48099
API, هوش مصنوعی

۱۴ رابط برنامه‌نویسی هوش مصنوعی برای تبدیل متن به تصویر (Text-to-Image AI APIs) کدامند؟

توسط . ارسال شده در

هوش مصنوعی در مدت زمان نسبتاً کوتاهی به ابزاری فراگیر تبدیل شده است و رابط‌های برنامه‌نویسی در تمام حوزه‌ها امکان تولید ویدئو، تصویر، متن و حتی صدا را ارائه می‌دهند. در ادامه، ۱۴ مورد از بهترین رابط‌های برنامه‌نویسی برای تبدیل متن به تصویر که از هوش مصنوعی و مدل‌های زبان بزرگ استفاده می‌کنند، بررسی می‌کنیم. این ابزارها پیشرفته هستند، جدیدترین تکنولوژی‌ها را در زمینه تبدیل متن به تصویر و انواع مختلف فرمت‌های ورودی و خروجی ارائه می‌دهند و وعده می‌دهند که محصول شما را در مدت زمان بسیار کوتاه بهبود بخشند!

۱. DALL·E 3

DALL·E 3 و OpenAI Image Generation توسط بسیاری به عنوان اولین حرکت جدید در زمینه مولدهای تصویر هوش مصنوعی در دهه گذشته در نظر گرفته می‌شوند. نتایج هم نزدیک به سطح انسانی هستند و هم قابل تنظیم بالا. DALL·E در مکالمات پیرامون هوش مصنوعی تقریباً همه‌گیر شده است، به طوری که «ChatGPT» اغلب به عنوان اصطلاحی کلی برای چارچوب واقعی ChatGPT و همچنین پیاده‌سازی خاص DALL·E استفاده می‌شود. این روند با ادغام اخیر DALL·E در ChatGPT به عنوان یک عملکرد اصلی ادامه یافته است. و در خانواده APIهای OpenAI، این ادغام عملکردها در مگا-API ادامه یافته است.

نمونه درخواست API

curl https://api.openai.com/v1/images/generations \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"model": "dall-e-3",
"prompt": "a white siamese cat",
"n": 1,
"size": "1024x1024"
}'

۲. هوش مصنوعی مولد توسط Getty

یکی از بزرگترین پرسش‌های باز درباره تصاویر تولیدشده توسط هوش مصنوعی و مدل‌هایی که تولید متن به تصویر ارائه می‌دهند، مسئله حق نشر است. در حالی که این مدل‌ها می‌توانند تصاویر بسیار خوبی تولید کنند، اغلب بر روی مواد دارای حق نشر آموزش دیده‌اند که بحثی درباره اخلاق و قانونی بودن استفاده از چنین تصاویری در کاربردهای تجاری ایجاد می‌کند. این مسئله هنوز به طور کامل حل نشده است، اما Getty با ارائه یک API قدرتمند که تصاویر تجاری ایمن ارائه می‌دهد، پیشتاز شده است. توانایی تولید این تصاویر بدون نگرانی درباره قوانین آینده یا مسائل اخلاقی فعلی، این ارائه را برای کاربردهای تجاری منحصربه‌فرد می‌کند.

نمونه درخواست API

curl -X 'POST' \ 'https://api.gettyimages.com/v3/ai/image-generations' \
-H 'accept: application/json' \
-H 'Content-Type: application/json' \
-d '{"prompt": "an image of a person coding an API", "negative_prompt": "string", "aspect_ratio": "string", "media_type": "photography", "mood": "black_and_white", "product_id": 0, "project_code": "string", "notes": "string"}'

۳. Imagen 2 توسط گوگل

Imagen 2 یک راه‌حل جذاب است که توسط یکی از بزرگترین بازیگران داده در جهان — گوگل — پشتیبانی می‌شود. خود این موضوع یک نقطه قوت قوی است — گوگل در داده‌ها به گونه‌ای معامله می‌کند که هیچ ارائه‌دهنده دیگری از هوش مصنوعی یا مدل زبان بزرگ نمی‌تواند بازتولید کند. این داده‌ها به Imagen 2 اجازه می‌دهند تصاویر بسیار واقعی و با کیفیت بالا ایجاد کند و این از طریق API Imagen در Google Cloud Vertex AI به توسعه‌دهندگان ارائه می‌شود. با وجود اینکه گوگل شرکتی همیشه در حال تغییر است و شهرت به متوقف کردن خطوط تولید خود دارد، اما این شرکت اعلام کرده است که هوش مصنوعی تمرکز اصلی آن است که ممکن است برخی نگرانی‌ها را کاهش دهد.

۴. پلتفرم توسعه‌دهنده Stability AI

Stability AI بیشتر به خاطر مدل Stable Diffusion خود که استاندارد تولید تصویر هوش مصنوعی را تعیین کرد، شناخته شده است. این شرکت تلاش زیادی کرده است تا پیشنهادات هوش مصنوعی خود را در یک مجموعه تجاری جذاب و مفید بسته‌بندی کند. نتیجه این تلاش، پلتفرم توسعه‌دهنده Stability AI است. در حالی که این پلتفرم از فناوری پیشرفته برای ارائه برخی از بالاترین کیفیت‌های تولید تصویر در بازار استفاده می‌کند، بسیاری از راه‌حل‌های دیگر آن — از جمله ارتقاء مبتنی بر هوش مصنوعی و حتی تکرار تصویر به تصویر با استفاده از یادگیری ماشین — Stability AI را به یک ابزار حیاتی برای بسیاری از جریان‌ها، از جمله طراحی، انیمیشن و ویرایش ویدئو تبدیل کرده است.

نمونه درخواست API

import base64
import requests
import osurl = “https://api.stability.ai/v1/generation/stable-diffusion-xl-1024-v1-0/text-to-image”body = {
“steps”: ۴۰,
“width”: ۱۰۲۴,
“height”: ۱۰۲۴,
“seed”: ۰,
“cfg_scale”: ۵,
“samples”: ۱,
“text_prompts”: [
{
“text”: “an image of a person coding an API”,
“weight”: ۱
},
{
“text”: “blurry, dark”,
“weight”: –۱
}
],
}headers = {
“Accept”: “application/json”,
“Content-Type”: “application/json”,
“Authorization”: “Bearer YOUR_API_KEY”,
}

response = requests.post(
url,
headers=headers,
json=body,
)

if response.status_code != ۲۰۰:
raise Exception(“Non-200 response: “ + str(response.text))

data = response.json()

# make sure the out directory exists
if not os.path.exists(“./out”):
os.makedirs(“./out”)

for i, image in enumerate(data[“artifacts”]):
with open(f’./out/txt2img_{image[“seed”]}.png’, “wb”) as f:
f.write(base64.b64decode(image[“base64”]))

۵. ModelsLab API

ارزش اصلی ModelsLab عمق و تنوع مدل‌های زبان بزرگ آن است. ModelsLab نه تنها مدل‌های LLM بومی خود را برای تولید تصویر ارائه می‌دهد، بلکه به جامعه امکان می‌دهد مدل‌های خود را بارگذاری کنند که امکان ترکیب و گسترش قابلیت‌ها را فراهم می‌کند، امری که در توزیع‌های کنترل‌شده و متمرکز کمتر دیده می‌شود. در حالی که این ممکن است به طور نظری بر کیفیت بلندمدت تأثیر بگذارد، این مدل‌ها معمولاً جداگانه هستند و امکان تولید تصویر مبتنی بر متن LLM سفارشی و هدایت‌شده را بیشتر از سایر پیشنهادهای این فهرست فراهم می‌کنند.

نمونه درخواست API

OkHttpClient client = new OkHttpClient().newBuilder()
.build();
MediaType mediaType = MediaType.parse("application/json");
RequestBody body = RequestBody.create(mediaType, "{\n \"key\": \"\",\n \"prompt\": \"a person coding an API))\",\n \"negative_prompt\": null,\n \"width\": \"512\",\n \"height\": \"512\",\n \"samples\": \"1\",\n \"num_inference_steps\": \"20\",\n \"seed\": null,\n \"guidance_scale\": 7.5,\n\"safety_checker\":\"yes\",\n \"multi_lingual\":\"no\",\n \"panorama\":\"no\",\n \"self_attention\":\"no\",\n \"upscale\":\"no\",\n \"embeddings_model\":\"no\",\n \"webhook\": null,\n \"track_id\": null\n}");
Request request = new Request.Builder()
.url("https://modelslab.com/api/v3/text2img")
.method("POST", body)
.addHeader("Content-Type", "application/json")
.build();
Response response = client.newCall(request).execute();

۶. Monster API

Monster API به دلیل شبکه نسبتاً عظیم (به صورت کلمه بازی شده Monster) که API آن را پشتیبانی می‌کند، یک راه‌حل منحصر به فرد است. این راه‌حل Stable Diffusion از محاسبات غیرمتمرکز از طریق تجهیزات ماینینگ رمز ارز در سراسر جهان استفاده می‌کند تا یک راه‌حل تولید تصویر پایدار، مقیاس‌پذیر و محلی‌شده جهانی ارائه دهد. این در نهایت به این معناست که تولید تصویر Monster منابع کمتری مصرف می‌کند و دسترسی آن به طور عادلانه‌تر دموکراتیزه شده است، و توسعه‌دهندگان سراسر جهان را به قدرت تولید هوش مصنوعی باز می‌کند، امری که تا به حال عمدتاً محدود به چند کشور بود.

نمونه درخواست API

curl --request POST \
--url https://api.monsterapi.ai/v1/generate/txt2img \
--header 'accept: application/json' \
--header 'content-type: application/json'

۷. Replicate API

Replicate به دلیل گستردگی موادی که می‌تواند تولید کند، یک پیاده‌سازی قدرتمند است. در حالی که Replicate می‌تواند نتایج متن به تصویر با دقت و کیفیت بالا ایجاد کند، از این مدل برای تولید ویدئو، صدا و حتی موسیقی نیز استفاده کرده است. این سیستم چندوجهی همچنین به شما اجازه می‌دهد خروجی را دقیق تنظیم کنید، و منجر به یک API می‌شود که می‌تواند با نیازهای خاص شما سازگار شود و تصاویر را در محدوده پارامترهای شما تولید کند. به همین دلیل، Replicate یک راه‌حل قدرتمند و قابل تنظیم است که شایسته بررسی در هر جریان کاری است.

نمونه درخواست API

import Replicate from 'replicate';
const replicate = new Replicate();const input = {
prompt: “an astronaut riding a horse on mars, hd, dramatic lighting”,
scheduler: “K_EULER”
};const output = await replicate.run(“stability-ai/stable-diffusion:ac732df83cea7fff18b8472768c88ad041fa750ff7682a21affe81863cbe77e4”, { input });
console.log(output)

۸. AI Image Generator توسط DeepAI

رابط تولید تصویر DeepAI ساده و طراحی آسانی دارد. به روش‌های زیادی، این هم جذابیت آن است و هم نقطه ضعف آن. ابزار آسان برای استفاده، سریع و دارای مجوز رایگان قوی برای استفاده تجاری از تصاویر تولیدشده است. با این حال، این یک راه‌حل ساده است که چیزی بیشتر از تولید تصویر ارائه نمی‌دهد. اگر این همان چیزی است که نیاز دارید، این ابزار می‌تواند کار را انجام دهد، اما انتظار چیز بیشتری نداشته باشید.

نمونه درخواست API

curl \
-F 'text=YOUR_TEXT_HERE' \
-H 'api-key:YOUR_API_KEY' \
https://api.deepai.org/api/text2img

۹. Image Generation API توسط Hive

Hive خود را به عنوان یک اپراتور راه‌حل‌های هوش مصنوعی معرفی می‌کند و مجموعه گسترده‌ای از پیاده‌سازی‌ها را از طریق API ارائه می‌دهد. در حالی که راه‌حل اصلی تولید تصویر همچنان برای توسعه‌دهندگان و کاربران ارزشمند است، اضافه کردن ابزارهای دیگر مبتنی بر این تکنولوژی، مانند ابزارهای مدیراسیون، تشخیص متن، تولید بینش، سیستم‌های OCR سند و غیره، آن را به یک ستون فقرات برای بسیاری از پیاده‌سازی‌های بزرگ مقیاس هوش مصنوعی تصویر تبدیل کرده است.

نمونه درخواست API

curl --location --request POST 'https://api.thehive.ai/api/v2/task/async' \
--header 'authorization: Token <YOUR_TOKEN>' \
--header 'Content-Type: application/json' \
--data-raw '{ "options": { "neg_text": "grass, pool", "num_images": 3 }, "text_data": "modern architecture house", "callback_url": "example_url" }'

۱۰. Cloudlayer.io

Cloudlayer یک پیاده‌سازی تجاری خاص برای تولید تصویر هوش مصنوعی است که بر ایجاد مواد بازاریابی و تجاری مبتنی بر تصویر تمرکز دارد. این مواد شامل تصاویر هستند و همچنین ایجاد PDF از متن ورودی، قالب‌های پیش‌ساخته برای ایجاد ساختارمند و موارد دیگر را ارائه می‌دهند. بخش بهترین این ابزار این است که می‌تواند یک URL دریافت کند و از آن تصویر تولید کند — این امکان بهبود کارایی جریان کاری و تولید مستقیم تصویر از ساختارهای پیش‌ساخته را فراهم می‌کند. این یک راه‌حل عالی برای کسب‌وکارهایی است که به چیزی قوی‌تر از تولید هنر شبیه میم نیاز دارند.

نمونه درخواست API

curl --request POST \
--url https://api.cloudlayer.io/v2/html/image \
--header 'Content-Type: application/json' \
--header 'x-api-key: <YOUR-API-KEY>' \
--data '{
"html": "PGh0bWw+PGJvZHk+PGgxPkhlbGxvIHdvcmxkITwvaDE+PC9ib2R5PjwvaHRtbD4="
}' \
--output "response.json"

۱۱. Améthyste API

یکی از مهم‌ترین تغییرات سال‌های اخیر حرکت از راه‌حل‌های پلتفرمی به سیستم‌های غیرمتمرکز و دموکراتیزه شده است. Améthyste API این روند را ادامه می‌دهد و یک راه‌حل تولید تصویر هوش مصنوعی با شکل و عملکرد بسیار خاص ارائه می‌دهد: میم‌ها و تصاویری مرتبط با Discord و فرهنگ آن. اگرچه این تمرکز استفاده آن را محدود می‌کند، اما همچنان نمونه‌ای کامل از یک مدل تولیدی هدفمند و بسیار خاص است که تمرکز جدید بسیاری از ارائه‌دهندگان هوش مصنوعی، از جمله OpenAI، شده است.

نمونه درخواست API

https://v1.api.amethyste.moe/generate/challenger

۱۲. Synthesia Generation API

اگرچه ارائه اصلی Synthesia سنتی در تولید ویدئو است، اما خروجی اغلب بسیار پویا است و می‌تواند به فریم‌های جداگانه تقسیم شود. به همین دلیل، اگرچه واقعاً یک مولد متن به تصویر نیست، اما می‌تواند به عنوان یکی عمل کند، گزینه‌های عملی برای هنر کلید-فریم، جلوه‌های تصویری و موارد دیگر ارائه دهد. همچنین Synthesia دارای تعداد زیادی ادغام است که برتری نسبت به سایر ارائه‌های مستقل دارد.

نمونه درخواست API

curl https://api.synthesia.io/v2/videos \
-H "Authorization: ${API_KEY}" \
-H "Content-Type: application/json" \ -X POST \
-d '{"test": true, "input": [{"scriptText": "Hello, World! This is my first synthetic video, made with the Synthesia API!", "avatar": "anna_costume1_cameraA", "background": "green_screen"}] }'

۱۳. Image Generation API توسط Bannerbear

Bannerbear یک راه‌حل خاص است که به خوبی بازار هدف خود را نشانه گرفته است. این ابزار به طور خاص برای عملکردهای تجارت الکترونیک و بازاریابی ساخته شده است و ادغام آن با جریان‌های کاری و فرآیندهای بازاریابی آن را به یک انتخاب برجسته در این حوزه تبدیل می‌کند. به طور خاص، Bannerbear تولید تصویر و دستکاری و تغییر آن پس از تولید را بسیار آسان می‌کند — این عملکرد در سایر راه‌حل‌های قوی مانند DALL·E 3 به طور رایج دیده نمی‌شود.

نمونه درخواست API

var data = {
"template" : "jJWBKNELpQPvbX5R93Gk",
"modifications": [
{
"name": "layer1",
"text": "This is my text"
},
{
"name": "photo",
"image_url" : "https://www.pathtomyphoto.com/1.jpg"
}
]
}
fetch('https://api.bannerbear.com/v2/images', {
method: 'POST',
body: JSON.stringify(data),
headers: {
'Content-Type': 'application/json',
'Authorization': `Bearer ${API_KEY}`
}
})

۱۴. Eden AI

Eden AI با دیگر موارد این فهرست متفاوت است زیرا واقعاً یک مولد تصویر هوش مصنوعی منفرد نیست. بلکه بیشتر یک رابط کاربری برای مجموعه‌ای از مولدهای تصویر مالکیتی و باز است که از یادگیری ماشین و هوش مصنوعی استفاده می‌کنند. نکته مثبت همه اینها این است که Eden دارای مجموعه کامل ویژگی‌ها است و تولید تصویر و انواع مختلف تشخیص OCR، تشخیص چهره، شناسایی اشیاء و تشخیص عمومی را ارائه می‌دهد، که آن را برای کاربردهای مختلف فراتر از تولید تصویر به‌طور گسترده‌ای قابل استفاده می‌کند.

نمونه درخواست API

curl --request POST \
--url https://api.edenai.run/v2/image/generation \
--header 'accept: application/json' \
--header 'content-type: application/json' \
--data'
{
"response_as_dict": true,
"attributes_as_list": false,
"show_original_response": false,
"resolution": "512x512",
"num_images": 2,
"providers": "stabilityai,amazon,deepai,replicate,openai",
"text": "A huge red balloon flying outside the city."
}

نتیجه‌گیری

مدل‌های تولید تصویر هوش مصنوعی متن به تصویر، نوک پیکان خلاقیت مبتنی بر مدل‌های زبان بزرگ هستند و سیستم‌های این فهرست تنها بهتر خواهند شد. این APIهای بسیار قدرتمند موتورهای پیچیده‌ای برای توسعه محتوای خلاقانه و حرفه‌ای ارائه می‌دهند و باید به عنوان منبع ارزشمند برای تولید رسانه در سال‌های آینده در نظر گرفته شوند.

قبلیبهینه‌سازی APIهای تجارت بدون سر (Headless Commerce) برای یکپارچه‌سازی روان چگونه است؟
بعدیکلیدهای ساخت یک محصول API موفق چیست؟

دیدگاهتان را بنویسید

سبد خرید
علاقه‌مندی‌ها
مشاهدات اخیر
دسته بندی ها