گوگل با انتشار نسخه به‌روزرسانی‌شده ابزار تولید تصویر جمینای (Gemini) که با نام‌کد «نانو بنانا» (Nano Banana) شناخته می‌شود، چالش جدی‌ای برای نرم‌افزارهای سنتی ویرایش عکس مانند فتوشاپ ایجاد کرده است. این ارتقا که به‌صورت فنی Gemini 2.5 Flash Image نام‌گذاری شده، به کاربران امکان می‌دهد تا تنها با دستورات متنی یا صوتی تصاویر را بسازند، ویرایش کنند یا با هم ترکیب نمایند. قابلیت‌های برجسته شامل جایگزینی اشخاص در یک عکس، تغییر لباس، ترکیب افراد واقعی با پس‌زمینه‌های جدید و حتی تولید اعضای بدن ناپدید در عکس اصلی می‌باشد.
انتشار موبایل‌محور و تست‌های واقعی
گوگل این قابلیت را در روز سه‌شنبه به‌صورت رسمی و تنها از طریق اپلیکیشن موبایل جمینای منتشر کرده است؛ در حالی که نسخه وب هنوز به تمام ویژگی‌های جدید دسترسی ندارد. تیم مجله تمشک این موتور را آزمایش کرده و نتایج حیرت‌انگیزی ثبت شده است. برای مثال، آرم پیلچ، سردبیر رج در ایالات متحده، یک عکس از بالاتنه خود و یک عکس جداگانه از دو صندلی به جمینای داد و خواسته تا او را بر صندلی قرمز بنشاند. نتیجه: جمینای نه تنها پیلچ را در صندلی قرار داد، بلکه دست و پایی که در عکس اصلی وجود نداشتند را رسم کرد، لوگوی ناقص روی تی‌شرت را کامل ساخت و تنها تفاوت جزئی رنگ شلوار بود که با یک دستور ساده به «جین آبی روشن» تغییر یافت.
🔗 بیشتر بخوانید: نسل چهارم هدست ویژن پرو می تواند به شکل ایده آل درآید
ترکیب تصاویر، تغییر پس‌زمینه و تبدیل به ویدیو
به گزارش بخش نوآوری رسانه تکنا، گوگل تأکید کرده که کاربران می‌توانند یک عکس ارائه دهند و بگویند چه تغییری مد نظر است. این ابزار امکانات زیر را فراهم می‌کند:
- ترکیب چند عکس برای قرار دادن خود در کنار حیوان خانگی
- تغییر دکوراسیون اتاق برای پیش‌نمایش کاغذ دیواری
- جایگزینی پس‌زمینه با هر مکان دلخواه در جهان
- تبدیل عکس ویرایش‌شده نهایی به یک ویدیو کوتاه
سرعت بالا و حذف اشیاء هوشمند
در تست‌های دیگر، پیلچ عکس دخترش را با دو مجسمه در کنارش ثبت کرد و از جمینای خواست تا مجسمه‌ها را حذف کند. ابزار مجسمه‌ها را محو کرد و سایه درخت مجاور را به‌صورت طبیعی گسترش داد. سپس درخواست قرار دادن دختر در برابر اهرام‌ها انجام شد و حتی حالت ایستادن او برایpoz طبیعی‌تر اصلاح گردید. نکته قابل‌توجه سرعت پردازش است؛ تصاویر در عرض چند ثانیه و به‌صورت کاملاً ابری (Cloud-based) تولید می‌شوند. حتی عکس جلد این مقاله نیز با کمک جمینای ساخته شده است.
آخرین مطالب
- مکبوک پرو M۵ در تست سنگین به ۹۹ درجه رسید؛ مدیریت حرارتی بهتر از M۴
- تأثیر میکروبیوم روده در دوران نوزادی بر سلامت روان کودکان در آینده
- چرا از پیروزی دیگران غمگین میشویم؟ راهکارهای تبدیل حسادت به رشد
- ترمیم لایه اوزون در حال پیشرفت؛ تا سال ۲۰۶۶ به تمامیت میرسد
- تحلیل تفاوتهای فنی سامسونگ و TSMC در تولید تراشههای هوش مصنوعی تسلا
🔗 بیشتر بخوانید: اتحادیه وای فای از اراعه استاندارد نهایی وای فای ۷ در سال ۲۰۲۴ خبر داد
تأثیر بر صنعت گرافیک و واترمارک SynthID
جمینای ۲.۵ فلش ایمیج به ویرایشگران اجازه می‌دهد کارهایی که قبلاً ساعت‌ها یا حداقل دقیقه‌های طولانی از یک طراح گرافیک می‌طلبید، در ثانیه‌ها انجام دهند. برای مقابله با سوءاستفاده، گوگل واترمارک SynthID را در تصاویر تولیدی گنجانده تا شناسایی محتوای هوش مصنوعی آسان‌تر شود. اگرچه این تدبیر جلوی تمام اسپم‌ها را نمی‌گیرد، اما لایه‌ای از امنیت فراهم می‌آورد.
محدودیت‌های امنیتی و قیمت‌گذاری
سیستم همچنان محافظه‌هایی دارد: تولید تصاویر چهره‌های حساس سیاسی (مانند هیتлер) دشوار اما غیرممکن نیست، در حالی که سلبریتی‌هایی مانند تیلور سوئیفت یا دونالد ترامپ بدون مانع تولید می‌شوند. 다행ه، در برابر محتوای پورنوگرافیک حفاظات لازم اعمال شده است. کیفیت کلی خروجی‌ها رقیب مناسبی برای ابزارهای LLM تصویر از اوپن‌ای‌آی (OpenAI) یا xAI محسوب می‌شود.
گوگل این نسخه را برای API جمینای، Google AI Studio و Vertex AI با هزینه ۳۰ دلار به ازای هر یک میلیون توکن خروجی (معادل ۰.۰۳۹ دلار برای هر عکس، با احتساب ۱۲۹۰ توکن برای هر تصویر) عرضه کرده است. شرکت این نسخه را «موقت» توصیف کرده و از بهبودهای آتی خبر داده است. هم‌اکنون گوگل با OpenRouter.ai و fal.ai برای گسترش دسترسی شریک شده و نوبت رقباست تا با قابلیت‌های جدید گوگل رقابت کنند.
