SDXL Turbo ने AI इमेज जनरेशन के काम करने के तरीके को उसकी जड़ से बदल दिया। एडवर्सरियल डिफ्यूज़न डिस्टिलेशन का इस्तेमाल करते हुए यह धीमी, कई-चरणों वाली प्रक्रिया को एक ही इनफ़रेंस पास में समेट देता है, और एक सेकंड से कम समय में हाई-रिज़ॉल्यूशन इमेज बनाता है। यह लेख बताता है कि यह तकनीक कैसे काम करती है, यह कहाँ सबसे अच्छा प्रदर्शन करती है, और आज तेज़ SDXL-आधारित मॉडलों से अधिकतम लाभ कैसे लें।
स्पीड ही वह चीज़ है जिसने यह तय किया कि AI इमेज जनरेशन व्यावहारिक रूप से कितनी दूर तक जा सकता है। पारंपरिक डिफ्यूज़न मॉडलों को एक इमेज बनाने के लिए 20, 50, और कभी-कभी 100 से ज़्यादा बार डिनॉइज़िंग स्टेप चलाने पड़ते थे, और हर स्टेप में समय लगता था। SDXL Turbo ने इस गणित को बदल दिया। Stability AI ने इसे 2023 के अंत में जारी किया, और इसने इनफ़रेंस की समस्या के लिए एक नया तरीका पेश किया, जिससे इमेज बनने का समय कई सेकंड से घटकर एक सेकंड के अंश तक रह गया। यह एडवर्सरियल डिफ्यूज़न डिस्टिलेशन नाम की तकनीक से संभव हुआ। अगर आपने कभी सोचा है कि कुछ AI इमेज लगभग तुरंत क्यों दिखती हैं जबकि कुछ में साफ़ तौर पर रुकावट आती है, तो उस सवाल का एक मुख्य जवाब SDXL Turbo है।
SDXL Turbo शुरू से बना कोई पूरी तरह अलग मॉडल नहीं है। यह Stable Diffusion XL का डिस्टिल्ड वर्ज़न है, जो Stability AI का प्रमुख हाई-रिज़ॉल्यूशन टेक्स्ट-टू-इमेज मॉडल है। "डिस्टिलेशन" वाला हिस्सा इसका मुख्य नवाचार है: टीम ने एक नया आर्किटेक्चर पूरी तरह से ट्रेन करने के बजाय धीमी, कई-चरणों वाली जनरेशन प्रक्रिया को एक ऐसे मॉडल में समेटने का तरीका अपनाया, जो सिर्फ़ एक डिनॉइज़िंग स्टेप में हाई-क्वालिटी इमेज बना सके।
इस तरीके का औपचारिक नाम एडवर्सरियल डिफ्यूज़न डिस्टिलेशन (ADD) है। यह एक ट्रेनिंग तरीका है, जिसमें एक स्टूडेंट मॉडल (SDXL Turbo) एक साथ दो चीज़ों से सीखता है: एक टीचर मॉडल (मूल SDXL) से, और एक एडवर्सरियल डिस्क्रिमिनेटर नेटवर्क से। डिस्क्रिमिनेटर एक सख़्त आलोचक की तरह काम करता है, जो नकली या कम क्वालिटी वाले आउटपुट पर पेनल्टी लगाता है, जबकि टीचर मॉडल स्टूडेंट के आउटपुट को मूल मॉडल की पूरी-रिज़ॉल्यूशन जनरेशन क्वालिटी के अनुरूप रखता है।
स्टैंडर्ड डिफ्यूज़न मॉडल इटरेटिव डिनॉइज़िंग की प्रक्रिया से इमेज बनाते हैं। वे शुद्ध रैंडम नॉइज़ से शुरू करते हैं और एक-एक स्टेप करके उसमें से नॉइज़ घटाते जाते हैं, जब तक एक सुसंगत इमेज न उभर आए। इसे डार्करूम में फ़ोटो डेवलप करने जैसा समझें, बस फ़र्क इतना है कि यहाँ एक की जगह दर्जनों केमिकल बाथ चाहिए।
हर डिनॉइज़िंग स्टेप के लिए पूरे न्यूरल नेटवर्क से एक फ़ॉरवर्ड पास चलाना पड़ता है। 50 स्टेप पर आप मॉडल को 50 बार चला रहे होते हैं। यह कम्प्यूटेशनल रूप से महँगा है और अपनी प्रकृति से धीमा है, भले ही आपके पास शक्तिशाली GPU हो। जिन कामों में रीयल-टाइम फ़ीडबैक मायने रखता है, जैसे लाइव इमेज एडिटिंग, इंटरैक्टिव प्रोटोटाइपिंग या तुरंत प्रीव्यू, वहाँ यह लेटेंसी एक व्यावहारिक दीवार बन जाती है।
ADD ट्रेनिंग तरीका स्पीड की समस्या को डिस्टिलेशन की समस्या मानता है। एक बड़ा, धीमा टीचर मॉडल (SDXL base) कई स्टेप में "अच्छी जनरेशन" कैसी दिखती है, यह समझाता है। स्टूडेंट मॉडल (SDXL Turbo) को उसी क्वालिटी को एक ही पास में दोहराने की ट्रेनिंग दी जाती है, और डिस्क्रिमिनेटर की प्रतिक्रिया उसका मार्गदर्शन करती है।
💡 यह साधारण मॉडल कंप्रेशन से कैसे अलग है: पारंपरिक नॉलेज डिस्टिलेशन बस टीचर के आउटपुट से संख्यात्मक रूप से मेल खाने की कोशिश करता है। ADD इसके ऊपर एडवर्सरियल ट्रेनिंग जोड़ता है, जो केवल संख्यात्मक समानता नहीं, बल्कि दृश्य क्वालिटी को लागू करता है। नतीजा यह है कि एक स्टेप में भी टेक्सचर ज़्यादा तीखे और कंपोज़िशन ज़्यादा सुसंगत होते हैं, किसी शुद्ध रूप से कंप्रेस्ड मॉडल से एक स्टेप में मिलने वाले नतीजों की तुलना में।
डिस्क्रिमिनेटर नेटवर्क असली इमेज और टीचर मॉडल के आउटपुट पर ट्रेन होता है, इसलिए उसके पास इस बात की मज़बूत आंतरिक समझ होती है कि एक हाई-क्वालिटी AI इमेज कैसी दिखनी चाहिए। जब भी स्टूडेंट मॉडल कुछ ऐसा बनाता है जिसे डिस्क्रिमिनेटर खारिज करता है, तो स्टूडेंट के वेट्स एडजस्ट किए जाते हैं। लाखों ट्रेनिंग इटरेशन में स्टूडेंट यह सीख जाता है कि सारा भारी काम एक ही इनफ़रेंस स्टेप में कैसे कर ले।
कच्चे बेंचमार्क आँकड़े हार्डवेयर पर काफ़ी निर्भर करते हैं, लेकिन SDXL Turbo और स्टैंडर्ड SDXL के बीच परिमाण के क्रम का सामान्य अंतर रिपोर्ट किए गए बेंचमार्क में लगातार दिखता है:
| मॉडल | आम स्टेप | अनुमानित जनरेशन समय (A100 GPU) |
|---|---|---|
| SDXL Base | 30-50 स्टेप | 4-8 सेकंड |
| DPM++ शेड्यूलर वाला SDXL | 20 स्टेप | 2-4 सेकंड |
| SDXL Turbo | 1-4 स्टेप | 0.2-1 सेकंड |
| SDXL Lightning 4Step | 4 स्टेप | 0.5-1 सेकंड |
एक स्टेप पर SDXL Turbo हाई-एंड हार्डवेयर पर एक सेकंड के चौथाई से भी कम समय में इस्तेमाल लायक इमेज बनाता है। 4 स्टेप पर क्वालिटी काफ़ी बेहतर हो जाती है, और ज़्यादातर सिस्टम पर जनरेशन का समय अब भी एक सेकंड से काफ़ी कम रहता है।
1-स्टेप मोड तकनीकी प्रदर्शन के तौर पर प्रभावशाली है, लेकिन इसका एक असली उपयोग है: रीयल-टाइम लेटेंट डिफ्यूज़न। यही वह तरीका है जिससे "AI के साथ ड्रॉ करें" वाले टूल संभव होते हैं, जहाँ हर ब्रशस्ट्रोक तुरंत जेनरेट की गई इमेज को अपडेट करता है। हर इनफ़रेंस पास में 50ms लगने पर आप एक सेकंड में दर्जनों जनरेशन चेन कर सकते हैं, और यूज़र इनपुट तथा AI आउटपुट के बीच एक असली रीयल-टाइम फ़ीडबैक लूप बन जाता है।
सामान्य उपयोग के लिए 2 से 4 स्टेप सबसे व्यावहारिक संतुलन है। 1 स्टेप पर क्वालिटी नरम या थोड़ी असंगत लग सकती है, खासकर बारीक डिटेल वाले हिस्सों में। 4 स्टेप पर आउटपुट 20 या उससे ज़्यादा स्टेप पर चलने वाले कहीं धीमे शेड्यूलर के साथ प्रतिस्पर्धा करते हैं।
प्रकाशित FID (Fréchet Inception Distance) स्कोर, जो मापते हैं कि जेनरेट की गई इमेज असली फ़ोटो से सांख्यिकीय रूप से कितनी मिलती-जुलती हैं, दिखाते हैं कि SDXL Turbo के 4-स्टेप आउटपुट 20-50 स्टेप वाले पूरे SDXL के बराबर स्कोर करते हैं। 1 स्टेप पर अंतर बढ़ता है, लेकिन स्टेप बढ़ने के साथ तेज़ी से घटता है। व्यावहारिक क्रिएटिव काम के लिए इसका मतलब है कि 4 स्टेप पर SDXL Turbo पारंपरिक SDXL से लगभग अलग न दिखने वाली क्वालिटी देता है, जिसमें कंप्यूट की लागत बहुत कम है।
SDXL Turbo अकेले में नहीं आया। "कम स्टेप, हाई क्वालिटी" वाली जगह में कई और तेज़ डिफ्यूज़न मॉडल प्रतिस्पर्धा करते हैं।
Stable Diffusion XL वह आधार है जिससे SDXL Turbo डिस्टिल किया गया। SDXL मूल रूप से 1024x1024 रिज़ॉल्यूशन पर जनरेट करता है, रिफ़ाइनर मॉडल के साथ दो-चरणीय पाइपलाइन इस्तेमाल करता है, और ओपन-सोर्स इकोसिस्टम में कुछ सबसे फ़ोटोरियलिस्टिक आउटपुट देता है। इसकी कीमत इनफ़रेंस समय में चुकानी पड़ती है। जिन प्रोजेक्ट्स में सिर्फ़ क्वालिटी मायने रखती है और स्पीड मायने नहीं रखती, वहाँ रिफ़ाइनर के साथ बेस SDXL पाइपलाइन अक्सर बेहतर विकल्प होती है।
Stable Diffusion 3.5 Large SDXL आर्किटेक्चर को और आगे ले जाता है, जिसमें मल्टी-मोडल डिफ्यूज़न ट्रांसफ़ॉर्मर शामिल हैं, जो प्रॉम्प्ट अनुपालन और टेक्स्ट रेंडरिंग को काफ़ी बेहतर करते हैं। यह SDXL Turbo से धीमा है, लेकिन जटिल कंपोज़िशनल प्रॉम्प्ट के लिए उल्लेखनीय रूप से बेहतर नतीजे देता है।
SDXL Lightning 4Step ByteDance Research से SDXL Turbo के प्रतिस्पर्धी के तौर पर आया, जो प्रोग्रेसिव एडवर्सरियल डिफ्यूज़न डिस्टिलेशन नाम के एक अलग डिस्टिलेशन तरीके का इस्तेमाल करता है। 4 स्टेप पर Lightning परसेप्चुअल क्वालिटी मेट्रिक्स पर लगातार Turbo से ऊँचा स्कोर करता है, और तीखे किनारे, बेहतर रंग सटीकता और मज़बूत प्रॉम्प्ट अनुपालन देता है। 4-स्टेप मोड वह जगह है जहाँ Lightning असल में Turbo से बेहतर प्रदर्शन करता है।
RealVisXL v3.0 Turbo एक फ़ाइन-ट्यून्ड वर्ज़न है, जो खास तौर पर फ़ोटोरियलिस्टिक इंसानी सब्जेक्ट के लिए ऑप्टिमाइज़ किया गया है। यह SDXL आर्किटेक्चर पर बना है और टर्बो-स्पीड इनफ़रेंस के लिए और ट्यून किया गया है। यह तेज़ और धीमी जनरेशन के बीच की क्वालिटी की खाई को पोर्ट्रेट और लाइफ़स्टाइल फ़ोटोग्राफ़ी के उपयोग में कम करता है।
💡 त्वरित निर्णय गाइड: 10+ FPS पर रीयल-टाइम फ़ीडबैक चाहिए? SDXL Turbo 1-2 स्टेप पर। 4 स्टेप पर सबसे अच्छी क्वालिटी चाहिए? SDXL Lightning। जल्दी फ़ोटोरियलिस्टिक पोर्ट्रेट चाहिए? RealVisXL Turbo। समय चाहे जितना लगे, सबसे ऊँची संभव क्वालिटी चाहिए? SD 3.5 Large।
SDXL Turbo किन कामों में अच्छा है, यह जानने का मतलब है उन खास उपयोगों को समझना जहाँ उसकी स्पीड असली क्रिएटिव फ़ायदे में बदलती है।
सबसे आकर्षक उपयोग लेटेंट स्पेस पेंटिंग है, जहाँ टेक्स्ट प्रॉम्प्ट या स्केच इनपुट में हर बदलाव तुरंत AI इनफ़रेंस को चलाता है। 1-4 स्टेप पर, सक्षम हार्डवेयर पर आप हर सेकंड 5-20 नई इमेज बना सकते हैं। इससे अनुभव रेंडर का इंतज़ार करने के बजाय ड्रॉइंग करने जैसा लगता है।
रीयल-टाइम स्टाइल ट्रांसफ़र, लाइव प्रॉम्प्ट इटरेशन और कैनवस-आधारित AI पेंटिंग जैसे एप्लिकेशन सब-सेकंड इनफ़रेंस पर निर्भर करते हैं। SDXL Turbo ने SDXL रिज़ॉल्यूशन रेंज में इस तरह के टूल्स को पहली बार व्यावहारिक बनाया।
कॉन्सेप्ट आर्टिस्ट, गेम डिज़ाइनर और मार्केटर को किसी विचार की एक दर्जन वैरिएशन जल्दी देखनी होती हैं, ताकि वे तय कर सकें कि किसे पूरी तरह रेंडर करना है। उनके लिए SDXL Turbo इटरेशन चक्र को काफ़ी छोटा कर देता है। जिस काम में हर वैरिएशन के बीच कुछ मिनट इंतज़ार करना पड़ता था, उसमें अब कुछ सेकंड लगते हैं।
व्यावहारिक वर्कफ़्लो यह है: सही दिशा खोजने के लिए SDXL Turbo से 10-20 मोटी कंपोज़िशन बनाएँ, फिर चुनी हुई कंपोज़िशन को Flux Dev या Flux Fast जैसे हाई-क्वालिटी मॉडल से चलाएँ, ताकि एक निखरा हुआ अंतिम आउटपुट मिले। यह हाइब्रिड तरीका दोनों की खूबियाँ एक साथ लाता है।
ईमानदार मूल्यांकन का मतलब है यह जानना कि SDXL Turbo कहाँ कमज़ोर पड़ता है।
1-2 स्टेप पर SDXL Turbo को इन चीज़ों में दिक्कत होती है:
4 स्टेप पर ये सीमाएँ काफ़ी कम हो जाती हैं। 4 स्टेप पर ज़्यादातर कमर्शियल क्रिएटिव काम के लिए क्वालिटी सचमुच प्रोडक्शन-रेडी है। 1-स्टेप मोड मुख्य रूप से उन रीयल-टाइम उपयोगों के लिए है जहाँ क्वालिटी में कुछ कमी स्वीकार्य हो।
SDXL Turbo बेस मॉडल के रूप में एक नॉन-कमर्शियल रिसर्च लाइसेंस के साथ आता है। वेट्स रिसर्च और निजी प्रयोग के लिए डाउनलोड करके इस्तेमाल किए जा सकते हैं, लेकिन कमर्शियल उपयोग के लिए Stability AI के साथ अलग समझौता चाहिए। SDXL Turbo पर बने फ़ाइन-ट्यून्ड वर्ज़न अलग लाइसेंस शर्तों के साथ आ सकते हैं, इसलिए कमर्शियल रूप से कुछ भी तैनात करने से पहले उस खास मॉडल कार्ड को जाँचना ज़रूरी है।
इसके विपरीत, SDXL Lightning 4Step CreativeML OpenRAIL+M लाइसेंस के तहत जारी किया गया था, जो कमर्शियल उपयोग की अनुमति देता है। जिन प्रोजेक्ट्स को कमर्शियल प्रोडक्ट में तेज़ SDXL-क्लास मॉडल चाहिए, उनके लिए Lightning अक्सर ज़्यादा व्यावहारिक शुरुआती बिंदु होता है।
PicassoIA पर कई SDXL-आर्किटेक्चर वाले तेज़ मॉडल उपलब्ध हैं, जो इस तकनीक को सीधे आपके ब्राउज़र में ले आते हैं, और इसके लिए किसी लोकल GPU की ज़रूरत नहीं है।
SDXL Lightning 4Step प्लेटफ़ॉर्म पर SDXL रिज़ॉल्यूशन की हाई-क्वालिटी इमेज पाने के सबसे तेज़ रास्तों में से एक है।
चरण 1: मॉडल पेज खोलें PicassoIA पर SDXL Lightning 4Step मॉडल पर जाएँ।
चरण 2: साफ़ प्रॉम्प्ट लिखें जो सब्जेक्ट से शुरू हो Lightning उन प्रॉम्प्ट के साथ अच्छा काम करता है जो सब्जेक्ट से शुरू होते हैं और तुरंत विज़ुअल स्टाइल बताते हैं। उदाहरण:
"30 के दशक में एक महिला का पोर्ट्रेट, प्राकृतिक घुंघराले बाल, आउटडोर कैफ़े, कोमल सुबह की धूप, फ़ोटोरियलिस्टिक, 35mm f/1.8, Kodak Portra 400"
चरण 3: स्टेप 4 पर सेट करें Lightning 4 स्टेप के लिए कैलिब्रेटेड है। इसे ज़्यादा स्टेप पर चलाने से क्वालिटी नहीं सुधरती और सुसंगति को असल में नुकसान हो सकता है, क्योंकि मॉडल को खास तौर पर 4 पासों में ही सही नतीजे तक पहुँचने के लिए ट्रेन किया गया था।
चरण 4: CFG स्केल 0 रखें यह वह पैरामीटर है जिस पर अक्सर ध्यान नहीं जाता। Lightning को गाइडेंस स्केल (CFG) 0 चाहिए। स्टैंडर्ड SDXL, जो CFG 7-12 इस्तेमाल करता है, उसके विपरीत Lightning को CFG=0 की धारणा के साथ डिस्टिल किया गया था। इससे ऊँची वैल्यू लगाने पर ओवर-सैचुरेटेड, आर्टिफ़ैक्ट-भरे आउटपुट बनते हैं।
चरण 5: तेज़ी से इटरेट करें तेज़ मॉडल का पूरा मकसद इटरेशन की रफ़्तार है। 5-10 वैरिएशन चलाएँ, जो दिखे उसके आधार पर प्रॉम्प्ट बदलें, और आगे कोई रिफ़ाइनमेंट करने से पहले सबसे अच्छी कंपोज़िशन चुन लें।
💡 टिप: अगर जनरेशन के बीच आपको ज़्यादा क्रिएटिव विविधता चाहिए, तो प्रॉम्प्ट बदलने के बजाय सीड वैल्यू बदलें। तेज़ मॉडल में प्रॉम्प्ट के छोटे बदलाव अप्रत्याशित बदलाव ला सकते हैं। सीड वैरिएशन आपको नियंत्रित विविधता देता है।
RealVisXL v3.0 Turbo तब चुनें जब आपका सब्जेक्ट कोई व्यक्ति हो और आपको तेज़ी से विश्वसनीय फ़ोटोरियलिज़्म चाहिए।
RealVisXL Turbo के लिए बेहतरीन प्रॉम्प्ट:
किससे बचें:
इस मॉडल की ताकत वास्तविक सेटिंग में सिंगल-सब्जेक्ट पोर्ट्रेट है। किसी खास माहौल में किसी व्यक्ति के लिए अच्छी तरह लिखा गया प्रॉम्प्ट लगातार ऐसे नतीजे देता है, जो कहीं धीमे मॉडलों से टक्कर लेते हैं।
SDXL Turbo के आने से AI इमेज जनरेशन समुदाय के लिए ओपन-सोर्स स्तर पर क्या संभव है, इसकी धारणा में सचमुच बदलाव आया। उससे पहले तेज़ इनफ़रेंस मुख्य रूप से क्लोज़्ड-सोर्स का विशेषाधिकार था: कमर्शियल API ही इतने बड़े GPU क्लस्टर चला सकते थे जो हज़ारों समवर्ती यूज़र्स में इनफ़रेंस समय बाँट देते थे। SDXL Turbo ने सब-सेकंड जनरेशन को किसी भी ऐसे व्यक्ति तक पहुँचाया जिसके पास मध्य-श्रेणी का उपभोक्ता GPU है।
इसने जो एडवर्सरियल डिफ्यूज़न डिस्टिलेशन तरीका शुरू किया, उसने तब से कई बाद के मॉडलों को प्रभावित किया है। SDXL Lightning ने उसी मूल विचार को अपनाया और उसमें सुधार किया। विभिन्न रिसर्च लैब्स के बाद के मॉडलों ने अपने आर्किटेक्चर पर इसी तरह की डिस्टिलेशन रणनीतियाँ लागू की हैं।
इससे अंतिम यूज़र के लिए एक स्तरीय इकोसिस्टम बनता है:
| उपयोग का मामला | स्पीड स्तर | उदाहरण मॉडल |
|---|---|---|
| रीयल-टाइम पेंटिंग / लाइव प्रीव्यू | अति-तेज़ (1-2 स्टेप) | SDXL Turbo |
| तेज़ इटरेशन / कॉन्सेप्ट एक्सप्लोरेशन | तेज़ (4 स्टेप) | SDXL Lightning 4Step |
| फ़ोटोरियलिस्टिक पोर्ट्रेट ड्राफ़्ट | तेज़ (4-8 स्टेप) | RealVisXL v3.0 Turbo |
| अंतिम प्रोडक्शन क्वालिटी | स्टैंडर्ड (20-50 स्टेप) | Stable Diffusion 3.5 Large |
| सबसे ऊँची क्वालिटी का फ़ोटोरियलिज़्म | प्रीमियम | Flux Dev |
यह जानना कि आपके वर्कफ़्लो में कौन-सा स्तर फ़िट बैठता है, किसी एक "सर्वश्रेष्ठ" मॉडल का पीछा करने से ज़्यादा उपयोगी है। स्पीड और क्वालिटी एक डायल के दो विपरीत छोरों पर होते हैं, और SDXL Turbo स्पीड वाले छोर पर एक सोची-समझी, उच्च-प्रदर्शन वाली पसंद है।
तेज़ SDXL जनरेशन कैसा लगता है, यह अनुभव करने का सबसे अच्छा तरीका खुद चलाकर देखना है। हर इमेज के लिए 8 सेकंड इंतज़ार करने और एक सेकंड से कम में इमेज पाने के बीच का फ़र्क यह बदल देता है कि आप क्रिएटिव प्रक्रिया के बारे में कैसे सोचते हैं। आप ज़्यादा इटरेट करते हैं, ज़्यादा वैरिएशन आज़माते हैं, और किसी ऐसी दिशा के लिए जल्दबाज़ी में प्रतिबद्ध नहीं होते जो शायद काम न करे।
PicassoIA आपको SDXL Lightning 4Step, RealVisXL v3.0 Turbo और 90 से अधिक टेक्स्ट-टू-इमेज मॉडलों की पूरी लाइब्रेरी सीधे उपलब्ध कराता है, जिसमें अति-तेज़ ड्राफ़्टिंग टूल्स से लेकर हाई-फ़िडेलिटी अंतिम आउटपुट देने वाले जनरेटर तक शामिल हैं। आपको कुछ भी इंस्टॉल करने, मॉडल वेट्स संभालने या VRAM की चिंता करने की ज़रूरत नहीं है। प्लेटफ़ॉर्म खोलें, एक मॉडल चुनें और जनरेट करना शुरू करें।
अगर आप प्लेटफ़ॉर्म पर नए हैं, तो पहले एक पोर्ट्रेट प्रॉम्प्ट के साथ SDXL Lightning 4Step आज़माएँ। CFG को 0 और स्टेप्स को 4 पर सेट करें, और एक ही प्रॉम्प्ट लेकिन अलग-अलग सीड के साथ 5 वैरिएशन चलाएँ। आपकी पहली 5 इमेज कुल मिलाकर 30 सेकंड से कम में तैयार होंगी। यही SDXL Turbo-क्लास की स्पीड है, जो अभी इसी समय उपलब्ध है।
अपनी भाषा चुनें
