ساخت عکس با متن فارسی؛ کدام هوش مصنوعی فارسی را درست مینویسد؟ آزمایش ۵ مدل
کدام هوش مصنوعی متن فارسی را داخل عکس درست مینویسد؟ چهار متن یکسان، از «تولدت مبارک» روی کیک تا منوی کافه با قیمت، را به پنج مدل تصویری دادیم و حرفبهحرف بررسی کردیم.
فهرست مطالب
برای ساخت عکس با متن فارسی، در آزمایش ما سه خانوادهٔ مدل تصویری فارسی را درست نوشتند: نانو بنانا ۲ گوگل که جمنای (Gemini) با آن عکس میسازد، GPT Image 2.5 اوپن‌ای‌آی (OpenAI) و گراک ایمجین (Grok Imagine). Qwen Image 3 در هر چهار آزمایش حرفها را جابهجا نوشت و حتی عددها را عوض کرد.
در این مقاله می‌بینید چه چیزی را چطور آزمایش کردیم، هر مدل کجا اشتباه کرد و با چند عادت ساده چطور متن فارسی درست‌تری در عکس بگیرید. این آزمایش را ۱۹ مهر ۱۴۰۵ انجام دادیم.
چه چیزی را آزمایش کردیم؟
برای سنجیدن ساخت عکس با متن فارسی، چهار درخواست یکسان به پنج مدل تصویری دادیم و از هر مدل برای هر درخواست یک عکس گرفتیم؛ روی هم ۲۰ عکس. درخواست‌ها از ساده به سخت این‌ها بودند:
- کیک تولد با نوشتهٔ «تولدت مبارک»؛ دو کلمه.
- تابلوی سردر نانوایی با نوشتهٔ «نانوایی سنگک».
- پست اینستاگرام یک کافه با تیتر «تخفیف ویژهٔ پاییز» و خط دوم «۲۰٪ تخفیف تا پایان مهر»؛ یعنی عدد و علامت درصد هم دارد.
- تختهٔ منوی گچی با تیتر «منوی امروز» و چهار ردیف نام و قیمت، مثل «قهوه ترک — ۴۰ هزار تومان».
مدل‌ها این‌ها بودند: Nano Banana 2، دو نسخهٔ GPT Image 2.5 یعنی Sunburst و Flare (نسل همان مدلی که در چت جی پی تی با نام ChatGPT Images 2.5 عکس میسازد)، Grok Imagine Image 2.0 و Qwen Image 3. همه را از راه API امتحان کردیم، نه از خود اپ‌ها. اپ‌ها ممکن است پرامپت شما را پیش از ساخت عکس بازنویسی کنند، پس نتیجهٔ آن‌ها میتواند کمی فرق کند. هر عکس هم فقط یک بار ساخته شد؛ با تکرار، نتیجه کمی تغییر میکند.
نتیجهٔ آزمایش ساخت عکس با متن فارسی
| مدل | کیک تولد | تابلوی نانوایی | پست اینستاگرام | منوی چهار ردیفی |
|---|---|---|---|---|
| Nano Banana 2 (جمنای) | درست | درست | درست | کلمه‌ها درست؛ «۲۵ هزار تومان» را «۲۵,۰۰۰ تومان» نوشت |
| GPT Image 2.5 Sunburst | درست | درست | درست | درست |
| GPT Image 2.5 Flare | درست | درست | درست | درست |
| Grok Imagine Image 2.0 | درست | درست | درست | درست، با یک خط تیرهٔ اضافه |
| Qwen Image 3 | «میارک» به جای «مبارک» | «نانوابی» | تیتر نامفهوم و «۴۰٪» به جای «۲۰٪» | «حهار تومان» و «۶۵» به جای «۴۵» |
نکتهٔ مهم این است که حتی متن کوتاه دو کلمه‌ای هم برای همهٔ مدل‌ها ساده نیست. چهار مدل اول در هر ۱۶ عکس حرفها را درست و به هم چسبیده نوشتند. اما Qwen Image 3 در هر چهار عکس دست‌کم یک غلط داشت و در منو نام دو خوراکی و یک قیمت را عوض کرد.
هر مدل کجا خوب بود و کجا نه
نانو بنانا ۲؛ سریع و دقیق، با کمی ابتکار اضافه
گوگل در معرفی نانو بنانا ۲ گفته است این مدل متن دقیق و خوانا برای طرح تبلیغاتی و کارت تبریک میسازد و میتواند متن داخل عکس را ترجمه کند. صفحهٔ راهنمای جمنای هم میگوید املای متن در همهٔ زبانهای پشتیبانیشده دقیقتر شده است. در آزمایش ما هم همین‌طور بود و با حدود ۱۲ تا ۱۵ ثانیه، سریع‌ترین مدل بود. فقط در منو قیمتها را به شکل «۲۵,۰۰۰» نوشت و در پست اینستاگرام جملهٔ «همین حالا سفارش دهید» و نام کافه را خودش اضافه کرد.
GPT Image 2.5؛ دقیق‌ترین در متن طولانی
هر دو نسخه، هر چهار متن را بی‌غلط نوشتند و منو را دقیقاً با «هزار تومان» آوردند. ساخت هر عکس ۱۵ تا ۲۸ ثانیه طول کشید. ایرادش متن انگلیسی تزئینی بود: در پست کافه عبارت‌هایی مثل Good Coffee را روی وسایل صحنه نوشت که کسی نخواسته بود.
گراک ایمجین؛ درست اما کند
Grok Imagine Image 2.0 هم هر چهار متن را درست نوشت و خط فارسی تابلوی نانوایی‌اش از همه زیباتر بود. اما ساخت هر عکس ۴۰ تا ۷۰ ثانیه طول کشید.
Qwen؛ برای متن فارسی فعلاً نه
Qwen Image 3 حرفها را شبیه فارسی میکشد، اما نقطه‌ها و دندانه‌ها را جابهجا می‌گذارد. هر چه متن طولانی‌تر شد، غلط‌ها بیشتر شد؛ در پست اینستاگرام چند خط نامفهوم هم اضافه کرد.
چطور متن فارسی درست‌تری در عکس بگیرید؟
- متن را داخل گیومه بنویسید: مثلاً «روی کیک بنویس «تولدت مبارک»». این‌طور مدل می‌فهمد دقیقاً کدام کلمه‌ها باید در عکس بیاید.
- متن را کوتاه نگه دارید: تیتر و یک خط زیرش بهترین نتیجه را می‌دهد. برای متن چندخطی، مدل دقیقتر را انتخاب کنید یا متن را بعداً در یک برنامهٔ ویرایش عکس اضافه کنید.
- شکل عدد را هم بگویید: اگر «۲۵ هزار تومان» می‌خواهید، بنویسید «عدد را دقیقاً به همین شکل بنویس». وگرنه ممکن است مدل آن را «۲۵,۰۰۰» بنویسد.
- بگویید چیز دیگری ننویسد: جملهٔ «هیچ نوشتهٔ دیگری به عکس اضافه نکن» جلوی شعار، نام فروشگاه و متن انگلیسی اضافه را می‌گیرد.
- حرفبهحرف چک کنید: پیش از چاپ یا انتشار، هر کلمه و هر عدد را با متن خودتان مقایسه کنید. اگر یک کلمه غلط بود، در پیام بعدی همان گفتگو فقط همان کلمه را اصلاح کنید.
برای اصول کلی پرامپت تصویر، راهنمای نانو بنانا را بخوانید. مقایسهٔ نسخه‌های رایگان ابزارهای ساخت عکس را هم در ساخت عکس با هوش مصنوعی رایگان نوشته‌ایم.
نگاه باهوش: از ایران با کدام شروع کنیم؟
دو ابزار معروف این آزمایش از ایران سرراست در دسترس نیستند: ایران در فهرست کشورهای پشتیبانی‌شدهٔ چت جی پی تی و وب‌اپ جمنای نیست و اشتراک پولی هر دو با کارت ایرانی خریدنی نیست. در اپ جمنای هم مدل تصویر به مدل گفتگو بستگی دارد: به گفتهٔ راهنمای گوگل، با Flash یا Pro نانو بنانا ۲ عکس میسازد و با Flash-Lite نسخهٔ سبک‌تر آن، که ما آزمایشش نکردیم.
در باهوش ساخت و ویرایش عکس با GPT Image 2.5 و نانو بنانا انجام می‌شود؛ بدون فیلترشکن، با ورود با شمارهٔ موبایل ایرانی و پرداخت تومانی با کارت عضو شتاب. سبک‌های آمادهٔ استودیوی باهوش با نانو بنانا ۲ ساخته می‌شوند؛ همان مدلی که در آزمایش ما هر چهار متن را درست نوشت و سریع‌ترین بود. صفحهٔ نانو بنانا فارسی را ببینید یا متن فارسی‌تان را داخل گیومه در چت باهوش بنویسید. روی اندروید اپ باهوش را از گوگل‌پلی نصب کنید و روی آیفون یا کامپیوتر از شروع در مرورگر وارد شوید.
هر ابزاری را انتخاب کنید، کارت دعوت، منو یا پوستری را که قرار است چاپ شود، پیش از چاپ یک بار با دقت بخوانید؛ یک نقطهٔ جابهجا کافی است تا «مبارک» به «میارک» تبدیل شود.
- نانو بنانا ۲، GPT Image 2.5 و گراک ایمجین در آزمایش ما فارسی را درست نوشتند.
- متن را داخل گیومه و کوتاه بنویسید و بگویید چیز دیگری اضافه نکند.
- پیش از چاپ هر کلمه و عدد را حرفبهحرف چک کنید.
عکس دلخواهت رو با باهوش بساز و ویرایش کن
همون کاری که توی این مطلب خوندی، حالا به فارسی در دسترس توئه. بنویس چی می‌خوای یا عکست رو بفرست؛ بقیه‌ش با باهوش.
وب، اندروید و iOS
پرسش‌های متداول
کدام هوش مصنوعی متن فارسی را در عکس درست مینویسد؟
در آزمایش ما نانو بنانا ۲ گوگل، هر دو نسخهٔ GPT Image 2.5 اوپن‌ای‌آی و Grok Imagine هر چهار متن فارسی را درست نوشتند. Qwen Image 3 در هر چهار عکس غلط داشت.
جمنای میتواند روی عکس فارسی بنویسد؟
بله؛ جمنای با Flash یا Pro عکس را با نانو بنانا ۲ میسازد و گوگل میگوید املای متن در همهٔ زبانهای پشتیبانیشده دقیقتر شده است. در آزمایش ما هر چهار متن را درست نوشت؛ فقط قیمتها را به شکل «۲۵,۰۰۰» آورد.
چرا هوش مصنوعی متن فارسی را در عکس غلط مینویسد؟
مدل تصویری حرفها را مثل شکل میکشد، نه مثل تایپ. در فارسی جای نقطه و چسبیدن حرفها مهم است و یک نقطهٔ جابهجا کلمه را عوض میکند. متن کوتاه، داخل گیومه و چککردن حرفبهحرف خطا را کم میکند.
