主要观点总结
Google最新推出的AI生图工具Whisk，通过输入主题、场景和风格图片，能够生成一张融合多种元素的图片。Whisk减少了写提示词的需求，让用户轻松玩转各种风格，并具有多种玩法和生成特点。它整合了视觉理解和图片生成能力，是Google多模态模型的一种展示。然而，Whisk也存在一些问题，如无法完全复制图片、存在不精准之处，更适合创意探索而非精细的风格参考。
关键观点总结
关键观点1: Whisk的主要功能
输入主题、场景、风格图片，生成融合多种元素的图片，减少写提示词的需求，轻松玩转各种风格。
关键观点2: Whisk的玩法特点
玩法简单且无穷无尽，用户可以上传自己的图片并参考预设风格，或使用随机生成的主题、场景、风格。
关键观点3: Whisk的技术原理
整合了视觉理解和图片生成能力，使用Gemini模型识别图片并自动生成描述，再输入到Google的图片生成模型Imagen 3进行生图。
关键观点4: Whisk存在的问题
无法完全复制图片，存在不精准之处，更适合创意探索而非精细的风格参考。对某些特定画风或细节模仿能力有限。
关键观点5: Google的AI实验室
Google实验室展现出强大的模型能力、有新意的产品和开放的心态，曾推出其他受欢迎的AI项目如NotebookLM。
正文
AI 生图工具，已经多得泛滥了，但 Google 最新推出的 Whisk，还是找到了一种很新的玩法，让见过世面的网友也直呼好玩。只需输入三张图片，subject（主题）、scene（场景）、style（风格），Whisk 就可以生成一张博采众长的图片。举个例子，主题是老人，场景是藤蔓，风格是 90 年代复古动漫，写上「角色骑着飞行自行车」的提示词，等待一会儿，一张类似吉卜力画风的新图片诞生了。老人还是那个老人，戴帽子，穿西装，拿着书，但他骑上了提示词里的车，场景和风格也都变成了参考图片的样子。Whisk 的长处便在这里——让我们少写、不写提示词的同时，轻松玩转各种风格，妈妈再也不担心我不会写提示词了。关注 AI 第一新媒体，率先获取 AI 前沿资讯和洞察
别看只需要几张图片，Whisk 的玩法简单，却又无穷无尽。刷刷刷上传三张图片——主题图片，麦当劳薯条；场景图片，莫奈画作《睡莲》；风格图片，像素风游戏《星露谷物语》。不写提示词，直接生成，Whisk 给出的结果，一张更比三张强。除了上传自己的图片，我们也可以掷骰子，让 Whisk 随机生成主题、场景、风格。其实，Whisk 为我们提供的预设风格已经很够用，徽章、贴纸、刺绣、黏土、美漫、马赛克拼贴等等，特色鲜明，效果立竿见影。只要有脑洞和想象力，无需一个字，仅仅通过不同图片的排列组合，我们可以不断地做完形填空的游戏——主题+场景+风格，而且不是每个空都必须填。1.主题图片，熏鸡；2.场景图片，梵高《星月夜》画作；3.风格图片，日本木版画1.主题图片，《戴珍珠耳环的少女》；2.场景图片，电影《千与千寻》剧照；3.风格图片，蒙德里安抽象画1.主题图片，微信「死亡笑脸」表情包；2.场景图片，电影《星际穿越》剧照；3.风格图片，史努比漫画截图1.主题图片，冲浪默认头像粉色恐龙 momo；2.风格图片，Jellycat 玩偶另外，Whisk 的每一次生成，场景和风格只能选择一个参考图片，但主题可以选择多个。这意味着什么？我们可以让多个角色同框了！比如，让马斯克、奥特曼、扎克伯格通通变成珐琅徽章。三位的服装、装饰、神态都还原得挺好，扎克伯格的话筒和项链都没漏掉，但人脸没法保持一致性，全部变成了大众脸。虽然 Whisk 减少了写提示词的需求，但你需要写的话，Whisk 也鼓励。在对话框加上一句「角色们都举着一块告示牌，上面写着 AGI」，徽章小人们轻轻松松地遵循了提示词。如果我们需要某个场景或者某种风格，但一时找不到参考图，Whisk 的预设也没有提供呢？解决方式很简单，没有图片，那就写提示词，让 Whisk 临场发挥一个。就像我需要一个让角色站上去的、像素风格的底座作为场景，就让 Whisk 帮我生成了。然后，再把猫猫表情包作为主题图片，把像素小鸡作为风格图片，就可以得到一个有底座的像素猫猫。总之，Whisk 就是非常自由，像橡皮泥一样，怎么捏都可以。既生图又识图，把复杂的工作流包装成有趣的「打蛋器」Whisk，其实是 Google 多模态模型秀肌肉的一种方式。为了让我们少写提示词，Whisk 整合了视觉理解和图片生成能力。Gemini 模型识别图片，自动生成详细的描述，然后这些描述会被输入到 Google 的图片生成模型 Imagen 3，由 Imagen 3 生图。Whisk 是这样的，用户只要上传和生成图片就可以了，但它自己要考虑的事情就很多了。Whisk 的每张图片，不管是上传的还是生成的，都写了很长的底层提示词，并且不藏着掩着，我们点开图片就能看，也可以上手修改。如果把一个人作为主题图片，Whisk 会详细地描述他的外貌特征，场景图片也是类似的。Whisk 对奥特曼的描述：「一个肤色较浅的男子，有着短而深棕色的卷发，从胸部以上展示。他有着浅色的眼睛。他穿着一件浅米色的针织圆领毛衣。背景是一面斑驳的灰色混凝土墙。男子的表情严肃而中性。光线有些昏暗，他的右脸有轻微的阴影。」风格图片略有些不同，如果把一张动画截图作为风格参考，Whisk 不会说，画面里有三个人，而是描述这幅画的色彩、光线、线条......Whisk 对史努比画风的描述：「这张图片以卡通风格呈现，具有粗犷的轮廓和平面着色。色彩调色板有限，主要使用原色和柔和的次要颜色。光线均匀，缺乏强烈的阴影或高光，给人一种简单、几乎孩童般的质感。线条清晰且一致，带有轻微不均匀的质感，暗示手绘的效果。整体美学让人联想到经典的连环漫画或儿童动画。」所以，Whisk 不是精准地复制图片，而是提取图片的特点和精髓，将主题、场景、风格自然地融合在一起，各司其职，互不干扰。同时，Whisk 也叠了甲——只从图片提取少量关键特征，结果可能和预期不同。这也解释了，为什么 Whisk 做不到人脸的精准还原。所以，哪怕选择不那么抽象的复古胶片风格，三位大佬的脸也是和本尊都不挨着，但其他细节都很准确。物体也是一样，特斯拉的赛博皮卡，经过特征提取再生成之后，变得非常普通。但如果是麦当劳薯条这种素材丰富的超级 IP，效果倒还不错，可以拿来当广告图了。试过一些迪士尼的角色，Whisk 复刻得也原模原样，但图就不放上来了。另外，Whisk 还存在一个问题——没法做很细致的风格参考，模仿不了某种特定的画风。当我让 Whisk 生成蒙娜丽莎的乐高小人，出来的结果让我两眼一黑，但多加一句提示词，「让角色更像乐高人物」，Whisk 又能模仿个七八成。某个漫画家的画风就更难模仿了，上传漫画截图让 Whisk 参考，它最终给出的是一个非常普通的漫画风格图片，就算通过提示词强调作品、角色、漫画家，也不起什么作用。其实，Whisk 好玩就够了，它更适合做一些不追求精准的创意探索，俗称整活。Whisk 可以翻译为「搅拌」或者「打蛋器」，Google 的这个名字取得即视感很强，可不就是把食材都混搭在一起吗？Whisk 的不精准，也让它的定位和传统的图片编辑器不同，更像是一种创意工具。有了什么脑洞，由它实现粗略的视觉效果。Whisk 生成，1.主题图片，《火影忍者》截图；2.风格图片，毛绒玩具以前实现 Whisk 这种风格化的效果，跑通一整个图像生成的流程，我们可能需要在 ComfyUI 搭建工作流。但现在有了 Whisk，好像就在玩抽卡游戏或者开盲盒，而且只要能登录（限美国地区），目前还免费。https://labs.google/fx/zh/tools/whiskGoogle 领先的模型能力固然是前提和基础，但设计出被大家需要的产品，仍然需要创造力和审美。很喜欢 Whisk 的 slogan：「prompt less, play more.」（少写提示词，多玩耍。）Whisk 出自 Google labs，之前爆火的 AI 播客 NotebookLM，也是出自这里，后来慢慢发展为成熟的项目。这个实验室，本身就是这句 slogan 的最好注解。强大的模型能力，有新意的产品，开放的心态，曾经似乎被 OpenAI 威胁的 Google，风轻云淡地展现出了王者归来的姿态。
