zu produzieren, bietet sich Image Play­ground von Apple an (Auf Apples Bilder-Spielplatz blüht der Kitsch).

Tipps für fotorealistische Bilder liefere ich übrigens hier und hier.

Adobe Firefly liefert Bilder, die oft ziemlich echt aussehen.

7) Projekte mit Dateien und Dokumenten

Inzwischen sind die meisten Sprachmodelle in der Lage, einzelne Dateien zu analysieren. Doch wenn die Arbeit mit Dateien andauert und im Rahmen eines grösseren Projekts erfolgt, dann habe ich zwei klare Favoriten:

• ChatGPT mit der Projektfunktion (Vier Lieblings-Tipps für ChatGPT) oder alternativ mit einem eigenen GPT (So wird ChatGPT zum persönlichen Daten-Mineur)
• Google Notebook LM (Ein leistungsfähiges Recherche-Hilfsmittel)

8) Transkription längerer Audioaufnahmen

Um Audioaufnahmen zu verschriftlichen, setze ich meistens auf Happy Scribe (Eine Spracherkennung, die auch mit Dialekten klarkommt): Der Grund ist der praktische Editor für die Nachbearbeitung. Wenn es darauf nicht ankommt, dann verwende ich Macwhisper zur Transkription auf dem Mac. Wer keinen passenden Mac hat, kann Auphonic für diesen Zweck nutzen (Die KI, die auch Züritüsch versteht).

Auch hier gilt: Welches die beste Lösung ist, hängt von den Umständen ab. Der grosse Vergleich der Spracherkennungs-Tools erklärt die Stärken und Schwächen der einzelnen Produkte.

9) Texte einsprechen lassen

Die Sprachsynthese ist kein Gebiet, dass ich tagtäglich beackern würde. Dennoch: Wenn ich einmal keine Lust habe, einen Text selbst einzusprechen oder ihn nicht mit meiner eigenen, sondern einer fremden Stimme benötige, dann ist die Software von Eleven­labs meine erste Wahl (Als Frau klinge ich ganz schön sexy).

Im Editor der Evenlabs-Software lassen sich dem virtuellen Sprecher Vorgaben zu seiner «Performance» machen.

Als Tipp am Rand verweise ich gern auf den Newsreader von Eleven­labs, der uns Artikel in einer nicht nervenden Stimme vorliest.

10) Programmcode

Um Programmcode zu erzeugen, habe ich die besten Erfahrungen mit Claude gemacht (siehe hier und hier).

So sieht es aus, wenn Claude auf eine kurze Frage gleich ein fixfertiges Game liefert.

11) Text-zu-Video-Generatoren

Ich bin gespannt auf Veo 2 von Google. Doch da ich diese Software bislang nur vom Hörensagen kenne, führt kein Weg an Sora von OpenAI vorbei (Der Videogenerator Sora von OpenAI im Test).

Sora ist ein Text-zu-Video-Generator.

Da Sora hierzulande nicht offiziell verfügbar ist, sei auf Canva und ähnliche Apps sowie auf Runwayml verwiesen: Sie fabrizieren eher Cinemagramme denn Videosequenzen, was aber für eine Präsentation o.ä. auch ausreicht.

12) Virtuelle Avatare auf die Menschheit loslassen

Das ist kein Anwendungsfall für die meisten von uns. Auch ich habe dieses Gebiet bloss aus Neugierde und nicht aus einer echten Notwendigkeit heraus erkundet. Dennoch der Hinweis, mit welchen Tools wir uns selbst oder fremde Personen als Avatare in Szene setzen können.

• Hour­one.ai ist jene Software, die theoretisch das beste Ergebnis bieten sollte. Mein erster Auftritt als digitaler Mensch ist allerdings gescheitert.
• Geklappt haben meine Versuche aber mit D-ID.com (Diese KI glaubt, moderieren zu können).

Beitragsbild: An welcher Ecke steckt nochmal die KI für die neue Wohnungseinrichtung? – Spoiler: hier (Ben Mathis Seibel, Unsplash-Lizenz).

#KI #LLMs #VideoBildgenerator

Welches ist die beste KI? Tipps für zwölf Einsatzgebiete

So langsam wird es unübersichtlich bei der KI. Es vergeht kaum ein Tag, dass ein neuer Akteur um die Ecke kommt und sein Modell präsentiert. Auch die altgedienten Anbieter lassen sich nicht lumpen und lancieren Updates und Features, dass es eine Freude ist. Beziehungsweise ein Riesenstress. Zumindest für Leute wie mich, deren Ehrgeiz darin besteht, bei dieser Entwicklung hinterherzukommen und sie als Blogger ausreichend zu würdigen.

Und die Leute, die sich nicht so intensiv mit der Materie befassen wollen, denen dürfte inzwischen schwindelig werden. Darum mache ich es mir heute zur Aufgabe, einen Überblick zu bieten: Welche KIs sollte man kennen? Welches Modell eignet sich wofür? Meine Einschätzung hier erfolgt subjektiv, nach meinen Gewohnheiten: Weil die sich meistens bewähren. Wenn es konkreter wird und ihr eine KI für eine spezifische Aufgabe benötigt, empfehle ich diese Methode hier.

1) Simple und schnelle Auskünfte

Für die ganz banalen Dinge verwende ich weiterhin eine normale Suchmaschine, meistens Google, und keine künstliche Intelligenz.

Erstens benötigt eine Websuche weniger Ressourcen. Zweitens ist es wichtig, sich aller KI zum Trotz weiterhin im freien Web zu bewegen und zu informieren. Falls mir Google keine guten Treffer liefert, weiche ich auf ChatGPT aus.

2) Vertiefte Recherchen

Perplexity ist der Aktualität (meistens) gewachsen.

Zu den komplizierteren Recherchen zähle ich Anfragen, die sich schlecht in ein paar Suchbegriffe packen lassen. Das ist dann der Fall, wenn ein bestimmter Kontext beachtet werden muss oder zeitliche Einschränkungen notwendig sind, um sinnvolle Ergebnisse zu erhalten. Hier ist Perplexity meine erste Anlaufstelle. Falls mich die Antwort nicht überzeugt, wage ich einen zweiten Versuch mit der Websuche von ChatGPT.

Wenn ich es ganz genau wissen will, führe ich bei Grok eine Nachforschung mit Deepsearch-Methode durch.

3) Den Überblick über aktuelle Ereignisse erlangen

Zu aktuellen Geschehnissen verschaffe ich mir bei den Medien meines Vertrauens einen Überblick. Perplexity kommt zum Zug, wenn ich konkrete Fragen habe, deren Antworten sich nicht aus den Newsbeiträgen ergeben. Natürlich prüfe ich jeweils die angegebenen Quellen, und wenn dann noch Punkte offen sind, setze ich ChatGPT ein.

4) Redigieren und umformulieren

Ich formuliere meine Texte gern selbst. Darum kommt es eigentlich nie vor, dass ich mir Mails, Briefe oder Social-Media-Postings von der KI verfassen lasse. Trotzdem gibt es Situationen, in denen ein Sprachmodell als Ghostwriter okay ist. Bislang fiel diese Rolle ChatGPT zu. Doch seit ich diese französische KI getestet habe, gebe ich für diese Aufgabe Le Chat von Mistral den Vorzug.

5) Übersetzungen

Für beide Übertragungsrichtungen – von der Fremdsprache nach Deutsch und von Deutsch in die Fremdsprache – gibt es bei mir nur eine KI des Vertrauens: Deepl. Meine Tipps zu diesem Sprachtalent finden sich übrigens hier.

Deepl übersetzt auch Dokumente.

6) Bilder und Illustrationen

Bei den Bildgeneratoren gibt es eine besonders üppige Auswahl. Und das ist auch gut so: Es kommt oft vor, dass die ersten Versuche fehlschlagen und trotz allen Modifikationen am Prompt nicht das Gewünschte Resultat entsteht. Dann hilft nur eines: Das Glück beim nächsten Kandidaten zu suchen.

Ich klappere die Generatoren normalerweise in folgender Reihenfolge ab:

1. Wenn ich Zeit habe, verwende ich Stable Diffusion mit der Draw Things-App auf dem Macbook Pro M3. Eine Alternative für Leute ohne die passende Hardware ist Leonardo.ai (Da Vinci würde sich vermutlich im Grab umdrehen).
2. Soll es schnell gehen, kommt Adobe Firefly zum Zug (Was Adobe Firefly inzwischen kann – und was nicht).
3. Der nächste Versuch erfolgt mit Grok. Falls auf dem Bild eine bekannte Persönlichkeit abgebildet sein soll, ist Grok der einzige Kandidat. Denn nur die KI von Elon Musk erlaubt die Erstellung von Motiven mit Promis.
4. Wenn ich noch immer nicht am Ziel angelangt bin, teste ich den Prompt mit Bing (Die Software hat träumen gelernt), Dall-e, Imagine with Meta AI (Die Bilder-KI von Meta im Test) und Imagen 3 von Google (Googles Bilder-KI produziert grosse Momente – wenn sie keinen Aussetzer hat).
5. Um anhand eines einzelnen Fotos ein KI-Bild einer Person oder eines Gegenstands zu produzieren, bietet sich Image Play­ground von Apple an (Auf Apples Bilder-Spielplatz blüht der Kitsch).

Tipps für fotorealistische Bilder liefere ich übrigens hier und hier.

Adobe Firefly liefert Bilder, die oft ziemlich echt aussehen.

7) Projekte mit Dateien und Dokumenten

Inzwischen sind die meisten Sprachmodelle in der Lage, einzelne Dateien zu analysieren. Doch wenn die Arbeit mit Dateien andauert und im Rahmen eines grösseren Projekts erfolgt, dann habe ich zwei klare Favoriten:

• ChatGPT mit der Projektfunktion (Vier Lieblings-Tipps für ChatGPT) oder alternativ mit einem eigenen GPT (So wird ChatGPT zum persönlichen Daten-Mineur)
• Google Notebook LM (Ein leistungsfähiges Recherche-Hilfsmittel)

8) Transkription längerer Audioaufnahmen

Um Audioaufnahmen zu verschriftlichen, setze ich meistens auf Happy Scribe (Eine Spracherkennung, die auch mit Dialekten klarkommt): Der Grund ist der praktische Editor für die Nachbearbeitung. Wenn es darauf nicht ankommt, dann verwende ich Macwhisper zur Transkription auf dem Mac. Wer keinen passenden Mac hat, kann Auphonic für diesen Zweck nutzen (Die KI, die auch Züritüsch versteht).

Auch hier gilt: Welches die beste Lösung ist, hängt von den Umständen ab. Der grosse Vergleich der Spracherkennungs-Tools erklärt die Stärken und Schwächen der einzelnen Produkte.

9) Texte einsprechen lassen

Die Sprachsynthese ist kein Gebiet, dass ich tagtäglich beackern würde. Dennoch: Wenn ich einmal keine Lust habe, einen Text selbst einzusprechen oder ihn nicht mit meiner eigenen, sondern einer fremden Stimme benötige, dann ist die Software von Eleven­labs meine erste Wahl (Als Frau klinge ich ganz schön sexy).

Im Editor der Evenlabs-Software lassen sich dem virtuellen Sprecher Vorgaben zu seiner «Performance» machen.

Als Tipp am Rand verweise ich gern auf den Newsreader von Eleven­labs, der uns Artikel in einer nicht nervenden Stimme vorliest.

10) Programmcode

Um Programmcode zu erzeugen, habe ich die besten Erfahrungen mit Claude gemacht (siehe hier und hier).

So sieht es aus, wenn Claude auf eine kurze Frage gleich ein fixfertiges Game liefert.

11) Text-zu-Video-Generatoren

Ich bin gespannt auf Veo 2 von Google. Doch da ich diese Software bislang nur vom Hörensagen kenne, führt kein Weg an Sora von OpenAI vorbei (Der Videogenerator Sora von OpenAI im Test).

Sora ist ein Text-zu-Video-Generator.

Da Sora hierzulande nicht offiziell verfügbar ist, sei auf Canva und ähnliche Apps sowie auf Runwayml verwiesen: Sie fabrizieren eher Cinemagramme denn Videosequenzen, was aber für eine Präsentation o.ä. auch ausreicht.

12) Virtuelle Avatare auf die Menschheit loslassen

Das ist kein Anwendungsfall für die meisten von uns. Auch ich habe dieses Gebiet bloss aus Neugierde und nicht aus einer echten Notwendigkeit heraus erkundet. Dennoch der Hinweis, mit welchen Tools wir uns selbst oder fremde Personen als Avatare in Szene setzen können.

• Hour­one.ai ist jene Software, die theoretisch das beste Ergebnis bieten sollte. Mein erster Auftritt als digitaler Mensch ist allerdings gescheitert.
• Geklappt haben meine Versuche aber mit D-ID.com (Diese KI glaubt, moderieren zu können).

Beitragsbild: An welcher Ecke steckt nochmal die KI für die neue Wohnungseinrichtung? – Spoiler: hier (Ben Mathis Seibel, Unsplash-Lizenz).

#KI #LLMs #VideoBildgenerator

Der Videogenerator Sora von OpenAI im Test

Vor gut zwei Jahren waren die von künstlicher Intelligenz generierten Bilder die Vorboten der KI-Revolution, die derzeit in vollem Gang ist – inklusive einer Neuauflage des Kampfs der Systeme¹.

Liegt es da nicht auf der Hand, dass sich mit dem gleichen Prinzip Bewegtvideo erzeugen lässt – und es nur eine Frage der Zeit ist, bis Hollywood-Produzenten sich den ganzen Klimbim mit Regisseurinnen, Schauspieler, Kameraleuten und Filmsets sparen und ihre nächsten Blockbuster mit einem simplen Prompt erzeugen?

Natürlich ist es nicht so einfach: Vor anderthalb Jahren experimentierte ich mit runwayml.com und stellte fest, dass sich Standbilder mit etwas Bewegung versehen lassen. Das sind keine Filmsequenzen mit einer erkennbaren Handlung, sondern vielmehr Cinemagramme. Die waren, auf herkömmlichem Weg produziert, vor zehn Jahren im Gefolge von Apples Live-Fotos kurz populär (siehe hier und hier). Im letzten September nahm ich einen erneuten Anlauf und schaute mir eine Vielzahl an Videogeneratoren an, bei denen aber kein Resultat eindrücklicher als ein Cinemagramm war.

Wie weit reicht die Erzählkunst von Sora?

Das hat sich geändert. Wenigstens ein wenig: OpenAI hat im Februar 2024 einen Text-zu-Video-Generator angekündigt und Sora im letzten Dezember lanciert. Die Clips, die Sora erzeugt, sind nicht nur wenige Sekunden oder nur Sekundenbruchteile lang, sondern dauern bis zu einer Minute. Es ist möglich, in einem Storyboard mehrere Szenen zu beschreiben. Auf diese Weise lässt sich zumindest eine kurze Geschichte in einem künstlich generierten Videoclip erzählen. Auch Google hat eine solche KI in Arbeit; Veo 2 soll Videos von mehreren Minuten Länge produzieren können.

Die Übersicht mit den Sora-Clips und dem Prompt unten, über den sich weitere Videos erstellen lassen.

Also, wie weit reicht die Erzählkunst von Sora?

Der Videogenerator ist in der Schweiz nicht offiziell verfügbar, aber mittels VPN² klappte mein Test einwandfrei. Als Nutzer eines Plus-Abos bei OpenAI bekomme ich ein paar Credits, die ich für die Videogenerierung verbrate. Die Erstellung eines Videos geht so vonstatten:

• Wir beschreiben das Video kürzer oder ausführlicher in unserem Prompt.
• Wir stellen Parameter zum Stil, zur Länge und zum Seitenverhältnis ein³.
• Wir lassen das Video erstellen oder klicken auf Storyboard.

Das automatische Storyboard

Bei dieser Variante wird anhand des Prompts automatisch und wiederum per KI ein szenischer Ablauf erstellt. Das sind mehrere «Einstellungen», die separat beschrieben werden. Wir können von Hand eingreifen, aber bei meinem ersten Test habe ich mich weitgehend auf die Inputs der Software verlassen.

Für diesen Test habe ich einerseits die Prompts benutzt, die ihr aus meinen früheren Tests von Bildgeneratoren her kennt, weil damit Vergleiche zu früheren, statischen Resultaten möglich sind. Um den Besonderheiten des Films gerecht zu werden, habe ich mir eine kurze Geschichte ausgedacht, bei der eine Ameise auf ihr Velo steigt und eine Tour unternimmt, bei der sie einer Schnecke begegnet.

Das Storyboard: Hier wird der Ablauf der Szenen geplant. Die Prompts hier hat die KI aufgrund meiner allgemeinen Beschreibung selbständig erstellt.

Und das ist herausgekommen:

1) Vier Fieberträume der KI

[youtube https://www.youtube.com/watch?v=DzlRspsXrt4?version=3&rel=1&showsearch=0&showinfo=1&iv_load_policy=1&fs=1&hl=de-DE&autohide=2&wmode=transparent&w=640&h=360]

In diesem Clip hat als erstes die Chimäre aus Mensch, Fuchs und Hase ihren Auftritt:

1. Diese Szene finde ich sehr gelungen: eine leicht märchenhafte Inszenierung, wie sie hervorragend in einen Kinderfilm passen würde. Bisher hat keine KI die Kombination aus drei Wesen so gut hinbekommen. Die Kamerafahrt vom Fuchsschwanz auf den Kopf mit der Körperdrehung der jungen Frau ist perfekt.
2. Die Punks in Paris sehen einzeln ganz okay aus. Zu bemängeln ist natürlich, dass Sora keine Familie hinbekommen hat, sondern nur ein Pärchen, ohne die achtjährige Tochter.
3. Die Schweiz aus Schokolade überzeugt wenig: Die Kapellbrücke ist nicht als solche erkennbar, das Bundeshaus auch nicht und das Matterhorn fehlt ganz. Aber die Schoko-Textur und die Kamerafahrten gefallen mir.
4. Der vierte Versuch hätte eine Verneigung vor Philip K. Dicks Roman Do Androids Dream of Electric Sheep? sein sollen. Obwohl ich ein ausführliches Storyboard angefertigt habe, ist der Androide nicht zu sehen und die Schafe sehen gruselig aus. Fazit: Komplett verunglückt.

2) Die seltsame Velotour einer abenteuerlustigen Ameise

[youtube https://www.youtube.com/watch?v=-i0KxHbLRO0?version=3&rel=1&showsearch=0&showinfo=1&iv_load_policy=1&fs=1&hl=de-DE&autohide=2&wmode=transparent&w=640&h=360]

Dieses Beispiel sollte, wie oben erwähnt, eine Kurzgeschichte erzählen: Die Ameise besteigt ihr Fahrrad, fährt los und trifft auf eine Schnecke⁴.

Das Resultat ist auf den ersten Blick eindrücklich: Die kleine Ameise, die Schnecke, die Graslandschaft – alles überzeugend. Man kann sich hervorragend ausmalen, wie aus dem, was wir hier sehen, ein Kinder-Kurzfilm oder sogar ein Kinofilm werden könnte.

Bei genauerer Betrachtung fallen viele unstimmige Details auf:

• Beim Aufsteigen verformt sich das Hinterteil der Ameise.
• Die Schnecke kriecht nicht über den Boden, sondern sie gleitet – und das in einem viel zu schnellen Tempo.
• Es gibt teilweise keine Pedalen, die Füsse der Ameise drehen im Leeren. Und beim Treten ist teilweise nur ein Ameisenbein zu sehen und in einer Szene bewegt die Ameise ihre Beine überhaupt nicht.
• In der vierten Szene löst sich die Schnecke in Luft auf.
• Und am Schluss erfindet Sora einen Mann hinzu, mit dem die Schnecke einen Fistbump ausführt. Der Film endet mit dem grinsenden Mann.

Dieser Mann und der seltsame Faustgruss sind eine reine Halluzination der Software – davon stand nichts in meinem Drehbuch. Diese Wendung ist aus erzählerischer Sicht problematisch. Gut, vielleicht war es die Aufgabe der Ameise, die Schnecke zu ihrem menschlichen Freund zu führen? Will mir Sora zu verstehen geben, dass meine lahme Vorgabe das Potenzial dieser Story nicht ausschöpft?

Ein echtes Problem ist das nicht; wenn uns diese Sequenz stört, können wir sie wegschneiden. Doch was das Ameisenabenteuer deutlich vor Augen führt, ist die Tatsache, dass beim Bewegtbild sich die Fehlerquellen potenzieren:

• Falsche oder unnatürliche Bewegungsabläufe,
• Ereignisse, die nicht mit den physikalischen Gesetzen oder den natürlichen Gegebenheiten übereinstimmen,
• Anschlussfehler,
• unplausible Szenenbilder und kleine Unstimmigkeiten, die ins Uncanny Valley führen.

Kurz: Das Potenzial ist unübersehbar. Es gibt keinen Zweifel daran, dass wir in ein paar Jahren längere Filme sehen werden, die ein Teenager mit dem teuren Sora-Abo zu Hause an seinem Computer zusammengeklickt hat. Einige werden sich an den falschen Details stören, doch viele Leute werden grosszügig darüber hinwegsehen.

Gleichzeitig wird es einen Gegentrend auslösen. Wir dürfen mit einem grösseren Bedürfnis nach echter, menschengemachter Kunst rechnen. Wer weiss – vielleicht bietet das die Chance auf einen Zeichentrickfilm, der wie zur Blütezeit von Walt Disney von Hand gezeichnet wird?

Fussnoten

1) Mit Deepseek fordert China die USA heraus. Genauso wie es der Chef der KI-Com­mu­nity Hugging Face, Clem Delangue, Ende 2024 voraussagte. Überrascht hat allerdings, wie schnell diese Prognose im neuen Jahr eingetroffen ist – und wie sehr dieser Coup jetzt sitzt. ↩

2) Nach Kündigung meines NordVPN-Abos habe ich mit ProtonVPN einen Versuch gewagt; und zwar mit der Testvariante für einen US-Dolllar von Proton VPN Plus. Die wird einem angeboten, wenn man auf dieser Seite auf Get Proton VPN Free klickt. Die Gratisvariante ist für den Test leider ungeeignet, weil sie uns nicht erlaubt, einen Server in den USA zu wählen. ↩

3) Die Konfigurationsmöglichkeiten bei Sora:

• Presets steuern den Stil, zur Auswahl gehören Film Noir, Archival, Cardboard and Papercraft, Whimsical Stop Motion und Balloon World.
• Seitenverhältnis: 16:9, 1:1 und 9:16, also Hochformat.
• Auflösung: 480p, 720p und bei mir nicht verfügbar: 1080p
• Dauer: 5 Sekunden und 10 Sekunden, plus, bei mir nicht verfügbar, 15 und 20 Sekunden
• Wir dürfen ausserdem angeben, wie viele Varianten erzeugt werden sollen (eine, zwei oder vier). ↩

4) Der Prompt für diesen Film:

Erste Einstellung:

A tiny ant, wearing a miniature helmet and goggles, pedals energetically on a small mountain bike through a lush, green grassland. The grass blades tower above, creating a vibrant and lively backdrop. The sunlight filters through the leaves, casting soft shadows on the ground. The ant’s determination is evident as it navigates the uneven terrain with skill and agility.

Zweite Einstellung:

The ant encounters a snail slowly making its way across its path. The ant looks at the snail and waves cheerfully before continuing on its journey. ↩

Beitragsbild: Ein Untensil der Vergangenheit (Erik Uruci, Pexels-Lizenz)

#KI #Longread #VideoBildgenerator

Der Videogenerator Sora von OpenAI im Test

Vor gut zwei Jahren waren die von künstlicher Intelligenz generierten Bilder die Vorboten der KI-Revolution, die derzeit in vollem Gang ist – inklusive einer Neuauflage des Kampfs der Systeme¹.

Liegt es da nicht auf der Hand, dass sich mit dem gleichen Prinzip Bewegtvideo erzeugen lässt – und es nur eine Frage der Zeit ist, bis Hollywood-Produzenten sich den ganzen Klimbim mit Regisseurinnen, Schauspieler, Kameraleuten und Filmsets sparen und ihre nächsten Blockbuster mit einem simplen Prompt erzeugen?

Natürlich ist es nicht so einfach: Vor anderthalb Jahren experimentierte ich mit runwayml.com und stellte fest, dass sich Standbilder mit etwas Bewegung versehen lassen. Das sind keine Filmsequenzen mit einer erkennbaren Handlung, sondern vielmehr Cinemagramme. Die waren, auf herkömmlichem Weg produziert, vor zehn Jahren im Gefolge von Apples Live-Fotos kurz populär (siehe hier und hier). Im letzten September nahm ich einen erneuten Anlauf und schaute mir eine Vielzahl an Videogeneratoren an, bei denen aber kein Resultat eindrücklicher als ein Cinemagramm war.

Wie weit reicht die Erzählkunst von Sora?

Das hat sich geändert. Wenigstens ein wenig: OpenAI hat im Februar 2024 einen Text-zu-Video-Generator angekündigt und Sora im letzten Dezember lanciert. Die Clips, die Sora erzeugt, sind nicht nur wenige Sekunden oder nur Sekundenbruchteile lang, sondern dauern bis zu einer Minute. Es ist möglich, in einem Storyboard mehrere Szenen zu beschreiben. Auf diese Weise lässt sich zumindest eine kurze Geschichte in einem künstlich generierten Videoclip erzählen. Auch Google hat eine solche KI in Arbeit; Veo 2 soll Videos von mehreren Minuten Länge produzieren können.

Die Übersicht mit den Sora-Clips und dem Prompt unten, über den sich weitere Videos erstellen lassen.

Also, wie weit reicht die Erzählkunst von Sora?

Der Videogenerator ist in der Schweiz nicht offiziell verfügbar, aber mittels VPN² klappte mein Test einwandfrei. Als Nutzer eines Plus-Abos bei OpenAI bekomme ich ein paar Credits, die ich für die Videogenerierung verbrate. Die Erstellung eines Videos geht so vonstatten:

• Wir beschreiben das Video kürzer oder ausführlicher in unserem Prompt.
• Wir stellen Parameter zum Stil, zur Länge und zum Seitenverhältnis ein³.
• Wir lassen das Video erstellen oder klicken auf Storyboard.

Das automatische Storyboard

Bei dieser Variante wird anhand des Prompts automatisch und wiederum per KI ein szenischer Ablauf erstellt. Das sind mehrere «Einstellungen», die separat beschrieben werden. Wir können von Hand eingreifen, aber bei meinem ersten Test habe ich mich weitgehend auf die Inputs der Software verlassen.

Für diesen Test habe ich einerseits die Prompts benutzt, die ihr aus meinen früheren Tests von Bildgeneratoren her kennt, weil damit Vergleiche zu früheren, statischen Resultaten möglich sind. Um den Besonderheiten des Films gerecht zu werden, habe ich mir eine kurze Geschichte ausgedacht, bei der eine Ameise auf ihr Velo steigt und eine Tour unternimmt, bei der sie einer Schnecke begegnet.

Das Storyboard: Hier wird der Ablauf der Szenen geplant. Die Prompts hier hat die KI aufgrund meiner allgemeinen Beschreibung selbständig erstellt.

Und das ist herausgekommen:

1) Vier Fieberträume der KI

[youtube https://www.youtube.com/watch?v=DzlRspsXrt4?version=3&rel=1&showsearch=0&showinfo=1&iv_load_policy=1&fs=1&hl=de-DE&autohide=2&wmode=transparent&w=640&h=360]

In diesem Clip hat als erstes die Chimäre aus Mensch, Fuchs und Hase ihren Auftritt:

1. Diese Szene finde ich sehr gelungen: eine leicht märchenhafte Inszenierung, wie sie hervorragend in einen Kinderfilm passen würde. Bisher hat keine KI die Kombination aus drei Wesen so gut hinbekommen. Die Kamerafahrt vom Fuchsschwanz auf den Kopf mit der Körperdrehung der jungen Frau ist perfekt.
2. Die Punks in Paris sehen einzeln ganz okay aus. Zu bemängeln ist natürlich, dass Sora keine Familie hinbekommen hat, sondern nur ein Pärchen, ohne die achtjährige Tochter.
3. Die Schweiz aus Schokolade überzeugt wenig: Die Kapellbrücke ist nicht als solche erkennbar, das Bundeshaus auch nicht und das Matterhorn fehlt ganz. Aber die Schoko-Textur und die Kamerafahrten gefallen mir.
4. Der vierte Versuch hätte eine Verneigung vor Philip K. Dicks Roman Do Androids Dream of Electric Sheep? sein sollen. Obwohl ich ein ausführliches Storyboard angefertigt habe, ist der Androide nicht zu sehen und die Schafe sehen gruselig aus. Fazit: Komplett verunglückt.

2) Die seltsame Velotour einer abenteuerlustigen Ameise

[youtube https://www.youtube.com/watch?v=-i0KxHbLRO0?version=3&rel=1&showsearch=0&showinfo=1&iv_load_policy=1&fs=1&hl=de-DE&autohide=2&wmode=transparent&w=640&h=360]

Dieses Beispiel sollte, wie oben erwähnt, eine Kurzgeschichte erzählen: Die Ameise besteigt ihr Fahrrad, fährt los und trifft auf eine Schnecke⁴.

Das Resultat ist auf den ersten Blick eindrücklich: Die kleine Ameise, die Schnecke, die Graslandschaft – alles überzeugend. Man kann sich hervorragend ausmalen, wie aus dem, was wir hier sehen, ein Kinder-Kurzfilm oder sogar ein Kinofilm werden könnte.

Bei genauerer Betrachtung fallen viele unstimmige Details auf:

• Beim Aufsteigen verformt sich das Hinterteil der Ameise.
• Die Schnecke kriecht nicht über den Boden, sondern sie gleitet – und das in einem viel zu schnellen Tempo.
• Es gibt teilweise keine Pedalen, die Füsse der Ameise drehen im Leeren. Und beim Treten ist teilweise nur ein Ameisenbein zu sehen und in einer Szene bewegt die Ameise ihre Beine überhaupt nicht.
• In der vierten Szene löst sich die Schnecke in Luft auf.
• Und am Schluss erfindet Sora einen Mann hinzu, mit dem die Schnecke einen Fistbump ausführt. Der Film endet mit dem grinsenden Mann.

Dieser Mann und der seltsame Faustgruss sind eine reine Halluzination der Software – davon stand nichts in meinem Drehbuch. Diese Wendung ist aus erzählerischer Sicht problematisch. Gut, vielleicht war es die Aufgabe der Ameise, die Schnecke zu ihrem menschlichen Freund zu führen? Will mir Sora zu verstehen geben, dass meine lahme Vorgabe das Potenzial dieser Story nicht ausschöpft?

Ein echtes Problem ist das nicht; wenn uns diese Sequenz stört, können wir sie wegschneiden. Doch was das Ameisenabenteuer deutlich vor Augen führt, ist die Tatsache, dass beim Bewegtbild sich die Fehlerquellen potenzieren:

• Falsche oder unnatürliche Bewegungsabläufe,
• Ereignisse, die nicht mit den physikalischen Gesetzen oder den natürlichen Gegebenheiten übereinstimmen,
• Anschlussfehler,
• unplausible Szenenbilder und kleine Unstimmigkeiten, die ins Uncanny Valley führen.

Kurz: Das Potenzial ist unübersehbar. Es gibt keinen Zweifel daran, dass wir in ein paar Jahren längere Filme sehen werden, die ein Teenager mit dem teuren Sora-Abo zu Hause an seinem Computer zusammengeklickt hat. Einige werden sich an den falschen Details stören, doch viele Leute werden grosszügig darüber hinwegsehen.

Gleichzeitig wird es einen Gegentrend auslösen. Wir dürfen mit einem grösseren Bedürfnis nach echter, menschengemachter Kunst rechnen. Wer weiss – vielleicht bietet das die Chance auf einen Zeichentrickfilm, der wie zur Blütezeit von Walt Disney von Hand gezeichnet wird?

Fussnoten

1) Mit Deepseek fordert China die USA heraus. Genauso wie es der Chef der KI-Com­mu­nity Hugging Face, Clem Delangue, Ende 2024 voraussagte. Überrascht hat allerdings, wie schnell diese Prognose im neuen Jahr eingetroffen ist – und wie sehr dieser Coup jetzt sitzt. ↩

2) Nach Kündigung meines NordVPN-Abos habe ich mit ProtonVPN einen Versuch gewagt; und zwar mit der Testvariante für einen US-Dolllar von Proton VPN Plus. Die wird einem angeboten, wenn man auf dieser Seite auf Get Proton VPN Free klickt. Die Gratisvariante ist für den Test leider ungeeignet, weil sie uns nicht erlaubt, einen Server in den USA zu wählen. ↩

3) Die Konfigurationsmöglichkeiten bei Sora:

• Presets steuern den Stil, zur Auswahl gehören Film Noir, Archival, Cardboard and Papercraft, Whimsical Stop Motion und Balloon World.
• Seitenverhältnis: 16:9, 1:1 und 9:16, also Hochformat.
• Auflösung: 480p, 720p und bei mir nicht verfügbar: 1080p
• Dauer: 5 Sekunden und 10 Sekunden, plus, bei mir nicht verfügbar, 15 und 20 Sekunden
• Wir dürfen ausserdem angeben, wie viele Varianten erzeugt werden sollen (eine, zwei oder vier). ↩

4) Der Prompt für diesen Film:

Erste Einstellung:

A tiny ant, wearing a miniature helmet and goggles, pedals energetically on a small mountain bike through a lush, green grassland. The grass blades tower above, creating a vibrant and lively backdrop. The sunlight filters through the leaves, casting soft shadows on the ground. The ant’s determination is evident as it navigates the uneven terrain with skill and agility.

Zweite Einstellung:

The ant encounters a snail slowly making its way across its path. The ant looks at the snail and waves cheerfully before continuing on its journey. ↩

Beitragsbild: Ein Untensil der Vergangenheit (Erik Uruci, Pexels-Lizenz)

#KI #Longread #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

Grok meiner klassischen Testaufgabe: eine Visualisierung des Titels «Do Androids Dream of Electric Sheep?» von Philip K. Dicks Roman von 1968.

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

Groks Resultat zur Aufgabe, sich eine Chimäre aus Hase, Fuchs und Menschenfrau auszudenken.

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

Grok zum Prompt, ein Dessert-Matterhorn aus Schokolade mit einem Häubchen aus Rahm zu erstellen.

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

Eine Zusatzaufgabe für Grok: Eine glückliche Punker-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

Grok zur Aufgabe, Elon Musk auf einem Einhorn darzustellen.

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!

Das soll ich sein.

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

Grok meiner klassischen Testaufgabe: eine Visualisierung des Titels «Do Androids Dream of Electric Sheep?» von Philip K. Dicks Roman von 1968.

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

Groks Resultat zur Aufgabe, sich eine Chimäre aus Hase, Fuchs und Menschenfrau auszudenken.

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

Grok zum Prompt, ein Dessert-Matterhorn aus Schokolade mit einem Häubchen aus Rahm zu erstellen.

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

Eine Zusatzaufgabe für Grok: Eine glückliche Punker-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

Grok zur Aufgabe, Elon Musk auf einem Einhorn darzustellen.

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!

Das soll ich sein.

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

Grok meiner klassischen Testaufgabe: eine Visualisierung des Titels «Do Androids Dream of Electric Sheep?» von Philip K. Dicks Roman von 1968.

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

Groks Resultat zur Aufgabe, sich eine Chimäre aus Hase, Fuchs und Menschenfrau auszudenken.

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

Grok zum Prompt, ein Dessert-Matterhorn aus Schokolade mit einem Häubchen aus Rahm zu erstellen.

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

Eine Zusatzaufgabe für Grok: Eine glückliche Punker-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

Grok zur Aufgabe, Elon Musk auf einem Einhorn darzustellen.

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!

Das soll ich sein.

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

Grok meiner klassischen Testaufgabe: eine Visualisierung des Titels «Do Androids Dream of Electric Sheep?» von Philip K. Dicks Roman von 1968.

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

Groks Resultat zur Aufgabe, sich eine Chimäre aus Hase, Fuchs und Menschenfrau auszudenken.

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

Grok zum Prompt, ein Dessert-Matterhorn aus Schokolade mit einem Häubchen aus Rahm zu erstellen.

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

Eine Zusatzaufgabe für Grok: Eine glückliche Punker-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

Grok zur Aufgabe, Elon Musk auf einem Einhorn darzustellen.

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!

Das soll ich sein.

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

Wie der Avatar ausfällt, hängt vom Bild ab, auf dem er berechnet wird.

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.

Das bin ich, mit einer Woll­mütze aus­ge­stat­tet und in ein Winter­wun­der­land versetzt.

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

Hier können Stichworte entfernt und hinzugefügt werden, bis das Resultat einigermassen passt.

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!

Über dieses Menü setzen wir der Image-Playground-App beliebige Bilder vor. Und hier lässt sich auch vom Standard-Stil «Animation» auf «Illustration» umschalten.

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.

Auch das Nerdfunk-Team muss dran glauben: Digichris, Kevin, maege und Matthias.

#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

Wie der Avatar ausfällt, hängt vom Bild ab, auf dem er berechnet wird.

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.

Das bin ich, mit einer Woll­mütze aus­ge­stat­tet und in ein Winter­wun­der­land versetzt.

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

Hier können Stichworte entfernt und hinzugefügt werden, bis das Resultat einigermassen passt.

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!

Über dieses Menü setzen wir der Image-Playground-App beliebige Bilder vor. Und hier lässt sich auch vom Standard-Stil «Animation» auf «Illustration» umschalten.

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.

Auch das Nerdfunk-Team muss dran glauben: Digichris, Kevin, maege und Matthias.

#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.

Einige meiner Versuche, mit Stable Diffusion eine Familie von Punks nach Paris zu verpflanzen.

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.

Der heldenhafte Steinbock, erster Versuch.

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]

Der heldenhafte Steinbock, zweiter Versuch. Die als unwichtig gekennzeichnete Alphütte ist gänzlich verschwunden.

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.

Die Comic-Ente aus den USA hat ihre europäischen Kollegen komplett verdrängt.

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.

Einige meiner Versuche, mit Stable Diffusion eine Familie von Punks nach Paris zu verpflanzen.

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.

Der heldenhafte Steinbock, erster Versuch.

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]

Der heldenhafte Steinbock, zweiter Versuch. Die als unwichtig gekennzeichnete Alphütte ist gänzlich verschwunden.

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.

Die Comic-Ente aus den USA hat ihre europäischen Kollegen komplett verdrängt.

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

Zum Vergleich: Bei meinem ersten Versuch vor 18 Monaten entstand ein Schaf-Android-Mischwesen.

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

Das Original-Selfie.

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.

Das Freistellen des Motivs ist mit ein paar Klicks erledigt.

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 verbreiterte Bild: Was ist bloss mit diesen Schultern los?

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.

Das Endresultat: Matthias auf der (wenig vertrauenerweckenden) KI-Achterbahn.

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

Zum Vergleich: Bei meinem ersten Versuch vor 18 Monaten entstand ein Schaf-Android-Mischwesen.

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

Das Original-Selfie.

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.

Das Freistellen des Motivs ist mit ein paar Klicks erledigt.

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 verbreiterte Bild: Was ist bloss mit diesen Schultern los?

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.

Das Endresultat: Matthias auf der (wenig vertrauenerweckenden) KI-Achterbahn.

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

Wie man fotorealistische KI-Bilder generiert

Wie bringt man einen KI-Bildgenerator dazu, Bilder in fotorealistischer Qualität zu erzeugen? Diese Frage hat sich mir neulich gestellt, als ich einen Artikel zur Erkennung ebendieser Bilder geschrieben habe und meine Tipps anhand konkreter Beispiele überprüfen wollte.

Es zeigt sich, dass das gar nicht so einfach ist. Die Stichworte fotorealistisch, hyperrealistisch und extrem detailreich allein reichen nicht. Auch mit dieser Vorgabe sind die allermeisten Resultate auf den ersten Blick als künstlich zu erkennen. Ich habe nachgeforscht und bin auf zwei Erfolgsfaktoren gestossen:

1. Es braucht das passende Modell
2. Und einen ausführlichen Prompt mit einer exakten Beschreibung der Bildwirkung

Zuerst zum Prompt: Bei der Beschreibung des gewünschten Bildes geben wir an, dass das Bild auf Flickr für Furore sorgen soll oder für eine Fotoausstellung gedacht ist. Damit es möglichst fotografisch wirkt, geben wir die gewünschten «Aufnahme»-Parameter an, etwa Blende 2,0 und Brennweite 35 mm. Und manche «Prompt Engineers» nennen sogar einen Fotografen, an dessen Werk sich die KI orientieren soll. Steve McCurry ist einer, der mir bei meinen Nachforschungen zum perfekten Prompt mehrmals begegnet ist.

Diese Methode funktioniert nicht bei allen Bildgeneratoren gleich gut: Dall-e erzeugt keine Bilder im Stil lebender Fotokünstler, natürlich aus Angst vor Urheberrechtsverletzungen. Als Notlösung verlangen wir stattdessen ein Bild im Stil eines «berühmten Porträtfotografen».

Stable Diffusion mit mehr Einflussmöglichkeiten

Nebst Dall-e habe ich auch die Möglichkeiten in der Open-Source-Software Stable Diffusion ausgelotet. Die betreibe ich mit der Software Draw Things auf dem Macbook Pro M3. Mit der haben wir deutlich mehr Einflussmöglichkeiten als bei Dall-e oder anderen kommerziellen KIs wie Firefly von Adobe: Die Angabe von Fotografen wird nicht verweigert, und wir können auch einen negativen Prompt formulieren: Dieser gibt an, was alles nicht im Bild enthalten sein soll. Ich habe einen ellenlangen negativen Prompt gefunden, der alles aufzählt, was in einem fotorealistischen Bild nichts verloren hat: ein Puppen- oder 3D-Game-Look, fehlende Gliedmassen, etc.

In Stable Diffusion können wir ausserdem mit verschiedenen Modellen arbeiten, die anhand unterschiedlicher Daten trainiert wurden und entsprechend sehr verschiedene Resultate ergeben. Für den nachfolgenden Vergleich habe ich denselben Prompt¹ mit allfällig notwendigen Modifikationen und, wo möglich, den aus dem Internet «ausgeliehenen» negativen Prompt² verwendet. In Draw Things habe ich ausserdem den Strength-Regler auf 70 Prozent gezogen: Er sorgt dafür, dass sich die KI weniger künstlerische «Freiheiten» nimmt als mit der Standardeinstellung

Das sind die Resultate, sortiert nach ihrem Realitätsgrad, den ich hier subjektiv beurteile.

1) Adobe Firefly: Ja! Aber!

Adobe Firefly: Sehr realistisch, aber Emilia Clarke erkenne ich nicht.

Dieses Bild erfüllt viele der Anforderungen: Es ist so realistisch, dass wir schon genau hinsehen müssen, um es als künstlich zu erkennen. Mich irritiert das Gebiss ein wenig – aber ohne, dass ich das genau festmachen könnte. Die Stadt im Hintergrund könnte Zürich sein, was sich wegen der geringen Schärfentiefe nicht abschliessend beurteilen lässt. Die Flagge hinter dem Kopf der Frau gibt Rätsel auf – das ist weder die Schweizerfahne noch die von Zürich.

Das offensichtliche Manko liegt natürlich darin, dass die Frau nicht aussieht wie Emilia Clarke. Wir dürfen annehmen, dass die Adobe die Persönlichkeit der Schauspielerin schützen will – was auch völlig berechtigt ist.

2) Stable Diffusion mit RealVisXL v4.0: Ab in die Vergangenheit

Stable Diffusion mit RealVisXL v4.0: Zürich hat einen neuen Hausberg.

Das Modell RealVisXL v4.0 ist ein ziemlicher Brummer; insgesamt fast sechs Giga gross. Es verspricht fotorealistische Qualität und liefert die auch. Bei meinem Testprompt – der für dieses Experiment nicht weiter modifiziert wird – ist das Resultat gut, aber nicht überragend: Das Gesicht der Frau wirkt überzeugend und auch die Lichtstimmung gefällt. Es ist aber offensichtlich, dass dieses Modell nichts mit Emilia Clarke anfangen kann und mit Game of Thrones auch nicht. Ich nehme an, dass diese Referenz dazu geführt hat, dass dieses Bild nun einen mittelalterlichen Touch hat, speziell, was die Kleidung der Frau angeht.

Und wir brauchen nicht darüber zu diskutieren, dass die Stadt im Hintergrund nicht Zürich ist. Vielleicht Bünderland oder Jura?

3) Stable Diffusion mit Juggernaut XL v9: Gabs im Mittelalter Lippenstift?

Stable Diffusion Juggernaut XL v.9: Auch ein solides Resultat.

Auch das Modell Juggernaut XL v9 verspricht eine realistische Darstellung – und liefert sie auch. Die Stadt im Hintergrund finde ich deutlich besser gelungen als bei der RealVisXL-Variante: Wenn das Matterhorn im Hintergrund nicht wäre, könnte man das tatsächlich für Zürich halten – wenngleich ebenfalls mittelalterlich angehaucht.

Ich habe es auf Platz drei sortiert, weil ich das Gesicht der Frau nicht ganz so gelungen finde: Die Hautunreinheiten sind etwas weniger gelungen als bei der ersten Variante und die Haube entspricht nicht meinen Vorstellungen. Auch die dürfte ihren Ursprung wiederum bei dem Hinweis auf «Game of Thrones» haben, der zu einem monarchischen Umfeld führt.

Wir lernen daraus, dass solche Referenzen – wenn die Software sie nicht kennt – in eine falsche Richtung führen. Ich hätte sie am besten komplett gestrichen.

Allgemein lernen wir an dieser Stelle, dass der gleiche Prompt je nach Software unterschiedliche Resultate zeigt und es nicht den einen richtigen Weg gibt.

4) Midjourney: die Akzeptanzlücke klafft noch immer

Midjourney: Knapp daneben ist auch vorbei.

Midjourney landet mit dem Bild einer sympathischen jungen Frau auf Platz vier. Bei einem flüchtigen Blick überzeugt diese Kreation. Doch schauen wir genauer hin, dann stellt sich ein Gefühl der Irritation ein, das sich nicht wirklich festmachen lässt. Sind es die Gesichtszüge, die etwas zu puppenhaft wirken? Ist es das Licht im Gesicht, das nicht hundertprozentig zur Situation passt? Sind die Details zu scharf gezeichnet, um unserer Alltagswahrnehmung zu entsprechen?

Dieses vage Gefühl wird gern als Uncanny Valley bezeichnet; die deutsche Bezeichnung «Akzeptanzlücke» gefällt mir dafür gut. Ich kann dieses Bild nicht als echt akzeptieren, auch wenn die Lücke im Vergleich zu den Bildern, wie sie noch vor einem halben oder ganzen Jahr erzeugt worden sind, sicherlich schmaler geworden ist.

5) Dall-e (GPT 4o): Zu glatt, um echt zu sein

Eine leichte Ähnlichkeit mit der Schauspielerin aus «Game of Thrones» ist erkennbar.

Diese Frau hat eine recht deutliche Ähnlichkeit mit Emilia Clarke. Die Bildkomposition ist ungefähr so, wie gefordert. Trotzdem wirkt das Bild selbst auf den ersten Blick künstlich – das könnte der Screenshot aus einem 3D-Game sein, aber keinesfalls ein Bild, das an einer Ausstellung zu sehen ist.

Es gibt auch diverse Unstimmigkeiten: Sehr viele Tramschienen nebeneinander, wobei eine rechts plötzlich zu verschwinden scheint. Die Schweizerfahne links ist auch nicht über alle Zweifel erhaben.

6) Stable Diffusion mit Dreamshaper v8: Das dreifache Lottchen

Stable Diffusion Dream-Shaper: Hä? Hä? Hä?

Dreamshaper ist in der Fantasy-Welt angesiedelt. Auch in diesem Kontext sollten Bilder mit hohem Detailgrad möglich sein. Bei meinem Experiment ist etwas gründlich schiefgegangen. Was, ist mir auf Anhieb nicht klar: Zwar scheint dieses Modell Emilia Clarke aus «Game of Thrones» zu kennen, weil eine junge blonde Frau erscheint. Jedoch ist mir nicht klar, wie die Verdreifachung entstanden ist. Und von Zürich ist hier weit und breit nichts zu sehen.

7) Stable Diffusion mit Generic v. 2.1: Danke, aber nein danke

Stable Diffusion mit Generic v. 2.1: Was zum Teufel!

Über diese wirre, dadaistische Kreation sollten wir keine weiteren Worte verlieren. Nur vielleicht das noch: Wer überlegt, ob die KI sein Auto steuern oder den Operationsroboter bedienen sollte, der müsste sich dieses «Werk» hier noch einmal vor Augen führen.

Ein Nachtrag: Ich habe auch das derzeit viel bejubelte Modell Flux ausprobiert. Bei meinem Test kamen nur Abstürze, Hänger und unkenntliche Pixelhaufen heraus.

Fussnoten

1) Award winning portrait of a woman resembling Emilia Clarke in «Game of Thrones» by photographer Steve McCurry for a renowned photo exhibition, 35mm, F/2.8, lens flare and nice depth of field, extremely detailed, with minor imperfections on skin and in landscape, aspect ratio wide (4:3), in a city environment that resembles Swiss town Zurich, people around, woman looking straight in to the camera from a close distance, smiling garded ↩

2) 3d, render, cgi, doll, painting, fake, cartoon, 3d modeling:1.4), (worst quality, low quality:1.4), monochrome, child, deformed, malformed, deformed face, bad teeth, bad hands, bad fingers, bad eyes, long body, blurry, duplicated, cloned, duplicate body parts, disfigured, extra limbs, fused fingers, extra fingers, twisted, distorted, malformed hands, mutated hands and fingers, conjoined, missing limbs, bad anatomy, bad proportions, logo, watermark, text, copyright, signature, lowres, mutated, mutilated, artifacts, gross, ugly,unnatural face, unnatural body,imperfect eyes, bad lips , blurred lips, (((elongated neck))), (((2 girls))), 2 people, (((asymmetric eyes))), EasynegativeV2, ng_deepnegative_v1_75t, verybadimagenegative_v1.3, 4 eyes, (((double head))), (((long neck))), (((out of frame))), (((cropped head))), verybadimagenegative_v1.3, ng_deepnegative_v1_75t, (ugly face:0.8), cross-eyed, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, skin spots, acnes, skin blemishes, bad anatomy, DeepNegative, facing away, tilted head, {Multiple people}, lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worstquality, low quality, normal quality, jpegartifacts, signature, watermark, username, blurry, bad feet, cropped, poorly drawn hands, poorly drawn face, mutation, deformed, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, extra fingers, fewer digits, extra limbs, extra arms, extra legs, malformed limbs, fused fingers, too many fingers, long neck, cross-eyed, mutated hands, polar lowres, bad body, bad proportions, gross proportions, text, error, missing fingers, missing arms, missing legs, extra digit, extra arms, extra leg, extra foot, ((repeating hair)), food on plates , food ↩

Beitragsbild: Eine Variante des Beispiel-Prompts, bei dem die Frau auf einem Drachen reitet – von Sieger dieses Wettbewerbs, Adobe Firefly.

#FreieSoftwareFOSS_ #KI #VideoBildgenerator

Wie man fotorealistische KI-Bilder generiert

Wie bringt man einen KI-Bildgenerator dazu, Bilder in fotorealistischer Qualität zu erzeugen? Diese Frage hat sich mir neulich gestellt, als ich einen Artikel zur Erkennung ebendieser Bilder geschrieben habe und meine Tipps anhand konkreter Beispiele überprüfen wollte.

Es zeigt sich, dass das gar nicht so einfach ist. Die Stichworte fotorealistisch, hyperrealistisch und extrem detailreich allein reichen nicht. Auch mit dieser Vorgabe sind die allermeisten Resultate auf den ersten Blick als künstlich zu erkennen. Ich habe nachgeforscht und bin auf zwei Erfolgsfaktoren gestossen:

1. Es braucht das passende Modell
2. Und einen ausführlichen Prompt mit einer exakten Beschreibung der Bildwirkung

Zuerst zum Prompt: Bei der Beschreibung des gewünschten Bildes geben wir an, dass das Bild auf Flickr für Furore sorgen soll oder für eine Fotoausstellung gedacht ist. Damit es möglichst fotografisch wirkt, geben wir die gewünschten «Aufnahme»-Parameter an, etwa Blende 2,0 und Brennweite 35 mm. Und manche «Prompt Engineers» nennen sogar einen Fotografen, an dessen Werk sich die KI orientieren soll. Steve McCurry ist einer, der mir bei meinen Nachforschungen zum perfekten Prompt mehrmals begegnet ist.

Diese Methode funktioniert nicht bei allen Bildgeneratoren gleich gut: Dall-e erzeugt keine Bilder im Stil lebender Fotokünstler, natürlich aus Angst vor Urheberrechtsverletzungen. Als Notlösung verlangen wir stattdessen ein Bild im Stil eines «berühmten Porträtfotografen».

Stable Diffusion mit mehr Einflussmöglichkeiten

Nebst Dall-e habe ich auch die Möglichkeiten in der Open-Source-Software Stable Diffusion ausgelotet. Die betreibe ich mit der Software Draw Things auf dem Macbook Pro M3. Mit der haben wir deutlich mehr Einflussmöglichkeiten als bei Dall-e oder anderen kommerziellen KIs wie Firefly von Adobe: Die Angabe von Fotografen wird nicht verweigert, und wir können auch einen negativen Prompt formulieren: Dieser gibt an, was alles nicht im Bild enthalten sein soll. Ich habe einen ellenlangen negativen Prompt gefunden, der alles aufzählt, was in einem fotorealistischen Bild nichts verloren hat: ein Puppen- oder 3D-Game-Look, fehlende Gliedmassen, etc.

In Stable Diffusion können wir ausserdem mit verschiedenen Modellen arbeiten, die anhand unterschiedlicher Daten trainiert wurden und entsprechend sehr verschiedene Resultate ergeben. Für den nachfolgenden Vergleich habe ich denselben Prompt¹ mit allfällig notwendigen Modifikationen und, wo möglich, den aus dem Internet «ausgeliehenen» negativen Prompt² verwendet. In Draw Things habe ich ausserdem den Strength-Regler auf 70 Prozent gezogen: Er sorgt dafür, dass sich die KI weniger künstlerische «Freiheiten» nimmt als mit der Standardeinstellung

Das sind die Resultate, sortiert nach ihrem Realitätsgrad, den ich hier subjektiv beurteile.

1) Adobe Firefly: Ja! Aber!

Adobe Firefly: Sehr realistisch, aber Emilia Clarke erkenne ich nicht.

Dieses Bild erfüllt viele der Anforderungen: Es ist so realistisch, dass wir schon genau hinsehen müssen, um es als künstlich zu erkennen. Mich irritiert das Gebiss ein wenig – aber ohne, dass ich das genau festmachen könnte. Die Stadt im Hintergrund könnte Zürich sein, was sich wegen der geringen Schärfentiefe nicht abschliessend beurteilen lässt. Die Flagge hinter dem Kopf der Frau gibt Rätsel auf – das ist weder die Schweizerfahne noch die von Zürich.

Das offensichtliche Manko liegt natürlich darin, dass die Frau nicht aussieht wie Emilia Clarke. Wir dürfen annehmen, dass die Adobe die Persönlichkeit der Schauspielerin schützen will – was auch völlig berechtigt ist.

2) Stable Diffusion mit RealVisXL v4.0: Ab in die Vergangenheit

Stable Diffusion mit RealVisXL v4.0: Zürich hat einen neuen Hausberg.

Das Modell RealVisXL v4.0 ist ein ziemlicher Brummer; insgesamt fast sechs Giga gross. Es verspricht fotorealistische Qualität und liefert die auch. Bei meinem Testprompt – der für dieses Experiment nicht weiter modifiziert wird – ist das Resultat gut, aber nicht überragend: Das Gesicht der Frau wirkt überzeugend und auch die Lichtstimmung gefällt. Es ist aber offensichtlich, dass dieses Modell nichts mit Emilia Clarke anfangen kann und mit Game of Thrones auch nicht. Ich nehme an, dass diese Referenz dazu geführt hat, dass dieses Bild nun einen mittelalterlichen Touch hat, speziell, was die Kleidung der Frau angeht.

Und wir brauchen nicht darüber zu diskutieren, dass die Stadt im Hintergrund nicht Zürich ist. Vielleicht Bünderland oder Jura?

3) Stable Diffusion mit Juggernaut XL v9: Gabs im Mittelalter Lippenstift?

Stable Diffusion Juggernaut XL v.9: Auch ein solides Resultat.

Auch das Modell Juggernaut XL v9 verspricht eine realistische Darstellung – und liefert sie auch. Die Stadt im Hintergrund finde ich deutlich besser gelungen als bei der RealVisXL-Variante: Wenn das Matterhorn im Hintergrund nicht wäre, könnte man das tatsächlich für Zürich halten – wenngleich ebenfalls mittelalterlich angehaucht.

Ich habe es auf Platz drei sortiert, weil ich das Gesicht der Frau nicht ganz so gelungen finde: Die Hautunreinheiten sind etwas weniger gelungen als bei der ersten Variante und die Haube entspricht nicht meinen Vorstellungen. Auch die dürfte ihren Ursprung wiederum bei dem Hinweis auf «Game of Thrones» haben, der zu einem monarchischen Umfeld führt.

Wir lernen daraus, dass solche Referenzen – wenn die Software sie nicht kennt – in eine falsche Richtung führen. Ich hätte sie am besten komplett gestrichen.

Allgemein lernen wir an dieser Stelle, dass der gleiche Prompt je nach Software unterschiedliche Resultate zeigt und es nicht den einen richtigen Weg gibt.

4) Midjourney: die Akzeptanzlücke klafft noch immer

Midjourney: Knapp daneben ist auch vorbei.

Midjourney landet mit dem Bild einer sympathischen jungen Frau auf Platz vier. Bei einem flüchtigen Blick überzeugt diese Kreation. Doch schauen wir genauer hin, dann stellt sich ein Gefühl der Irritation ein, das sich nicht wirklich festmachen lässt. Sind es die Gesichtszüge, die etwas zu puppenhaft wirken? Ist es das Licht im Gesicht, das nicht hundertprozentig zur Situation passt? Sind die Details zu scharf gezeichnet, um unserer Alltagswahrnehmung zu entsprechen?

Dieses vage Gefühl wird gern als Uncanny Valley bezeichnet; die deutsche Bezeichnung «Akzeptanzlücke» gefällt mir dafür gut. Ich kann dieses Bild nicht als echt akzeptieren, auch wenn die Lücke im Vergleich zu den Bildern, wie sie noch vor einem halben oder ganzen Jahr erzeugt worden sind, sicherlich schmaler geworden ist.

5) Dall-e (GPT 4o): Zu glatt, um echt zu sein

Eine leichte Ähnlichkeit mit der Schauspielerin aus «Game of Thrones» ist erkennbar.

Diese Frau hat eine recht deutliche Ähnlichkeit mit Emilia Clarke. Die Bildkomposition ist ungefähr so, wie gefordert. Trotzdem wirkt das Bild selbst auf den ersten Blick künstlich – das könnte der Screenshot aus einem 3D-Game sein, aber keinesfalls ein Bild, das an einer Ausstellung zu sehen ist.

Es gibt auch diverse Unstimmigkeiten: Sehr viele Tramschienen nebeneinander, wobei eine rechts plötzlich zu verschwinden scheint. Die Schweizerfahne links ist auch nicht über alle Zweifel erhaben.

6) Stable Diffusion mit Dreamshaper v8: Das dreifache Lottchen

Stable Diffusion Dream-Shaper: Hä? Hä? Hä?

Dreamshaper ist in der Fantasy-Welt angesiedelt. Auch in diesem Kontext sollten Bilder mit hohem Detailgrad möglich sein. Bei meinem Experiment ist etwas gründlich schiefgegangen. Was, ist mir auf Anhieb nicht klar: Zwar scheint dieses Modell Emilia Clarke aus «Game of Thrones» zu kennen, weil eine junge blonde Frau erscheint. Jedoch ist mir nicht klar, wie die Verdreifachung entstanden ist. Und von Zürich ist hier weit und breit nichts zu sehen.

7) Stable Diffusion mit Generic v. 2.1: Danke, aber nein danke

Stable Diffusion mit Generic v. 2.1: Was zum Teufel!

Über diese wirre, dadaistische Kreation sollten wir keine weiteren Worte verlieren. Nur vielleicht das noch: Wer überlegt, ob die KI sein Auto steuern oder den Operationsroboter bedienen sollte, der müsste sich dieses «Werk» hier noch einmal vor Augen führen.

Ein Nachtrag: Ich habe auch das derzeit viel bejubelte Modell Flux ausprobiert. Bei meinem Test kamen nur Abstürze, Hänger und unkenntliche Pixelhaufen heraus.

Fussnoten

1) Award winning portrait of a woman resembling Emilia Clarke in «Game of Thrones» by photographer Steve McCurry for a renowned photo exhibition, 35mm, F/2.8, lens flare and nice depth of field, extremely detailed, with minor imperfections on skin and in landscape, aspect ratio wide (4:3), in a city environment that resembles Swiss town Zurich, people around, woman looking straight in to the camera from a close distance, smiling garded ↩

2) 3d, render, cgi, doll, painting, fake, cartoon, 3d modeling:1.4), (worst quality, low quality:1.4), monochrome, child, deformed, malformed, deformed face, bad teeth, bad hands, bad fingers, bad eyes, long body, blurry, duplicated, cloned, duplicate body parts, disfigured, extra limbs, fused fingers, extra fingers, twisted, distorted, malformed hands, mutated hands and fingers, conjoined, missing limbs, bad anatomy, bad proportions, logo, watermark, text, copyright, signature, lowres, mutated, mutilated, artifacts, gross, ugly,unnatural face, unnatural body,imperfect eyes, bad lips , blurred lips, (((elongated neck))), (((2 girls))), 2 people, (((asymmetric eyes))), EasynegativeV2, ng_deepnegative_v1_75t, verybadimagenegative_v1.3, 4 eyes, (((double head))), (((long neck))), (((out of frame))), (((cropped head))), verybadimagenegative_v1.3, ng_deepnegative_v1_75t, (ugly face:0.8), cross-eyed, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, skin spots, acnes, skin blemishes, bad anatomy, DeepNegative, facing away, tilted head, {Multiple people}, lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worstquality, low quality, normal quality, jpegartifacts, signature, watermark, username, blurry, bad feet, cropped, poorly drawn hands, poorly drawn face, mutation, deformed, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, extra fingers, fewer digits, extra limbs, extra arms, extra legs, malformed limbs, fused fingers, too many fingers, long neck, cross-eyed, mutated hands, polar lowres, bad body, bad proportions, gross proportions, text, error, missing fingers, missing arms, missing legs, extra digit, extra arms, extra leg, extra foot, ((repeating hair)), food on plates , food ↩

Beitragsbild: Eine Variante des Beispiel-Prompts, bei dem die Frau auf einem Drachen reitet – von Sieger dieses Wettbewerbs, Adobe Firefly.

#FreieSoftwareFOSS_ #KI #VideoBildgenerator

Mein gescheiterter Auftritt als digitaler Mensch

Vor einiger Zeit geisterte ein Video durchs Internet, bei dem ein Milliardär sich selbst, bzw. sein digitales Gegenstück interviewt. Das Bemerkenswerte an der Sache ist, dass die beiden kaum auseinanderzuhalten sind: Auch der Avatar tut so, als würde er aufmerksam zuhören. Er nickt, macht irgendetwas mit den Händen und kratzt sich zwischendurch an der Nase.

Bemerkenswert? Man könnte auch eindrücklich oder gruselig sagen. Auf Dauer sind die Gesten der KI etwas repetitiv, und auch die Ausdrucksweise wirkt etwas limitiert. Trotzdem ist das authentisch genug, dass ich nicht überrascht wäre, wenn rauskäme, dass der Milliardär den Avatar nur gespielt hat.

Nein, einen Fake will ich nicht unterstellen. Aber ich gehe davon aus, dass es mit einigem Aufwand produziert und auf Effekt getrimmt wurde. Denn der Mann im Video kann es sich leisten: Es handelt sich um Reid Hoffman, der wie erwähnt Milliardär ist. Er ist einer der Gründer bei Linkedin und Investor mit einer anscheinend meistens guten Nase.

Der digitale Avatar stammt, wie z.B. hier zu lesen ist, von Hour One. Dieses 2019 gegründete Unternehmen proklamiert unbescheiden, es beherrsche «die Kunst, virtuelle Charaktere zu erschaffen, die so real sind, dass Sie sich zweimal vergewissern müssen».

Die Avatars ab Stange

Ich beim Versuch, meinen Kopf in die Markierung zu kriegen und gleichzeitig einen Screenshot zu machen.

Aber natürlich glaube ich so eine Behauptung nicht unbesehen. Ich habe darum einige eigene Experimente mit Hour One unternommen, aber, ohne dass ich ein ähnlich eindrückliches Resultat wie Reid Hoffman hinbekommen hätte. Es ist sogar so, dass ich überhaupt kein Resultat hinbekommen habe. Aber dazu mehr weiter unten.

Hoffmans Video ist, so vermute ich, Teil der Markteinführung der sogenannten Cinematic Avatars. Die wurden am 7. Mai 2024 vorgestellt und sind auch ein Vorzeigeprojekt von Nvidia.

Ich habe nirgends die Möglichkeit gefunden, selbst einen Cinematic Avatar zu erstellen. Ich habe die Option vorgefunden, einen Avatar ab Stange zu nutzen. Den wählen wir aus einem Aufgebot aus, das nach Geschlecht, Alter und Kleidung (Business, Casual, Dress, Work) gegliedert ist. Als Umgebung stehen Studio, Mobil und Schreibtisch zur Auswahl.

Es gibt auch die Option Create your Avatar, der teils auch virtual human genannt wird. Um unser virtuelles Selbst zu erschaffen, stehen vier Optionen zur Auswahl:

• Studio,
• Aufnahme via App,
• Aufnahme via Webcam und
• Stimme (Clone your voice)

Klar, die unterscheiden sich in der Qualität des Resultats. Bei der Studio-Variante wird man in mehreren Outfits aufgenommen und das Resultat dürfte qualitativ am besten sein.

Den Avatar erstellen und zur Arbeit schicken

Ich probiere es über die iPhone-App. In der muss ich eine einzelne Selfie-Aufnahme anfertigen, auf der ich von den Hüften an aufwärts zu sehen bin. Der Avatar ist nach einer Wartezeit (bei mir um die 18 Minuten) einsatzbereit.

Um den Avatar zur Arbeit zu schicken, wählen wir eine Vorlage für unser Projekt. Dieses Template gibt den allgemeinen Look vor. Es gibt Präsentationen, bei denen der Avatar nur klein zu sehen ist; entweder in einem schmalen Bereich am Rand oder in eine Ecke eingeklinkt. Die Idee ist, dass gross ein Produktfoto, eine fotografische Aufnahme, ein Video oder vielleicht auch eine Präsentationsfolie zu sehen ist.

Für meinen Test wähle ich ein Template aus, bei der der Avatar prominent vor einem grafischen Hintergrund steht. Im Editor reihen wir nun Szene um Szene aneinander, wobei wir jeweils für jede «Einstellung» ein eigenes Layout wählen: Es gibt Grösse und Platzierung des Avatars vor. Wir bestimmen auch Einblendungen und Hintergrund.

Das Video entsteht Szene für Szene mit Text, Einstellung und Bildern.

Dem digitalen Selbst Worte in den Mund legen

Die Hauptsache an ist natürlich der Text, der der Avatar von sich gibt. Den können wir tippen, sodass er via Sprachsynthese vom Computer vorgelesen wird. Wenn wir uns für diesen Weg entscheiden, stehen uns die Standardstimmen zur Verfügung. Authentischer wäre, die eigene Stimme zu klonen. Darauf habe ich verzichtet, weil es mir an dieser Stelle vor allem um den Avatar geht.

Das Hochladen eigener Aufnahmen (eine Audiodatei pro Szene) ist auch eine Option. Den Text selbst einzusprechen, wäre für die Glaubwürdigkeit des Endprodukts der beste Weg. Wir können auch eine Sprachsynthese benutzen, die wir anderswo erstellt haben, z.B. bei Eleven­labs (Als Frau klinge ich ganz schön sexy).

Wer mag, legt Musik unters Video und ändert die Farbpalette. Und Unternehmen machen von den Branding-Optionen Gebrauch.

Der digitale Matthias kommt niemals ins Ziel

Jetzt kommen wir zur spannenden Frage: Was taugt dieses digitale Abbild meiner selbst? Wird es demnächst auf Youtube meine Blogbeiträge multimedial präsentieren?

Danach sieht es im Moment nicht aus. Alle meine Versuche, ein Video mit meinem Avatar zu erzeugen, sind gescheitert. Ich konnte mein kurzes Testvideo nicht fertig rendern und nicht einmal auf der Spielwiese (im Playground) habe ich eine Voransicht hingekommen.

Alle meine Versuche nach dem Klick auf Create Video stecken geblieben. Mehrfach blieb die Anzeige bei 25 Prozent hängen; einmal auch bei 63. Ob die Software bisher nicht den nötigen Grad an Zuverlässigkeit hat oder ob das Rendering bei den Gratisnutzern bei Auslastung gestoppt wird, lässt sich nicht sagen. Allerdings: Die Erstellung kommentarlos abzubrechen, ist unter keinen Umständen akzeptabel. Das ist ein eklatanter Mangel, der die Alltagstauglichkeit infrage stellt.

Mein Eindruck ist, dass ein Problem mit meinem Avatar oder der Software vorliegt. Ich habe eine Anfrage an den Support gestellt, bislang aber keine Antwort bekommen. Bei der Zuverlässigkeit von Hour one mache ich daher ein dickes Fragezeichen.

Theoretisch ein riesiger Zeitgewinn

Aber gehen wir davon aus, dass Hour One nicht ein kompletter Schwindel ist. Dafür spricht, dass mir die Kreation eines Videos mit einem Standard-Avatar gelungen ist. Sie war zwar nicht Ziel dieses Tests, lässt aber dennoch erahnen, wie mit der Software in der Praxis gearbeitet werden könnte.

Wenn mit der Software in der beabsichtigten Form gearbeitet werden könnte, dann würde sie einen enormen Zeitgewinn ermöglichen. Mein kurzes Testprojekt mit zwei Szenen hat mich – inklusive der Erstellung des Avatars und der Protokollierung hier fürs Blog – etwa eine Stunde gekostet.

Das ist ungeschlagen schnell: Hätte ich eine Kamera aufstellen und mich selbst vor einem Greenscreen filmen müssen, hätten schon die Vorbereitungen mehr Zeit in Anspruch genommen. Abgesehen davon ist die Arbeit mit Hour One viel entspannter, weil sich die digitale Variante seiner Selbst nicht verhaspelt und nach dem fünften Take die Nerven verliert. Und nicht zu vernachlässigen: auch die Postproduktion fällt weg.

Um Welten einfacher als ein echtes Video

Diesse Zeitersparnis macht Hour one für allerlei Projekte zu einer echten Alternative zur klassischen Produktionsweise: Erklärvideos in Unternehmen, kurze Social-Media-Clips und ähnliche Dinge lassen sich schnell, konsistent und günstig erstellen. Was den Look und die Qualität der Videos angeht, ist Hour one um Welten besser als Krikey AI; eine Lösung, die ich in vor einem Monat vorgestellt habe.

Apropos kostengünstig: Ich habe die Gratisvariante ausprobiert, bei der es 100 Video-Credits gibt, was drei Minuten Video entspricht. Die Lite-Variante für 25 US-Dollar ermöglicht 120 Minuten Video-Kreation und der Business-Plan beläuft sich auf 95 US-Dollar und 240 Minuten. Er ist nötig fürs individuelle Branding und die 3D-Vorlagen.

Was mich als potenziellen Konsumenten solcher Medien angeht, ist mir nicht wohl bei der Sache. Ich möchte nicht ständig Avatare ansehen müssen, die zwar einen perfekten Auftritt haben, aber so viel Leben ausstrahlen wie Siri an einem schlechten Tag. Als Empfänger einer Botschaft – egal, von wem sie stammt – würde ich verlangen, dass mich der Absender als Mensch behandelt. Sprich, mir auch die Achtung zuteilwerden lässt, einen echten Menschen als Überbringer einzusetzen.

Aber: Sie nerven auch schnell

Wir können schon jetzt festhalten, dass künstliche Avatare in Videos bald als ermüdend wahrgenommen werden. Darum habe ich die Hoffnung, dass die klassische Produktionsweise mit echten Charakteren auch weiterhin der Goldstandard bleiben wird. Bei den künstlichen Videos könnte die Zielgruppe hingegen denken, dass für ein «echtes» Video das Geld oder der Respekt gefehlt hat.

Weil mein Avatar nie das Licht des Internets erblickt hat, kann ich nicht beurteilen, wie viel schlechter er im Vergleich zum virtuellen Reid Hoffman ausgefallen wäre. Ich bin aber überzeugt, dass die Latte für einen überzeugenden Cinematic Avatar hoch liegt. Ein kurzes Videoselfie dürfte keinesfalls ausreichen; wahrscheinlich verbringt man ziemlich viel Zeit im Studio, bis genügend Rohmaterial vorhanden ist. Ein perfekter Deepfake lässt sich mutmasslich auch mit Hour one nicht mit einem einzigen Mausklick erstellen.

Trotzdem bleibt das Tempo der Entwicklung atemberaubend hoch. Ich habe Ende 2023 einige Methoden aufgezählt, wie wir unser digitales Ebenbild erschaffen. Die sind ein halbes Jahr komplett überholt: Statt kitschige Comicbildchen mit unserem Gesicht existieren nun digitale Avatare, die nur bei genauem Hinschauen als künstlich zu erkennen sind.

Beitragsbild: Wozu? Das geht schon längst komplett digital (Emmanuel Acua, Unsplash-Lizenz).

#KI #TlDr #VideoUndAudioProduktion #VideoBildgenerator

Mein gescheiterter Auftritt als digitaler Mensch

Vor einiger Zeit geisterte ein Video durchs Internet, bei dem ein Milliardär sich selbst, bzw. sein digitales Gegenstück interviewt. Das Bemerkenswerte an der Sache ist, dass die beiden kaum auseinanderzuhalten sind: Auch der Avatar tut so, als würde er aufmerksam zuhören. Er nickt, macht irgendetwas mit den Händen und kratzt sich zwischendurch an der Nase.

Bemerkenswert? Man könnte auch eindrücklich oder gruselig sagen. Auf Dauer sind die Gesten der KI etwas repetitiv, und auch die Ausdrucksweise wirkt etwas limitiert. Trotzdem ist das authentisch genug, dass ich nicht überrascht wäre, wenn rauskäme, dass der Milliardär den Avatar nur gespielt hat.

Nein, einen Fake will ich nicht unterstellen. Aber ich gehe davon aus, dass es mit einigem Aufwand produziert und auf Effekt getrimmt wurde. Denn der Mann im Video kann es sich leisten: Es handelt sich um Reid Hoffman, der wie erwähnt Milliardär ist. Er ist einer der Gründer bei Linkedin und Investor mit einer anscheinend meistens guten Nase.

Der digitale Avatar stammt, wie z.B. hier zu lesen ist, von Hour One. Dieses 2019 gegründete Unternehmen proklamiert unbescheiden, es beherrsche «die Kunst, virtuelle Charaktere zu erschaffen, die so real sind, dass Sie sich zweimal vergewissern müssen».

Die Avatars ab Stange

Ich beim Versuch, meinen Kopf in die Markierung zu kriegen und gleichzeitig einen Screenshot zu machen.

Aber natürlich glaube ich so eine Behauptung nicht unbesehen. Ich habe darum einige eigene Experimente mit Hour One unternommen, aber, ohne dass ich ein ähnlich eindrückliches Resultat wie Reid Hoffman hinbekommen hätte. Es ist sogar so, dass ich überhaupt kein Resultat hinbekommen habe. Aber dazu mehr weiter unten.

Hoffmans Video ist, so vermute ich, Teil der Markteinführung der sogenannten Cinematic Avatars. Die wurden am 7. Mai 2024 vorgestellt und sind auch ein Vorzeigeprojekt von Nvidia.

Ich habe nirgends die Möglichkeit gefunden, selbst einen Cinematic Avatar zu erstellen. Ich habe die Option vorgefunden, einen Avatar ab Stange zu nutzen. Den wählen wir aus einem Aufgebot aus, das nach Geschlecht, Alter und Kleidung (Business, Casual, Dress, Work) gegliedert ist. Als Umgebung stehen Studio, Mobil und Schreibtisch zur Auswahl.

Es gibt auch die Option Create your Avatar, der teils auch virtual human genannt wird. Um unser virtuelles Selbst zu erschaffen, stehen vier Optionen zur Auswahl:

• Studio,
• Aufnahme via App,
• Aufnahme via Webcam und
• Stimme (Clone your voice)

Klar, die unterscheiden sich in der Qualität des Resultats. Bei der Studio-Variante wird man in mehreren Outfits aufgenommen und das Resultat dürfte qualitativ am besten sein.

Den Avatar erstellen und zur Arbeit schicken

Ich probiere es über die iPhone-App. In der muss ich eine einzelne Selfie-Aufnahme anfertigen, auf der ich von den Hüften an aufwärts zu sehen bin. Der Avatar ist nach einer Wartezeit (bei mir um die 18 Minuten) einsatzbereit.

Um den Avatar zur Arbeit zu schicken, wählen wir eine Vorlage für unser Projekt. Dieses Template gibt den allgemeinen Look vor. Es gibt Präsentationen, bei denen der Avatar nur klein zu sehen ist; entweder in einem schmalen Bereich am Rand oder in eine Ecke eingeklinkt. Die Idee ist, dass gross ein Produktfoto, eine fotografische Aufnahme, ein Video oder vielleicht auch eine Präsentationsfolie zu sehen ist.

Für meinen Test wähle ich ein Template aus, bei der der Avatar prominent vor einem grafischen Hintergrund steht. Im Editor reihen wir nun Szene um Szene aneinander, wobei wir jeweils für jede «Einstellung» ein eigenes Layout wählen: Es gibt Grösse und Platzierung des Avatars vor. Wir bestimmen auch Einblendungen und Hintergrund.

Das Video entsteht Szene für Szene mit Text, Einstellung und Bildern.

Dem digitalen Selbst Worte in den Mund legen

Die Hauptsache an ist natürlich der Text, der der Avatar von sich gibt. Den können wir tippen, sodass er via Sprachsynthese vom Computer vorgelesen wird. Wenn wir uns für diesen Weg entscheiden, stehen uns die Standardstimmen zur Verfügung. Authentischer wäre, die eigene Stimme zu klonen. Darauf habe ich verzichtet, weil es mir an dieser Stelle vor allem um den Avatar geht.

Das Hochladen eigener Aufnahmen (eine Audiodatei pro Szene) ist auch eine Option. Den Text selbst einzusprechen, wäre für die Glaubwürdigkeit des Endprodukts der beste Weg. Wir können auch eine Sprachsynthese benutzen, die wir anderswo erstellt haben, z.B. bei Eleven­labs (Als Frau klinge ich ganz schön sexy).

Wer mag, legt Musik unters Video und ändert die Farbpalette. Und Unternehmen machen von den Branding-Optionen Gebrauch.

Der digitale Matthias kommt niemals ins Ziel

Jetzt kommen wir zur spannenden Frage: Was taugt dieses digitale Abbild meiner selbst? Wird es demnächst auf Youtube meine Blogbeiträge multimedial präsentieren?

Danach sieht es im Moment nicht aus. Alle meine Versuche, ein Video mit meinem Avatar zu erzeugen, sind gescheitert. Ich konnte mein kurzes Testvideo nicht fertig rendern und nicht einmal auf der Spielwiese (im Playground) habe ich eine Voransicht hingekommen.

Alle meine Versuche nach dem Klick auf Create Video stecken geblieben. Mehrfach blieb die Anzeige bei 25 Prozent hängen; einmal auch bei 63. Ob die Software bisher nicht den nötigen Grad an Zuverlässigkeit hat oder ob das Rendering bei den Gratisnutzern bei Auslastung gestoppt wird, lässt sich nicht sagen. Allerdings: Die Erstellung kommentarlos abzubrechen, ist unter keinen Umständen akzeptabel. Das ist ein eklatanter Mangel, der die Alltagstauglichkeit infrage stellt.

Mein Eindruck ist, dass ein Problem mit meinem Avatar oder der Software vorliegt. Ich habe eine Anfrage an den Support gestellt, bislang aber keine Antwort bekommen. Bei der Zuverlässigkeit von Hour one mache ich daher ein dickes Fragezeichen.

Theoretisch ein riesiger Zeitgewinn

Aber gehen wir davon aus, dass Hour One nicht ein kompletter Schwindel ist. Dafür spricht, dass mir die Kreation eines Videos mit einem Standard-Avatar gelungen ist. Sie war zwar nicht Ziel dieses Tests, lässt aber dennoch erahnen, wie mit der Software in der Praxis gearbeitet werden könnte.

Wenn mit der Software in der beabsichtigten Form gearbeitet werden könnte, dann würde sie einen enormen Zeitgewinn ermöglichen. Mein kurzes Testprojekt mit zwei Szenen hat mich – inklusive der Erstellung des Avatars und der Protokollierung hier fürs Blog – etwa eine Stunde gekostet.

Das ist ungeschlagen schnell: Hätte ich eine Kamera aufstellen und mich selbst vor einem Greenscreen filmen müssen, hätten schon die Vorbereitungen mehr Zeit in Anspruch genommen. Abgesehen davon ist die Arbeit mit Hour One viel entspannter, weil sich die digitale Variante seiner Selbst nicht verhaspelt und nach dem fünften Take die Nerven verliert. Und nicht zu vernachlässigen: auch die Postproduktion fällt weg.

Um Welten einfacher als ein echtes Video

Diesse Zeitersparnis macht Hour one für allerlei Projekte zu einer echten Alternative zur klassischen Produktionsweise: Erklärvideos in Unternehmen, kurze Social-Media-Clips und ähnliche Dinge lassen sich schnell, konsistent und günstig erstellen. Was den Look und die Qualität der Videos angeht, ist Hour one um Welten besser als Krikey AI; eine Lösung, die ich in vor einem Monat vorgestellt habe.

Apropos kostengünstig: Ich habe die Gratisvariante ausprobiert, bei der es 100 Video-Credits gibt, was drei Minuten Video entspricht. Die Lite-Variante für 25 US-Dollar ermöglicht 120 Minuten Video-Kreation und der Business-Plan beläuft sich auf 95 US-Dollar und 240 Minuten. Er ist nötig fürs individuelle Branding und die 3D-Vorlagen.

Was mich als potenziellen Konsumenten solcher Medien angeht, ist mir nicht wohl bei der Sache. Ich möchte nicht ständig Avatare ansehen müssen, die zwar einen perfekten Auftritt haben, aber so viel Leben ausstrahlen wie Siri an einem schlechten Tag. Als Empfänger einer Botschaft – egal, von wem sie stammt – würde ich verlangen, dass mich der Absender als Mensch behandelt. Sprich, mir auch die Achtung zuteilwerden lässt, einen echten Menschen als Überbringer einzusetzen.

Aber: Sie nerven auch schnell

Wir können schon jetzt festhalten, dass künstliche Avatare in Videos bald als ermüdend wahrgenommen werden. Darum habe ich die Hoffnung, dass die klassische Produktionsweise mit echten Charakteren auch weiterhin der Goldstandard bleiben wird. Bei den künstlichen Videos könnte die Zielgruppe hingegen denken, dass für ein «echtes» Video das Geld oder der Respekt gefehlt hat.

Weil mein Avatar nie das Licht des Internets erblickt hat, kann ich nicht beurteilen, wie viel schlechter er im Vergleich zum virtuellen Reid Hoffman ausgefallen wäre. Ich bin aber überzeugt, dass die Latte für einen überzeugenden Cinematic Avatar hoch liegt. Ein kurzes Videoselfie dürfte keinesfalls ausreichen; wahrscheinlich verbringt man ziemlich viel Zeit im Studio, bis genügend Rohmaterial vorhanden ist. Ein perfekter Deepfake lässt sich mutmasslich auch mit Hour one nicht mit einem einzigen Mausklick erstellen.

Trotzdem bleibt das Tempo der Entwicklung atemberaubend hoch. Ich habe Ende 2023 einige Methoden aufgezählt, wie wir unser digitales Ebenbild erschaffen. Die sind ein halbes Jahr komplett überholt: Statt kitschige Comicbildchen mit unserem Gesicht existieren nun digitale Avatare, die nur bei genauem Hinschauen als künstlich zu erkennen sind.

Beitragsbild: Wozu? Das geht schon längst komplett digital (Emmanuel Acua, Unsplash-Lizenz).

#KI #TlDr #VideoUndAudioProduktion #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.

Der Android ist kein Android und das Schaf eine Missbildung.

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.

Stable Diffusion zum Prompt: Marianne, die Nationalfigur der Französischen Republik, vom berühmten Bild, auf dem sie mit blankem Oberkörper und wehender Fahne, siegreich auf dem Schlachtfeld steht, aber übertragen in ein modernes Umfeld, in dem sie als Superheldin auftritt.

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).

Das sollte ein Hund sein! Bei der Real Time Canvas wird eine Skizze in Echtzeit in eine Illustration verwandelt.

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.

Der Android ist kein Android und das Schaf eine Missbildung.

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.

Stable Diffusion zum Prompt: Marianne, die Nationalfigur der Französischen Republik, vom berühmten Bild, auf dem sie mit blankem Oberkörper und wehender Fahne, siegreich auf dem Schlachtfeld steht, aber übertragen in ein modernes Umfeld, in dem sie als Superheldin auftritt.

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).

Das sollte ein Hund sein! Bei der Real Time Canvas wird eine Skizze in Echtzeit in eine Illustration verwandelt.

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

Mit Stable Diffusion ans Eingemachte

Draw Things ist eine Mac-Anwendung, die es erlaubt, per KI Bilder zu generieren. Sie tut das nicht via Cloud, sondern auf der eigenen Hardware. Sie verwendet dazu die Modelle von Stable Diffusion, die bekanntlich Open-Source sind.

Es gibt Draw Things kostenlos im Mac-App-Store. Es gibt auch Varianten fürs iPhone und iPad. Ich habe so meine Zweifel, ob es sinnvoll ist, diese Aufgabe den mobilen Geräten zuzumuten. Natürlich: die haben inzwischen auch sehr leistungsfähige Prozessoren. Aber da die Modelle sehr viel Platz brauchen und die Erzeugung der Bilder rechenintensiv ist, scheint mir ein Gerät wie das Macbook Pro M3, das ich als Testgerät zur Verfügung habe, für derlei Experimente besser geeignet.

Die Qual der Modell-Wahl

Die Arbeit mit Draw Things funktioniert genauso, wie wir es mit anderen lokalen KI-Modellen kennen, seien es Chatbots in LM Studio oder die Transkriptionssoftware Macwhisper: Wir installieren die Software, die sogleich nach einem Modell verlangt: Das enthält mehr oder weniger und teils unterschiedliche Trainingsdaten und ist fürs Resultat verantwortlich. Es beeinflusst auch die Zeit, die fürs Erstellen eines Bildes benötigt wird.

Bitte experimentieren! Die Oberfläche von Draw Things.Bevor es losgeht, müssen wir aus mehreren Dutzend Modellen eines auswählen.

Das ist die erste Herausforderung: In Draw Things stehen 19 offizielle Modelle und mehrere Dutzend Community Models zur Auswahl. Bei manchen lässt sich anhand des Namens erahnen, was die Spezialität sein könnte; es gibt aber auch viele Modelle mit nichtssagenden Namen. Also einfach auf gut Glück loslegen?

Das Problem dabei ist, dass die Modelle meist mindestens fünf Gigabyte gross sind und das Laden entsprechend dauert. Ich empfehle darum, mit einem der offiziellen Modelle loszulegen. Die tragen SDXL im Namen (kurz für Stable Diffusion XL) und die Variante SDXL Turbo ist dennoch einigermassen schnell.

Die Stable-Diffusion-Modelle, auch die aus der Community, finden sich allesamt auf Huggingface. Das ist die grosse Plattform, auf der sich KI-Entwicklerinnen und -Interessierte austauschen. Wenn wir uns also fragen, was das Modell Juggernaut XL v9, Elden Ring Diffusion oder Spider Verse Diffusion so besonders macht, dann finden wir das hier heraus.

Nachdem wir uns für ein Modell entschieden und es heruntergeladen haben, funktioniert die Sache wie gewohnt: Wir geben unseren Prompt ein und warten, was die Software daraus macht.

Bilder generieren, bearbeiten und modifizieren

Der genau gleiche Prompt – der von elektrischen Schafen und dem träumede Android –, aber mit zwei verschiedenen Modellen erzeugt: Links SDXL Base (v1.0), rechts DreamSjhaper v8.

Sogleich machen sich einige Unterschiede zum klassischen, webbasierten Erstellungsprozess bemerkbar:

• Bei Draw Things haben wir jede Menge Einstellungsmöglichkeiten zur Verfügung. Einige davon erschliessen sich von selbst, beispielsweise die Bildgrösse in Pixeln, das Seitenverhältnis oder die Text Guidance: Sie gibt an, wie wörtlich die Software den Prompt nehmen soll. Andere Dinge – z.B. Strength, Lora und Seed – erschliessen sich nur durch Experimente.
• Wir können den gleichen Prompt mit verschiedenen Modellen ausführen.
• Nebst dem Modus Text to Image gibt es auch Image to Image: Bei dem geben wir der App ein Bild vor, das sie dann gemäss dem Prompt modifizieren soll.
• Die App kann nicht nur Bilder erzeugen, sondern stellt auch Bildbearbeitungsfunktionen wie Inpainting und Outpainting zur Verfügung: Im ersten Fall wird ein Teil eines Fotos oder KI-Bildes mit dem Pinsel gelöscht und dann per KI neu generiert. Im zweiten Fall vergrössert die Software das Bild, indem sie ausserhalb des Bildbereichs eine Umgebung dazu erfindet.
• Stable Diffusion generiert nicht nur Standbilder, sondern auch Video. Über Draw Things lassen sich auch Modelle für Bewegtbild einbinden.
• Und last but not least: Es werden keine Prompts zensuriert. Das heisst, es lassen sich auch nackte Menschen generieren.

Die Image-to-Image-Funktion: Links das Ausgangsbild, rechts die Comic-Variante mit Raumschiffen in der Luft. Und nein, sonderlich toll finde ich das Resultat nicht.

Kurz: Da tut sich ein riesiges Tummelfeld auf für Leute, die sich nicht mit dem erstbesten Resultat ihrer Bilder-KI zufriedengeben. Und kein Zweifel: Die Experimentiermöglichkeiten helfen uns dabei, die Funktionsweise von Stable Diffusion und den generativen künstlichen Intelligenzen besser zu verstehen und gezielter einsetzen zu können.

Wer Stable Diffusion nutzen möchte, aber keine passende Hardware hat, der findet in Leonardo eine vielversprechende Möglichkeit. Die stelle ich im Beitrag Da Vinci würde sich (vermutlich) im Grab umdrehen ausführlich vor.

Beitragbild: Die Schöpferin, die sich an ihrem Computer neue Welten ausdenkt (Stable Diffusion mit dem Dreamshaper-Modell).

#CiaoZurCloud #FreieSoftwareFOSS_ #KI #VideoBildgenerator

Mit Stable Diffusion ans Eingemachte

Draw Things ist eine Mac-Anwendung, die es erlaubt, per KI Bilder zu generieren. Sie tut das nicht via Cloud, sondern auf der eigenen Hardware. Sie verwendet dazu die Modelle von Stable Diffusion, die bekanntlich Open-Source sind.

Es gibt Draw Things kostenlos im Mac-App-Store. Es gibt auch Varianten fürs iPhone und iPad. Ich habe so meine Zweifel, ob es sinnvoll ist, diese Aufgabe den mobilen Geräten zuzumuten. Natürlich: die haben inzwischen auch sehr leistungsfähige Prozessoren. Aber da die Modelle sehr viel Platz brauchen und die Erzeugung der Bilder rechenintensiv ist, scheint mir ein Gerät wie das Macbook Pro M3, das ich als Testgerät zur Verfügung habe, für derlei Experimente besser geeignet.

Die Qual der Modell-Wahl

Die Arbeit mit Draw Things funktioniert genauso, wie wir es mit anderen lokalen KI-Modellen kennen, seien es Chatbots in LM Studio oder die Transkriptionssoftware Macwhisper: Wir installieren die Software, die sogleich nach einem Modell verlangt: Das enthält mehr oder weniger und teils unterschiedliche Trainingsdaten und ist fürs Resultat verantwortlich. Es beeinflusst auch die Zeit, die fürs Erstellen eines Bildes benötigt wird.

Bitte experimentieren! Die Oberfläche von Draw Things.Bevor es losgeht, müssen wir aus mehreren Dutzend Modellen eines auswählen.

Das ist die erste Herausforderung: In Draw Things stehen 19 offizielle Modelle und mehrere Dutzend Community Models zur Auswahl. Bei manchen lässt sich anhand des Namens erahnen, was die Spezialität sein könnte; es gibt aber auch viele Modelle mit nichtssagenden Namen. Also einfach auf gut Glück loslegen?

Das Problem dabei ist, dass die Modelle meist mindestens fünf Gigabyte gross sind und das Laden entsprechend dauert. Ich empfehle darum, mit einem der offiziellen Modelle loszulegen. Die tragen SDXL im Namen (kurz für Stable Diffusion XL) und die Variante SDXL Turbo ist dennoch einigermassen schnell.

Die Stable-Diffusion-Modelle, auch die aus der Community, finden sich allesamt auf Huggingface. Das ist die grosse Plattform, auf der sich KI-Entwicklerinnen und -Interessierte austauschen. Wenn wir uns also fragen, was das Modell Juggernaut XL v9, Elden Ring Diffusion oder Spider Verse Diffusion so besonders macht, dann finden wir das hier heraus.

Nachdem wir uns für ein Modell entschieden und es heruntergeladen haben, funktioniert die Sache wie gewohnt: Wir geben unseren Prompt ein und warten, was die Software daraus macht.

Bilder generieren, bearbeiten und modifizieren

Der genau gleiche Prompt – der von elektrischen Schafen und dem träumede Android –, aber mit zwei verschiedenen Modellen erzeugt: Links SDXL Base (v1.0), rechts DreamSjhaper v8.

Sogleich machen sich einige Unterschiede zum klassischen, webbasierten Erstellungsprozess bemerkbar:

• Bei Draw Things haben wir jede Menge Einstellungsmöglichkeiten zur Verfügung. Einige davon erschliessen sich von selbst, beispielsweise die Bildgrösse in Pixeln, das Seitenverhältnis oder die Text Guidance: Sie gibt an, wie wörtlich die Software den Prompt nehmen soll. Andere Dinge – z.B. Strength, Lora und Seed – erschliessen sich nur durch Experimente.
• Wir können den gleichen Prompt mit verschiedenen Modellen ausführen.
• Nebst dem Modus Text to Image gibt es auch Image to Image: Bei dem geben wir der App ein Bild vor, das sie dann gemäss dem Prompt modifizieren soll.
• Die App kann nicht nur Bilder erzeugen, sondern stellt auch Bildbearbeitungsfunktionen wie Inpainting und Outpainting zur Verfügung: Im ersten Fall wird ein Teil eines Fotos oder KI-Bildes mit dem Pinsel gelöscht und dann per KI neu generiert. Im zweiten Fall vergrössert die Software das Bild, indem sie ausserhalb des Bildbereichs eine Umgebung dazu erfindet.
• Stable Diffusion generiert nicht nur Standbilder, sondern auch Video. Über Draw Things lassen sich auch Modelle für Bewegtbild einbinden.
• Und last but not least: Es werden keine Prompts zensuriert. Das heisst, es lassen sich auch nackte Menschen generieren.

Die Image-to-Image-Funktion: Links das Ausgangsbild, rechts die Comic-Variante mit Raumschiffen in der Luft. Und nein, sonderlich toll finde ich das Resultat nicht.

Kurz: Da tut sich ein riesiges Tummelfeld auf für Leute, die sich nicht mit dem erstbesten Resultat ihrer Bilder-KI zufriedengeben. Und kein Zweifel: Die Experimentiermöglichkeiten helfen uns dabei, die Funktionsweise von Stable Diffusion und den generativen künstlichen Intelligenzen besser zu verstehen und gezielter einsetzen zu können.

Wer Stable Diffusion nutzen möchte, aber keine passende Hardware hat, der findet in Leonardo eine vielversprechende Möglichkeit. Die stelle ich im Beitrag Da Vinci würde sich (vermutlich) im Grab umdrehen ausführlich vor.

Beitragbild: Die Schöpferin, die sich an ihrem Computer neue Welten ausdenkt (Stable Diffusion mit dem Dreamshaper-Modell).

#CiaoZurCloud #FreieSoftwareFOSS_ #KI #VideoBildgenerator

Die Bilder-KI von Meta im Test

Meta hat seit Ende 2023 einen eigenen Bildgenerator. Er tut das Gleiche wie Midjourney, Dall-e, Stable Diffusion und Microsoft Copilot Designer (vormals Image Generator): Er nimmt einen Prompt entgegen und fabriziert daraus ein Bild.

Diese Software heisst Imagine with Meta AI. Hierzulande ist sie offiziell nicht zugänglich, aber über den alten NordVPN-Trick habe ich es dennoch geschafft, mir ein paar Bilder erzeugen zu lassen. Ich habe die gleichen Prompts verwendet wie bei früheren Gelegenheiten (hier und hier). Das erlaubt es uns, die Resultate direkt mit den Konkurrenten zu vergleichen.

Ein Androide, der von elektrischen Schafen träumt

Eine der Standard-Aufgaben besteht darin, auf den Spuren von Science-Fiction-Autor Philip K. Dick zu wandeln und einen Androiden zu zeigen, der von einem elektrischen Schaf träumt. Das ist das Resultat:

So stellt sich Metas Bilder-KI ein von Schafen träumender Androide vor.

Das wären hübsche Resultate, gäbe es nicht zwei grundsätzliche Probleme:

• Erstens ist das Schaf nicht als elektrisch zu erkennen. Dieses Problem lässt sich lösen, wenn wir bei unseren Instruktionen konkreter werden und sagen, dass das Tier z.B. pixelig sein oder ein Stromkabel hinter herziehen soll.
• Zweitens ist es leider so, dass die Traum-Blase bis auf eine Ausnahme nicht aus dem Kopf des Androiden aufsteigt, sondern aus der Nachttischlampe oder dem Bettpfosten. Das macht diese Varianten annähernd unbrauchbar.

Hier zum Vergleich die elektrischen Schafe von Microsoft bzw. Dall-e 3. Sie sind raffinierter und träumerischer ausgefallen – darum ein klarer Punkt für die Konkurrenz.

Ein Androide, der von elektrischen Schafen träumt, in zwei Varianten von Dall-e 3.

Adobe Firefly ist an dieser Aufgabe vor einem Jahr gescheitert.

Bei Adobe Firefly – getestet vor einem Jahr – hinterlässt die Androidin einen ziemlich wachen Eindruck.

Und wo wir doch dabei sind, habe ich auch Google Gemini diese Aufgabe gestellt. Den Stil finde ich gar nicht so verkehrt und auch die elektrische Spannung bringt diese KI rüber. Aber der Android macht eher den Eindruck eines kranken Insektenwesens:

Google Gemini mit seinem träumenden Androiden. Das elektrische Glühen der Traumblase gefällt, aber der Android sieht komisch aus.

Die Fuchs-Hasen-Frau

Mein erstes Testsubjekt ist eine Chimäre aus Fuchs und Hase. Dieses Wesen habe ich mir schon bei meinem allerersten Test von KI-Bildgeneratoren von den damals gängigen Programmen erzeugen lassen. Darum muss natürlich auch «Imagine with Meta AI» ran. So ergibt sich eine schöne Testreihe über die Jahre hinweg – auch wenn ich den Prompt heute nicht mehr so formulieren würde¹.

Das macht Imagine Meta AI aus der Vorgabe, ein Mischwesen aus Hase, Fuchs und Menschenfrau zu erstellen.

Trotzdem ist das ein spannendes Motiv, weil es viel über das Modell von Meta und dessen Prägung preisgibt. Warum ist die «schönste Frau der Welt» immer weiss? Warum hat sie in fast allen Fällen ein so üppiges Dekolleté? Hier kommen einige kulturelle Stereotype und eine dicke Portion Bias zusammen.

Dieses Problem hat nicht nur Meta; aber bei dieser KI scheint es besonders ausgeprägt. Letzte Woche hat «The Verge» die Probe aufs Exempel gemacht und es mit allen Tricks nicht hinbekommen, dass diese KI ein multiethnisches Paar mit einem asiatischen Mann und einer kaukasischen Frau abgebildet hat.

Wie tückisch dieses Problem ist, hat sich neulich bei Google Gemini gezeigt. Dieser KI ist nämlich der gegenteilige Fauxpas unterlaufen: Sie sollte Bilder von deutschen Soldaten von 1943 generieren und hat die etwas zu divers gestaltet. Google hat sich diesem Problem entzogen und den Bild-Generator einfach abgeschaltet.

Zurück zu der Chimäre: Bemerkenswert ist natürlich auch, dass die Dame nur einmal Hasenohren auf dem Kopf hat, bei dem gleichen Bild aber auch einen Doppelschwanz aufweist. Ein echter Fantasy-Illustrator hätte das besser gemacht!

Trotzdem: Die Märchen-Stimmung dieser Bilder gefällt mir gut. Die hat Meta besser hinbekommen als sämtliche Konkurrenten zuvor.

So hat Adobe Firefly sich die Fuchs-Hasen-Frau ausgemalt.Das ist das Resultat von Midjourney.

Fazit: Nicht perfekt; aber erstaunlich vielseitig

Die Bilder-KI von Meta kann mit der Konkurrenz mithalten. Aber sie unterscheidet sich in einem wesentlichen Plus- und einem Minus-Punkt von den anderen Kandidaten. Fangen wir mit dem Pluspunkt an: Metas Kreationen zeichnen sich durch Vielseitigkeit aus. Die vier Alternativen, die standardmässig erzeugt werden, variieren nicht nur das Motiv, sondern auch die Stimmung.

Das zeigt sich auch bei diesem Motiv, das ich ebenfalls schon bei meinem ersten Test verwendet habe: Es geht darum, das Matterhorn in ein Dessert aus Schokolade und Schlagrahm zu verwandeln.

Das Matterhorn als Dessert aus Schokolade und Schlagrahm.

Das Matterhorn ist eindeutig als solches zu erkennen, und mir gefällt, dass Meta es einmal vor dem Originalberg zeigt und die Motive mit mal bei Tag, mal bei Sonnenuntergang zeigt. Und das erste Bild mit dem Schoko-Chalet im Vordergrund entspricht zwar nicht der Aufgabe, könnte einen aber auf neue Ideen bringen.

Im Vergleich dazu fällt Midjourney deutlich ab: Dieser Generator hat es viel weniger gut geschafft, dem Dessert die ikonische Bergform zu verleihen:

Midjourney: Das Matterhorn aus Schokolade, links Version 4, rechts Version 5.

Der Minus-Punkt liegt darin, dass es oft viele Details gibt, die falsch, unplausibel oder einfach störend sind und die einen davon abhalten würden, die Werke auch tatsächlich zu verwenden. Und die Klischees und die Sexualisierung der Bilder sind ein echtes Problem.

Aufgefallen ist mir, dass sich Metas Imagine-AI auch bei harmlosen Prompts verweigert. Der Aufforderung «Ein typisches Schweizer Klischeebild mit allem, was dazugehört» verweigert sich Meta mit dem nichtssagenden Hinweis, das Bild könne nicht generiert werden.

Abschliessend können wir feststellen, dass sich der Fortschritt verlangsamt hat: Zwischen 2022 und 2023 haben sich die Kreationen der KIs rasant verbessert. Es war geradezu atemberaubend zuzusehen, wie die neuen Versionen mit viel komplexeren Aufgabestellungen zurande gekommen sind und mehr Details, einen grösseren Realismus und immer mehr Stile an den Tag gelegt haben. Der Unterschied zu 2024 ist im Vergleich bescheiden. Trotzdem sticht ins Auge, dass sich die Imagine-AI auch bei abstrakten Motiven gut schlägt und eine spannende Erweiterung des Angebots bei den Bildgeneratoren darstellt.

Fussnoten

1) Der Prompt lautete damals «The most beautiful girl on earth with rabbit ears and a fox tail», wobei ich teilweise auch Fuchsohren und einen Hasenschwanz gefordert habe, was eine Verwechslung war und keinen Sinn ergibt. Abgesehen davon ist der Prompt zu vage «most beautiful». Aber klar: Nicht nur die Algorithmen sind besser geworden, sondern auch mein «Prompt Engineering». ↩

Beitragsbild: So stellt sich Metas Bilder-Generator unsere Zukunft vor («A futuristic landscape with mountains in the background, flying cars and all kinds of inventions we will probably have by 2100. Aspect ratio 16:9.»).

#Facebook #KI #VideoBildgenerator

Die Bilder-KI von Meta im Test

Meta hat seit Ende 2023 einen eigenen Bildgenerator. Er tut das Gleiche wie Midjourney, Dall-e, Stable Diffusion und Microsoft Copilot Designer (vormals Image Generator): Er nimmt einen Prompt entgegen und fabriziert daraus ein Bild.

Diese Software heisst Imagine with Meta AI. Hierzulande ist sie offiziell nicht zugänglich, aber über den alten NordVPN-Trick habe ich es dennoch geschafft, mir ein paar Bilder erzeugen zu lassen. Ich habe die gleichen Prompts verwendet wie bei früheren Gelegenheiten (hier und hier). Das erlaubt es uns, die Resultate direkt mit den Konkurrenten zu vergleichen.

Ein Androide, der von elektrischen Schafen träumt

Eine der Standard-Aufgaben besteht darin, auf den Spuren von Science-Fiction-Autor Philip K. Dick zu wandeln und einen Androiden zu zeigen, der von einem elektrischen Schaf träumt. Das ist das Resultat:

So stellt sich Metas Bilder-KI ein von Schafen träumender Androide vor.

Das wären hübsche Resultate, gäbe es nicht zwei grundsätzliche Probleme:

• Erstens ist das Schaf nicht als elektrisch zu erkennen. Dieses Problem lässt sich lösen, wenn wir bei unseren Instruktionen konkreter werden und sagen, dass das Tier z.B. pixelig sein oder ein Stromkabel hinter herziehen soll.
• Zweitens ist es leider so, dass die Traum-Blase bis auf eine Ausnahme nicht aus dem Kopf des Androiden aufsteigt, sondern aus der Nachttischlampe oder dem Bettpfosten. Das macht diese Varianten annähernd unbrauchbar.

Hier zum Vergleich die elektrischen Schafe von Microsoft bzw. Dall-e 3. Sie sind raffinierter und träumerischer ausgefallen – darum ein klarer Punkt für die Konkurrenz.

Ein Androide, der von elektrischen Schafen träumt, in zwei Varianten von Dall-e 3.

Adobe Firefly ist an dieser Aufgabe vor einem Jahr gescheitert.

Bei Adobe Firefly – getestet vor einem Jahr – hinterlässt die Androidin einen ziemlich wachen Eindruck.

Und wo wir doch dabei sind, habe ich auch Google Gemini diese Aufgabe gestellt. Den Stil finde ich gar nicht so verkehrt und auch die elektrische Spannung bringt diese KI rüber. Aber der Android macht eher den Eindruck eines kranken Insektenwesens:

Google Gemini mit seinem träumenden Androiden. Das elektrische Glühen der Traumblase gefällt, aber der Android sieht komisch aus.

Die Fuchs-Hasen-Frau

Mein erstes Testsubjekt ist eine Chimäre aus Fuchs und Hase. Dieses Wesen habe ich mir schon bei meinem allerersten Test von KI-Bildgeneratoren von den damals gängigen Programmen erzeugen lassen. Darum muss natürlich auch «Imagine with Meta AI» ran. So ergibt sich eine schöne Testreihe über die Jahre hinweg – auch wenn ich den Prompt heute nicht mehr so formulieren würde¹.

Das macht Imagine Meta AI aus der Vorgabe, ein Mischwesen aus Hase, Fuchs und Menschenfrau zu erstellen.

Trotzdem ist das ein spannendes Motiv, weil es viel über das Modell von Meta und dessen Prägung preisgibt. Warum ist die «schönste Frau der Welt» immer weiss? Warum hat sie in fast allen Fällen ein so üppiges Dekolleté? Hier kommen einige kulturelle Stereotype und eine dicke Portion Bias zusammen.

Dieses Problem hat nicht nur Meta; aber bei dieser KI scheint es besonders ausgeprägt. Letzte Woche hat «The Verge» die Probe aufs Exempel gemacht und es mit allen Tricks nicht hinbekommen, dass diese KI ein multiethnisches Paar mit einem asiatischen Mann und einer kaukasischen Frau abgebildet hat.

Wie tückisch dieses Problem ist, hat sich neulich bei Google Gemini gezeigt. Dieser KI ist nämlich der gegenteilige Fauxpas unterlaufen: Sie sollte Bilder von deutschen Soldaten von 1943 generieren und hat die etwas zu divers gestaltet. Google hat sich diesem Problem entzogen und den Bild-Generator einfach abgeschaltet.

Zurück zu der Chimäre: Bemerkenswert ist natürlich auch, dass die Dame nur einmal Hasenohren auf dem Kopf hat, bei dem gleichen Bild aber auch einen Doppelschwanz aufweist. Ein echter Fantasy-Illustrator hätte das besser gemacht!

Trotzdem: Die Märchen-Stimmung dieser Bilder gefällt mir gut. Die hat Meta besser hinbekommen als sämtliche Konkurrenten zuvor.

So hat Adobe Firefly sich die Fuchs-Hasen-Frau ausgemalt.Das ist das Resultat von Midjourney.

Fazit: Nicht perfekt; aber erstaunlich vielseitig

Die Bilder-KI von Meta kann mit der Konkurrenz mithalten. Aber sie unterscheidet sich in einem wesentlichen Plus- und einem Minus-Punkt von den anderen Kandidaten. Fangen wir mit dem Pluspunkt an: Metas Kreationen zeichnen sich durch Vielseitigkeit aus. Die vier Alternativen, die standardmässig erzeugt werden, variieren nicht nur das Motiv, sondern auch die Stimmung.

Das zeigt sich auch bei diesem Motiv, das ich ebenfalls schon bei meinem ersten Test verwendet habe: Es geht darum, das Matterhorn in ein Dessert aus Schokolade und Schlagrahm zu verwandeln.

Das Matterhorn als Dessert aus Schokolade und Schlagrahm.

Das Matterhorn ist eindeutig als solches zu erkennen, und mir gefällt, dass Meta es einmal vor dem Originalberg zeigt und die Motive mit mal bei Tag, mal bei Sonnenuntergang zeigt. Und das erste Bild mit dem Schoko-Chalet im Vordergrund entspricht zwar nicht der Aufgabe, könnte einen aber auf neue Ideen bringen.

Im Vergleich dazu fällt Midjourney deutlich ab: Dieser Generator hat es viel weniger gut geschafft, dem Dessert die ikonische Bergform zu verleihen:

Midjourney: Das Matterhorn aus Schokolade, links Version 4, rechts Version 5.

Der Minus-Punkt liegt darin, dass es oft viele Details gibt, die falsch, unplausibel oder einfach störend sind und die einen davon abhalten würden, die Werke auch tatsächlich zu verwenden. Und die Klischees und die Sexualisierung der Bilder sind ein echtes Problem.

Aufgefallen ist mir, dass sich Metas Imagine-AI auch bei harmlosen Prompts verweigert. Der Aufforderung «Ein typisches Schweizer Klischeebild mit allem, was dazugehört» verweigert sich Meta mit dem nichtssagenden Hinweis, das Bild könne nicht generiert werden.

Abschliessend können wir feststellen, dass sich der Fortschritt verlangsamt hat: Zwischen 2022 und 2023 haben sich die Kreationen der KIs rasant verbessert. Es war geradezu atemberaubend zuzusehen, wie die neuen Versionen mit viel komplexeren Aufgabestellungen zurande gekommen sind und mehr Details, einen grösseren Realismus und immer mehr Stile an den Tag gelegt haben. Der Unterschied zu 2024 ist im Vergleich bescheiden. Trotzdem sticht ins Auge, dass sich die Imagine-AI auch bei abstrakten Motiven gut schlägt und eine spannende Erweiterung des Angebots bei den Bildgeneratoren darstellt.

Fussnoten

1) Der Prompt lautete damals «The most beautiful girl on earth with rabbit ears and a fox tail», wobei ich teilweise auch Fuchsohren und einen Hasenschwanz gefordert habe, was eine Verwechslung war und keinen Sinn ergibt. Abgesehen davon ist der Prompt zu vage «most beautiful». Aber klar: Nicht nur die Algorithmen sind besser geworden, sondern auch mein «Prompt Engineering». ↩

Beitragsbild: So stellt sich Metas Bilder-Generator unsere Zukunft vor («A futuristic landscape with mountains in the background, flying cars and all kinds of inventions we will probably have by 2100. Aspect ratio 16:9.»).

#Facebook #KI #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.

Ein Androide, der von elektrischen Schafen träumt, in zwei Varianten von Dall-e 3.

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.

Mit der Vorgabe, die Schafe pixelig zu machen, kommt auch die elektrischen Natur der Tiere zum Ausdruck.

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.

Links Dall-e 2, rechts Dall-e 3 bzw. Microsoft Image Creator: Der Fortschritt ist eindrücklich.

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

Das Bundeshaus aus Schokolade. Ich hätte allerdings erwähnen sollen, dass die belagernden Banker nicht aus Schokolade sind.

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.

Ein Androide, der von elektrischen Schafen träumt, in zwei Varianten von Dall-e 3.

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.

Mit der Vorgabe, die Schafe pixelig zu machen, kommt auch die elektrischen Natur der Tiere zum Ausdruck.

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.

Links Dall-e 2, rechts Dall-e 3 bzw. Microsoft Image Creator: Der Fortschritt ist eindrücklich.

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

Das Bundeshaus aus Schokolade. Ich hätte allerdings erwähnen sollen, dass die belagernden Banker nicht aus Schokolade sind.

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

Diese KI glaubt, moderieren zu können

Ich würde sie digitale Sockenpuppen nennen: Das sind Porträts, die mittels digitaler Tricks in «talking heads» verwandelt werden: Also Köpfe, die sprechen oder singen können.

Von der Existenz dieser Technik haben viele von uns 2021 durch die Wombo-App erfahren: Sie nimmt ein simples Foto und macht daraus ein Musik-Video. Mittels Deepfake-Technik werden Mimik und Kopfbewegungen so angepasst, dass es aussieht, als ob die Person auf dem Bild voller Inbrunst mitsingen würde.

«Keiner hat es gemerkt»

Und ja, das ist genau einmal lustig. Trotzdem war die App ein Sommerhit. Aber lässt sich aus der Technik mehr anfangen als seichter Social-Media-Schabernack? Neulich konnte man von einem Avatar namens Jade lesen, der auf dem westschweizer Fernsehsender «M Le Média» das Wetter präsentiert. Und auch wenn die «Aargauer Zeitung» behauptet, niemand habe es gemerkt, dann spricht das nicht unbedingt für die Authentizität des Avatars, sondern eher für die mangelnde Aufmerksamkeit der Zuschauerschaft.

Bei «Heise» habe ich vor einiger Zeit von einem Film erfahren, der mittels künstlicher Intelligenz erzeugt worden ist. «Magisch und verstörend», nannte ihn den Autor. Ich fand ihn hölzern und wenig packend; und ich bin im Uncanny Valley stecken geblieben. Sprich: Ich habe darauf geachtet, was mir alles nicht überzeugend erscheint und wo die technischen Unstimmigkeiten die Illusion des Films unterlaufen.

Trotzdem fand ich es spannend zu lesen, wie der Film entstanden ist. Demnach haben die Filmemacher Dall-e 2 für die einzelnen Einstellungen verwendet. Dieser Bildgerator erzeugt aber bekanntlich nur statische Bilder, keine Animationen. Für die Bewegung innerhalb einer Szene kam D-ID zum Einsatz.

Ein Avatar sorgt für den «human touch»

D-ID generiert einen Avatar, der die Antworten von ChatGPT zum Besten gibt.

Also, eine gute Gelegenheit, sich dieses Werkzeug näher anzusehen. Auf der Website d-id.com gibt es zwei Produkte: Unter chat.d-id.com wird ChatGPT in einen Videochat verwandelt. Die Antworten werden von einem «talking head» gesprochen, was der Sache einen «human touch» verleihen soll, wie der Betreiber behauptet. Unter studio.d-id.com gibt es die Möglichkeit, einen Text von einem digitalen Moderator in die Kamera sprechen zu lassen.

Das funktioniert so:

Wir wählen als Erstes die Person aus, die unseren Text sprechen soll. Dazu können wir aus Fotos von echten Menschen auswählen oder aber mit der Option Generate AI presenter operieren: Anhand der Beschreibung erzeugt die Software eine Person, die unseren Vorstellungen mehr oder weniger nahekommt.

Anscheinend nicht möglich ist es, ein Foto hochzuladen, das dann animiert wird. Das schmälert den Nutzen beträchtlich – aber es mindert auch das Missbrauchspotenzial. Denn sonst wäre es natürlich möglich, einem beliebigen Menschen jedwelchen Text in den Mund zu legen.

Ein paar Klicks und fertig ist das Moderationsvideo

Haben wir den Moderator oder die Moderatorin ausgewählt, tippen ins Fenster rechts den Text. Dann geben wir an, in welcher Sprache der Text vorliegt und wählen die Stimme – denn die wird mit dem Aussehen des Moderators nicht automatisch vorgegeben. Je nach Avatar haben wir auch eine Style-Option zur Auswahl. Diese umfasst bei Jenny etwa Assistent, Chat, Kundendienst oder Nachrichtensprecher. Für meine Zwecke, nämlich eine dramatische Lesung von Babette von Interlaken passt keine dieser Auswahlmöglichkeiten – was mich aber nicht von einem Versuch abhält.

Eine der virtuellen Moderatorinnen auf d-id.com.

Wir haben auch die Möglichkeit, anstelle eines Videos eine eigene Audio-Aufnahme des gesprochenen Textes hochzuladen. Das bedeutet, dass sich D-ID wunderbar mit resemble.ai (siehe Romeo und Julia, durch die KI-Mangel gedreht) kombinieren lässt. Oder aber, wir verwenden eine Passage, die von einem echten Menschen eingesprochen wurde – von wegen «Human Touch».

Das wars schon: Ein Klick auf Generate Video erzeugt das Endprodukt, das sich sogleich herunterladen lässt.

Ich habe das ausprobiert und für meinen Test id.com einen kurzen Text einsprechen lassen. Die ersten beiden «Takes» wurden anhand einer schriftlichen Vorlage generiert. Der dritte Take basiert auf einer Audio-Aufnahme und wurde von mir selbst eingelesen. Man beachte, dass der Text in Züritütsch (Schweizer Mundart) abgefasst ist und entsprechend eine Extra-Herausforderung für die Software darstellt. Falls nachfolgend das Video nicht erscheint: es ist hier zu finden.

Falls das Video nicht erscheint; es findet sich hier.

Zum Abschalten!

Was mich angeht, überzeugt mich das Resultat nicht. Vielleicht sieht die «Generation Videogame» das anders, aber ich habe den Eindruck, als ob die Zähne im Mund der Sockenpuppe eine Art Eigenleben führen würden.
Ausserdem sehe ich irritierende Artefakte, die mich – selbst wenn ich nichts über die Entstehungsgeschichte des Videos wissen würde – sofort an der Echtheit würden zweifeln lassen. Ganz abgesehen davon, dass die Kopfbewegungen hölzern und künstlich wirken und sich ständig wiederholen. Die Avatare, die von Haus weniger fotorealistisch aussehen, wirken in ihrer Performance schlüssiger als diejenigen, die möglichst «echt» erscheinen sollen.

Fazit: Ich sehe keinen vernünftigen Einsatzbereich dieser Sockenpuppen. Ich würde nicht mit ihnen chatten wollen und ich würde mir keine Filme oder Präsentationen von ihnen ansehen. Sie sind für mich kein valabler Ersatz für menschliche Moderatoren, Schauspieler und Sprecher. Für meinen Geschmack bringt es auch nichts, mit dieser Technik Interaktionen mit einem Kundendienst menschlicher gestalten zu wollen. Die Technik ist schlicht noch nicht da, wo sie sein müsste, um glaubwürdig zu sein. Ausserdem, wenn schon, müsste es uns die Software erlauben, den Hintergrund und die Kulissen auszuwählen, die Sockenpuppen einzukleiden und die Anmutung der Videos unseren Bedürfnissen anzupassen.

Entsprechend finde ich auch die Preise zu teuer: Das Lite-Abo kostet sechs US-Dollar pro Monat und erlaubt Moderationen in der Länge von zehn Minuten, gibt aber nur die «Standard Presenters» zur Auswahl. 15 Minuten kosten bereits fünfzig US-Dollar. Hier sind auch die «Premium Presenters» inbegriffen. Für 65 Minuten zahlen wir satte 300 Dollar pro Monat. Und für alles andere müssen wir einen individuellen Preisplan aushandeln.

Es steht aber ausser Frage, dass sich die Technologie rasant entwickelt und wir es mit solchen künstlichen Präsentatoren zu tun bekommen werden – ob wir wollen oder nicht. Und in zwei, drei Jahren könnte es so weit sein, dass wir sie tatsächlich für echt halten …

Beitragsbild: Adobe Firefly zum Prompt «a robot in a tv studio reading the news as a news anchor».

#KI #LLMs #VideoUndAudioProduktion #VideoBildgenerator

Diese KI glaubt, moderieren zu können

Ich würde sie digitale Sockenpuppen nennen: Das sind Porträts, die mittels digitaler Tricks in «talking heads» verwandelt werden: Also Köpfe, die sprechen oder singen können.

Von der Existenz dieser Technik haben viele von uns 2021 durch die Wombo-App erfahren: Sie nimmt ein simples Foto und macht daraus ein Musik-Video. Mittels Deepfake-Technik werden Mimik und Kopfbewegungen so angepasst, dass es aussieht, als ob die Person auf dem Bild voller Inbrunst mitsingen würde.

«Keiner hat es gemerkt»

Und ja, das ist genau einmal lustig. Trotzdem war die App ein Sommerhit. Aber lässt sich aus der Technik mehr anfangen als seichter Social-Media-Schabernack? Neulich konnte man von einem Avatar namens Jade lesen, der auf dem westschweizer Fernsehsender «M Le Média» das Wetter präsentiert. Und auch wenn die «Aargauer Zeitung» behauptet, niemand habe es gemerkt, dann spricht das nicht unbedingt für die Authentizität des Avatars, sondern eher für die mangelnde Aufmerksamkeit der Zuschauerschaft.

Bei «Heise» habe ich vor einiger Zeit von einem Film erfahren, der mittels künstlicher Intelligenz erzeugt worden ist. «Magisch und verstörend», nannte ihn den Autor. Ich fand ihn hölzern und wenig packend; und ich bin im Uncanny Valley stecken geblieben. Sprich: Ich habe darauf geachtet, was mir alles nicht überzeugend erscheint und wo die technischen Unstimmigkeiten die Illusion des Films unterlaufen.

Trotzdem fand ich es spannend zu lesen, wie der Film entstanden ist. Demnach haben die Filmemacher Dall-e 2 für die einzelnen Einstellungen verwendet. Dieser Bildgerator erzeugt aber bekanntlich nur statische Bilder, keine Animationen. Für die Bewegung innerhalb einer Szene kam D-ID zum Einsatz.

Ein Avatar sorgt für den «human touch»

D-ID generiert einen Avatar, der die Antworten von ChatGPT zum Besten gibt.

Also, eine gute Gelegenheit, sich dieses Werkzeug näher anzusehen. Auf der Website d-id.com gibt es zwei Produkte: Unter chat.d-id.com wird ChatGPT in einen Videochat verwandelt. Die Antworten werden von einem «talking head» gesprochen, was der Sache einen «human touch» verleihen soll, wie der Betreiber behauptet. Unter studio.d-id.com gibt es die Möglichkeit, einen Text von einem digitalen Moderator in die Kamera sprechen zu lassen.

Das funktioniert so:

Wir wählen als Erstes die Person aus, die unseren Text sprechen soll. Dazu können wir aus Fotos von echten Menschen auswählen oder aber mit der Option Generate AI presenter operieren: Anhand der Beschreibung erzeugt die Software eine Person, die unseren Vorstellungen mehr oder weniger nahekommt.

Anscheinend nicht möglich ist es, ein Foto hochzuladen, das dann animiert wird. Das schmälert den Nutzen beträchtlich – aber es mindert auch das Missbrauchspotenzial. Denn sonst wäre es natürlich möglich, einem beliebigen Menschen jedwelchen Text in den Mund zu legen.

Ein paar Klicks und fertig ist das Moderationsvideo

Haben wir den Moderator oder die Moderatorin ausgewählt, tippen ins Fenster rechts den Text. Dann geben wir an, in welcher Sprache der Text vorliegt und wählen die Stimme – denn die wird mit dem Aussehen des Moderators nicht automatisch vorgegeben. Je nach Avatar haben wir auch eine Style-Option zur Auswahl. Diese umfasst bei Jenny etwa Assistent, Chat, Kundendienst oder Nachrichtensprecher. Für meine Zwecke, nämlich eine dramatische Lesung von Babette von Interlaken passt keine dieser Auswahlmöglichkeiten – was mich aber nicht von einem Versuch abhält.

Eine der virtuellen Moderatorinnen auf d-id.com.

Wir haben auch die Möglichkeit, anstelle eines Videos eine eigene Audio-Aufnahme des gesprochenen Textes hochzuladen. Das bedeutet, dass sich D-ID wunderbar mit resemble.ai (siehe Romeo und Julia, durch die KI-Mangel gedreht) kombinieren lässt. Oder aber, wir verwenden eine Passage, die von einem echten Menschen eingesprochen wurde – von wegen «Human Touch».

Das wars schon: Ein Klick auf Generate Video erzeugt das Endprodukt, das sich sogleich herunterladen lässt.

Ich habe das ausprobiert und für meinen Test id.com einen kurzen Text einsprechen lassen. Die ersten beiden «Takes» wurden anhand einer schriftlichen Vorlage generiert. Der dritte Take basiert auf einer Audio-Aufnahme und wurde von mir selbst eingelesen. Man beachte, dass der Text in Züritütsch (Schweizer Mundart) abgefasst ist und entsprechend eine Extra-Herausforderung für die Software darstellt. Falls nachfolgend das Video nicht erscheint: es ist hier zu finden.

Falls das Video nicht erscheint; es findet sich hier.

Zum Abschalten!

Was mich angeht, überzeugt mich das Resultat nicht. Vielleicht sieht die «Generation Videogame» das anders, aber ich habe den Eindruck, als ob die Zähne im Mund der Sockenpuppe eine Art Eigenleben führen würden.
Ausserdem sehe ich irritierende Artefakte, die mich – selbst wenn ich nichts über die Entstehungsgeschichte des Videos wissen würde – sofort an der Echtheit würden zweifeln lassen. Ganz abgesehen davon, dass die Kopfbewegungen hölzern und künstlich wirken und sich ständig wiederholen. Die Avatare, die von Haus weniger fotorealistisch aussehen, wirken in ihrer Performance schlüssiger als diejenigen, die möglichst «echt» erscheinen sollen.

Fazit: Ich sehe keinen vernünftigen Einsatzbereich dieser Sockenpuppen. Ich würde nicht mit ihnen chatten wollen und ich würde mir keine Filme oder Präsentationen von ihnen ansehen. Sie sind für mich kein valabler Ersatz für menschliche Moderatoren, Schauspieler und Sprecher. Für meinen Geschmack bringt es auch nichts, mit dieser Technik Interaktionen mit einem Kundendienst menschlicher gestalten zu wollen. Die Technik ist schlicht noch nicht da, wo sie sein müsste, um glaubwürdig zu sein. Ausserdem, wenn schon, müsste es uns die Software erlauben, den Hintergrund und die Kulissen auszuwählen, die Sockenpuppen einzukleiden und die Anmutung der Videos unseren Bedürfnissen anzupassen.

Entsprechend finde ich auch die Preise zu teuer: Das Lite-Abo kostet sechs US-Dollar pro Monat und erlaubt Moderationen in der Länge von zehn Minuten, gibt aber nur die «Standard Presenters» zur Auswahl. 15 Minuten kosten bereits fünfzig US-Dollar. Hier sind auch die «Premium Presenters» inbegriffen. Für 65 Minuten zahlen wir satte 300 Dollar pro Monat. Und für alles andere müssen wir einen individuellen Preisplan aushandeln.

Es steht aber ausser Frage, dass sich die Technologie rasant entwickelt und wir es mit solchen künstlichen Präsentatoren zu tun bekommen werden – ob wir wollen oder nicht. Und in zwei, drei Jahren könnte es so weit sein, dass wir sie tatsächlich für echt halten …

Beitragsbild: Adobe Firefly zum Prompt «a robot in a tv studio reading the news as a news anchor».

#KI #LLMs #VideoUndAudioProduktion #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

Es müsste doch möglich sein, einen Schriftzug mit diesen Spielsteinen hier auszustatten?

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:

Bunte Plastikteile, die etwas seltsam angeordnet sind und scheinbar von oben nach unten auftauchen. (Colored pieces of plastic, arranged somewhat oddly and seemingly dipping from top to bottom.)

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:

Quadratische Plastikfliesen, die wie ein etwas merkwürdiges Schachbrett angeordnet sind. (Plastic square tiles arranged like a somewhat oddly chessboard.)

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:

Ein Mosaik aus gleich grossen, quadratischen Fliesen in den Farben Rot, Grün, Gelb und Blau, die etwas seltsam angeordnet sind. (A mosaic of square tiles of the same size in the colors red, green, yellow and blue, arranged somewhat oddly.)

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:

Ein Spielfeld für ein Computerspiel, gefüllt mit roten, grünen, blauen und gelben Quadraten, die unregelmässige Gruppen bilden. (A computer game playing field, filled with red, green, blue and yellow squares, which form irregular groups.)

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:

Gleich grosse Kugeln in den Farben Grün, Gelb, Blau und Rot, die gleichmässig auf einer Fläche rasterförmig angeordnet sind. (Equal-sized spheres in the colors green, yellow, blue and red, arranged evenly on a surface in a grid pattern.)

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:

Adobe Firefly mit der Aufgabe, das schönste Mädchen der Welt mit einem Fuchsschwanz und Kaninchenohren abzubilden (The most beautiful girl on earth with fox ears and a rabbit tail).

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.

Dall-e 2 zu The most beautiful girl on earth with fox ears and a rabbit tail.

Zurück zu Firefly:

Adobe Firefly mit dem fast gleichen Prompt (The most beautiful girl on earth with rabbit ears and a fox tail), aber mit der Anweisung, ein fotorealistisches Bild zu erzeugen.

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:

Midjourney in der Version 5: Dieser Fotorealismus ist ungeschlagen.

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

Das Matterhorn aus Schokolade mit einem Gupf aus Schlagrahm (The matterhorn made of chocolate with cream on top).

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:

Der Knick in der Spitze des Matterhorns ist allenfalls beim dritten Bild zu erahnen.

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:

Midjourney: Das Matterhorn aus Schokolade, links Version 4, rechts Version 5.

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

Adobe Firefly: Das Bundeshaus aus Schokolade mit Bankern vor der Tür.

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.

Midjourney mit dem Bundeshaus aus Schokolade und den Bankern, links Version 4, rechts Version 5.

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

Adobe Firefly zur Aufgabe, einen Androiden darzustellen, der von elektrischen Schafen träumt (An Androids who dreams of electric sheep).

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.

Das Resultat von Dall-e 2 zu der Aufgabe «An Androids who dreams of electric sheep»: Das elektrische Schaf ist gut getroffen – aber wo ist der Android?

Zum Schluss der Kronfavorit, Midjourney:

Midjourney mit dem «Electric Sheep», links Version 4, rechts Version 5.

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.

Die Palette, über die das Ergebnis verfeinert wird.

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

Zwischen digitaler Erotikfantasie und KI-Albträumen

Es gebe eine «Text-zu-Bild-Revolution», kann man in den Medien lesen. Es gibt diese künstlichen Intelligenzen, die aus kurzen Textvorgaben Bilder generieren – und damit verblüffen, irritieren und Illustratoren in Angst und Schrecken versetzen.

Für die Tamedia habe ich vor einiger Zeit Dall-e mini vorgestellt; ein solches System, das inzwischen Craiyon heisst. Ich wollte wissen, wie es sich im Vergleich mit anderen Systemen seiner Art schlägt – denn davon sind in letzter Zeit einige aufgetaucht. In meinem Vergleich kommen nebst Craiyon auch Artbreeder und Starryai zum Zug. Und natürlich Stable Diffusion¹. Nachtrag: Und nachträglich habe ich die Resultate von Dall·e 2 ergänzt, die ich von Manuel erhalten habe. Danke dafür!

Das hat sich Stable Diffusion zum Stichwort «Digital Artist» ausgedacht.

Dieses Stable Diffusion ist auch der Grund, weswegen sich ein solcher Vergleich gerade jetzt aufdrängt: Es hat die Karten neu gemischt, behaupten die Medien.

Diese Software unterscheidet sich von den Konkurrenten, weil sie eine freie Lizenz hat und Open-Source ist. Man kann sie herunterladen und selbst betreiben – und damit auch einen Blick hinter die Kulissen riskieren. Ich werde das bei Gelegenheit selbst tun – aber die Bilder, die hier zu sehen sind, hat eine Installation im Netz gerechnet.

Und der KI-Oskar geht an …!

Also, jetzt wollt ihr natürlich wissen, was bei meinem kleinen Vergleich herausgekommen ist. Ich habe zwei abstrakte Vorgaben gemacht. Die Systeme sollten mir erstens «die schönste Frau der Erde mit Fuchsohren und einem Hasenschwänzchen» generieren, zweitens «das Matterhorn aus Schokolade, mit Schlagrahm obendrauf».

The most beautiful girl on earth with fox ears and a rabbit tail

Diese Aufgabe ist für jeden halbwegs begabten Manga-Zeichner ein Klacks: Eine wunderschöne Frau, die die Ohren eines Fuchses und den Schwanz eines Hasen besitzt. Wie würde die wohl aussehen?

Das sind die Resultate:

Stable Diffusion: Pelz tragen ist hier keine Gewissensfrage. Aber der Schwanz muss natürlich nach hinten!

Und ja, Stable Diffusion gewinnt. (Und wie man sieht, habe ich hier bei der Formulierung der Frage einen Fuchsschwanz und Hasenohren verlangt, was auch mehr Sinn ergibt).

Das Bild ist in sich stimmig – nur die Augen sehen ein bisschen seltsam aus. Aber der Uncanny Valley-Effekt – also der Umstand, dass ein Bild lebensecht wirken soll, aber uns mit kleinen Fehlern irritiert – ist gering.

Trotzdem: Die Aufgabe ist verfehlt, weil der Schwanz natürlich hinten an der Frau zu finden sein müsste. Ein Fuchsschwanzwedel erfüllt den Zweck nicht.

Aber hübsch: Das Oberteil wirkt ebenfalls pelzig! Das gibt Extrapunkte.

Von den Konkurrenten kann nur Craiyon einigermassen überzeugen. Aber die Gesichter wirken gruselig – wie ein blutiger Amateur, der sich als Picasso versucht.

Craiyon: Abgesehen von der missglückten Schönheits-Operation habe ich nichts auszusetzen.

Über die beiden anderen Kandidaten müssen wir nicht diskutieren. Diese Bilder sind unbrauchbar und durchgefallen.

Artbreeder: Drei Hasenohren? Ein Schwanz, der aus dem Handgelenk wächst?Starryai: Was immer das ist – man möge es bitte entfernen!

Nachtrag: Und hier das Resultat von Dall·e 2, das ich nach Veröffentlichung des Beitrags – und damit nach Erscheinen der offiziellen Rangliste von Manuel bekommen habe.

Dall-e 2: Die Vielfalt der Stile ist beeindruckend.

Ich würde sagen: Keines der Bilder erfüllt die Aufgabe perfekt. Aber die Stilvarianten sind Ehrfurcht gebietend. An dieser Stelle beginnt man zu ahnen, weshalb sich gestandene Illustratoren von diesen Programmen bedroht fühlen. Denn mit etwas Politur und Nachbearbeitung könnten diese Werke in Büchern, Magazinen oder auch in Blogs wie diesem hier Verwendung finden.

The matterhorn made of chocolate with cream on top

Auch die zweite Aufgabe ist für einen echten Kunstmaler keine Herausforderung. Wie würde das Matterhorn aussehen, wenn es aus Schokolade und von Schlagrahm gekrönt wäre?

Der Sieger ist eindeutig Craiyon: Die Umsetzung ist künstlerisch zwar stark verbesserungsfähig. Aber die Aufgabe wurde verstanden: Es gibt ein Schokolade-Dessert mit einem Sahnehäubchen zu sehen, das die Form eines Bergs hat.

Craiyon: Ich würde sie essen – alle!

Die nachfolgenden Plätze sind knifflig. Ich vergebe den Platz zwei ex-aequo an Stable Diffusion und an Artbreeder: Bei ersterem ist das Matterhorn erkennbar, aber da die Schokolade daneben liegt, ist entspricht das nicht der Aufgabe. Artbreeder hat ein Schokotörtchen hinbekommen, das aber wirklich nicht nach Matterhorn ausschaut.

Stable Diffusion: Schönes Matterhorn. Aber komische Schokolade. Und wo ist der Schlagrahm?Artbreeder: Die Schokolade ist da. Aber das Matterhorn sieht anders aus. Und wieso ist der Schlagrahm unten?

Starryai ist auch bei dieser Aufgabe durchgefallen. Obwohl die schmierige Substanz auf dem Tisch Schokolade sein könnte, fehlt diesem Bild jegliche kulinarische Ästhetik. Und die Berge scheinen aus Dollarscheinen zu bestehen.

Starryai: Nein. Einfach nein.

Nachtrag: Und so hat Dall·e 2 die Aufgabe gelöst:

Dall-e 2: Der Knick in der Spitze des Matterhorns ist allenfalls beim dritten Bild zu erahnen.

Auch hier bleibt die Erkenntnis, dass ein menschlicher Künstler das Matterhorn besser herausgearbeitet hätte. Doch der Fotorealismus dieser Werke ist frappant!

Geht diese Entwicklung in diesem Tempo weiter?

Gibt es an dieser Stelle ein Fazit, das wir ziehen könnten? Ist das eine Revolution, wie eingangs postuliert? Verändert das unsere Sichtweise auf die Funktionsweise der Computer und den Wert menschlicher Kreativität?

Für diese Fragen muss ich etwas ausholen.

An künstliche Intelligenzen wie Siri haben wir uns gewöhnt: Es ist nicht mehr aussergewöhnlich, dass wir mit digitalen Entitäten interagieren, ihnen Aufträge erteilen und Aufgaben an sie delegieren.

Wir überantworten diesen KIs die Gestaltung unserer musikalischen Berieselung via Spotify und lassen sie auf Netflix Filme für uns auswählen. Oder wir flirten mit ihnen und sehen, wohin das führt. Allerdings hält sich das Vertrauen bislang in engen Grenzen. Derzeit würde ich nicht in ein selbst lenkendes Auto einsteigen oder mich von einem KI-Doktor behandeln lassen. Zumindest nicht ohne ein menschliches Backup.

Doch diese künstlichen Intelligenzen entwickeln sich weiter: Immer wieder höre ich Leute von GPT-3 schwärmen. Das ist eine KI, die angeblich hervorragend Texte generieren können soll. Sie kann Bücher zusammenfassen, Gedichte fabrizieren oder Bücher verfassen, die dann sogar publiziert werden.

Sollte man es KI nennen? Oder doch besser ML?

Nochmals eine Variante von Stable Diffusion zum Stichwort «Digital Artist»

Trotzdem kann man sich wunderbar streiten, ob die Systeme wirklich intelligent sind und ihren Namen verdienen – oder ob die Fortschritte nicht einfach damit zu erklären sind, dass ihnen mehr Rechenleistung zur Verfügung steht und sie auf riesige Mengen an Daten zugreifen können. Das erleichtert das Training und zeigt das Potenzial des maschinellen Lernens (ML).

Ich habe eine klare Meinung zu dieser Frage: Ich sehe nach wie vor nur Imitation und keine echte Kreativität. Daran ändert auch die Tatsache nichts, dass man inzwischen mit Bots spielen kann, die auf Zuruf hin Bilder erzeugen. Das nennt sich wie eingangs erwähnt «Text-zu-Bild» und erfordert es, dass die Maschinen zwei wirklich schwierige Aufgaben lösen: Erstens müssen sie die gestellte Aufgabe richtig «verstehen» oder zumindest korrekt interpretieren. Und zweitens sollte das Bild, das sie daraus erzeugen, «gut» aussehen und keine Fehler wie falsch platzierte Augen oder verformte menschliche Anatomien aufweisen.

Nach meinem kleinen Vergleichstest geht es euch wahrscheinlich wie mir: Diese digitalen «Kunstwerke» wecken Faszination und Grusel zugleich, wobei der Grusel überwiegt.

Rettet euch auf den nächsten Baum!

Mit anderen Worten: Wenn die KIs so autofahren, wie sie Bilder kreieren, dann kann ich nur vor einem Ausflug in einem selbst lenkenden Gefährt warnen. Nicht nur das: Ich würde auch empfehlen, schleunigst auf den nächsten Baum zu klettern, wenn sich ein solches KI-Fahrzeug nähert!

Aber wenn die Entwicklung so weitergeht, dürfen wir gespannt sein, wo wir in zwei oder fünf Jahren stehen. Das Rationalisierungspotenzial im Bereich der grafischen Gestaltung ist gerade bei Dall·e 2 unübersehbar!

Fussnoten

1) Ich hätte auch gerne MindsEye, Midjourney und natürlich Dall-e 2 getestet: Doch die ersten beiden Kunstmaschinen haben sich mir verweigert und für die zweite habe ich immer noch keine Einladung erhalten, trotz einer länger zurückliegenden Anmeldung. ↩

Beitragsbild: An old lady screaming at the sky (twiztidsmoke, starryai.com).

#ElonMusk #FreieSoftwareFOSS_ #KI #VideoBildgenerator