Lidé si myslí, že aplikace s AI společníkem je jedna inteligence, která umí mluvit, kreslit i hovořit. Ve skutečnosti jsou to tři nebo čtyři oddělené systémy, které aplikace spojuje dohromady, a většina frustrací v téhle části produktu pochází ze spojů mezi nimi.
Tři motory, jedno rozhraní
Jazykový model obstarává konverzaci. Vytváří text a nic jiného.
Obrazový model je úplně jiný systém, obvykle difuzní model. Vezme textový popis a vytvoří obrázek. Tvou konverzaci nikdy neviděl.
Systém řeči převádí text na zvuk. Také oddělený, také slepý ke všemu kromě věty, která mu byla předána.
Když svou společnici požádáš o selfie, děje se tohle: jazykový model napíše krátký popis požadovaného obrázku, aplikace přidá uložené značky vzhledu postavy, tenhle spojený prompt jde do obrazového modelu a vrátí se obrázek. Chat pak reaguje na obrázek, který nevidí, podle popisu, který sám napsal.
Tenhle přenos je zdrojem téměř každé stížnosti na média v téhle kategorii.
Proč se tvář pořád mění
Protože difuzní model tvou postavu nevyhledává, vytváří někoho, kdo odpovídá popisu. „Dlouhé tmavé vlasy, zelené oči, kolem pětadvaceti“ popisuje miliony tváří a pokaždé dostaneš jinou.
Aplikace to řeší v různé míře:
- Uložené značky vzhledu: pokaždé stejný popisný řetězec. Levné a jen zhruba konzistentní.
- Referenční obrázek, který podmiňuje každé generování. Mnohem lepší a obvyklý přístup, když zůstanou tváře rozpoznatelné.
- Vyladěný model pro každou postavu: nejkonzistentnější a zdaleka nejdražší, proto se obvykle objevuje jen u vyšších tarifů.
Tohle je skutečný rozdíl, který stojí za vyzkoušení v bezplatné verzi před placením. Vygeneruj čtyři obrázky stejné postavy v různých situacích. Pokud dostaneš čtyři různé ženy, žádné předplatné to neopraví. Konzistence postavy napříč obrázky je velká část toho, proč Candy AI vede náš žebříček a proč bodují Secret Desires, které vytváří vzhled, hlas i osobnost dohromady a přidává krátké video.
Proč jsou média vždy měřená
Text je levný. Vygenerovat odpověď v chatu stojí provozovatele zlomek centu.
Obrázek stojí za jedno generování znatelně víc. Hlas se účtuje za sekundu zvuku. Video je dramaticky dražší než obojí.
Tenhle rozdíl v nákladech je celý důvod cenové struktury, kterou vidíš všude v kategorii: štědré limity zpráv, přísné stropy obrázků, hlasové minuty prodávané zvlášť, video omezené na vyšší tarify. Není to umělý nedostatek určený k dodatečnému prodeji, je to skutečný tvar účtu, který provozovatel dostává, předaný dál.
Proto „neomezené“ na tomhle trhu skoro vždy znamená neomezený text. Čti to tak a ceníky najednou dávají smysl. Výpočty jsou v článku co tě generování obrázků doopravdy stojí.
Co hlas přidává a kolik stojí
Hlas mění zážitek víc, než většina lidí čeká. Přečíst si zprávu a slyšet ji jsou dvě různé věci a ten posun je větší, než naznačuje technický popis.
Dvě věci k ověření před placením:
Latence. Tři sekundy ticha před každou odpovědí iluzi úplně rozbijí. Vyzkoušej to v bezplatné verzi nebo na zkoušku, ne z ukázkového videa.
Zda jde o hovor, nebo o zprávu. Hlasové zprávy, kdy postava svou odpověď přečte nahlas, jsou běžné a levné. Hovory v reálném čase, kdy mluvíš ty a ona odpovídá, jsou jiný produkt a obvykle jiný tarif. Nomi uvádí hlasové hovory mezi svými funkcemi; mnoho aplikací uvádí „hlas“ a myslí tím zprávy.
Co obrázky nezvládnou
Dvě hranice, které je dobré znát, než budeš zklamaný:
Ruce, text a jemné detaily zůstávají nespolehlivé u všech generátorů v téhle kategorii. Nikdo to nevyřešil a aplikace, která slibuje opak, popisuje svůj nejlepší výstup, ne průměr.
Obrázek tvou scénu nezná. Chatovací model napíše jednořádkový prompt, takže všechno, co v tom řádku není, je pryč: místnost, kterou jsi popsal, co měla na sobě před třemi zprávami, denní doba. Výslovnost v požadavku to napraví víc než jakékoli nastavení.
Jak zhodnotit mediální stránku za jeden večer
Spotřebuj celý limit bezplatné verze v jednom sezení, ne jeden obrázek denně. Zkoušíš čtyři věci:
- Konzistenci: čtyři obrázky, stejná postava, různé situace.
- Věrnost zadání: požádej o něco konkrétního a podívej se, kolik z toho přežije.
- Latenci: u obrázků i u hlasu.
- Co se počítá do limitu: jestli tě stojí i neúspěšné nebo odmítnuté generování.
Ta poslední je nejméně zdokumentovaná a nejvíc otravná, když ji zjistíš až po zaplacení. Spolu se zbytkem co bezplatné verze doopravdy obsahují je to věc, která se ukáže, až když produkt používáš pořádně.
