Az emberek azt hiszik, hogy az AI társ app egyetlen értelem, amely beszél, rajzol és szól. Valójában három-négy különálló rendszer, amelyeket az app kapcsol össze, és a termék e részének legtöbb bosszúsága a köztük lévő varratokból ered.
Három motor, egy felület
A nyelvi modell kezeli a beszélgetést. Szöveget állít elő, mást nem.
A képgeneráló modell teljesen más rendszer, általában diffúziós modell. Szöveges leírást kap, és képet készít belőle. Soha nem látta a beszélgetésedet.
A beszédrendszer szövegből hangot csinál. Szintén különálló, és szintén vak mindenre, kivéve a neki átadott mondatot.
Ha szelfit kérsz a társadtól, ez történik: a nyelvi modell rövid leírást ír a kért képről, az app hozzáadja a karakter tárolt megjelenési címkéit, ez az összevont prompt a képgeneráló modellhez kerül, és kép érkezik vissza. A csevegés ezután egy olyan képre reagál, amelyet nem lát, azt a leírást használva, amelyet ő írt.
Ez a váltófutás szinte minden panasz forrása a kategória médiájával kapcsolatban.
Miért változik folyton az arc
Mert a diffúziós modell nem előhívja a karaktered, hanem leírásnak megfelelő valakit generál. A „hosszú sötét haj, zöld szem, húszas évek közepe” milliónyi arcot ír le, és minden alkalommal mást kapsz.
Az appok ezt különböző mértékben oldják meg:
- Tárolt megjelenési címkék: minden alkalommal ugyanaz a leíró szöveg. Olcsó, és csak nagyjából következetes.
- Referenciakép, amely minden generálást befolyásol. Sokkal jobb, és ez a szokásos megközelítés, amikor az arcok felismerhetők maradnak.
- Karakterenkénti finomhangolt modell: a legkövetkezetesebb és messze a legdrágább, ezért általában csak magasabb csomagokban jelenik meg.
Ez valódi különbségtevő tényező, érdemes kipróbálni az ingyenes verzióban, mielőtt fizetsz. Generálj négy képet ugyanarról a karakterről különböző helyzetekben. Ha négy különböző nőt kapsz, semmilyen előfizetés nem javítja meg. A karakter képek közötti következetessége nagy része annak, hogy a Candy AI vezeti a rangsorunkat, és hogy a Secret Desires, amely a megjelenést, a hangot és a személyiséget együtt építi fel, és rövid videót is ad, emiatt kap jó pontszámot.
Miért mérik mindig a médiát
A szöveg olcsó. Egy csevegőválasz generálása a cent törtrészébe kerül az üzemeltetőnek.
Egy kép generálásonként érezhetően többe kerül. A hangot a hang másodpercei szerint számlázzák. A videó mindkettőnél drámaian drágább.
Ez a költségkülönbség az egész oka az árszerkezetnek, amelyet a kategóriában mindenhol látsz: bőkezű üzenetkeretek, szűk képkorlátok, külön eladott hangpercek, a magasabb csomagokra korlátozott videó. Ez nem mesterséges hiány, amellyel felárat akarnak elérni: az üzemeltető által kapott számla valódi alakja, továbbadva.
Ezért jelenti a „korlátlan” ezen a piacon szinte mindig a korlátlan szöveget. Így olvasva az árazási oldalak hirtelen értelmet nyernek. A számítás a mibe kerül valójában a képgenerálás cikkben van.
Mit ad a hang, és mibe kerül
A hang jobban megváltoztatja az élményt, mint a legtöbben várják. Egy üzenetet olvasni és hallani nem ugyanaz, és az eltolódás nagyobb, mint amit a műszaki leírás sugall.
Két dolgot ellenőrizz, mielőtt fizetsz érte:
Késleltetés. Egy három másodperces szünet minden válasz előtt teljesen lerombolja az illúziót. Ingyenes verzión vagy próbaidőszakban próbáld ki, ne egy bemutatóvideóból.
Hívás vagy üzenet. A hangjegyzetek, amikor a karakter felolvassa a válaszát, gyakoriak és olcsók. A valós idejű hívások, ahol te beszélsz, és ő válaszol, más termék, és általában más csomag. A Nomi a hanghívásokat felsorolja a funkciói között; sok app „hangot” ír, és hangjegyzetet ért alatta.
Amit a képek nem tudnak
Két korlát, amelyet érdemes ismerni, mielőtt csalódsz:
A kezek, a szöveg és a finom részletek a kategória minden generátoránál megbízhatatlanok maradnak. Ezt senki sem oldotta meg, és az az app, amely mást ígér, a legjobb kimenetét írja le, nem az átlagosat.
A kép nem ismeri a jelenetedet. A csevegőmodell egysoros promptot ír, így minden, ami nincs abban a sorban, elvész: a szoba, amelyet leírtál, mit viselt három üzenettel korábban, a napszak. Ha a kérésben konkrét vagy, az többet javít ezen, mint bármelyik beállítás.
Hogyan ítéld meg a média oldalt egy este alatt
Használd el egy ingyenes verzió teljes keretét egyetlen menetben, ahelyett hogy naponta egy képet kérnél. Négy dolgot tesztelsz:
- Következetesség: négy kép, ugyanaz a karakter, különböző helyzetek.
- Prompthűség: kérj valami konkrétat, és nézd meg, mennyi marad meg belőle.
- Késleltetés: képeknél és hangnál is.
- Mi számít bele a keretbe: a sikertelen vagy elutasított generálás is levon-e belőle.
Ez az utolsó a legkevésbé dokumentált, és a legbosszantóbb, ha fizetés után derül ki. A mit tartalmaznak valójában az ingyenes verziók cikkben leírtakkal együtt ez az a fajta dolog, amely csak akkor derül ki, ha rendesen használod.
