GLM-Image EditがWaveSpeedAIに登場

GLM-Image Editのご紹介：Z.AIの強力なテキスト誘導画像変換モデル

AI画像編集の世界は大きなアップグレードを遂行しました。Z.AI（Zhipu AI）によって開発されたGLM-Image Editは、産業レベルの画像変換機能をWaveSpeedAIにもたらし、シンプルなテキストプロンプトを使用して画像を驚異的な精度と一貫性で修正することを可能にします。

GLM-Image Editとは？

GLM-Image Editは、自然言語指示に基づいて画像を変換するZ.AIの高度な画像間変換モデルです。160億パラメータのグラウンドブレーキングモデルであるGLM-Imageファミリーの一部で、AI画像生成における新しいベンチマークを確立しています。このエディティングバリアントは、既存の画像を取得し、主要なビジュアル要素を保持しながら、テキスト説明に応じてそれらを再想像します。

GLM-Imageを独特にしているのは、その革新的なハイブリッドアーキテクチャです。このモデルは、GLM-4-9B-0414から初期化された9Bパラメータの自己回帰生成器と、シングルストリームDiT構造に基づいた7Bパラメータの拡散デコーダを組み合わせています。このデュアルモジュール手法により、言語理解と画像生成の間でより密接な統合が可能になり、その結果、あなたが何を求めているかを本当に理解する編集が実現します。

このモデルは、その機能だけでなく、Huaweiのシリーズ内チップで完全にトレーニングされた最初の主流的なAI画像生成モデルであるという事実についても、大きな注目を集めています。これは、最先端のAIが多様なハードウェアエコシステム上で開発できることを示しています。

主な機能

GLM-Image Editは、クリエイティブプロフェッショナルと開発者の両方向に設計された包括的な機能セットを提供します：

複数画像参照サポート：最大4つの参照画像をアップロードして変換をガイドします。これにより、スタイルをブレンドする際、異なるソースから要素を組み合わせる場合、またはバリエーション全体で一貫性を維持する場合により豊かなコンテキストが可能になります。
自然言語制御：照明調整、スタイル転送、環境変更、季節的修正など、プレーンな英語で希望する変更を説明します。このモデルはあなたの意図を解釈し、インテリジェントに変換を適用します。
例外的なテキストレンダリング：GLM-Imageはテキストレンダリングベンチマークでオープンソースモデルの中で第1位にランク付けされており、LongText-Bench評価でEnglishの単語精度スコアが0.9524、中文で0.9788を達成しています。統合されたGlyph-byT5モジュールは、正確なタイポグラフィのため、テキストを文字ごとに処理します。
柔軟な出力サイズ：幅と高さの両方で256〜1536ピクセルの画像を生成し、プロジェクトに必要なあらゆるアスペクト比をサポートします。
組み込みプロンプト拡張：オプションのLLMパワード機能は、短いプロンプトを自動的に拡張および改善し、最小の努力でより良い結果を達成するのに役立ちます。
セマンティックトークンアーキテクチャ：画像編集タスクでは、このモデルは参照画像のセマンティックトークンとVAEレイテントの両方で拡散デコーダを条件付けします。これにより、元の画像から細かいディテールを保持しながら要求された修正を適用します。これはプロフェッショナル編集ワークフローにとって重要です。

実世界のユースケース

GLM-Image Editは広範な実用的なアプリケーションで優れています：

照明と雰囲気の変換

昼光シーンをゴールデンアワーに変換し、劇的な夜間の雰囲気を追加するか、異なる天候条件をシミュレートします。製品写真家は、高価な再撮影なしに異なる照明シナリオでアイテムを表示するバリエーションを素早く生成できます。

スタイル転送と保存

印象派、サイバーパンク、水彩、アニメなどの芸術的なスタイルを適用しながら、画像のコア構成とサブジェクトを維持します。単純なフィルターと異なり、このモデルはセマンティック内容を理解し、スタイル変換をインテリジェントに適用します。

シーン修正

要素を追加または削除し、季節を変更し（夏から冬へ、春の花から秋の葉へ）、または環境を完全に修正します。不動産専門家はプロパティを異なる季節に表示でき、ゲーム開発者は環境コンセプトを素早くイテレートできます。

クリエイティブコンテンツ適応

マーケティング資料のA/Bテストのため同じシーンのムードバリエーションを生成し、異なる文化的コンテキストのための画像を適応させ、または季節キャンペーンのためのテーマ版を作成します。

知識集約的編集

言語モデルから派生した自己回帰アーキテクチャのおかげで、GLM-Image Editは現実世界の概念の理解を必要とする知識集約的な変換を処理します。近代車をヴィンテージモデルに変更し、スタイル間で建築を変換し、または異なる歴史的時期に衣服を適応させます。

WaveSpeedAIで開始する

WaveSpeedAI経由のGLM-Image Editの使用は簡単です。ワークフローに統合する方法は以下の通りです：

import wavespeed

output = wavespeed.run(
    "z-ai/glm-image/edit",
    {
        "prompt": "Transform to a snowy winter scene with soft evening light",
        "images": ["https://your-image-url.com/photo.jpg"]
    },
)

print(output["outputs"][0])

複数の参照画像を使用したより複雑な変換の場合：

import wavespeed

output = wavespeed.run(
    "z-ai/glm-image/edit",
    {
        "prompt": "Combine the lighting from image 1 with the style of image 2",
        "images": [
            "https://example.com/lighting-reference.jpg",
            "https://example.com/style-reference.jpg"
        ],
        "width": 1024,
        "height": 1024
    },
)

print(output["outputs"][0])

最良の結果を得るためのプロのヒント

変更すべき内容について具体的に説明する：「より良くする」ではなく、正確に何を修正したいか説明します。「コントラストを増加させ、影にウォームオレンジトーンを追加し、ハイライトを明るくします」。
複数の画像参照を活用する：スタイルや要素をブレンドする場合、組み込みたい各側面のために別々の参照画像を提供します。
プロンプト拡張を戦略的に使用する：短いプロンプトでの迅速な探索のために有効にします。出力に正確な制御が必要な場合は無効にします。
シードを使用して実験する：同じシード値を使用して、異なるプロンプトが同じベース変換にどのように影響するかを比較し、目的の結果に向けてイテレートしやすくします。

WaveSpeedAIを選ぶ理由？

WaveSpeedAI経由でGLM-Image Editを実行すると、自己ホスティングや他のプラットフォームと比較して大きな利点が得られます：

コールドスタートなし：リクエストはモデルロードやインフラストラクチャスピンアップを待つことなく、すぐに処理を開始します。
GPU要件なし：完全なGLM-Imageモデルはローカルで実行するには80GB以上のGPUメモリまたはマルチGPUセットアップが必要です。WaveSpeedAIはすべてのインフラストラクチャを処理するため、任意のデバイスからこれらの機能にアクセスできます。
手頃な価格：画像あたり$0.12で、エンタープライズグレードの画像編集をエンタープライズグレードのコストなしで取得できます。画像サイズまたは参照画像数に関係なく、シンプルな定額料金。
本番対応API：本番ワークフローへの統合用に設計されたRESTfulエンドポイント、リアルタイムアプリケーション向けの同期モードが利用可能。