Нейромережа малює не пензлем і не піксель за пікселем «з голови». Вона стартує з чистого шуму — математичного хаосу — і крок за кроком збирає з нього зображення, орієнтуючись на ваш текстовий опис. Те, що на екрані виглядає як ілюстрація чи фото, насправді є результатом тисяч мікрорішень моделі про те, який шум прибрати, а який залишити.
Запит «намалюй кота в светрі» для системи — не команда художнику, а набір обмежень. Модель шукає в латентному просторі точку, де збігаються поняття «кіт», «светр», освітлення, ракурс і стиль, на яких її тренували. Саме тому два однакові речення дають різні картинки: стартовий шум щоразу інший, а прогалини в описі модель заповнює статистичними звичками з навчальних даних.
Нижче — не каталог сервісів, а робоча карта: як це влаштовано всередині, чим інструменти 2026 року відрізняються на практиці, як зібрати промпт, що робити, коли руки виходять «гумовими», і що каже українське право про картину без людини-автора.
Що відбувається всередині, коли модель береться за полотно
Сучасні генератори зображень майже всі стоять на одній ідеї: дифузії. Під час навчання до справжніх фото й малюнків поступово додають гаусів шум, поки картинка не перетворюється на «сніг». Мережа вчиться цей процес розвертати: з шуму відновити структуру. На етапі генерації вона стартує вже з чистого шуму і знімає його десятками чи сотнями кроків, щоразу звіряючись із текстом.
Текст потрапляє всередину не як речення. Його ріжуть на токени й пропускають через текстовий енкодер — найчастіше CLIP, T5 або їхню зв’язку. Виходить вектор смислу. Далі працює механізм уваги: на кожному кроці денойзингу модель «підкручує» пікселі (точніше, стиснуте латентне представлення) так, щоб вони відповідали цьому вектору. Кіт має бути котом не тому, що хтось намалював контур, а тому, що інакше розбіжність із текстовим ембедингом була б занадто велика.
Обчислення рідко йдуть у повному піксельному просторі. Зображення спочатку стискає варіаційний автоенкодер (VAE) у компактний латент — своєрідну «стенограму» картинки. Дифузія працює там, де дешевше рахувати, а на фініші декодер розгортає латент назад у пікселі. Саме тому генерація 1024×1024 уже не виглядає фантастикою навіть у браузері: важка робота відбувається в стиснутому світі.
Промпт не малює. Він лише звужує простір можливих картинок. Усе, чого ви не назвали — ракурс, об’єктив, час доби, матеріал, емоція — модель додумає сама, і саме там народжуються і вдалі сюрпризи, і повний провал.
Поруч із дифузією живе другий сімейний тип — авторегресійні моделі. Вони не «виліплюють» зображення з шуму, а передбачають візуальні токени один за одним, як мовна модель передбачає наступне слово. На практиці користувач різниці майже не бачить: в обидвох випадках на вході фраза, на виході картинка. Різниця проявляється в характері помилок: дифузія частіше «пливе» в дрібницях анатомії, авторегресія — у глобальній композиції, якщо послідовність токенів збилася на старті.
Від двобою мереж до Flux: коротка біографія вміння малювати
У 2014 році з’явилися GAN — генеративно-змагальні мережі Яна Гудфеллоу. Одна мережа підробляла зображення, друга намагалася відрізнити підробку від справжнього фото. Цей двобій дав перші виразні обличчя й інтер’єри, але навчання було нервовим: моделі «засипали» в одному стилі або сипали артефактами. Для масового text-to-image цього було замало.
Перелом прийшов, коли дифузію перенесли в латентний простір і зв’язали з CLIP. DALL·E 2 від OpenAI і відкритий Stable Diffusion 2022 року зробили з лабораторної іграшки побутовий інструмент. Midjourney пішов іншим шляхом — закрита модель, сильний художній смак «з коробки», спільнота в Discord. DALL·E 3 у 2023-му різко підняв слухняність до промпта завдяки зв’язці з ChatGPT: користувач писав людською мовою, а система сама розгортала короткий запит у детальний.
До 2026 року карта знову змінилася. OpenAI більше не продає «DALL·E 4» як окремий бренд: нативна генерація живе всередині GPT Image. Midjourney V7, що вийшов навесні 2025-го і став типовим режимом влітку того ж року, лишився королем кінематографічного настрою. Black Forest Labs випустила Flux, а на початку 2026-го — Flux.2: відкриті й напівадкриті ваги, сильний фотореалізм, зручний API. Ideogram забрав нішу шрифтів і постерів. Adobe Firefly Immage Model 5 тримає корпоративний сегмент на ліцензованих даних. Google вбудував генерацію в Gemini настільки глибоко, що для багатьох «намалювати» означає просто продовжити чат.
Цифри ринку розходяться залежно від того, що рахувати: окремий софт чи вбудовану кнопку в Photoshop і месенджері. За оцінкою Grand View Research, ринок ПЗ генераторів зображень у 2023 році був лише близько 350 мільйонів доларів, із прогнозом трохи понад мільярд до 2030-го. Тим часом Adobe на дзвінку щодо результатів Q2 FY2026 озвучила, що річний регулярний дохід Firefly наближається до 300 мільйонів доларів — майже весь «старий» ринок в одній лінійці продуктів. The Information у березні 2026-го оцінював річну виручку Midjourney вже істотно вище 200 мільйонів при команді близько сорока людей. Аналітики сперечаються про периметр, бізнес уже рахує прибуток.
Який інструмент брати — залежить не від моди, а від кадру
Українські добірки 2022–2024 років часто ставили Midjourney, Stable Diffusion і DALL·E в один ряд, ніби це три сорти молока. У 2026-му різниця між ними ближча до різниці між репортажним фотографом, концепт-художником і верстальником постерів. Одна й та сама сцена «жінка в червоному пальто на мокрому асфальті» в різних моделях вийде різною не через «якість», а через те, що кожна система інакше розуміє, що в кадрі головне.
| Інструмент | Де він виграє | Де просідає | Кому брати першим |
|---|---|---|---|
| GPT Image (ChatGPT) | Точність до тексту запиту, правки в діалозі, написи на зображенні | Менш «кіношний» смак, слабший контроль зерна й об’єктива | Початківцю, маркетологу, вчителю, хто хоче пояснити ідею словами |
| Midjourney V7 | Атмосфера, світло, fashion- і концепт-арт, герої-банери | Текст у кадрі, дрібна типографіка, інколи надто сильний «фірмовий» фільтр | Артдиру, ілюстратору референсів, контент-мейкеру з візуальним смаком |
| Flux / Flux.2 | Фотореалізм, анатомія, API, локальний запуск відкритих ваг | Менше готової «магії стилю», крутіший поріг входу | Тому, хто вже сидить у ComfyUI або будує пайплайн |
| Ideogram | Постери, логотипні начерки, читабельний текст у картинці | Складні кінематографічні сцени поступаються Midjourney | Дизайнеру соцмереж і друку, де літери — частина композиції |
| Adobe Firefly | Ліцензійна чистота даних, зв’язка з Photoshop, бренд-безпека | Менша «дикість» стилю порівняно з Midjourney | Студії й компанії, яким важливий юридичний слід |
| Stable Diffusion (локально) | Повний контроль, LoRA, inpaint, безкоштовно після відеокарти | Час на налаштування, ризик поганих чекпоінтів і сміттєвих стилів | Ентузіасту й технічному ілюстратору |
Джерела даних таблиці: публічні огляди інструментів 2026 року та документація вендорів (OpenAI, Midjourney, Black Forest Labs, Adobe). Це не лабораторний бенчмарк, а робоча мапа: команди з найнижчою ціною кадру рідко сидять в одному сервісі. Типовий продакшен-маршрут зараз виглядає так: Midjourney або Flux дає «героя», Gemini / GPT Image править об’єкт у кадрі, Photoshop або локальний inpaint доводить краї й текст.
Безкоштовний вхід для новачка в Україні найчастіше лежить через Microsoft Copilot, безкоштовні кредити Leonardo чи Ideogram і локальний запуск відкритих моделей, якщо є відеокарта з 8–12 ГБ пам’яті. «Безкоштовно і як у журналі» одночасно не буває: безкоштовні черги ріжуть роздільність, ставлять водяні знаки або обмежують комерцію.
Рецепт промпта, який модель здатна виконати
Сильний запит у 2026 році — не поема й не три слова. Це короткий бриф із шести слотів: суб’єкт, дія, середовище, світло, композиція, стиль. «Красива дівчина, деталізація, 8k, шедевр» модель уже бачила мільйони разів; такі хвости майже нічого не змінюють, лише підсилюють глянцевий «ШІ-вигляд».
Суб’єкт треба замикати. Не «жінка», а «жінка 35 років у червоному вовняному пальто, коротка стрижка, тримає паперовий стакан». Середовище — окремим шаром: «мокрі львівські бруківка й трамвайні рейки, вечір після дощу», а не «гарне місто». Світло — як у кінооператора: «низьке золоте сонце зліва, довгі тіні, контрове світло на волоссі». Композиція знімає дефолт моделі (об’єкт по центру, зріст очей, «п’ятдесятий міліметр»): «нижня точка, 35 мм, герой у лівій третині кадру».
Стиль називайте одним регіоном, а не салатом. «Олійна живопис пізнього голландського бароко» працює. «Кіберпанк, аніме 80-х, детально, реалізм, Unreal Engine» тягне модель у три боки одночасно — і вона обирає середнє, тобто ніщо. Для фоторежиму краще вказати тип плівки, оптику й помилки оптики (віньєтка, хроматична аберація), ніж слово «фотореалізм».
За моїм досвідом використання цього протягом місяця на одній і тій самій серії персонажів, найбільший стрибок якості дав не довгий промпт, а правило «міняй лише один параметр за раз». Зафіксували обличчя — далі рухаєте тільки світло. Зафіксували світло — змінюєте одяг. Інакше неможливо зрозуміти, що саме зламало кадр.
Негативний промпт — інструмент Stable Diffusion і Flux, не ChatGPT. Туди варто класти конкретні дефекти: extra fingers, deformed hands, watermark, text, cropped head, — а не абстрактне «bad quality». У Midjourney ту саму роботу частково роблять параметри стилізації й режими чернетки. У діалогових моделях ефективніше написати наступне повідомлення: «прибери зайвий палець на лівій руці, не змінюй обличчя».
Мова запиту має значення. Більшість ваг тренували на англійських підписах, тож англійський промпт досі дає щільніший контроль над матеріалами й світлом. Українською можна ставити задачу в ChatGPT і просити його розгорнути бриф англійською — це чесний робочий прийом, а не «зрада». Для кириличних написів у самому зображенні краще Ideogram або GPT Image: вони тримають літери, де Midjourney досі любить вигадувати алфавіт.
Якщо картинка «попливла»: що саме зламалося
Поганий результат майже ніколи не означає, що «нейромережа не вміє малювати». Частіше зламаний один шар пайплайна. Нижче — робоча діагностика, якою користуються, коли дедлайн уже горить, а на екрані шість пальців і вітрина з нечитабельним написом.
Анатомія й руки. Складні жести, схрещені пальці, предмет у руці — досі слабке місце дифузії. Модель знає «руку» як хмару ймовірностей, а не як кістки. Спрощуйте жест, ховайте другу руку в кишеню, змініть ракурс на три чверті, або згенеруйте тіло без кистей і домалюйте їх окремим inpaint. У 2026-му фотореалістичні моделі помиляються рідше, ніж два роки тому, але накладання двох долонь одна на одну лишається лотереєю.
Ігнорування частини промпта. Модель має обмежений «бюджет уваги». Якщо в одному реченні сім об’єктів, три стилі й список кольорів, частина просто не ввійде в крос-атеншн. Ріжте сцену. Спочатку персонаж, потім фон окремою генерацією або шаром. Classifier-free guidance (CFG) у локальних моделях підкручує слухняність, але занадто високий CFG випалює контраст і дає пластикову шкіру.
Текст у кадрі. Якщо потрібен плакат із заголовком — не карайте Midjourney за роботу, якої він не обіцяв. Перенесіть задачу в Ideogram чи GPT Image або залиште в промпті місце під текст і наберіть літери вже в Figma. Написи «навмання» витрачають кредити швидше за будь-який інший тип браку.
Пластикова шкіра й «той самий ШІ-глянець». Це наслідок усереднених портретів у датасеті плюс надмір якісних модифікаторів. Приберіть «8k, ultra detailed, masterpiece». Додайте плівку, пори, нерівне світло, легкий шум, конкретний об’єктив. Для людей інколи допомагає референс-зображення замість словесного опису зовнішності.
У нашій практиці ми стикалися з випадком, коли інтернет-магазин одягу три тижні ганяв «фото на моделі» в одній і тій самій моделі й отримував то третю руку, то іншу довжину пальта. Зупинили генерацію з нуля. Зняли один реальний виріб на манекені, прогнали image-to-image з низькою силою шуму й уже на цьому каркасі міняли колір і фактуру. Брак упав не тому, що знайшли «кращий ШІ», а тому, що перестали просити модель вигадати річ, якої вона ніколи не тримала в руках.
Тривожний сигнал не в кривому пальці — палець перемальовується за хвилину. Тривожний сигнал — коли ви не можете повторити вдалий кадр. Якщо немає збереженого seed, версії моделі й точного промпта, серія розсиплеться в той момент, коли замовник скаже «ще три в тому ж стилі».
Поширені помилки, через які виходить «не те»
Більшість розчарувань сидить не в моделі, а в звичках, які копіюють з туторіалів 2022 року. Короткий розбір, чому так робити не варто.
- Віра в магічні суфікси. «trending on artstation, octane render, unreal engine 5» колись зсували стиль у бік рендера. Зараз це шум, який підмішує чужі логотипи, пластик і водяні знаки з навчальної вибірки.
- Копіювання чужого промпта без розуміння слотів. Ви забираєте чужий світловий рецепт разом із чужим персонажем. Потім дивуєтесь, чому «ваш» герой має чуже обличчя й чужий об’єктив.
- Генерація в одну спробу «на чистовик». Нормальний цикл — 8–20 чернеток, відбір двох, апскейл однієї, точкова правка. Хто публікує перший кадр, публікує середнє по лікарні.
- Портрет реальної людини «в стилі» без її згоди. Юридично й етично це вже не «експеримент», а ризик. Моделі впізнають знаменитостей; для приватних осіб ризик інший — дипфейк і репутація.
- Ігнорування негативного простору. Якщо не сказати, чого в кадрі бути не повинно, модель домальовує натовп, зайві написи, другий ніс у тіні. Порожнє місце теж треба замовляти.
- Масштаб «для сторіз» одразу в друк. 1024 пікселі, розтягнуті на банер 3×6 м, покажуть усі каші. Для друку потрібен нативний великий кадр, апскейл і перевірка на 100% масштабі, а не прев’ю в телефоні.
Окремий шкідливий міф: «чим довше промпт, тим точніше». Після певної довжини нові слова починають витісняти старі у вікні уваги. Краще два короткі проходи, ніж одна простирадла на сорок рядків.
Коли варто кликати ілюстратора, а коли впораєтесь самі
Генератор добре закриває кількість і швидкість. Людина добре закриває відповідальність за сенс. Межа між цими зонами не в «таланті», а в ціні помилки.
Самі — настрійні дошки, чорнові кадри для презентації, обкладинка поста, варіанти кольору пакування, референс для зйомки, навчальна ілюстрація, де не потрібна юридична унікальність персонажа. Початківець тут виграє години. Досвідчений дизайнер виграє ще більше: він бачить, який кадр з двадцяти вартуватиме доопрацювання, і не витрачає день на «ще одну генерацію».
До фахівця — фірмовий герой бренду, який житиме два роки в рекламі; книжкова ілюстрація з унікальним характером; пакування, яке піде в друк тисячами; сцени з реальними людьми й торговельними марками; усе, де замовник потім запитає «а хто автор і чи можна це захистити». Ілюстратор у 2026-му часто сам сидить у Midjourney. Різниця не в інструменті, а в тому, що він відповідає за композицію, типографіку, колірний профіль і те, що персонаж на третьому кадрі все ще той самий.
Початківцю корисно один раз пройти повний цикл із дизайнером навіть на маленькому макеті: ви побачите, де саме генерація закінчується, а починається верстка. Досвідченому — навпаки, корисно один тиждень попрацювати «як новачок», без улюблених LoRA, щоб зрозуміти, що модель уміє без милиць. Обидва шляхи дешевші за рік ілюзій, ніби кнопка заміняє професію.
Чек-лист перед тим, як викласти згенерований кадр
Поставте зображення на паузу й пройдіться списком. Якщо хоча б три пункти «ні», кадр ще не готовий — навіть якщо він уже набрав лайки в чернетці.
- Чи можу я через місяць повторити цей кадр (модель, версія, промпт, seed, співвідношення сторін)?
- Чи немає зайвих кінцівок, кривих зіниць, розплавлених прикрас, тексту-абракадабри?
- Чи збігається світло на всіх об’єктах, чи «сонце світить з двох боків»?
- Чи не впізнається чужий персонаж, логотип, обличчя знаменитості, водяний знак стоку?
- Чи дозволені умови сервісу саме цей тип використання — комерція, мерч, обкладинка, нейрофото реальної людини?
- Чи потрібна позначка, що зображення згенероване (для реклами, новин, державних матеріалів правила жорсткіші, ніж для особистого блогу)?
- Чи витримає файл друк або кроп під сторіз без мила на краях?
- Чи не замінює цей кадр роботу, за яку ви обіцяли унікальний малюнок клієнту «від руки»?
- Чи є запасний кадр, якщо платформа завтра змінить політику й приховає ШІ-контент?
- Чи подивилася на результат ще одна людина, не ви? Свіже око ловить третій ніс швидше за автора промпта.
Чек-лист не бюрократія. Це дешевший спосіб, ніж вибачатися в коментарях, коли підписники рахують пальці. Для серій (календар, карткова гра, гайд) додайте ще один пункт: бібліотека референсів персонажа. Без неї стиль «попливе» вже на п’ятому аркуші.
Картина без автора: що каже українське право
У більшості юрисдикцій авторське право вимагає людини. Бюро авторського права США прямо стоїть на тому, що чисто згенерований файл без творчого контролю людини не реєструється; промпт сам по собі, за їхньою логікою 2025 року, не дає достатнього авторства. ЄС досі не ввів окремого права на ШІ-картинку, тож тамтешні суди частіше просто відмовляють у охороні «твору», де немає інтелектуального внеску фізичної особи.
Україна пішла унікальним шляхом. Закон «Про авторське право і суміжні права» № 2811-IX (стаття 33) запровадив право особливого роду — sui generis — на неоригінальні об’єкти, згенеровані комп’ютерною програмою. Це не класичне авторське право: немає особистих немайнових прав «автора-машини», є майновий захист інвестиції. Строк — 25 років, що рахуються з 1 січня року, наступного за роком генерації. Об’єкт має відрізнятися від уже існуючих і виникати внаслідок роботи програми без безпосередньої участі людини в утворенні самого об’єкта.
На практиці для користувача Midjourney чи ChatGPT це не «я автоматично власник усіх прав, як на власний акварельний етюд». Умови сервісу, ліцензія на модель і стаття 33 живуть паралельно. Оплачений тариф зазвичай дає договірне право використовувати файл; sui generis в українському законі ближчий до тих, хто має майнові чи ліцензійні права на саму програму. Якщо ви домальовуєте, колажуєте, відбираєте, компонуєте серію — з’являється людський творчий шар, і вже він може претендувати на охорону як твір або як компіляція. Чим менший ваш внесок, тим тонший захист.
Окремо стоїть навчання моделей на чужих роботах. Британський суд у справі Getty проти Stability AI в листопаді 2025-го відхилив тезу, що ваги моделі є «копією» в розумінні закону про авторське право. Це не зелене світло на все: спори в США тривають, а етичний конфлікт із художниками нікуди не зник. Для замовника в Україні безпечніша стежка така: або Firefly й інші лінійки з ліцензованими даними, або власні референси й доопрацювання людиною, або прямий договір з ілюстратором, який сам вирішує, чи брати ШІ в пайплайн.
Питання, які нам ставлять найчастіше
Чи можна продавати те, що намалювала модель? Часто так, якщо тариф сервісу дозволяє комерцію і в кадрі немає чужих торговельних марок, реалістичних облич без згоди й впізнаваних персонажів. Продаж файлу не дорівнює продажу авторського права в класичному сенсі. Для мерчу й обкладинок книжок прочитайте ліцензію конкретного сервісу ще до генерації, не після того, як клієнт затвердив макет.
Яка система малює безкоштовно і «нормально»? Для спроб — Copilot, безкоштовні пакети Ideogram і Leonardo, локальний Flux чи SD, якщо є відеокарта. «Нормально» для сторінки в Instagram і «нормально» для білборда — різні пороги. Безкоштовний канал майже завжди ріже роздільність або чергу.
Чому руки досі криві, якщо вже 2026 рік? Бо рука в датасеті рідко лежить у складному ракурсі з предметом. Модель бачила мільйони облич анфас і набагато менше долонь, що стискають чашку під кутом 40 градусів. Це не «тупість», це дірка в статистиці. Лікується спрощенням жесту, референсом і точковою правкою, не гнівом на кнопку Generate.
Чи замінить генератор ілюстратора? Він уже замінив частину чернеткової праці й стокових кліпартів. Він не замінив відповідальність за стиль бренду, персонажа, який має жити в десяти носіях, і макет, який не розсиплеться в друкарні. Ринок стискається знизу (прості замовлення) і росте вгорі (складні гібридні пайплайни).
Що робити, якщо потрібен саме український напис на картинці? Не сподівайтеся, що модель «зрозуміє культуру». Замовляйте композицію без тексту або з плейсхолдером, а літери ставте самі. Якщо напис має бути частиною живопису — Ideogram і GPT Image зараз слухняніші за художні моделі. Перевіряйте апострофи, «і/ї/є» і переноси: генератор досі любить вигадати літеру, якої немає в абетці.
Нейромережа малює швидко. Людина вирішує, чи варто це показувати. Між цими двома діями — промпт, відбір, правка, ліцензія й око, яке вміє сказати «ні» красивому, але порожньому кадру. Хто освоює цей проміжок, отримує не «кнопку замість художника», а новий шар ремесла: режисуру зображень, яких ще вчора не існувало.
