Почему машинная генерация плохо справляется с типографикой

Текст внутри сгенерированных изображений остаётся слабым местом. Разбираем причину и то, что это говорит о природе таких инструментов.

Буквы — не текстура

Модели, работающие с изображениями, оперируют визуальными закономерностями. Для них буква — набор форм, похожих на другие формы, а не знак с точным контуром, который либо верен, либо нет.

Небольшое отклонение в текстуре дерева незаметно; такое же отклонение в букве превращает её в другую букву или в бессмыслицу.

Кириллица страдает сильнее

Латиница представлена в обучающих данных в разы шире, поэтому её формы воспроизводятся заметно лучше. Кириллические знаки часто получаются как гибриды: латинские формы с добавленными элементами.

Особенно страдают знаки, не имеющие латинских аналогов: «ж», «щ», «ы», «ъ», «э», «ю».

Что это говорит об инструментах

Слабость в типографике — хороший индикатор общего свойства: генеративные модели сильны там, где допустима вариативность, и слабы там, где требуется точность.

Это распространяется на все задачи: технические чертежи, схемы, интерфейсы с реальными данными, точное воспроизведение объектов.

Практический вывод

Рабочий подход — разделять слои: изображение генерируется, типографика набирается поверх обычным способом в редакторе.

Это даёт и качество набора, и возможность редактировать текст, и корректную работу с фирменными гарнитурами.

Почему это не чинится увеличением модели

Обычное объяснение — «модели ещё не доучились» — предполагает, что буквы просто сложный узор, и с ростом обучающей выборки он выучится. Но письменность устроена иначе, чем текстура: значение здесь дискретное. Кирпичная кладка, где один кирпич смещён, остаётся кладкой; слово, где одна буква смещена или подменена, перестаёт быть словом. Модель, обученная на правдоподобии картинки, оптимизирует то, что выглядит похоже, а не то, что читается.

Отсюда практическое следствие: даже когда отдельные слова получаются, набор целиком остаётся ненадёжным. Ошибка не убывает плавно с размером модели — она перескакивает между «читается» и «не читается», и предсказать, на каком слове это произойдёт, нельзя. Поэтому в рабочем процессе генерация используется для изображения, а текст ставится сверху обычными средствами вёрстки — не из осторожности, а потому что это единственный способ гарантировать результат.

Как встроить генерацию в работу с текстом

Что именно ломается в наборе

Ошибки машинной генерации в типографике распределены неравномерно. Форма отдельного знака воспроизводится неплохо — модели видели миллионы букв. Разрушается то, что не является формой: межбуквенные расстояния, кернинг проблемных пар, единство начертания внутри строки и оптическая компенсация. Именно эти вещи составляют профессиональную работу и именно они не выводятся из внешнего сходства.

Поэтому сгенерированная надпись почти всегда выглядит убедительно на скриншоте и разваливается при внимательном взгляде: буквы правильные, набор — нет.

Где инструмент всё же полезен

Общее у этих задач одно: результат проверяется мгновенно и стоит дёшево. Как только проверка становится дороже создания, инструмент перестаёт экономить время — и типографика попадает в эту категорию раньше почти всего остального.

Что в итоге

Типографика требует точности, а генерация вероятностна — отсюда устойчивая слабость в буквах, особенно кириллических.

Разделяйте слои: изображение генерируйте, текст набирайте. Это правило снимает большинство проблем.