چرا هوش مصنوعی متن فارسی را خراب می‌نویسد؟ راه‌حل بنر و پوستر

بنر آماده است: پس‌زمینه بی‌نقص، نور درست، ترکیب‌بندی حرفه‌ای، و وسط تصویر به‌جای «فروش ویژه پاییز» یک مشت حرف بریده و وارونه نشسته که به هیچ زبانی شبیه نیست. هر طراح ایرانی که با میدجرنی، فلاکس یا هر تصویرساز دیگری کار کرده باشد این صحنه را ده‌ها بار دیده است. بعد هم می‌رود پرامپت را عوض می‌کند، ده بار دیگر می‌سازد و باز همان نتیجه. مشکل از پرامپت شما نیست؛ مشکل در سازوکار این مدل‌هاست. در ادامه اول ریشهٔ فنی ماجرا را باز می‌کنیم، بعد صادقانه می‌گوییم کدام خانواده مدل تا کجا پیش رفته، و در پایان گردش کاری می‌دهیم که با آن هر بنر و پوستر فارسی را تمیز و قابل چاپ تحویل بدهید.

مدل تصویرساز اصلاً «متن نمی‌نویسد»، پس چه می‌کند؟

اولین چیزی که باید کنار بگذارید این تصور است که مدل مثل فتوشاپ یک لایهٔ متنی دارد و حروف را داخلش تایپ می‌کند. مدل‌های دیفیوژن فقط پیکسل تولید می‌کنند. آن‌ها میلیون‌ها تصویر دیده‌اند که در بعضی‌شان نوشته وجود داشته و یاد گرفته‌اند «شکل بصری» حروف در چه بافتی ظاهر می‌شود. وقتی روی یک تابلوی مغازه در خروجی مدل، کلمهٔ انگلیسی درست نوشته شده، مدل آن کلمه را ننوشته؛ الگوی پیکسلی‌اش را بازسازی کرده است. به همین دلیل است که یک حرف اضافه، یک حرف جاافتاده یا یک حرف آینه‌ای در خروجی کاملاً طبیعی است: از نظر مدل همه‌شان «شبیه متن» هستند.

دو سال گذشته کیفیت متن لاتین در خروجی‌ها به‌طور محسوسی بهتر شد. دلیلش هم مشخص است: مدل‌های جدیدتر از رمزگذارهای متنی قوی‌تری استفاده می‌کنند و حجم تصاویری که در آن‌ها متن انگلیسی وجود دارد در دادهٔ آموزشی بی‌اندازه زیاد است. اما این پیشرفت به فارسی سرریز نشد و دلایلش را در بخش بعد می‌بینید.

خط فارسی دقیقاً چه چیزی را برای مدل سخت می‌کند؟

فارسی و عربی چند ویژگی دارند که هرکدام به‌تنهایی سخت است و کنار هم تقریباً غیرقابل‌عبور می‌شود:

• خط پیوسته و شکل‌های چهارگانه: یک حرف مثل «ع» بسته به جایگاهش در کلمه چهار شکل کاملاً متفاوت دارد؛ آغازین، میانی، پایانی و جدا. مدل باید این قاعده را فقط از روی پیکسل کشف کند، نه از روی یک جدول فونت. نتیجهٔ شکست در همین قاعده همان چیزی است که مدام می‌بینید: حروفی که باید بچسبند، جدا افتاده‌اند.
• جهت راست‌به‌چپ: مدلی که عمدهٔ تجربه‌اش با متن چپ‌به‌راست بوده، ترتیب حروف را جابه‌جا می‌چیند یا کل کلمه را آینه‌ای می‌سازد.
• نیم‌فاصله: نویسه‌ای که هیچ عرض دیداری ندارد ولی معنا را عوض می‌کند. «می‌روم» و «می روم» و «میروم» برای مدل تقریباً یک تصویرند و در خروجی هر سه به هم می‌ریزند.
• نقطه‌ها و اعراب: تفاوت «ب»، «پ»، «ت»، «ث» فقط چند نقطهٔ کوچک است. در رزولوشن پایینِ مرحلهٔ تولید، همین نقطه‌ها اولین چیزی هستند که گم یا اضافه می‌شوند.
• کمبود داده: تعداد تصاویر آموزشی با متن فارسی، در برابر انگلیسی، عملاً قطره‌ای در دریاست. توضیحات تصویری هم که همراه این عکس‌ها بوده، تقریباً هیچ‌وقت خودِ متن فارسی داخل تصویر را توصیف نکرده است.

یک نکتهٔ مهم که در مطالب فارسی مدام قاطی می‌شود: جملهٔ «این ابزار از فارسی پشتیبانی می‌کند» دو معنای کاملاً متفاوت دارد. یکی اینکه پرامپت فارسی را می‌فهمد، و دیگری اینکه می‌تواند متن فارسی را داخل تصویر بنویسد. مورد اول تا حدی درست است؛ مورد دوم امروز برای هیچ مدل عمومی‌ای قابل اتکا نیست. اگر جایی خلاف این را خواندید، از نویسنده یک نمونهٔ خروجی با یک جملهٔ ده‌کلمه‌ای فارسی بخواهید.

کدام مدل‌ها بهترند؟ یک ارزیابی صادقانه

جدول زیر جمع‌بندی رفتار خانواده‌های اصلی است. ستون متن لاتین را جدی بگیرید، چون تفاوت واقعی همان‌جاست؛ ستون فارسی متأسفانه یک‌دست است.

«غیرقابل اتکا» یعنی ممکن است در یکی از بیست خروجی یک کلمهٔ دوحرفی درست دربیاید و نوزده تای دیگر خراب باشد. برای کار حرفه‌ای، این نرخ عملاً یعنی صفر. اگر می‌خواهید تفاوت این خانواده‌ها را در کارهایی که واقعاً از عهده‌شان برمی‌آید بشناسید، مقایسهٔ Midjourney، DALL-E و Flux را بخوانید. برای شروع کار با میدجرنی هم راهنمای میدجرنی برای کاربر ایرانی نقطهٔ خوبی است.

راه‌حل واقعی: تصویر را از تایپوگرافی جدا کنید

حرف اصلی این مقاله یک جمله است: هنر را با مدل بسازید، متن فارسی را بعداً و در یک ابزار طراحی واقعی تایپ کنید. این تنبلی یا دور زدن مسئله نیست؛ دقیقاً همان کاری است که استودیوهای حرفه‌ای در همهٔ دنیا می‌کنند. حتی وقتی متن انگلیسی باشد، هیچ آژانسی تایپوگرافی کمپین را به قرعه‌کشی خروجی مدل نمی‌سپارد. تایپوگرافی باید قابل ویرایش، قابل تکرار و مطابق هویت بصری برند باشد و هیچ‌کدام از این سه با متنِ پخته‌شده داخل پیکسل ممکن نیست.

مزیت پنهان این تفکیک این است که یک تصویر را می‌توانید ده بار با متن‌های مختلف استفاده کنید: نسخهٔ اینستاگرام، نسخهٔ استوری، نسخهٔ بنر سایت، نسخهٔ چاپی. اگر متن داخل تصویر پخته شده باشد، برای هر نسخه باید از صفر شروع کنید.

گردش کار قدم‌به‌قدم برای بنر و پوستر فارسی

1. نسبت ابعاد را از اول تعیین کنید. پیش از ساخت تصویر بدانید خروجی چهارگوش است، ۴ به ۵ است یا استوری ۹ به ۱۶. برش دادن تصویر در انتها، ترکیب‌بندی را خراب می‌کند.
2. در پرامپت، جای خالی سفارش بدهید. عبارت‌هایی مثل فضای منفی در سمت راست، ناحیهٔ ساده و بدون جزئیات در بالای کادر یا پس‌زمینهٔ یکدست کم‌کنتراست باعث می‌شود جایی برای نشستن متن داشته باشید. این مهم‌ترین تفاوت یک تصویر «قابل استفاده» با یک تصویر صرفاً زیباست.
3. متن قلابی را ممنوع کنید. در میدجرنی از پارامتر منفی برای حذف حروف و تایپوگرافی استفاده کنید و در بقیهٔ ابزارها همین را در بخش پرامپت منفی بنویسید. اگر باز هم حروف بی‌معنی ظاهر شد، با ابزار پاک‌کن یا بازترسیم ناحیه، آن قسمت را پاک کنید.
4. خروجی را در بالاترین کیفیت ممکن بگیرید. قبل از بردن به مرحلهٔ تایپ، مرحلهٔ ارتقای کیفیت را انجام دهید؛ روی متنی که بعداً اضافه می‌کنید هیچ افتی نخواهید داشت اما پس‌زمینهٔ کم‌کیفیت در چاپ فوراً لو می‌رود.
5. تصویر را به کانوا یا فیگما ببرید و لایهٔ متن فارسی بسازید. با یک فونت فارسی واقعی، راست‌چین، با نیم‌فاصله‌های درست.
6. کنتراست را جدی بگیرید. اگر متن روی ناحیهٔ شلوغ می‌نشیند، یک لایهٔ تیرهٔ نیمه‌شفاف یا گرادیان زیرش بگذارید. خوانایی همیشه بر جلوهٔ بصری مقدم است.
7. یک نسخهٔ آزمایشی خروجی بگیرید و روی موبایل ببینید. بیشتر اشکالات نیم‌فاصله و بریدگی حروف فقط در خروجی نهایی خودشان را نشان می‌دهند، نه در بوم طراحی.

اگر پرامپت‌هایتان هنوز نتیجهٔ یکدست نمی‌دهند، اصول نوشتن پرامپت دقیق را در راهنمای پرامپت‌نویسی جمع کرده‌ایم؛ همان اصول برای پرامپت تصویری هم صدق می‌کند.

تایپ فارسی در کانوا و فیگما؛ نکاتی که معمولاً اشتباه می‌شود

چند اشتباه پرتکرار که دیده‌ایم و وقت زیادی از طراح می‌گیرد: اول، کپی کردن متن از فایل ورد یا تلگرام که گاهی نویسه‌های نامرئی و نیم‌فاصله‌های غیراستاندارد را هم با خودش می‌آورد و باعث می‌شود حروف در ابزار طراحی از هم جدا بیفتند؛ متن را در یک ویرایشگر ساده پاک‌سازی کنید و بعد ببرید. دوم، انتخاب فونتی که وزن مناسب ندارد؛ برای تیتر بنر به وزن ضخیم نیاز دارید و فونت‌های نازک روی تصویر شلوغ ناخواناست. سوم، رها کردن فاصلهٔ خطوط پیش‌فرض؛ متن فارسی به‌خاطر کشیدگی‌ها و زیرنویسی حروف معمولاً به فاصلهٔ خطوط بیشتری نسبت به لاتین نیاز دارد. چهارم، اعتماد به نمایش داخل نرم‌افزار؛ پشتیبانی راست‌به‌چپ در ابزارهای طراحی طی سال‌های اخیر بهتر شده اما هنوز یکدست نیست، پس همیشه خروجی نهایی را جداگانه بازبینی کنید.

اگر تازه می‌خواهید یکی از این دو را انتخاب کنید، راهنمای کانوا پرو و راهنمای فیگما برای طراحان ایرانی تفاوت‌ها و کاربردهای هرکدام را باز کرده‌اند.

کجا اصلاً سراغ این روش نروید

این گردش کار برای بنر تبلیغاتی، پوستر، کاور شبکهٔ اجتماعی و تصویر شاخص وبلاگ عالی جواب می‌دهد. اما اگر پروژه‌تان لوگو، بسته‌بندی محصول یا نشانه‌نوشتهٔ فارسی است، تصویرساز هوش مصنوعی ابزار درستی نیست؛ آنجا به یک طراح تایپ‌فیس و کار برداری نیاز دارید که خروجی‌اش تا هر اندازه‌ای مقیاس‌پذیر باشد. همچنین اگر متنی که روی تصویر می‌نشیند حقوقی یا قراردادی است، هرگز آن را به مدل نسپارید؛ یک نقطهٔ جابه‌جا در چنین متنی هزینه دارد.

از کجا شروع کنیم

جمع‌بندی ساده است: مدل تصویرساز را برای چیزی به کار بگیرید که در آن واقعاً خوب است، یعنی ساخت فضا، نور، بافت و ترکیب‌بندی؛ و متن فارسی را در ابزاری تایپ کنید که برای تایپوگرافی ساخته شده است. با همین تقسیم کار، خروجی‌تان هم سریع‌تر آماده می‌شود و هم قابل ویرایش می‌ماند.

برای مرحلهٔ تصویر، پلن‌های میدجرنی مثل اکانت Midjourney Standard کیفیت هنری بالاتری می‌دهند و اکانت Leonardo AI برای تولید تعداد زیاد واریاسیون گزینهٔ سبک‌تری است. برای مرحلهٔ تایپوگرافی، اکانت Canva Pro امکان بارگذاری فونت فارسی اختصاصی را باز می‌کند و اکانت Figma Professional برای کار سیستماتیک و تیمی مناسب‌تر است. قیمت لحظه‌ای هرکدام روی صفحهٔ همان محصول درج شده و بستهٔ کامل ابزارهای طراحی را می‌توانید در صفحهٔ ابزارهای طراحان ببینید.