Prompt eficaz para Stable Diffusion: método, pesos e configurações

Um prompt copiado de um fórum dá uma maravilha para o autor e uma borra para você. A causa raramente está no texto. O Stable Diffusion não é uma ferramenta única, é uma família de modelos, usada por meio de várias interfaces, com configurações que você mesmo controla. O mesmo prompt não produz o mesmo efeito num modelo base e num modelo da comunidade treinado para anime.

É isso também que o torna interessante. Enquanto o Midjourney decide muita coisa por você, o Stable Diffusion deixa você no comando de quase tudo, e uma imagem bem documentada se reproduz quase idêntica. Mas é preciso escrever para o modelo certo.

Identifique o seu modelo antes de escrever uma palavra

A forma de escrever depende antes de tudo do modelo carregado, muitas vezes chamado de checkpoint. Os conselhos que você lê por aí se contradizem porque não falam dos mesmos modelos.

Num modelo da comunidade, a página de download costuma indicar as configurações recomendadas, as palavras-gatilho e às vezes exemplos de prompts. Leia-a: ela vale mais do que qualquer guia geral, este inclusive.

Gerar muito longe da resolução base é um erro clássico. Um SD 1.5 lançado direto em tamanho muito grande tende a repetir os sujeitos, e um SDXL reduzido demais perde qualidade. A documentação da Stability AI também alerta que sair dos tamanhos recomendados no SDXL pode causar enquadramentos inesperados. Para uma imagem maior, gere no tamanho nativo e depois amplie.

Um esclarecimento sobre o FLUX, que aparece nas mesmas interfaces: ele não é um modelo Stable Diffusion, e a Black Forest Labs informa que ele não aceita prompt negativo. Boa parte do que vem a seguir, portanto, não se aplica diretamente a ele.

Escreva o prompt positivo como uma ficha de fotografia

Pense numa contadora que quer ilustrar um artigo sobre o fechamento do exercício fiscal.

Versão fraca: beautiful office, professional, masterpiece, best quality, ultra detailed

O modelo recebe sobretudo ruído. Ele não faz ideia do objeto a mostrar, e as palavras de qualidade, úteis em alguns modelos da comunidade, não compensam a ausência de um sujeito.

Versão corrigida:

photograph of a tidy wooden desk with stacked paper invoices, a fountain pen and a mechanical calculator, late afternoon sunlight through a window, long soft shadows, shallow depth of field, muted beige and dark green tones, 50mm lens

Desta vez o sujeito vem na frente, seguido do cenário, da luz, da paleta e da lente. Coloque o que mais importa no começo: as interfaces cortam os prompts longos, e um elemento essencial perdido no fim do texto tem menos chance de ser respeitado.

No AUTOMATIC1111 e derivados, o prompt é processado em blocos de 75 tokens. Você pode ultrapassar esse limite, e o texto é então distribuído em vários blocos, mas o corte pode cair no meio de uma ideia. A palavra-chave BREAK, escrita em maiúsculas, força um novo bloco no ponto escolhido. Ela serve sobretudo para separar duas ideias, como o sujeito e o fundo.

Escreva em inglês: é o idioma em que esses modelos respondem melhor. Se o inglês atrapalha, redija em português, peça uma tradução e depois revise.

Os pesos: a sintaxe exata

O peso de uma palavra indica ao modelo a atenção que ele deve dar a ela. A sintaxe a seguir vem da documentação do AUTOMATIC1111, e o ComfyUI compartilha a forma com parênteses.

Fique entre 0,8 e 1,3 para começar. Acima disso, a imagem tende a se degradar, e o termo sobrecarregado invade a composição. Se você precisa empurrar uma palavra até 1,6 para que ela apareça, o problema provavelmente está em outro lugar: ordem das palavras, modelo mal adaptado ou contradição no prompt.

Cuidado com os colchetes. Nos prompts deste guia, [VARIÁVEL] indica um valor a substituir. Deixados como estão no AUTOMATIC1111, seriam interpretados como uma redução de atenção.

O AUTOMATIC1111 também oferece uma escrita para trocar de prompt durante a geração. [fantasy:cyberpunk:16] desenha uma cena de fantasia e passa para cyberpunk a partir da etapa 16, e [cow|horse] alterna as duas palavras a cada etapa. Essas duas sintaxes são práticas para misturar conceitos, mas não funcionam como estão no ComfyUI sem uma extensão, e a documentação esclarece que elas não se aplicam a redes adicionais como os LoRA.

As configurações que importam e as que podem esperar

O mesmo texto muda radicalmente de uma combinação de configurações para outra. Os valores abaixo são pontos de partida da prática comum, não regras oficiais. A página do seu modelo sempre tem prioridade.

CFG scale. Regula a fidelidade ao prompt. Baixo demais, o modelo se afasta do que você pediu. Alto demais, as cores saturam e os contornos endurecem. A documentação do ComfyUI resume bem esse equilíbrio: aumentar esse parâmetro aproxima a imagem do prompt, mas um valor excessivo prejudica a qualidade. A comunidade costuma partir de 5 a 7 no SDXL, de 7 a 9 no SD 1.5, e mais baixo no SD 3.5.

Etapas (steps). O número de passagens de remoção de ruído. Acima de certo limite, você paga em tempo de processamento sem ganho real: compare 20, 30 e 40 no seu modelo e fique com o menor valor que o satisfaça. Os exemplos oficiais para o SD 3.5 giram entre 28 e 40 etapas.

Sampler. Define o método de remoção de ruído. Euler a e DPM++ 2M Karras continuam sendo escolhas difundidas. Não passe a noite nisso no começo: o sampler muda menos o resultado do que o prompt ou o modelo.

Seed. O ponto de partida do ruído. Ao fixá-lo, você pode alterar uma única palavra e ver seu efeito real, o que é a base de qualquer comparação séria.

Prompt negativo. Orienta o modelo para longe do que você lista. É útil com moderação, e as longas listas copiadas de tutoriais antigos raramente são a solução. O artigo sobre o prompt negativo explica como dosá-lo e quando ele deixa de agir. No ComfyUI, ele passa por um segundo nó de codificação de texto, ligado à entrada negativa do KSampler.

Três prompts completos para adaptar

Substitua cada variável por um termo em inglês, retire os colchetes, cole cada parte no campo correspondente e comece pelas configurações recomendadas para o seu modelo.

Para uma foto de prato destinada a um restaurateur, no SDXL:

Positive:
overhead photograph of [PRATO] served on [TIPO DE PRATO], on a [MATERIAL] table, soft natural side light from a window, visible steam, realistic food texture, [2 CORES] tones, shallow depth of field, editorial food photography

Negative:
text, watermark, logo, blurry, plastic-looking food

Settings: [LARGURA] x [ALTURA] at a native size for the model, CFG 6, 30 steps, DPM++ 2M Karras, fixed seed

Para uma ilustração de livro didático ou de ficha de atividade, útil para uma professora, no SDXL:

Positive:
educational illustration of [NOÇÃO OU OBJETO A EXPLICAR], clean line art with flat colors, simple shapes, palette of [3 CORES], white background, single centered subject, children's science book style

Negative:
photo, text, letters, realistic shading, cluttered background

Settings: 1024 x 1024, CFG 6, 30 steps, fixed seed

Evite pedir legendas dentro da imagem: o Stable Diffusion lida mal com texto. Acrescente-as depois no seu editor de texto. E confira o conteúdo da ilustração, porque um esquema gerado pode estar errado e ainda assim parecer sério.

Para o SD 3.5, escreva de preferência em frases completas:

A close-up photograph of [SUJEITO] in [LOCAL], taken in the early morning. The light comes from the left and leaves the background slightly out of focus. In the foreground there is [DETALHE IMPORTANTE]. The overall palette is [2 OU 3 CORES], with a calm and natural feel.

Comece sem prompt negativo e acrescente um somente se um defeito específico persistir: os exemplos oficiais desse modelo deixam o campo vazio.

LoRA e embeddings: o que eles mudam no seu prompt

Um LoRA é um pequeno arquivo que acrescenta ao modelo um estilo, um personagem ou um conceito. No AUTOMATIC1111, ele é chamado no prompt com <lora:nome_do_arquivo:0.8>, em que o número define a sua força. No ComfyUI, é carregado por um nó específico. A maioria dos LoRA exige ainda uma palavra-gatilho, indicada na página deles: sem ela, o efeito pode ser fraco ou nulo.

Um embedding, ou inversão textual, se comporta como uma palavra personalizada. No ComfyUI, escreve-se embedding:nome, e com peso (embedding:nome:1.2). Sua posição no prompt importa, como a de uma palavra comum.

Verifique sempre três coisas antes de instalar um: a compatibilidade com a sua família de modelo, porque um LoRA de SD 1.5 não funciona no SDXL; a licença, sobretudo para uso comercial; e a procedência. Um LoRA que imita um artista vivo ou uma pessoa real levanta questões abordadas no nosso artigo sobre o uso comercial.

Torne suas imagens reproduzíveis

Um prompt de Stable Diffusion sem as suas configurações está incompleto. Para reproduzir uma imagem, você precisa do modelo exato, do prompt positivo e do negativo, do seed, do CFG, do número de etapas, do sampler, do tamanho e dos eventuais LoRA com sua força. Mesmo com tudo isso, uma mudança de versão da interface ou de placa de vídeo pode criar pequenas diferenças.

As ferramentas ajudam: o AUTOMATIC1111 grava os parâmetros nos metadados do PNG, e o ComfyUI grava neles o workflow. Atenção: as plataformas que recomprimem suas imagens costumam apagar esses dados, então guarde os originais.

Mantenha também um pequeno caderno com, para cada prompt que funciona, as configurações e uma imagem de referência. Um simples arquivo basta, e o nosso artigo sobre bibliotecas de prompts reutilizáveis sugere uma forma de organizá-lo. Esse rigor se torna indispensável se você publicar seus prompts: na seção de imagens com IA do YouPrompt, o comprador vê um resultado real antes de comprar, e só conseguirá chegar perto dele se você indicar o modelo e as configurações testadas.

Para começar, pegue uma imagem de que você gosta entre as suas gerações, fixe o seed e compare três valores de CFG sem mexer em mais nada. Anote o que ganhar ao lado do nome do modelo: será a sua configuração de partida para todo o resto.