किसी विज़न-सक्षम लैंग्वेज मॉडल में इमेज अपलोड करें और एक छोटा, सीधा विवरण पाएँ जिसे आप ऑल्ट टेक्स्ट बना सकें। उसे बताएँ कि इमेज कहाँ दिखेगी और पेज किस बारे में है, फिर नतीजे को ऐसे संपादित करें कि वह वही कहे जो स्क्रीन रीडर इस्तेमाल करने वाले को सच में जानना है।
ऑल्ट टेक्स्ट वह वाक्य है जो तस्वीर की जगह तब खड़ा होता है जब कोई उसे देख नहीं सकता: स्क्रीन रीडर इस्तेमाल करने वाला दृष्टिबाधित पाठक, धीमा कनेक्शन जो इमेज कभी लोड नहीं करता, या सर्च इंजन जो आपका पेज समझने की कोशिश कर रहा है। ज़्यादातर साइटों पर सैकड़ों इमेज होती हैं और ऑल्ट टेक्स्ट लगभग नहीं होता, क्योंकि हाथ से लिखना उबाऊ है। इमेज देख सकने वाला लैंग्वेज मॉडल सेकंडों में ड्राफ़्ट लिख सकता है, और आप अपना समय उस काम में लगाते हैं जो मायने रखता है: यह जाँचना कि विवरण सही और काम का है।
ऑल्ट टेक्स्ट कोई इसलिए नहीं छोड़ता कि उसे परवाह नहीं। वह इसलिए छूटता है कि तीन सौ इमेज वाला ब्लॉग, कुछ हज़ार प्रोडक्ट फ़ोटो वाला स्टोर या पाँच साल के कैंपेन वाली मीडिया लाइब्रेरी इस काम को अंतहीन बना देती है। जो मॉडल इमेज देख सकता है, वह खाली फ़ील्ड को पहला ड्राफ़्ट बना देता है, और ड्राफ़्ट सुधारना खाली बॉक्स को घूरने से कहीं तेज़ है।
Picasso IA एक ही टूलकिट में कई विज़न-सक्षम लैंग्वेज मॉडल रखता है, इसलिए आप वही इमेज एक से ज़्यादा मॉडल पर आज़माकर शब्दों की तुलना कर सकते हैं। Gemini 3 Flash एक ही अनुरोध में दस तक इमेज लेता है, जो एक लेख की जुड़ी हुई तस्वीरों के बैच के लिए ठीक बैठता है। Claude Sonnet 4.6 और GPT-4o दोनों लिखित निर्देश के साथ इमेज लेते हैं। टूलकिट वह जगह है जहाँ ये सब चलते हैं, और अगर आप और आज़माना चाहें तो पूरा कैटलॉग बाकी लैंग्वेज मॉडल दिखाता है। नए खातों को मुफ्त क्रेडिट मिलते हैं, इतने कि कुछ तय करने से पहले एक असली पेज चलाकर देख सकें।
ईमानदार नज़रिया यह है कि यहाँ AI ड्राफ़्ट बनाने वाला सहायक है। वह पिक्सल देखता है, आपका इरादा नहीं। वह बता सकता है कि फ़ोटो में दो लोग व्हाइटबोर्ड के सामने हैं, पर यह नहीं कि उनमें से एक आपकी नई प्रोडक्ट हेड है और फ़ोटो का मकसद घोषणा है। वह संदर्भ आपको देना होता है, और अगला हिस्सा इसी बारे में है कि उसमें क्या रखें।
अच्छा ऑल्ट टेक्स्ट एक सवाल का जवाब देता है: अगर यह इमेज न हो तो किसी का क्या छूट जाएगा। यह कैप्शन नहीं है, कीवर्ड की सूची नहीं है और फ़्रेम की हर चीज़ की गिनती भी नहीं है। स्क्रीन रीडर वाला पाठक इसे आपके पैराग्राफ़ के बीच में सुनता है, इसलिए हर फ़ालतू शब्द उसका समय लेता है।
कुछ आदतें काम के विवरण को भराव से अलग करती हैं। विषय और मकसद से शुरू करें, फिर सिर्फ़ वही ब्योरा जोड़ें जो पेज की मदद करे। इमेज की या तस्वीर की जैसी शुरुआत से बचें, क्योंकि स्क्रीन रीडर पहले ही बता देता है कि यह इमेज है। सामग्री का वर्णन करें, फ़ाइल का नहीं। अगर इमेज में ज़रूरी लिखावट है, जैसे साइनबोर्ड, बटन का लेबल या चार्ट का शीर्षक, तो उसे शामिल करें, क्योंकि पाठक के पास उसे पाने का कोई और तरीका नहीं।
एक ही फ़ोटो को अलग पेज पर अलग शब्द चाहिए। सिरेमिक मग की तस्वीर दुकान के पेज पर प्रोडक्ट शॉट है, जहाँ रंग, आकार और साइज़ मायने रखते हैं। सुबह की दिनचर्या वाली पोस्ट में वही माहौल है, और एक छोटा वाक्यांश काफ़ी है। इसीलिए जो मॉडल सिर्फ़ इमेज देखता है वह औसत ऑल्ट टेक्स्ट देता है, और जिसे पेज और मकसद भी बताया जाए वह प्रकाशन के करीब कुछ देता है।
अलग इमेज अलग काम करती हैं, इसलिए उन्हें अलग निर्देश चाहिए। इसे यह तय करने के शुरुआती बिंदु की तरह लें कि मॉडल से क्या माँगना है और वह कहाँ चूकता है।
| इमेज का प्रकार | ऑल्ट टेक्स्ट में क्या हो | ड्राफ़्ट में क्या जाँचें |
|---|---|---|
| प्रोडक्ट फ़ोटो | वस्तु, रंग, सामग्री, दिखने वाली खूबियाँ | वे ब्योरे जो फ़ोटो साबित नहीं करती, जैसे साइज़ या कपड़ा |
| संपादकीय फ़ोटो | विषय और क्या हो रहा है | लोगों, जगहों और घटनाओं के नाम जो मॉडल जान नहीं सकता |
| चार्ट या ग्राफ़ | मुख्य निष्कर्ष, और पूरा डेटा कहाँ है | अक्षों से पढ़े गए आँकड़े और रुझान |
| स्क्रीनशॉट | स्क्रीन और वह कौन सी कार्रवाई दिखाती है | इंटरफ़ेस का टेक्स्ट, शब्दशः नकल किया हुआ |
| लोगो या आइकन | नाम, या बटन आइकन हो तो उसकी कार्रवाई | क्या उसे विवरण चाहिए भी |
| सजावटी अलंकरण | कुछ नहीं, खाली alt एट्रिब्यूट रखें | कि मॉडल ने फिर भी उसका वर्णन न कर दिया हो |
चार्ट और इन्फ़ोग्राफ़िक जैसी जटिल इमेज को एक वाक्य से ज़्यादा चाहिए। निष्कर्ष वाला छोटा ऑल्ट टेक्स्ट, और डेटा इमेज के पास टेबल या पैराग्राफ़ में, एट्रिब्यूट में ठूँसे लंबे ब्लॉक से सबके लिए बेहतर काम करता है।
यह वह दिनचर्या है जो प्रकाशित करने लायक विवरण पर खत्म होती है, सामान्य कैप्शन के ढेर पर नहीं। यह एक इमेज के लिए भी चलती है और एक ही पेज की दर्जन भर इमेज के लिए भी।
दोबारा इस्तेमाल होने वाला प्रॉम्प्ट गुणवत्ता की ज़्यादातर जाँच आपके लिए कर देता है। अच्छा प्रॉम्प्ट एक ही संदेश में पेज, मकसद और सीमाएँ बताता है, जैसे: यह इमेज घर के पौधों को नए गमले में लगाने वाली पोस्ट में है, जो दिख रहा है उसे बीस शब्दों से कम के एक वाक्य में सरल भाषा में बताओ, लोगों के बारे में अंदाज़ा मत लगाओ, और जो भी लिखावट दिखे उसे ज्यों का त्यों शामिल करो। इसे सिस्टम निर्देश के रूप में रखें और हर आगे की इमेज वही मानक अपनाएगी।
जो विवरण आपने पढ़ा नहीं, वह ऑल्ट टेक्स्ट नहीं, जोखिम है। मॉडल भरोसे से वर्णन करते हैं और कभी-कभी गलत होते हैं, और स्क्रीन रीडर वाला पाठक गलती पकड़ने के लिए इमेज देख नहीं सकता। प्रकाशित करने से पहले हर पंक्ति को इमेज से मिलाकर पढ़ें।
ज़्यादातर समस्याएँ दोहराई जाती हैं, इसलिए कुछ भी चिपकाने से पहले जाँचने की एक छोटी सूची यह है:
यही ड्राफ़्टिंग उन इमेज विवरणों के लिए भी काम करती है जिन्हें कई प्लेटफ़ॉर्म जोड़ने देते हैं, देखें AI से सोशल मीडिया पोस्ट, और AI प्रोडक्ट फ़ोटोग्राफ़ी उन स्टोर इमेज को कवर करती है जिनका आप शायद वर्णन करेंगे।
यहाँ ड्राफ़्ट खत्म होता है और किसी इंसान को कमान संभालनी पड़ती है। मॉडल नहीं जान सकता कि इमेज पेज पर क्यों है, इसलिए वह खुशी से ऐसी सजावटी फ़ोटो का वर्णन कर देगा जिसे छोड़ देना चाहिए था, या ऐसी फ़ोटो को सपाट कर देगा जिसका पूरा मतलब उस ब्योरे में है जिसे उसने बैकग्राउंड माना।
वह उन लोगों को भी नहीं पहचानता जो आपके लिए मायने रखते हैं। ग्रुप फ़ोटो को दफ़्तर में मुस्कुराते तीन लोग कहना सही है और लगभग बेकार अगर पेज संस्थापकों के बारे में है, और मॉडल से असली लोगों को चेहरे से पहचानने को नहीं कहना चाहिए। जब पेज को ज़रूरत हो तब नाम खुद जोड़ें, और सिर्फ़ उन लोगों के जो सहमत हों।
चार्ट, नक्शे और डायग्राम सबसे कठिन मामला हैं। मॉडल अक्ष के मान गलत पढ़ सकते हैं या रुझान उलट सकते हैं, और भरोसे से कहा गया गलत आँकड़ा गायब आँकड़े से बुरा है, इसलिए हर संख्या को स्रोत डेटा से मिलाएँ। जिन इमेज में बहुत छोटा टेक्स्ट है, जैसे इन्फ़ोग्राफ़िक और लंबे दस्तावेज़ों के स्क्रीनशॉट, उन्हें पेज पर टेक्स्ट खुद डालकर संभालना बेहतर है।
आखिर में, सुलभता की ज़िम्मेदारियाँ आपकी हैं। अगर आपकी साइट पर कानूनी ज़रूरतें हैं तो अपने आप बना ड्राफ़्ट उन्हें अकेले पूरा नहीं करता, और जो मानक आप अपनाते हैं, जैसे WCAG, वह सटीक और अर्थपूर्ण विवरण माँगता है, सिर्फ़ मौजूद विवरण नहीं। मॉडल को पहला पास और इंसानी समीक्षा को ज़रूरत मानें। वीडियो के लिए मिलता-जुलता काम कैप्शन है, जिसे वीडियो के ऑटोमैटिक सबटाइटल कवर करता है।
ऑल्ट टेक्स्ट एक छोटा लिखित विवरण है जो आपके पेज के कोड में इमेज से जुड़ा होता है। स्क्रीन रीडर इसे उन लोगों के लिए बोलकर सुनाते हैं जो इमेज नहीं देख सकते, इमेज लोड न हो तो ब्राउज़र इसे दिखाते हैं, और सर्च इंजन इसे इमेज की सामग्री के एक संकेत के रूप में इस्तेमाल करते हैं। यह सबसे ज़्यादा सुलभता के लिए मायने रखता है: इसके बिना दृष्टिबाधित विज़िटर को सिर्फ़ फ़ाइल का नाम सुनाई देता है या वहाँ चुप्पी, जहाँ आपकी इमेज होनी चाहिए।
हाँ, पहले ड्राफ़्ट के रूप में। Picasso IA पर Gemini 3 Flash, Claude Sonnet 4.6 या GPT-4o जैसा विज़न-सक्षम लैंग्वेज मॉडल इमेज देखकर बता सकता है कि उसमें क्या है। ड्राफ़्ट आम तौर पर वस्तुओं और दृश्यों पर ठीक होता है और उस पर कमज़ोर, जो उस संदर्भ पर निर्भर है जो आपने नहीं दिया, इसलिए प्रकाशित करने से पहले हर एक को पढ़कर संपादित करें।
ऐसे लैंग्वेज मॉडल से शुरू करें जो इमेज इनपुट लेता हो। Gemini 3 Flash एक अनुरोध में कई इमेज संभालता है, जो एक लेख की तस्वीरों का सेट वर्णित करते समय काम आता है। Claude Sonnet 4.6 और GPT-4o निर्देश के साथ एक इमेज लेते हैं। वही इमेज दो मॉडल से गुज़ारकर तुलना करना अपनी पसंद के शब्द खोजने का तेज़ तरीका है।
जितना छोटा हो सके, इमेज का मकसद बचाते हुए। ज़्यादातर फ़ोटो के लिए इसका मतलब एक वाक्य है, मुट्ठी भर शब्दों से लेकर एक छोटी पंक्ति तक। जटिल चार्ट अपवाद हैं, और उनके लिए संक्षिप्त ऑल्ट टेक्स्ट के साथ पेज के टेक्स्ट में पूरा डेटा या व्याख्या, लंबे एट्रिब्यूट से बेहतर काम करती है। संक्षिप्त रहना सुरक्षित चुनाव भी है।
यह सर्च इंजन को इमेज और उसके आसपास के पेज को समझने में मदद करता है, और इमेज लोड न होने पर यही टेक्स्ट दिखता है। यह रैंकिंग की तरकीब नहीं है। इंसानों के लिए लिखे विवरण, जिनमें ज़रूरी शब्द स्वाभाविक रूप से आएँ, पाठकों और सर्च दोनों के काम आते हैं। कीवर्ड ठूँसना ज़ोर से पढ़ने पर खराब लगता है और कुछ हासिल नहीं करता, इसलिए वह वाक्य लिखें जो कोई इंसान सुनना चाहे।
नहीं। विशुद्ध सजावटी इमेज, जैसे स्पेसर, विभाजक अलंकरण और बैकग्राउंड टेक्सचर, को खाली alt एट्रिब्यूट मिलना चाहिए ताकि स्क्रीन रीडर उन्हें छोड़ दें। उनका वर्णन सुनने वाले के लिए सिर्फ़ शोर जोड़ता है। कसौटी सरल है: अगर इमेज हटाने से पेज किसी को जो बताता है वह नहीं बदलता, तो वह सजावटी है, और मॉडल से उसे छोड़ने को कहना चाहिए।
उसे नहीं करना चाहिए, और आपको कहना भी नहीं चाहिए। असली लोगों को चेहरे से पहचानना अविश्वसनीय है और निजता की समस्याएँ खड़ी करता है। जो दिखता है उसका वर्णन करें, जैसे व्हाइटबोर्ड के सामने प्रेज़ेंटेशन देती एक महिला, और नाम खुद तभी जोड़ें जब पेज को ज़रूरत हो और संबंधित लोग सहज हों। अपनी टीम की फ़ोटो में आप जानते हैं कि कौन कौन है, मॉडल नहीं जानता।
मुख्य निष्कर्ष देने वाला छोटा ऑल्ट टेक्स्ट लिखें, फिर आधारभूत संख्याएँ या पूरी व्याख्या इमेज के बगल में टेबल या पैराग्राफ़ में रखें। आप विज़न मॉडल से चार्ट पढ़कर दोनों हिस्से लिखवा सकते हैं, लेकिन हर संख्या को अपने स्रोत डेटा से मिलाएँ, क्योंकि मॉडल अक्ष गलत पढ़ सकते हैं या रुझान उलट सकते हैं और इसका कोई संकेत नहीं देते।
कुछ सीमाओं में। Gemini 3 Flash एक ही अनुरोध में कई इमेज लेता है, इसलिए आप क्रमांकित सूची में हर इमेज के लिए एक विवरण माँग सकते हैं। बड़ी मीडिया लाइब्रेरी के लिए जुड़ी हुई इमेज के बैच में काम करें और वही प्रॉम्प्ट रखें, फिर हर नतीजा जाँचें। हर विवरण पढ़ने में अब भी समय लगता है, पर शुरू से लिखने की तुलना में बहुत कम।
जनरेशन क्रेडिट इस्तेमाल करता है, और लागत मॉडल और आपकी चुनी सेटिंग पर निर्भर है, इसलिए यहाँ लिखा कोई भी आँकड़ा पुराना पड़ जाएगा। लैंग्वेज मॉडल के टेक्स्ट जवाब आम तौर पर वीडियो की तुलना में कैटलॉग के हल्के कामों में आते हैं। नए खाते मुफ्त क्रेडिट से शुरू होते हैं, और मौजूदा प्लान देखने की जगह कीमतों का पेज है।
कोई ऐसा पेज चुनें जिसकी इमेज पर विवरण नहीं हैं, Picasso IA टूलकिट खोलें और संपादन शुरू करने से पहले देखें कि पहला ड्राफ़्ट कितनी दूर पहुँचता है।
अपनी भाषा चुनें
