詳細指南：如何利用生成式 AI 開發遊戲藝術創作

開發遊戲的獨特之處在於，它需要將大量各種媒體素材資源，例如 2D 圖像、3D 模型、音訊和視訊等，並將多元資源整合到開發環境中。 然而，在小型遊戲團隊中，例如剛起步的團隊或獨立團隊，不太可能有足夠的人來創造如此廣泛的種類和數量的資產。資產的缺乏可能會造成瓶頸，限制整個遊戲開發團隊。
在本篇文章中，將展示了遊戲開發者如何在 Google Cloud 上，輕鬆部署生成式 AI 服務，並呈現 Vertex AI 上 Model Garden 的可用工具（包括Hugging Face和Civitai 等合作夥伴整合），強調了擴展遊戲的潛力-資產創造。

 

生成式 AI 解決方案

Google Cloud 提供多種生成式 AI 模型，可供使用者用於各種用例。此解決方案重點，將著重於遊戲開發團隊，如何利用 Vertex AI 上的 Model Garden 功能，整合Hugging Face和 Civitai 等合作夥伴。
許多藝術家在地端機器進行模型算圖，例如，使用本地版 Automatic 1111 運行 Stable Diffusion。然而，考慮到高階硬體設備 GPU 的成本，並非所有人都能購入所需硬體。因此，在雲端中運行3D模型算圖等素材產出，是一種存取所需計算的方法，同時減少了對高階硬體的前期投資。

Google Cloud 主要目標是探索各工具類型，再將其整合，同時做到簡化，並擴大遊戲資產的產能。

概念設計或前期製作資源

視覺與聽覺素材建構了遊戲的世界，這兩大元素對玩家的體驗產生重大影響，有助於創造更為沉浸式的環境。遊戲素材有許多不同類型，包括：

• 2D 和 3D 模型
• 材質
• 動畫
• 聲音和音樂

以下是典型 3D 遊戲資產（例如角色）的製作歷程：

• 概念藝術：初始設計概念
• 3D 建模：創建素材的3D模型
• 材質：根據遊戲風格為模型添加顏色和細節
• 動畫：為素材帶來動態效果
• 音效：為動畫新增聲音元素
• 導入遊戲引擎：將所有素材整合至遊戲引擎中

透過生成式 AI 產生適合遊戲風格的設計、3D 模型和高品質材質，簡化遊戲創建過程。壓縮前期的設計製作，提升遊戲美術師製作素材的效率，在短期內推進製作流程，讓其他遊戲團隊成員，因前期流程壓縮，專注於藝術指導和最終遊戲呈現等長期目標。

以下文章將帶領你掌握在Google Cloud的Vertex AI、Model Garden以及Stable Diffusion技術，完成遊戲素材創作的第一步- GenAI 藝術。將介紹如何從 Hugging Face 或 Civita 存取和下載流行的 LoRA（低階適應Low-Rank Adaptation）轉接器，並與Vertex AI 上的stableai/stable-diffusion-xl-base-1.0模型（來自Model Garden ）一起提供線上預測。產生的概念藝術圖像將儲存在 Google Cloud Storage 中，以便藝術家輕鬆存取和進一步完善。

 

四大基礎步驟設置

1. 前置條件

• Google Cloud 專案：選擇或建立專案。當您首次建立帳戶時，您將獲得 300 美元的免費積分，用於支付您的計算/儲存成本。
• 已啟用計費：驗證您的項目是否已啟用計費。
• 已啟用 API：啟用Vertex AI 和 Compute Engine API。

2. 儲存與認證

• 雲端儲存桶：建立一個儲存桶儲存下載的 LORA 和實驗測試輸出。
• 服務帳戶：依據以下條件建立服務帳戶
  • Vertex AI用戶
  • 儲存物件管理 (Storage Object Admin)

我們將此服務帳戶與 Python 一起使用，進行模型建立和儲存管理。

3.Colab Enterprise設定：

• 執行時間重新模板：依照Create a runtime template in Colab Enterprise 中的說明在 Colab Enterprise 中建立執行階段模板。
• 運行時實例：根據上面建立的運行時模板建立運行時實例。請依照Create a runtime in Colab Enterprise 中的說明進行操作。
• 上傳筆記本notebooks：從 git下載這三個筆記本，並將其上傳到 Colab Enterprise。

4.運行筆記本：

• 連接筆記本：上傳完畢的筆記本，需確保與步驟三中建立的執行環境連接。此舉措可確保筆記本擁有執行所需之必要資源。
• Cloud NAT：如果您的執行環境需要存取網際網路來下載軟體包，您可以按照以下說明建立 Cloud NAT 。

這樣就完成了基礎設置，您已準備好執行 Jupyter 筆記本，以在 Vertex AI 預測端點上部署具有stableai/stable-diffusion-xl-base-1.0的 LoRA 模型。

成功執行上述所有步驟後，您應該在 Colab Enterprise 中看到三個 Jupyter 筆記本檔案，如下所示：

 

1.建立_mg_pytorch_sdxl_lora.ipynb

• 本筆記本包含從 Huggingface.co 或 civita.com 下載流行的 LoRA（低階適應）適配器的步驟。然後，它與Vertex AI 上的stableai/stable-diffusion-xl-base-1.0模型一起為適配器提供服務，以進行線上預測。
• 在此筆記本中，開始設定以下變數：
  • HUGGINGFACE_MODE：如果啟用，LoRA 將從 Hugging Face 下載。或者從 Civitai 下載。

• 成功執行後，此筆記本將列印「Model ID」和「Endpoint ID」。儲存這些值以便在以下筆記本中使用。
• 如果未選取或停用 HUGGINGFACE_MODE，請確保更新筆記本中的 Civitai 變數。

 

2.生成 GameAssets.ipynb

• 該筆記本包含將文字轉換為圖像的程式碼。設定以下變數開始：
  • ENDPOINT_ID：透過成功執行「1.Create_mg_pytorch_sdxl_lora.ipynb」來獲得。

• 根據需要更新筆記本中的提示。

• 成功執行後，您應該會看到以下結果：
  • 概念藝術圖像將上傳到您配置的 GCS 儲存桶。
  • 將顯示圖像以供參考。

 

3.清理雲端資源.ipynb

• 執行此筆記本以清理資源，包括端點和模型。
• 執行之前，設定以下變數：
  • MODEL_ID和ENDPOINT_ID：從成功執行「1.Create_mg_pytorch_sdxl_lora.ipynb」取得。

恭喜！您已圓滿完成將 stabilityai/stable-diffusion-xl-base-1.0 模型從 Model Garden 部署到 Vertex AI 的任務，為您的遊戲生成了概念藝術，並為降低成本而妥善刪除了模型和端點。

 

六大重點提醒：如何將影像穩定地整合至遊戲

以下列出如何穩定將產生的影像整合到遊戲中，以下列出六大提醒：

1. 合法權利：確保您擁有使用產生的圖像所需的權限。如果您對圖像使用權有任何疑問，請務必諮詢法律專業人士。
2. 客製化：編輯和優化圖像以匹配您的遊戲風格和技術需求。
3. 優化：優化圖像以提高遊戲性能並順利整合到遊戲引擎中。
4. 測試：合併資產後徹底測試品質和性能。
5. 道德與合規：在整個過程中優先考慮道德考量和法律合規性。
6. 文件和回饋：維護詳細的記錄、備份，並在遊戲發布後回應玩家的回饋。

本文翻譯並改寫自 Google Cloud 官方部落格。宏庭科技近年來也有協助遊戲產業上雲，若有興趣者也歡迎聯絡宏庭科技，我們期待能持續將最熱門、最前線的話題帶到您面前。

References

1. 在 Model Garden 探索 AI 模型https://cloud.google.com/vertex-ai/docs/start/explore-models
2. Vertex AI 中的生成式 AI 支援指南https://cloud.google.com/blog/products/ai-machine-learning/vertex-ai-model-garden-and-generative-ai-studio