کیریکٹر یکسانیت کے ساتھ تصویر جنریشن: ایک فیلڈ گائیڈ

کیریکٹر یکسانیت کے ساتھ تصویر جنریشن (Character consistent image generation) ایسی تکنیکوں کا مجموعہ ہے جو ایک AI ماڈل کو ہر بار نیا چہرہ بنانے کے بجائے مختلف تصاویر میں ایک ہی چہرے، بالوں اور لباس کے ساتھ ایک ہی کیریکٹر تیار کرنے پر مجبور کرتی ہیں۔ یہ بالکل ایسا ہی فرق ہے جیسے "کیفے میں بیٹھی لال بالوں والی خاتون" کا پرامپٹ ہر بار ایک نئی اجنبی خاتون کی تصویر دے یا آپ کے کامک، اشتہاری مہم، یا اسٹوری بورڈ کے پہلے فریم والی لال بالوں والی خاتون ہی واپس لائے۔

مختصر ورژن: اس کے دو کارآمد طریقے ہیں، اور وہ مل کر کام کرتے ہیں۔ پہلا طریقہ یہ ہے کہ آپ اپنے کیریکٹر کی ریفرنس تصاویر اپ لوڈ کریں — وہی ریفرنس میکانزم جو پلیٹ فارم پر AI فیس سوائپ کو چلاتا ہے۔ Nano Banana 2 چار کیریکٹر ریفرنسز تک قبول کرتا ہے، Nano Banana Pro پانچ تک، اور Veo 3.1 ویڈیو میں تین ریفرنسز تک لے جا سکتا ہے۔ دوسرا طریقہ ایک کیریکٹر شیٹ پرامپٹ لکھنا ہے، یعنی ایک تفصیلی مستقل تفصیل جسے آپ ہر جنریشن میں کاپی پیسٹ کرتے ہیں۔ BananaBanana پر یکساں کیریکٹر برقرار رکھنے کی قیمت Nano Banana 2 پر 1K تصویر کے لیے $0.06 سے شروع ہوتی ہے، اور اس پوسٹ میں موجود تمام ڈیمو اسی پلیٹ فارم پر تیار کیے گئے ہیں، اس لیے یہاں موجود پرامپٹس کو براہ راست استعمال کیا جا سکتا ہے۔

سچی بات یہ ہے کہ میں شروعات میں ہی ناکامی کے امکانات کے بارے میں بھی واضح کر دوں۔ موجودہ ماڈلز میں یکسانیت اچھی ہے، لیکن کامل نہیں۔ آپ دیکھیں گے کہ یہ کہاں پر چوک جاتا ہے۔

ایک ہی کیریکٹر ہر بار مختلف کیوں لگتا ہے؟

امیج ماڈلز کے پاس مختلف درخواستوں کے درمیان کوئی یادداشت (memory) نہیں ہوتی۔ ہر جنریشن شور (noise) سے شروع ہوتی ہے، اور آپ کا پرامپٹ ہی واحد پل ہوتا ہے۔ اگر پرامپٹ کہتا ہے "سرخ بالوں والی ایک نوجوان خاتون،" تو ماڈل لاکھوں سرخ بالوں والی نوجوان خواتین میں سے کسی ایک کا انتخاب کرتا ہے جنہیں وہ بنا سکتا ہے۔ اسے پانچ بار چلائیں، تو پانچ الگ لوگ ملیں گے۔ ان کا انداز ملتا جلتا ہو سکتا ہے لیکن چہرہ ایک نہیں ہوگا۔

اسے کیریکٹر ڈرفٹ (character drift) کہا جاتا ہے، اور یہ غیر واضح پرامپٹس کے ساتھ مزید خراب ہو جاتا ہے۔ "پہلے جیسی خاتون" لکھنے سے کچھ نہیں ہوتا، کیونکہ ماڈل کے پاس ماضی کا کوئی ریکارڈ نہیں ہوتا۔ ماڈل نے آپ کی پچھلی تصویر کبھی نہیں دیکھی ہوتی جب تک کہ آپ اسے خود شامل نہ کریں۔

یہ ڈرفٹ ایک ہی ورک فلو کے دوران بھی آہستہ سے اثر دکھاتا ہے۔ کیمرے کا زاویہ تبدیل کریں تو جبڑے کی لکیر بدل جاتی ہے۔ لباس بدلیں تو اچانک چہرے کے فریکلز (چھائیاں) غائب ہو جاتے ہیں۔ میرے تجربے میں سب سے نازک خصوصیات وہی ہیں جنہیں انسان لوگوں کو پہچاننے کے لیے استعمال کرتے ہیں: آنکھوں کی شکل، ناک، اور بالوں کی لکیر۔ بیک گراؤنڈ اور کپڑے تو ٹھیک رہتے ہیں لیکن چہرے بدل جاتے ہیں۔

چنانچہ سارا کھیل ہر ایک درخواست پر ماڈل کو کیریکٹر کی شناخت واپس فراہم کرنا ہے، خواہ پکسلز کی شکل میں (ریفرنس تصاویر) یا ٹیکسٹ کی شکل میں (ایک مستقل تفصیل)۔ ترجیحاً دونوں طریقوں سے۔

ہر ماڈل کتنی ریفرنس تصاویر قبول کرتا ہے؟

ریفرنس تصاویر دونوں طریقوں میں سے زیادہ طاقتور طریقہ ہیں: آپ کیریکٹر کی تصاویر اپ لوڈ کرتے ہیں اور ماڈل انہیں حتمی سچائی مانتا ہے۔ گوگل کی Gemini API امیج دستاویزات کے مطابق، ماڈل کے لحاظ سے حدود واضح طور پر مختلف ہیں، اور انتخاب سے پہلے ان کے بارے میں جاننا ضروری ہے۔

اس جدول میں حیران کن چیز Lite ہے۔ یہ مجموعی طور پر سب سے زیادہ تصاویر (14) لیتا ہے، لیکن دستاویزات واضح کرتی ہیں کہ یہ صرف آبجیکٹ ریفرنسز کے لیے ہیں، کیریکٹر یکسانیت کے لیے نہیں۔ ہم نے اسے عملی طور پر سیکھا: Lite خوشی سے ان پٹ کے طور پر چہرہ قبول کرتا ہے اور پھر اسے پروڈکٹ فوٹو کی طرح مانتا ہے، یعنی جیکٹ کا رنگ تو ملا دیتا ہے لیکن چہرہ کھو دیتا ہے۔ اگر آپ کا کام کیریکٹر پر مبنی ہے، تو قیمت جو بھی ہو، Lite آپ کے کام کا نہیں ہے۔ (باقی سب کاموں کے لیے یہ واقعی ایک اچھا بجٹ ماڈل ہے؛ ہم نے ایک الگ گائیڈ لکھی ہے کہ Lite کب کافی ہوتا ہے)۔

باقی دونوں کے درمیان: میں Nano Banana 2 سے شروع کرنے کی تجویز دوں گا جس کی قیمت $0.06 ہے۔ Pro کا پانچواں کیریکٹر سلاٹ اور مضبوط چہرہ یکسانیت ملٹی کیریکٹر مناظر اور حتمی اثاثوں کے لیے اہم ہیں، اور $0.11 فی تصویر پر یہ کوئی بہت بڑی قیمت نہیں ہے جب تصویر کو واقعی کہیں پبلش کرنا ہو۔

اپ لوڈ کی گئی تصویر کا زاویہ تعداد سے زیادہ اہم ہے۔ ایک ہی زاویے سے تین ریفرنسز ماڈل کو صرف ایک زاویہ سکھاتے ہیں۔ ایک سامنے کا شاٹ، ایک سائیڈ پروفائل، اور ایک تھری کوارٹر ویو ماڈل کو مکمل سر کا خاکہ سکھاتے ہیں۔

کیریکٹر شیٹ کا طریقہ کیا ہے؟

ایک کیریکٹر شیٹ (character sheet) ٹیکسٹ کا ایک مستقل بلاک ہے جو آپ کے کیریکٹر کی مکمل تفصیل بیان کرتا ہے، جسے آپ ہر پرامپٹ میں کاپی پیسٹ کرتے ہیں۔ یہ صرف ٹیکسٹ والا متبادل ہے جب آپ کے پاس کوئی ریفرنس تصاویر نہ ہوں، اور اسی کے ذریعے آپ شروع میں ریفرنس تصاویر تیار کرتے ہیں۔ یہ وہ طریقہ بھی ہے جو AI ایجنٹوں کے ساتھ کام کرتا ہے: اگر آپ ہمارے MCP سرور کے ذریعے Claude Code میں تصاویر بناتے ہیں، تو بغیر کسی اپ لوڈ کے کیریکٹر شیٹ پرامپٹ کے اندر ہی منتقل ہو جاتی ہے۔

اصول: کیریکٹر کو اس طرح بیان کریں جیسے کوئی پولیس اسکیچ آرٹسٹ تفصیل چاہتا ہو۔ عمر، جسمانی ساخت، جلد، بالوں کا رنگ اور کٹ، آنکھوں کا رنگ، پہچان کے نشانات، اور ایک یا دو مستقل لوازمات۔ مبہم صفتیں ڈرفٹ پیدا کرتی ہیں؛ جبکہ واضح اسم چہرہ برقرار رکھتے ہیں۔

نیچے دیے گئے سیمپلز کے لیے استعمال کیا گیا درست پرامپٹ بلاک یہ ہے:

a woman in her late 20s with shoulder-length copper-red wavy hair,
pale skin with faint freckles across the nose and cheekbones,
green eyes, a small silver hoop earring in her left ear,
wearing a mustard-yellow corduroy jacket over a white t-shirt

نیچے دی گئی دونوں تصاویر اسی بلاک کے ساتھ Nano Banana Pro کے ذریعے تیار کی گئی ہیں۔ صرف اس کے ارد گرد کے منظر کا ٹیکسٹ تبدیل کیا گیا تھا۔ کوئی ریفرنس تصاویر شامل نہیں کی گئیں، یہ خالص ٹیکسٹ پر مبنی یکسانیت ہے:

ایک ہی شخص؟ کافی حد تک۔ چہرہ اچھا رہتا ہے، جیکٹ اور بالی لاک ہیں، اور دونوں مناظر میں چھائیاں برقرار رہیں۔ اگر آپ بہت غور سے دیکھیں تو بالوں کی لمبائی میں تھوڑا سا فرق نظر آئے گا۔ یہ صرف ٹیکسٹ پر مبنی یکسانیت کی آخری حد ہے، اسی لیے پیشہ ورانہ کاموں میں دونوں طریقوں کو ملایا جاتا ہے: کیریکٹر شیٹ سے اپنی بہترین تصویر بنائیں، پھر آنے والے تمام کاموں کے لیے اسی تصویر کو کیریکٹر ریفرنس کے طور پر استعمال کریں۔ ٹیکسٹ شناخت متعین کرتا ہے، اور پکسلز اسے برقرار رکھتے ہیں۔

پروڈکشن میں اسے چلانے کے دو چھوٹے مشورے۔ پہچان کے مستقل لوازمات (جیسے بالی، جیکٹ) بہت کم ٹوکنز میں پہچان کا بڑا کام کرتے ہیں؛ ہر کیریکٹر کو ایک ایسا لازمی جزو دیں۔ اور کیریکٹر شیٹ کو تقریباً 60 الفاظ سے کم رکھیں، کیونکہ اس سے زیادہ ہونے پر منظر کی تفصیل کیریکٹر کی تفصیل کے ساتھ ماڈل کی توجہ حاصل کرنے کے لیے مقابلہ شروع کر دیتی ہے۔

کثیر کیریکٹر مناظر اور AI اسٹوری بورڈز

ایک ہی فریم میں دو یکساں کیریکٹرز بنانا وہ جگہ ہے جہاں سستے حربے کام کرنا چھوڑ دیتے ہیں۔ دونوں کیریکٹرز کے لیے ملا ہوا ٹیکسٹ شیٹ چہروں اور کپڑوں کو گڈ مڈ کر دیتا ہے: کیریکٹر A کے بال B جیسے ہو جاتے ہیں، اور B کو A کی جیکٹ مل جاتی ہے۔ شاید بار بار جنریٹ کرنے سے یہ ٹھیک ہو جائے، لیکن اس پر پیسہ خرچ ہوتا ہے۔

ریفرنس تصاویر اسے صحیح طریقے سے حل کرتی ہیں۔ گوگل کی دستاویزات کے مطابق، Nano Banana 2 چار اور Nano Banana Pro پانچ کیریکٹر ریفرنسز تک قبول کرتے ہیں، اور ان سلاٹس کو مختلف لوگوں کے درمیان تقسیم کیا جا سکتا ہے۔ ہر کیریکٹر کی دو یا تین تصاویر اپ لوڈ کریں، پھر ان کے کردار کے مطابق منظر لکھیں ("the red-haired woman hands a coffee to the gray-bearded man")۔ اس طرح شناخت صحیح شخص کے ساتھ وابستہ رہتی ہے، حالانکہ دو لوگوں کے درمیان ہاتھوں سے چیزیں منتقل کرنا ابھی بھی ایک لاٹری ہی ہے۔

اسٹوری بورڈز اگلا فطری مرحلہ ہیں، اور انہیں بنانے کے دو طریقے ہیں۔ فریم بہ فریم: ہر پینل کے لیے ایک جنریشن، ہر ایک کے ساتھ کیریکٹر ریفرنسز شامل، Nano Banana 2 پر فی پینل $0.06، یعنی چھ پینل کے بورڈ پر $0.36 لاگت آئے گی۔ یا سنگل امیج: ایک ہی جنریشن میں Nano Banana Pro سے ملٹی پینل لے آؤٹ مانگیں۔ نیچے دیا گیا پینل اسی طرح بنایا گیا تھا، صرف ایک $0.11 کی درخواست پر، اوپر والی ہی کیریکٹر شیٹ کے ساتھ:

ایک ہی تصویر کے اندر یکسانیت برقرار رکھنا بالکل آسان ہے، کیونکہ ماڈل تمام پینلز کو ایک ہی پاس میں بناتا ہے اور اپنے کام کو دیکھ سکتا ہے۔ اس کا سمجھوتہ ریزولیوشن ہے: ہر پینل فریم کا چوتھائی حصہ ہوتا ہے۔ پچ ڈیکس (pitch decks) اور اینیمیٹکس (animatics) کے لیے یہ ٹھیک ہے۔ لیکن جن پینلز کو آپ انفرادی طور پر استعمال کرنا چاہتے ہیں، انہیں فریم بہ فریم بنائیں اور $0.36 ادا کریں۔

کیا آپ کسی کیریکٹر کو ویڈیو میں لے جا سکتے ہیں؟

جی ہاں، اور یہ وہ جگہ ہے جہاں پائپ لائن واقعی دلچسپ ہو جاتی ہے۔ Veo 3.1 ان چیزوں کو سپورٹ کرتا ہے جنہیں گوگل کی Vertex AI دستاویزات اثاثہ ریفرنس تصاویر (asset reference images) کہتی ہیں: کسی شخص، کیریکٹر یا پروڈکٹ کی 3 تصاویر تک، اور ماڈل تیار کردہ کلپ میں اس سبجیکٹ کی ظاہری شکل کو برقرار رکھتا ہے۔ Gemini Omni Flash، جو ہمیشہ آواز کے ساتھ آتا ہے، زیادہ فیاض ہے: فی کلپ 10 ریفرنس تصاویر تک، اور انہیں ایک اسٹارٹنگ فریم کے ساتھ ملایا جا سکتا ہے ($0.10 فی سیکنڈ، مکمل Omni جائزہ یہاں موجود ہے)۔

کیریکٹر شیٹ اب بھی ویڈیو پرامپٹس میں اپنا کام کرتی ہے۔ نیچے دیا گیا کلپ Veo 3.1 Fast ہے، صرف ٹیکسٹ پر مبنی، اوپر دی گئی تصاویر جیسی ہی تفصیل کے ساتھ، نیز حرکت اور کیمرے کی زبان:

پرامپٹ: کیریکٹر شیٹ، پھر "walking toward the camera along a city street at golden hour, slow dolly back, medium shot, shallow depth of field." چھ سیکنڈ، خاموش 720p، قیمت $0.52۔ وہ واضح طور پر ساکت تصاویر والا ہی کیریکٹر لگتی ہے، جو دو الگ ماڈلز کے درمیان صرف ٹیکسٹ پر مبنی منتقلی کے لحاظ سے میری توقع سے بہت بہتر ہے۔

ہمارے جنریشن لاگز سے ایک انتباہ: اثاثہ ریفرنسز (asset references) کبھی کبھار چہرے کے تاثرات کو سپاٹ یا بے جان کر دیتے ہیں۔ چہرہ تو ملتا ہے لیکن تھوڑا سا غیر طبعی لگتا ہے، خاص طور پر وائڈ شاٹس میں جہاں چہرہ بہت چھوٹا ہوتا ہے۔ کلوز اپس زیادہ بہتر رہتے ہیں۔ اگر کوئی کلپ بے جان چہرے کے ساتھ واپس آئے، تو شاٹ کو دوبارہ رول کرنے کے بجائے زیادہ کلوز اپ فریم منتخب کریں۔

مکمل طریقہ کار یہ ہے: کیریکٹر شیٹ → Nano Banana Pro پر ہیرو تصاویر → اور پھر ان تصاویر کو ہر ساکت تصویر کے لیے کیریکٹر ریفرنس کے طور پر اور ویڈیو کے لیے اثاثہ ریفرنس کے طور پر استعمال کرنا۔ ایک شناخت، ایک پائپ لائن، تصاویر $0.06 سے اور کلپس $0.10 سے pricing صفحہ پر دستیاب ہیں۔

سوالات و جوابات (FAQ)

کیریکٹر یکسانیت کے لیے کون سا AI ماڈل بہترین ہے؟

اعداد و شمار کے لحاظ سے Nano Banana Pro: 5 کیریکٹر ریفرنس تصاویر تک کی گنجائش اور فیملی میں چہرے کی سب سے مضبوط یکسانیت، 1K یا 2K تصویر کے لیے $0.11 پر۔ Nano Banana 2 $0.06 پر ایک بہترین بجٹ انتخاب ہے جس میں 4 کیریکٹر سلاٹس کے ساتھ اسٹائل ریفرنسز بھی ہیں، جو Pro میں نہیں ہیں۔ اس کام کے لیے Nano Banana 2 Lite سے پرہیز کریں؛ یہ کیریکٹر ریفرنسز کو بالکل سپورٹ نہیں کرتا۔

میں ریفرنس تصاویر کے بغیر مختلف AI تصاویر میں ایک ہی چہرہ کیسے برقرار رکھ سکتا ہوں؟

ایک کیریکٹر شیٹ لکھیں: ایک مستقل 40 سے 60 الفاظ کی تفصیل جو عمر، بال، آنکھیں، جلد، پہچان کے نشانات اور ایک لوازمات کا احاطہ کرتی ہو، اور اسے ہر پرامپٹ میں بغیر کسی تبدیلی کے شامل کریں۔ پھر اپنے بہترین آؤٹ پٹ کو آگے کے لیے ریفرنس امیج کے طور پر استعمال کریں۔ صرف ٹیکسٹ آپ کو وہاں تک لے جاتا ہے؛ ٹیکسٹ کے ساتھ امیج ریفرنسز آپ کو مستقل وہاں برقرار رکھتے ہیں۔

کیا میں کیریکٹر ریفرنس کے طور پر کسی حقیقی شخص کی تصویر استعمال کر سکتا ہوں؟

تکنیکی طور پر API کسی بھی تصویر کو قبول کرتی ہے۔ اخلاقی اور قانونی طور پر، صرف وہی تصاویر استعمال کریں جن کے حقوق آپ کے پاس ہوں اور اس شخص کی رضامندی شامل ہو۔ رضامندی کے بغیر پہچانے جانے والے حقیقی لوگوں کی تصاویر بنانا زیادہ تر پلیٹ فارمز کی شرائط کی خلاف ورزی ہے، بشمول ہمارے۔

مجھے کتنی ریفرنس تصاویر اپ لوڈ کرنی چاہئیں؟

بہت سی ملتی جلتی تصاویر کے مقابلے میں کم لیکن مختلف تصاویر زیادہ بہتر رہتی ہیں۔ تین تصاویر جو سامنے، پروفائل اور تھری کوارٹر زاویوں کا احاطہ کرتی ہوں عام طور پر پانچ ایک جیسی سیلفیز سے بہتر کارکردگی دکھاتی ہیں۔ حتمی حدود: Nano Banana 2 پر 4 کیریکٹر تصاویر، Nano Banana Pro پر 5، اور Veo 3.1 ویڈیو پر 3۔

کیا کیریکٹر یکسانیت غیر انسانی کرداروں کے لیے کام کرتی ہے؟

زیادہ تر جی ہاں۔ شوبنکر (mascots)، روبوٹ، اور کارٹون جانور اکثر انسانوں سے بہتر یکسانیت برقرار رکھتے ہیں، کیونکہ ان کی شناخت چہرے کی باریک جیومیٹری کے بجائے نمایاں شکلوں اور رنگوں میں ہوتی ہے۔ طریقے وہی لاگو ہوتے ہیں: شیٹ میں مخصوص مستقل خصوصیات لکھنا، اور ایک بار حتمی ڈیزائن مل جانے پر ریفرنس تصاویر استعمال کرنا۔