bulgakov

Изображения, документы, звук и видео

После урока

вы выберете подходящий мультимодальный процесс и научитесь проверять, что созданный или извлечённый материал соответствует задаче.

Различайте понимание и создание

Извлечь сумму из фотографии чека, отредактировать фотографию, сгенерировать иллюстрацию и нарисовать точную схему — разные задачи. Для каждой нужен свой критерий. Чек проверяется по цифрам и полям; фотография — по сохранности важных деталей; иллюстрация — по композиции и соответствию замыслу; схема — по точности связей и подписей.

Для точных графиков и схем используйте данные и программный рендеринг. Генератор изображений может нарисовать убедительную, но неправильную шкалу или перепутать подписи. Для художественных визуалов генерация полезна: можно быстро исследовать стиль, свет и композицию. Выбор инструмента должен соответствовать требованию к точности.

Срез инструментов

Задача Актуальные примеры Практический акцент
Генерация и редактирование изображений GPT-Image-2.5, Nano Banana 2.1, Midjourney V8.2, Adobe Firefly Референсы, маски, точность текста, условия использования S01, S03, S43, S46
Генерация видео Runway Gen-4.5, видеовозможности Firefly и партнёрских моделей Сценарий коротких кадров, движение, монтаж S44, S46
Синтез речи Eleven v4 и v4 Turbo, модели других платформ Произношение, темп, согласованный голос S45
OCR и понимание документов Мультимодальные модели, Mistral OCR 4.1 Порядок чтения, таблицы, сверка чисел S03, S04, S11
Исследование загруженных материалов Gemini Notebook и аналогичные средства Источники, цитаты и проверка пересказа S47

Это примеры, а не исчерпывающий список сервисов. На дату проверки Midjourney указывает V8.2 как версию по умолчанию; его Edit Model меняет прежние способы работы с референсами. Runway Gen-4.5 поддерживает text-to-video и image-to-video. Старые уроки с параметрами предыдущих версий требуют сверки. S43, S44

Бриф для изображения

Опишите назначение, объект, окружение, композицию, свет, визуальный стиль, формат и обязательные детали. Добавьте референс, если важны конкретный предмет или человек. Укажите, какие элементы можно менять, а какие нужно сохранить. Общие слова «красиво, профессионально, 8K» мало помогают, если не определена композиция.

Пример: «Горизонтальная иллюстрация для урока о работе с документами. На столе открытая папка, заметки и экран с карточками источников. Спокойный дневной свет, приглушённая синяя палитра, место слева под заголовок. Без мелкого читаемого текста и логотипов». Для точного заголовка лучше добавить типографику в редакторе после генерации.

Если редактируется существующая фотография, запрос должен назвать область изменения: «заменить фон, сохранить лицо, пропорции, позу и одежду». Затем проверьте сохранность ключевых деталей визуально. Даже сильный редактор может изменить черты лица, надпись, украшение или фактуру товара. Для коммерческой карточки товара такое изменение способно исказить продукт.

Восстановление и генеративное улучшение

Увеличение разрешения может добавить правдоподобные детали, которых не было в оригинале. Это полезно для художественной задачи, но не доказывает, как выглядел реальный объект. Не используйте генеративное восстановление как источник фактов о лице, документе или номере. Сохраняйте исходник и обозначайте характер обработки там, где точность имеет значение.

Отдельно оцените права на исходные изображения, референсы и голос. Возможность сервиса создать результат не даёт автоматически права использовать чужой материал в любом контексте. Для клиентской работы проверяйте условия конкретного продукта и договора; при юридически значимом использовании нужна соответствующая правовая оценка.

OCR и документы

Сначала определите, есть ли в PDF текстовый слой. Если есть, извлечение текста может быть точнее и дешевле повторного распознавания изображения. Если страницы отсканированы, OCR помогает получить текст, но таблицы, сноски и многоколоночный порядок требуют проверки. Сохраните связь результата с номером страницы и областью.

Для счёта запросите структурированные поля: номер, дата, поставщик, валюта, строки, налоги, итог. Затем обычным кодом проверьте арифметику, типы, допустимые даты и согласованность валют. Не разрешайте модели «исправлять» неразборчивую цифру без отметки. Для сомнительного поля лучше значение null с указанием страницы, чем уверенная догадка.

Таблица, извлечённая как набор строк, может потерять объединённые ячейки и заголовок группы. Перед аналитикой сверяйте несколько сложных строк вручную и проверьте общий итог. Для критичных документов оценка должна учитывать не только процент верных символов, но и ошибки ключевых полей.

Аудио

Распознавание речи, разделение говорящих, перевод и синтез — отдельные этапы. Ошибка имени в транскрипции может превратиться в ложное поручение при пересказе встречи. Сначала проверьте имена, даты, суммы и решения. Таймкоды помогают быстро вернуться к исходному фрагменту.

Для конспекта встречи разделите «решено», «предложено» и «нужно уточнить». Фраза участника «можно было бы выпустить в пятницу» не равна согласованному сроку релиза. Просите привязать поручения к цитате или временному отрезку и не назначать ответственного, если он не был назван.

При синтезе речи подготовьте текст для звучания: раскройте неоднозначные сокращения, задайте произношение имён, отметьте паузы. Прослушайте начало, середину и конец, особенно числа и смену говорящих. Для имитации реального голоса получите согласие; не создавайте ложное впечатление, будто человек произнёс текст. Условия коммерческого использования конкретного сервиса проверяются отдельно. S45

Видео

Начните с раскадровки: цель кадра, длительность, объект, действие, движение камеры, переход и звук. Короткие контролируемые сцены легче собрать в последовательность, чем один длинный запрос с множеством событий. В image-to-video описание движения обычно важнее повторного перечисления уже видимых деталей исходника.

Проверяйте временную согласованность: лицо, одежду, предметы, число пальцев, физику движения, появление текста и переходы. Отдельные хорошие кадры не гарантируют плавное видео. Генерация — часть монтажа: может понадобиться стабилизация, звук, титры и цветокоррекция. Изменение длительности или соотношения сторон требует новой проверки композиции.

Практикум: один материал в трёх форматах

Возьмите собственную короткую инструкцию. Подготовьте текстовую памятку, бриф для иллюстрации и сценарий минутного аудиообъяснения. Составьте список фактов, которые должны сохраниться во всех форматах. Затем проверьте, не исчезли ли условия и исключения при упрощении.

Дополнительное упражнение: распознайте учебный счёт, проверьте суммы и отметьте сомнительные поля. Для фотографии сформулируйте критерии сохранности до редактирования. Для видео подготовьте три кадра и оценочную рубрику, даже если не покупаете генерацию.

Критерий: вы различаете точное извлечение и творческое создание, сохраняете происхождение исходников и проверяете результат по назначению, а не только по эффектности.