Lovart 和 Nano Banana Pro 在复杂图像任务上省事很多啊
比如真实图片和动漫人物混合生成、今天搞的从地址生成真人打卡照都能一次出
而且我还在 Lovart 上搞出了不输 NotebookLM 的 PPT 生成提示词!
他们目前 Lovart 免费,顺便教一下咋用就不会误操作消耗积分
懒得看这个排版和需要更多提示词可以在这里看长文:
mp.weixin.qq.com先介绍一下 Lovart 的活动:
11.21–11.23 这几天 Nano Banana Pro 全员免费使用。
在这期间订阅 Basic 及以上会员,会员有效期能享受Nano Banana Pro 365 天 0 积分无限量使用。
所有现有 Basic 以上等级的会员也会自动获得同样的 365 天 Banana Pro 0 积分权益。
Nano Banana(NB1)、Seedream 4、Midjourney v7现在也在同步享受 365 天 0 积分无限量使用。
教一下大家怎么用才能避免调用其他模型导致积分消耗。
首先最稳妥的是在画布里面使用,先在左侧浮窗里面找到 Image Generator 这个选项,然后点击之后画布上就会出现一个图片生成区域下方有具体的设置界面,然后正常输入提示词使用就行。
然后就是他们现在支持 @ 指定模型了。你可以在右侧 Agent 的输入框 @ Nano Banana Pro 这模型后面跟上提示词来只使用对应模型。
最后一个方式也是在右侧 Agent 输入框区域,右侧的那个模型选择图标里面只选择你想要的模型就行,这样就不用每次调整了直接说需求就行。
然后我们来看几个我觉得非常适合设计 Agent 跟 Nano Banana Pro 一起完成的例子。
首先是将动漫角色跟写实场景结合,而且是多个角色,看起来视觉冲击力很强,好像你的纸片人老婆出来见你了。
我自己重新探索了一个多步的可控步骤,涉及到 LLM 基于图片推理的提示词生成能力,特别适合 Lovart 玩。
提示词:
为这个写实的实景场景房间添加多位性格各异的动漫风格女孩,确保房间是写实风格,只有少女为动漫风格。
具体的生成步骤是:先帮我生成一个【XX】 环境的照片。然后基于这张环境图片,添加【 7个】动漫人物,氛围要【热闹】。 输出格式: 请分行详细描述每个人的【装扮 + 动作表情 + 所在位置】
接下来的案例也很有意思,由于 Nano Banana Pro 有检索实时信息的能力,所以他知道现在某个地方的具体位置、天气时间等信息。
所以受 Deepmind 的启发,发现可以直接根据经纬度生成某个非常具体的位置的真实照片,而且还可以加上时间以及天气信息可以让这个照片更加的真实。
提示词:
创建一幅经纬度位于40.00023661635351, 116.27808154448789并且符合当地当前时间氛围和实时天气的图像,在照片左下角用优美的排版写上当前经纬度以及位置信息和天气图标,并加上一句中文位置介绍文案。
在之后就有群友说不行直接加上一个人像然后选个地址做打卡照吧,哈哈。
于是我就写了一个网页来做这个事情,后来发现这个事情在 Lovart 根本就不需要开发,直接就可以搞定,说一下咋做:
首先你需要打开谷歌地图,找到你你想要去的位置,搜索也行随便扒拉一个位置,也行,然后邮件复制所选位置的经纬度。
获取到经纬度之后改掉下面提示词里面的经纬度,然后输入提示词和你的照片给 Lovart 就行。
提示词:
用 Nano Banana Pro 为这个人物创建一幅经纬度位于44.72067014987598, -110.85475719935745 并且符合当地当前时间氛围和实时天气的打卡照片,这个里边他的衣服穿着,需要根据所在地的这个风格去匹配。比如说雪山,它就是登山的衣服。比如说在都市里,它就是比较休闲的衣服, 在照片左下角用优美的排版写上当前经纬度以及位置信息和天气图标,并加上一句位置介绍文案。
最后回到我们 Nano Banana Pro 和 Lovart 这种最擅长的内容拆解和文字处理能力。
前几天 NotebookLM 上线了使用 Nano Banana Pro 驱动的 PPT 生成能力,X 上很多人玩。
我今天尝试了一下,Lovart 完全可以实现一样的 PPT 生成能力,而且更加强大!
我整理了几套 PPT 风格,你直接提示词后面加上对应的文章就可以一键生成一整套完整的PPT。
结合 Lovart 的画布功能还可以想改哪页改哪页,这不比 NotebookLM 的一锤子买卖强多了。
由于 Lovart 他比较下本,生成的图片分辨率比 NotebookLM 要高很多,这就导致文本信息会比 NotebookLM 清晰的多,文字渲染出问题的比例也很少。
如果你有自己需要的风格想要改提示词的话,可以把风格那部分改掉就行。
之前有很多人焦虑说模型越来越强的话,可能会挤占 Agent 的生成空间。我这个文章看完,你可能会有不同的想法。
这个东西我感觉是一个相辅相成的事情,模型越强 Agent 理应会更加的强大,需要做的就是做好适配,在 Agent 优化中区分那部分是必须要做的哪部分模型自己知道,少即是多,有时候不做事比做事更难。