Assim como em outras IAs mais recentes, os modelos de geração de imagem baseiam-se em estruturas computacionais chamadas redes neurais, que imitam de alguma forma o funcionamento do cérebro humano. Estas arquiteturas conseguem identificar padrões complexos a partir de grandes conjuntos de dados. Diferente de modelos como o GPT-3.5 (espinha dorsal do ChatGPT na versão gratuita), que recebem um texto e retornam outro texto, estes são configurados explicitamente para receber um comando de texto e retornar uma imagem inédita. Sempre que um usuário faz uma solicitação a esse tipo de ferramenta, uma nova imagem é gerada. 

Algo interessante vale ser ressaltado: assim como outras IAs generativas, esses modelos retornam um resultado diferente a cada interação. Por isso, é bem comum que duas solicitações exatamente iguais retornem resultados distintos em momentos diferentes.

 

Empresas têm desenvolvido diversas soluções baseadas nessa tecnologia, e vários modelos diferentes estão disponíveis, inclusive gratuitos. Vamos dar ênfase às duas ferramentas mais populares, que têm apresentado bons resultados: Midjourney e DALL·E 3. Para fins de esclarecimento, o nome técnico do texto utilizado para gerar a imagem é chamado de “prompt”. Adotaremos essa nomenclatura daqui em diante. 

Midjourney. Prompt: “dentist lover garage sale in Abstract”

 

“Midjourney: Este modelo teve sua primeira versão (v1) apresentada em fevereiro de 2022 e, desde o começo, tem chamado atenção pela qualidade de suas imagens. Atualmente, na sexta versão (v6), ele oferece as imagens mais realistas e com maior nitidez. Alguns produtores de conteúdo têm feito comparações com as diversas versões e a evolução das imagens é impressionante. Confira uma delas:

Fonte: https://aituts.com/midjourney-versions/

 

Ao longo das versões, esse modelo tem se destacado por apresentar os melhores resultados com figuras humanas, sendo aquele que entrega a maior dose de realismo.

Midjourney. Prompt: “beautiful smiling female dentist in dentist’s office (…)”

 

Infelizmente, a interface de uso do Midjourney não é muito intuitiva. As solicitações são feitas através de uma plataforma terceirizada, o Discord, sendo também necessário a assinatura para acesso. A empresa não oferece versão gratuita. 

Vale notar que, apesar de ser bastante realista, ele não pareceu captar bem a solicitação do usuário. O fundo da imagem não parece ser exatamente um ‘consultório odontológico’. Esse comportamento, comum nesse tipo de modelo, já foi reportado por vários usuários, o que nos leva a falar do seu maior concorrente.… 

Este modelo pertence à mesma empresa responsável pelo ChatGPT, a OpenAI, e pode ser acessado por assinantes do ChatGPT Plus e ChatGPT Enterprise de forma integrada. Porém, existe a possibilidade de uso da ferramenta de forma totalmente gratuita através do Chat Bing. Basta digitar comandos do tipo ‘crie uma imagem de uma…’ e o chat fornecerá a imagem solicitada. É possível, no entanto, que a Microsoft (empresa responsável pelo Bing) exija login em sua plataforma antes de fornecer o serviço. 

Dalle-3. Prompt: “smiling dentist in a modern dental office”

 

Algo interessante a ser notado é que o DALL·E 3 tende a captar melhor a ideia do que o usuário solicitou, sendo mais fiel à descrição. No entanto, a qualidade da imagem tende a ser menos realista, assemelhando-se mais a um desenho do que a uma foto, principalmente ao serem retratadas figuras humanas. Com a evolução do algoritmo, é possível que esse tipo de barreira seja superada no futuro. 

 

Apesar de termos falado apenas de duas ferramentas, já existem várias empresas desenvolvendo soluções semelhantes. No entanto, como vimos aqui, a forma de entregar resultados pode diferir significativamente entre elas. 

 

Uma dica importante é ressaltar que esses modelos, atualmente, funcionam melhor no idioma inglês. Ou seja, ao solicitar a criação de uma imagem, dê preferência a uma descrição neste idioma. Solicitações em outros idiomas são primeiramente traduzidas pelo sistema e podem gerar inconsistências. 

 

No geral, modelos de geração de imagem têm o potencial de mudar significativamente a criação de conteúdo. Levando em consideração que vivemos em um mundo com cada vez mais apelo visual e forte influência das redes sociais, habilidades com este tipo de ferramenta podem ser um diferencial.