Gerador de Prompts para Stable Diffusion

O Stable Diffusion não lê um prompt como um chatbot lê. Ele tokeniza seu texto, transforma isso em um embedding e usa esse embedding para guiar cada passo de denoise, do ruído puro até a imagem. Uma frase educada e bem construída gasta a maior parte do orçamento em palavras que não carregam nenhum sinal visual. Uma pilha enxuta de substantivos e modificadores gasta tudo em pixels.

O gerador acima é o nosso gerador de prompts de imagem com preset para Stable Diffusion: ele te entrega tags separadas por vírgula mais um prompt negativo combinando, em vez de texto corrido. Roda no seu navegador, do começo ao fim. Nada é enviado, nada é armazenado e não existe conta para criar.

Escreva em palavras-chave, não em frases

Coloque estas duas versões lado a lado:

• "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"

Mesma ideia. A segunda dá ao modelo uma dúzia de âncoras visuais aproveitáveis em vez de três. Três hábitos respondem pela maior parte do ganho:

• Comece pelo sujeito. Os primeiros tokens tendem a dominar a composição, então enterrar o sujeito no fim faz o modelo tratá-lo como detalhe.
• Separe com vírgulas. Cada bloco entre vírgulas funciona como uma tag que o modelo consegue agarrar sozinha.
• Corte adjetivos que não descrevem nada visível. "amazing", "perfect" e "stunning" queimam tokens sem mover um pixel.

Uma ordem de blocos que se sustenta em qualquer checkpoint: sujeito, detalhes do sujeito, pose ou ação, cenário, iluminação, câmera ou meio, estilo de arte, tags de qualidade.

Treze blocos, zero enchimento. Se descrever imagens com esse nível de precisão é novo para você, o guia de prompts de imagem percorre cada bloco com exemplos de antes e depois.

Pesos: diga ao modelo o que de fato importa

A maioria das interfaces de Stable Diffusion (AUTOMATIC1111, Forge, ComfyUI, InvokeAI) aceita peso de atenção. Coloque um termo entre parênteses com um número e você ajusta a força com que o sampler puxa para ele.

• (red scarf:1.3) — algo em torno de 30% mais forte que o padrão
• (background:0.7) — empurrado para trás, menos insistente
• ((crown)) — a forma antiga com aninhamento, cerca de 1,21x; o número explícito é mais fácil de raciocinar

Fique entre 0.6 e 1.5. Passando de 1.6, você começa a ver sangramento de cor, membros duplicados ou um sujeito que engole o quadro inteiro. Quando dois conceitos brigam, abaixe o que importa menos em vez de subir o que você quer. Baixar deforma a imagem muito menos do que forçar para cima.

O prompt negativo pesa mais aqui do que em qualquer outro lugar

Midjourney e DALL-E quase não te dão controle sobre o que evitar. O Stable Diffusion te dá um segundo prompt inteiro, e ele não é um filtro pregado no final. A cada passo, o sampler roda o modelo duas vezes: uma condicionada ao seu prompt, outra condicionada ao negativo, e depois empurra o resultado para longe do negativo. Deixe esse campo vazio e ele usa a string vazia em silêncio, e é por isso que imagens sem negativo saem tantas vezes moles e lavadas.

Mantenha o negativo honesto. Um paredão de 60 tokens com tudo que você já viu alguém recomendar achata o estilo junto com os defeitos. Comece por correções de anatomia, artefatos de compressão e marcas d'água, e só acrescente termos quando o problema realmente aparecer. Nosso gerador de prompt negativo monta uma lista inicial a partir do que você está fotografando, o que rende bem mais do que copiar o bloco de alguém num fórum.

CFG, steps, sampler e seed em português claro

• CFG scale decide o quanto o modelo obedece ao seu texto ao pé da letra. Perto de 3 ele improvisa. Perto de 7 ele te segue mantendo textura natural. Acima de 12 ele exagera: contraste estourado, cores fritas, mãos deformadas. Fotorrealismo gosta de 5 a 8. Ilustração tolera 7 a 10.
• Steps é a quantidade de passadas de denoise. Samplers modernos entregam imagens limpas entre 20 e 30. Ir até 80 compra basicamente uma espera maior e uma imagem levemente diferente, não melhor.
• Sampler é o algoritmo que remove o ruído. DPM++ 2M Karras é o padrão seguro. Euler a é não determinístico de um jeito útil e muda bastante conforme o número de steps. Escolha um e pare de mexer enquanto ajusta o prompt.
• Seed é o padrão de ruído inicial. Mesma seed, mesmo prompt, mesmas configurações, mesma imagem, sempre. Essa reprodutibilidade é a coisa mais útil que o Stable Diffusion tem e as ferramentas fechadas não têm.

SDXL e SD 1.5 pedem prompts diferentes

O SDXL tem um text encoder bem mais forte, então lida com frases curtas e naturais que confundiriam o 1.5. Dá para escrever "a woman reading a letter by candlelight, seventeenth century Dutch painting" e receber algo coerente. Ele também precisa de muito menos tags de qualidade. Correntes como "masterpiece, best quality, 8k, ultra detailed, trending on artstation" eram muleta para o encoder fraco do 1.5; no SDXL elas só acrescentam um verniz genérico.

O SD 1.5 recompensa o oposto: tags densas, pesos explícitos, negativos mais longos e muita dependência dos checkpoints da comunidade. Ele foi treinado em 512x512, então pedir 1024x1024 direto costuma render duas cabeças ou um torso duplicado. Gere em 512x768 e depois faça upscale.

O SDXL foi treinado em 1024x1024 e dá conta de 832x1216 ou 1216x832 tranquilamente. Dê a ele uma tela de 512px e a qualidade cai em vez de subir. Seja qual for a base, mantenha as dimensões como múltiplos de 64.

Checkpoints e LoRAs mudam o que suas palavras significam

O mesmo prompt dá resultados completamente diferentes em checkpoints diferentes, porque um checkpoint é um fine-tune com vocabulário próprio. Modelos de anime esperam tags no estilo Danbooru. Merges fotorrealistas esperam linguagem de câmera. Um modelo treinado em arte legendada responde a nomes de artistas e movimentos. Leia o que o autor do checkpoint escreveu no Hugging Face antes de supor que seu prompt vai funcionar lá, e confira a Stability AI para saber em que cada versão base foi de fato treinada.

LoRAs entram por cima e são chamados com sintaxe do tipo <lora:filmgrain_v2:0.7>. Aquele número no fim é a força. Dois ou três LoRAs a 1.0 cada vão brigar e virar papa; 0.5 a 0.8 costuma misturar melhor. Muitos LoRAs também precisam de uma palavra-gatilho no prompt para fazer qualquer coisa.

Itere com a seed travada

Esse é o fluxo que separa quem consegue o que quer de quem passa uma hora tentando a sorte.

1. Gere um lote de quatro a oito com seeds aleatórias até uma composição chegar perto.
2. Copie essa seed e trave.
3. Mude exatamente uma coisa — um peso, uma tag, o CFG em um ponto.
4. Gere de novo e compare. A composição fica no lugar, então a diferença que você vê é a diferença que você fez.
5. Com o prompt do jeito certo, volte a seed para aleatória e produza variações em lote.

A mesma disciplina vale para modelos de texto, e o raciocínio por trás dela está nos fundamentos de engenharia de prompt. Escrever para outros modelos de imagem é outro dialeto: veja o gerador de prompts para Midjourney para sintaxe movida a parâmetros, ou o gerador de prompts para DALL·E se você quiser frases descritivas completas em vez de tags.