Stable-Diffusion-Prompt-Generator

Stable Diffusion liest einen Prompt nicht wie ein Chatbot. Es tokenisiert deinen Text, macht daraus ein Embedding und steuert mit diesem Embedding jeden Entrauschungsschritt vom reinen Rauschen zum Bild. Ein höflicher deutscher Satz verbraucht den größten Teil seines Budgets für Wörter ohne jedes visuelle Signal. Ein dichter Stapel aus Substantiven und Modifikatoren steckt alles davon in Pixel.

Der Generator oben ist unser Bild-Prompt-Generator im Stable-Diffusion-Preset: Er gibt dir kommagetrennte Tags plus einen passenden Negativ-Prompt statt Fließtext. Alles läuft in deinem Browser. Nichts wird hochgeladen, nichts gespeichert, und ein Konto brauchst du auch nicht.

Schreib in Keywords, nicht in Sätzen

Stell die beiden nebeneinander:

• „A beautiful photograph of an old fisherman who is standing on a dock at sunset“
• „old fisherman, weathered face, standing on wooden dock, sunset, golden hour, 85mm, highly detailed“

Gleiche Idee. Die zweite Fassung gibt dem Modell ein Dutzend brauchbare visuelle Anker statt drei. Drei Gewohnheiten tragen den größten Teil der Verbesserung:

• Fang mit dem Motiv an. Frühe Tokens bestimmen die Komposition, also wird ein ans Ende geschobenes Motiv wie ein nachträglicher Einfall behandelt.
• Trenne mit Kommas. Jeder kommagetrennte Block verhält sich wie ein Tag, an dem sich das Modell festhalten kann.
• Streich Adjektive, die nichts Sichtbares beschreiben. „amazing“, „perfect“ und „stunning“ verbrennen Tokens, ohne ein einziges Pixel zu bewegen.

Eine Blockreihenfolge, die über Checkpoints hinweg trägt: Motiv, Motivdetails, Pose oder Handlung, Umgebung, Licht, Kamera oder Medium, Kunststil, Qualitäts-Tags.

Dreizehn Blöcke, null Füllmasse. Wenn du neu darin bist, Bilder so präzise zu beschreiben, geht der Guide zum Schreiben von Bild-Prompts jeden Block mit Vorher-Nachher-Beispielen durch.

Gewichtung: sag dem Modell, was zählt

Die meisten Stable-Diffusion-Oberflächen (AUTOMATIC1111, Forge, ComfyUI, InvokeAI) unterstützen Attention Weighting. Setz einen Begriff mit einer Zahl in Klammern, und du skalierst, wie stark der Sampler dorthin zieht.

• (red scarf:1.3) – etwa 30 % stärker als Standard
• (background:0.7) – zurückgenommen, weniger aufdringlich
• ((crown)) – die alte verschachtelte Form, rund 1,21-fach; die explizite Zahl ist leichter zu überblicken

Bleib zwischen 0,6 und 1,5. Ab etwa 1,6 tauchen Farbausblutungen, doppelte Gliedmaßen oder ein Motiv auf, das den ganzen Rahmen frisst. Wenn zwei Konzepte gegeneinander arbeiten, senk das unwichtigere, statt das gewünschte hochzudrehen. Runterdrehen verformt das Bild sehr viel weniger als Aufdrehen.

Negativ-Prompts zählen hier mehr als überall sonst

Midjourney und DALL·E geben dir kaum Kontrolle darüber, was vermieden werden soll. Stable Diffusion gibt dir einen kompletten zweiten Prompt – und das ist kein nachträglich aufgesetzter Filter. In jedem Schritt läuft das Modell zweimal: einmal auf deinen Prompt konditioniert, einmal auf den Negativ-Prompt, danach wird das Ergebnis vom Negativen weggeschoben. Lässt du das Feld leer, wird still der leere String benutzt – deshalb wirken Bilder ohne Negativ-Prompt so oft weich und matschig.

Bleib beim Negativ-Prompt ehrlich. Eine 60-Token-Wand aus allem, was je empfohlen wurde, plättet den Stil zusammen mit den Fehlern. Fang mit Anatomie-Korrekturen, Kompressionsartefakten und Wasserzeichen an und ergänze Begriffe erst, wenn du das Problem tatsächlich siehst. Unser Negativ-Prompt-Generator baut eine Startliste aus deinem Motiv – besser, als einen fremden Block aus einem Forum zu kopieren.

CFG, Steps, Sampler und Seed in normaler Sprache

• CFG-Scale bestimmt, wie wörtlich das Modell deinem Text gehorcht. Bei etwa 3 improvisiert es. Bei etwa 7 folgt es dir und behält natürliche Texturen. Über 12 übertreibt es: harter Kontrast, ausgebrannte Farben, zerlegte Hände. Fotorealismus mag 5 bis 8, Illustration verträgt 7 bis 10.
• Steps ist die Zahl der Entrauschungsdurchgänge. Moderne Sampler liefern bei 20 bis 30 saubere Bilder. Auf 80 zu gehen kauft dir vor allem eine längere Wartezeit und ein leicht anderes Bild, kein besseres.
• Sampler ist der Algorithmus, der das Rauschen entfernt. DPM++ 2M Karras ist der sichere Standard. Euler a ist auf nützliche Weise nicht deterministisch und verschiebt sich merklich mit der Step-Zahl. Wähl einen und lass ihn in Ruhe, solange du am Prompt feilst.
• Seed ist das Ausgangsrauschen. Gleicher Seed plus gleicher Prompt plus gleiche Einstellungen ergibt jedes Mal dasselbe Bild. Diese Reproduzierbarkeit ist das Nützlichste, was Stable Diffusion gegenüber geschlossenen Tools hat.

SDXL und SD 1.5 wollen unterschiedliche Prompts

SDXL hat einen deutlich stärkeren Text-Encoder und kommt mit kurzen natürlichen Formulierungen zurecht, die 1.5 verwirren würden. Du kannst „a woman reading a letter by candlelight, seventeenth century Dutch painting“ schreiben und bekommst etwas Stimmiges. Es braucht außerdem weit weniger Qualitäts-Tags. Ketten wie „masterpiece, best quality, 8k, ultra detailed, trending on artstation“ waren Krücken für den schwächeren Encoder von 1.5; bei SDXL erzeugen sie meist nur einen generischen Hochglanz.

SD 1.5 belohnt das Gegenteil: dichte Tags, explizite Gewichtung, längere Negativ-Prompts und starkes Setzen auf Community-Checkpoints. Es wurde auf 512 × 512 trainiert, direkt 1024 × 1024 anzufordern liefert deshalb gern zwei Köpfe oder einen doppelten Oberkörper. Generiere auf 512 × 768 und skaliere danach hoch.

SDXL wurde auf 1024 × 1024 trainiert und verkraftet 832 × 1216 oder 1216 × 832 problemlos. Gibst du ihm eine 512-Pixel-Leinwand, sinkt die Qualität, statt zu steigen. Welche Basis du auch nutzt: Halte die Maße als Vielfache von 64.

Checkpoints und LoRAs verändern die Bedeutung deiner Wörter

Derselbe Prompt liefert auf verschiedenen Checkpoints völlig unterschiedliche Ergebnisse, denn ein Checkpoint ist ein Fine-Tune mit eigenem Vokabular. Anime-Modelle erwarten Danbooru-Tags. Fotoreale Merges erwarten Kamerasprache. Ein auf beschriftete Kunst trainiertes Modell reagiert auf Namen von Künstlern und Stilrichtungen. Sieh dir an, was die Autorin eines Checkpoints auf Hugging Face geschrieben hat, bevor du annimmst, dein Prompt sei übertragbar, und prüf bei Stability AI, worauf die jeweilige Basisversion tatsächlich trainiert wurde.

LoRAs sitzen obendrauf und werden mit einer Syntax wie <lora:filmgrain_v2:0.7> aufgerufen. Die Zahl am Ende ist die Stärke. Zwei oder drei LoRAs mit je 1.0 kämpfen gegeneinander und ergeben Brei; 0,5 bis 0,8 mischt sich meist besser. Viele LoRAs brauchen zusätzlich ein Triggerwort im Prompt, um überhaupt etwas zu tun.

Iterieren mit festem Seed

Das ist der Workflow, der Leute, die bekommen, was sie wollen, von Leuten trennt, die eine Stunde lang neu würfeln.

1. Generiere vier bis acht Bilder mit zufälligen Seeds, bis eine Komposition nah dran ist.
2. Kopier diesen Seed und friere ihn ein.
3. Ändere genau eine Sache – eine Gewichtung, ein Tag, CFG um einen einzigen Punkt.
4. Neu generieren und vergleichen. Die Komposition bleibt stehen, der sichtbare Unterschied ist also der, den du gemacht hast.
5. Sitzt der Prompt, stell den Seed zurück auf zufällig und batche Varianten heraus.

Dieselbe Disziplin gilt für Textmodelle, und die Begründung dahinter steht in den Grundlagen des Prompt Engineering. Für andere Bildmodelle schreibst du in einem anderen Dialekt: Der Midjourney-Prompt-Generator deckt die parametergetriebene Syntax ab, und der DALL·E-Prompt-Generator ist die richtige Adresse, wenn du ganze beschreibende Sätze statt Tags willst.