AI Art Tools Compared: DALL-E vs Midjourney vs Stable Diffusion — pic0.ai

Sai lầm 47 USD đã thay đổi cách tôi suy nghĩ về công cụ nghệ thuật AI

Tôi là Sarah Chen, và tôi đã làm giám đốc sáng tạo tiếp thị kỹ thuật số được mười hai năm, bốn năm qua tôi đã dành thời gian khám phá thế giới hình ảnh do AI tạo ra. Vào tháng Ba năm ngoái, tôi đã tiêu tốn 47 USD trong tín dụng Midjourney chỉ trong một buổi chiều để cố gắng tạo ra hình ảnh anh hùng hoàn hảo cho chiến dịch thời trang bền vững của một khách hàng. Kết quả? Về mặt kỹ thuật thì tuyệt đẹp, nhưng hoàn toàn không thể sử dụng cho các mục đích thương mại do những mơ hồ về giấy phép mà tôi chưa thật sự hiểu rõ.

Bài học đắt giá đó đã khiến tôi đi vào một chuỗi thử nghiệm, so sánh và thật sự hiểu ba người chơi chính trong việc tạo ra nghệ thuật AI: DALL-E, Midjourney và Stable Diffusion. Trong mười tám tháng qua, tôi đã tạo ra hơn 3.200 hình ảnh trên các nền tảng này, đã chi khoảng 890 USD cho nhiều gói đăng ký và tín dụng, và học cách công cụ nào thực sự đáp ứng nhu cầu sáng tạo cụ thể so với cái nào chỉ tạo ra những bức ảnh đẹp không có giá trị sử dụng.

Cảnh quan nghệ thuật AI không chỉ đơn thuần là công cụ nào tạo ra hình ảnh đẹp nhất nữa. Nó liên quan đến việc hiểu những khác biệt cơ bản trong cách mà các hệ thống này hoạt động, chi phí thực tế của chúng, ai sở hữu những gì bạn tạo ra, và quan trọng nhất là công cụ nào thực sự giúp giải quyết vấn đề sáng tạo cụ thể của bạn. Dù bạn là một freelancer độc lập đang cố gắng kéo dài ngân sách hạn hẹp, một giám đốc sáng tạo của một agency đang quản lý kỳ vọng của khách hàng, hay một người đam mê khám phá những khả năng sáng tạo, công cụ bạn chọn quan trọng hơn rất nhiều so với những gì hầu hết các bài viết so sánh thừa nhận.

Đây không phải là một danh sách bề ngoài "đây là ba công cụ". Đây là những gì tôi ước ai đó đã nói với tôi trước khi tôi lãng phí tiền bạc, thời gian và thiện chí của khách hàng để tìm ra điều này theo cách khó khăn.

Hiểu về sự khác biệt trong kiến trúc cơ bản

Trước khi chúng ta đi vào các so sánh thực tế, bạn cần hiểu rằng DALL-E, Midjourney và Stable Diffusion không chỉ là ba phiên bản của cùng một thứ với các giao diện khác nhau. Chúng được xây dựng trên những kiến trúc cơ bản khác nhau với các phương pháp huấn luyện khác nhau, và những khác biệt này ảnh hưởng đến mọi thứ từ chất lượng hình ảnh đến quyền sử dụng.

"Hiểu lầm lớn nhất về các công cụ nghệ thuật AI không phải là cái nào sản xuất hình ảnh tốt hơn—mà là giả định rằng 'tốt hơn' có nghĩa là cùng một điều trong các ngữ cảnh thương mại khác nhau. Một hình ảnh Midjourney tuyệt đẹp không có ý nghĩa gì nếu bạn không thể sử dụng nó hợp pháp trong chiến dịch quảng cáo của khách hàng."

DALL-E, được phát triển bởi OpenAI, sử dụng kiến trúc dựa trên transformer tương tự như các mô hình GPT. Nó đã được huấn luyện trên một tập dữ liệu được chọn lọc cẩn thận với sự chú trọng lớn đến các bộ lọc an toàn và kiểm duyệt nội dung. Phiên bản hiện tại, DALL-E 3, được tích hợp trực tiếp vào ChatGPT Plus, đại diện cho tầm nhìn của OpenAI về việc tạo ra nghệ thuật AI dễ tiếp cận, an toàn và khả thi về mặt thương mại. Dữ liệu huấn luyện bao gồm các hình ảnh có bản quyền và đã trải qua quá trình lọc nghiêm ngặt để giảm thiểu các đầu ra vấn đề.

Midjourney có cách tiếp cận hoàn toàn khác. Được xây dựng bởi một phòng thí nghiệm nghiên cứu độc lập nhỏ, nó sử dụng một mô hình khuếch tán độc quyền đã được cải tiến qua các phiên bản từ 1 đến 6. Điều làm cho Midjourney trở nên độc đáo là phương pháp huấn luyện của nó—nó đã được tối ưu hóa đặc biệt cho sức hấp dẫn về thẩm mỹ hơn là sự diễn giải chính xác các prompt. Đội ngũ đã tập trung vào việc tạo ra những hình ảnh trông đẹp, đôi khi đánh đổi sự kiểm soát chính xác. Điều này thể hiện qua kết quả: hình ảnh Midjourney thường có một "diện mạo" đặc biệt dễ nhận biết.

Stable Diffusion, phát triển bởi Stability AI và được phát hành mã nguồn mở, sử dụng mô hình khuếch tán tiềm ẩn hoạt động trong không gian tiềm ẩn nén thay vì không gian pixel. Điều này làm cho nó hiệu quả về mặt tính toán và, quan trọng là, có thể chỉnh sửa được. Vì nó là mã nguồn mở, hàng ngàn nhà phát triển đã tạo ra các mô hình tùy chỉnh, phiên bản tinh chỉnh và các phần mở rộng. Bạn không chỉ sử dụng một Stable Diffusion—bạn đang có thể sử dụng một trong hàng trăm biến thể được tối ưu hóa cho các mục đích khác nhau.

Những khác biệt kiến trúc này có nghĩa là so sánh các công cụ này không giống như so sánh ba thương hiệu của cùng một sản phẩm. Nó giống như việc so sánh một chiếc sedan, một chiếc mô tô và một chiếc xe mô-đun mà bạn có thể tự lắp ráp. Tất cả chúng đều đưa bạn đến nơi, nhưng hành trình và khả năng khác biệt một cách cơ bản.

Phân tích chi phí thực tế mà không ai nói đến

Khi tôi bắt đầu theo dõi chi tiêu thực tế của mình trên các nền tảng này, tôi phát hiện ra rằng mức giá quảng cáo chỉ kể được khoảng 40% câu chuyện chi phí thực sự. Hãy để tôi phân tích những gì bạn thực sự sẽ chi tiêu dựa trên các mô hình sử dụng thực tế mà tôi đã quan sát trong đội ngũ và mạng lưới freelancer của mình.

DALL-E 3 qua ChatGPT Plus có giá 20 USD mỗi tháng, điều này có vẻ đơn giản. Bạn có quyền truy cập vào DALL-E 3 như một phần của gói đăng ký của mình, nhưng có một giới hạn mềm trong việc tạo hình—xấp xỉ 50 hình ảnh trong ba giờ dựa trên thử nghiệm của tôi. Đối với những người dùng thông thường tạo ra 5-10 hình ảnh mỗi ngày, điều này hoạt động hoàn hảo. Nhưng khi tôi ở chế độ sản xuất cho một dự án của khách hàng, tôi đã đạt đến giới hạn đó trước 11 giờ sáng. Giải pháp? Hoặc chờ đợi hoặc mua thêm tín dụng qua API với mức giá khoảng 0.04 USD mỗi hình ảnh cho chất lượng tiêu chuẩn và 0.08 USD cho HD. Chi phí thực tế hàng tháng của tôi cho DALL-E trong những tháng bận rộn: 45-60 USD.

Cấu trúc giá của Midjourney đã phát triển đáng kể. Kế hoạch Cơ bản ở mức 10 USD hàng tháng cho bạn khoảng 200 lần tạo hình (khoảng 3.3 giờ thời gian GPU). Nghe có vẻ hợp lý cho đến khi bạn nhận ra rằng mỗi "lần tạo hình" có thể tạo ra bốn biến thể, nhưng bạn thường sẽ tạo ra 8-12 biến thể trước khi có được một thứ sử dụng được. Tỷ lệ thực tế của tôi: khoảng 15 lần tạo hình cho mỗi hình ảnh cuối cùng. Kế hoạch 10 USD thậm chí thực tế chỉ tạo ra 13-15 hình ảnh sử dụng được. Kế hoạch Tiêu chuẩn ở mức 30 USD hàng tháng (15 giờ thời gian GPU) là nơi mà hầu hết các chuyên gia dừng chân, cho phép bạn có khoảng 120-150 hình ảnh cuối cùng mỗi tháng. Chi phí thực tế tháng của tôi cho Midjourney: 30-60 USD hàng tháng tùy thuộc vào việc tôi có cần kế hoạch Pro cho chế độ ẩn danh hay không.

Stable Diffusion có vẻ miễn phí, điều này kỹ thuật là đúng nhưng thực tiễn gây hiểu lầm. Việc chạy nó cục bộ yêu cầu một GPU có ít nhất 8GB VRAM—thực tế là ít nhất 12GB cho việc sử dụng thoải mái. Đó là một khoản đầu tư phần cứng từ 400-800 USD nếu bạn đang xây dựng hoặc nâng cấp. Ngoài ra, các dịch vụ đám mây như RunPod hoặc Vast.ai tính phí từ 0.20-0.50 USD mỗi giờ tùy thuộc vào cấp bậc GPU. Tôi chi khoảng 25 USD mỗi tháng cho thời gian GPU đám mây để làm việc với Stable Diffusion, cộng với các khoản mua mô hình tùy chỉnh (5-20 USD mỗi mô hình). Tổng chi phí hàng tháng cho Stable Diffusion: 30-50 USD khi tính tất cả.

Chi phí ẩn mà không ai đề cập? Thời gian. DALL-E tạo ra hình ảnh trong 10-20 giây. Midjourney mất 30-60 giây cho mỗi lần tạo hình. Stable Diffusion trên thiết lập cục bộ của tôi mất 15-45 giây tùy thuộc vào cài đặt, nhưng việc thiết lập, chuyển đổi mô hình và khắc phục sự cố mất hàng giờ mỗi tháng. Khi tôi tính toán mức giá theo giờ của tôi với tư cách là giám đốc sáng tạo, chi phí thời gian đó vượt xa phí đăng ký.

Kỹ thuật prompt: Nơi mỗi công cụ tỏa sáng và gặp khó khăn

Sau khi tạo ra hàng ngàn hình ảnh, tôi đã học được rằng mỗi nền tảng diễn giải các prompt một cách cơ bản khác nhau, và việc hiểu những khác biệt này chính là kỹ năng thực sự tách biệt kết quả nghiệp dư với đầu ra chuyên nghiệp.

"Tôi đã thấy các đội sáng tạo lãng phí hàng tuần để theo đuổi sự hoàn hảo về mặt thẩm mỹ trong công cụ sai, trong khi một đầu ra 'ít ấn tượng hơn' từ nền tảng khác đã thực sự được triển khai và tạo ra doanh thu. Những bức ảnh đẹp không thanh toán hóa đơn—tài sản có thể sử dụng, có thể cấp phép thì mới làm được."

DALL-E 3 xuất sắc trong việc hiểu ngôn ngữ tự nhiên. Bạn có thể viết các prompt theo cách trò chuyện như "một không gian cà phê ấm cúng với ánh sáng ấm áp, nội thất cổ điển, và một barista tạo latte art, được chụp theo phong cách của một tạp chí phong cách sống" và nhận được kết quả rất chính xác. Sự tích hợp với ChatGPT có nghĩa là bạn có thể lặp lại một cách giao tiếp: "làm nó có tâm trạng hơn" hoặc "thêm nhiều cây xanh hơn" hoạt động rất trực quan. Tuy nhiên, DALL-E gặp khó khăn với các yêu cầu kỹ thuật rất cụ thể. Hãy thử chỉ định các giá trị màu sắc chính xác, các bố cục chính xác, hoặc các thuật ngữ nhiếp ảnh kỹ thuật, và r