8 Minuter
Google utvecklar en ny "markup"-funktion för Gemini som låter användare rita eller lägga till text direkt på AI-genererade bilder och sedan skicka tillbaka de annoterade bilderna för snabba justeringar. Målet med funktionen är att ge användare mer direkt kontroll över genererade bildresultat och att påskynda mindre redigeringar utan att behöva skriva om eller förfina långa textpromptar. Funktionen kan främja effektiv bildredigering för såväl designers som produktteam, marknadsförare och fritidsanvändare genom att förenkla feedbackloopar i kreativa processer.
Rita, skriv, justera: Ett mer handgripligt sätt att redigera AI-bilder
Läckta skärmdumpar och rapporter visar att Geminis markup-gränssnitt innehåller en horisontell färgpalett och två huvudverktyg: en vågig pensel för frihandsritning och en "T"-ikon för att infoga text. Istället för att redigera prompten och generera en helt ny bild kan användaren annotera det redan genererade resultatet — måla över ett område, skriva kommentarer eller markera exakt vad som ska förändras — och sedan skicka tillbaka den annoterade filen till Gemini för att modellen ska tolka och genomföra justeringarna.
Denna mer visuella redigeringsmetodik minskar behovet av att översätta visuella önskemål till textbeskrivningar, vilket ofta kan leda till missförstånd eller flera omgångar med prompt-förändringar. Genom att direkt peka ut element som ska flyttas, förminskas, göras ljusare eller byta färg blir instruktionerna klarare och mer intuitiva, särskilt i samarbeten där visuella anteckningar redan är en etablerad del av arbetsflödet.
Hur återinlämningsflödet snabbar upp arbetet
Tidiga testare beskriver en enkel loop: ladda ner den genererade bilden, gör skisser eller lägg till textanvisningar ovanpå bilden, och ladda sedan upp eller skicka tillbaka den annoterade filen så att modellen kan tolka och agera på ändringarna. Detta arbetsflöde möjliggör att småfixar — som att flytta ett objekt, justera en färgton, korrigera en skugga eller finslipa ansiktsdrag — hanteras direkt på bilden, utan att behöva återskapa en detaljerad prompt eller börja om från början.
Genom att använda bildannotering som indata blir arbetscykeln mer lik den traditionella designrevisionsprocessen där kollegor markerar och kommenterar visuella element. Det innebär snabbare iterationer och att kreatörer kan fokusera på slutresultatet i stället för att investera tid i att montera komplexa textinstruktioner. För team som arbetar med snabbrörlig marknadsföring eller produktprototyper kan den här effektiviteten minska produktrisk och time-to-market.
Varför det spelar roll för kreatörer och team
Tänk dig att du itererar på marknadsmaterial eller produktmockups. I stället för att skriva "gör logotypen mindre och flytta den åt vänster" kan du snabbt rita en pil och cirkla in logotypen, eller lägga ordet "mindre" direkt på bilden. Det är snabbare, mindre tvetydigt och mer i linje med hur designers redan kommenterar resurser vid granskning.
För kreativa team innebär tydligare visuella anvisningar färre missförstånd mellan beställare och formgivare, och en mer iterativ process där feedback kan appliceras i flera steg utan att bildens övergripande komposition behöver återskapas. Detta kan också sänka tröskeln för icke-tekniska användare att bidra i designprocessen — marknadsförare, produktägare och andra intressenter kan med enkla markeringar ge precisa instruktioner direkt i bilden.
- Snabbare iterationer: färre omskrivningar av prompts och snabbare visuell återkoppling.
- Tydligare avsikt: visuella markeringar minskar feltolkningar jämfört med enbart textinstruktioner.
- Tillgängliga redigeringar: icke-tekniska användare kan styra AI med enkla ritningar eller anteckningar.
Bygger på Geminis växande bildverktyg
Google har redan tidigare rullat ut inbyggd bildredigering i Gemini under året. Den befintliga verktygslådan hanterar användarfotografier såväl som AI-genererade bilder och erbjuder funktioner som att byta bakgrund, lägga till eller ta bort objekt samt sammanfoga flera bilder. Markup-funktionen utökar denna kapacitet genom att göra den genererade bilden till en själva redigerbara indata för efterföljande iterationer.
Det betyder att Gemini inte bara genererar en statisk slutprodukt, utan tillåter en iterativ bearbetning där varje version kan annoteras och förfinas. För företag som behöver konsekventa varumärkesresurser innebär detta bättre kontroll över visuella riktlinjer — till exempel att säkerställa korrekta logotypstorlekar, färgpaletter och typografiska element genom att markera exakt var förändringar ska ske.
Tekniskt sett antyder ett sådant flöde att modellen tolkar rasterinformation tillsammans med överlagrade markeringar för att avgöra vilka förändringar som efterfrågas. Det ställer krav på robust bildförståelse: modellen måste skilja mellan kosmetiska anteckningar (t.ex. ett rött kryss som indikerar borttagning) och permanenta bildkomponenter. Därför kan förbättringar av segmentering, regionigenkänning och text-till-region-koppling vara viktiga underliggande komponenter för tillförlitliga resultat.
Nano Banana Pro: skarpare bilder, tydligare text
Geminis visuella kapacitet fick ytterligare förbättringar med Nano Banana Pro-modellen. Google uppger att denna variant genererar rikare innehåll med bättre detaljupplösning och förbättrad läsbarhet för typsnitt och text i bilder. I praktiken innebär det att när användare skriver överläggstext eller instruktioner på en bild, så blir tolkningen av dessa textöverlagringar mer pålitlig — vilket i sin tur möjliggör mer precisa justeringar från modellen.
Kombinerat med markup-verktyget kan Nano Banana Pro bidra till snabbare och renare redigeringar där både frihandsmarkeringar och textöverlägg tolkas mer konsekvent. För exempelvis e-handel, marknadsföring och produktdesign kan detta leda till högre kvalitet i bilder som innehåller både typografi och komplexa visuella element, samt mindre behov av efterbearbetning i traditionella bildredigeringsprogram.
För formgivare, produktteam och fritidskreatörer kan bildmarkeringar förändra hur vi interagerar med generativ AI: mindre beroende av utförliga textpromptar och mer direkt, taktil kontroll över slutresultatet. Detta skapar möjligheter till snabbare A/B-testning av visuella koncept, förenklade revisionscykler och en mer integrerad samarbetsupplevelse där människans avsikt överförs effektivt till AI:ns genomförande.
Det är också värt att överväga gränssnittets roll i adoptionen: ett intuitivt verktyg med enkel pensel och textfunktioner kommer sannolikt att sänka inlärningströskeln. På längre sikt kan vi förvänta oss fler verktyg som stödjer lager, selektiv opacitet, versionshistorik och automatiska förslag baserade på annoteringarnas kontext, vilket gör arbetsflödet ännu kraftfullare för professionella användare.
Samtidigt finns viktiga frågor kring ansvar, upphovsrätt och integritet att adressera. När användare laddar upp sina bilder eller genererar innehåll med varumärkeselement måste plattformen erbjuda tydliga policyer för äganderätt, användarrättigheter och datahantering. För företag är det centralt att veta hur genererade och annoterade tillgångar lagras, om de används för vidare modelträning och vilka kontroller som finns för att radera eller exportera innehåll.
Praktiska begränsningar i tidiga versioner kan inkludera områden där modellen misstolkar markeringar, eller där komplexa grafiska instruktioner kräver flera iterationer för att uppnå exakt resultat. Det är rimligt att anta att Google kommer att förbättra tolkningen av vanliga visuella symboler (pilar, cirklar, kryss) samt att stöd för mer nyanserade instruktioner, som gradvisa färgövergångar eller komplicerade perspektivändringar, kommer att utvecklas över tid.
Framtida integrationer kan också koppla markup-flödet närmare befintliga designverktyg — till exempel att importera/exportera lager från vektorbaserade program, eller att automatiskt generera variationsserier för A/B-testning baserat på enkla markeringar. Sådana funktioner skulle stärka Geminis roll i professionella arbetsflöden och ge ökade möjligheter för automation inom visuellt innehållsskapande.
Sammanfattningsvis representerar markering och återinlämning av annoterade bilder en naturlig utveckling i samspelet mellan mänskligt kreativa intentioner och generativ AI. För användare betyder det snabbare iterationer, tydligare kommunikation och en mer effektiv samarbetsprocess. För Google och andra leverantörer av bild-AI innebär det tekniska utmaningar inom tolkning och ansvarstagande, men också en chans att skapa verktyg som ligger nära hur människor faktiskt arbetar med visuellt material i praktiken.
Källa: smarti
Kommentarer
Erik
Har gjort något liknande i jobbet, funkar sjukt bra för snabba mockups men text över bilden blir ofta knasig, så man får pilla i PS ändå. snabb feedback tho
labbet
Låter smart men är det verkligen så enkelt? Om modellen tolkar en pil fel blir det kaos, och då blir det massa iterationer. Hoppas de tränar symboligenkänningen
Lämna en kommentar