★ FEATURED ARTICLE 第一次把一句话丢进 AI 文生图 的输入框出来那张图跟你脑子里想的差了十万八千里——主体勉强对得上气质全错光像塑料手指数量随缘。这不是模型不行而是绝大多数人把文生图当成了许愿池我说了什么它就该给我什么。真实情况恰好相反它是拿着你那句话当倾向性提示然后在训练数据分布里做一次概率采样。你说一个女孩在海边它给你的是一个统计学意义上最像女孩在海边的画面而不是你想的那个女孩在那个海边。这篇是 Part I讲的是从零到能出第一张像样的图这一段的全部关键动作提示词怎么从白话拆成可执行结构参数面板上那几个滑块到底在改什么逼真感到底从哪几个物理要素来以及一条我自己常用的四轮收敛工作流。适合完全没碰过生成工具的新手也适合已经出了一堆图但总觉得差一口气的人。文中不涉及任何具体商业产品讲的是方法本身换任何一套工具都能套用。1. 一句话进去一张图出来中间到底漏掉了什么1.1 文本到图像的信息漏斗要搞明白为什么你的描述经常失效得先知道这条链路上信息是怎么被一层层削掉的。你输入的提示词先过一个文本编码器被压成一组固定长度的向量这组向量在去噪的每一步里以交叉注意力的形式注入到图像生成网络中。注意每一步这个细节很关键——文本不是一次性画到画布上的而是在几十步去噪里持续施加影响。问题在于图像并不是在像素空间里直接生成的而是在一个大幅压缩的潜在空间里完成绝大部分计算。一张 512×512 的图在潜在空间里可能只有 64×64。也就是说模型先在 64×64 的草稿纸上把大关系定下来——主体在哪、占多大、大致什么色块——最后才由解码器把这个小尺寸特征图还原成像素。宏观语义有没有人、是不是海边、白天还是夜晚在这一层是强可控的微观位置左手第三根手指、纽扣是四颗还是五颗在这一层根本没有足够的分辨率去承载。这就解释了一个特别常见的困惑你写画面左边第三个人穿红衣服出来的图里三个人全穿红衣服或者红衣服跑到中间去了。不是模型不听话是你要求它在 64×64 的特征图上做像素级定位物理上做不到。想控制空间位置靠的不是提示词而是构图类的词左侧前景画面右三分之一配合后面的局部重绘这一点在第 5 节会展开。1.2 模型在补全而不是在执行命令另一个认知偏差是语气的。很多人写提示词像写需求文档请生成一个专业的商务人士肖像要求高清、逼真、光线自然。模型不吃这一套。它在训练时见到的是海量图像—描述配对学到的是这类描述通常对应什么视觉特征而不是这条指令该怎么执行。所以祈使句、请要求必须这类词基本是噪声占用了宝贵的 token 额度却不产生任何视觉指向。有效的写法是把指令句翻译成描述句——描述一张已经存在的照片长什么样。不是请给我一个商务人士肖像而是一位四十岁上下的男性深灰羊毛西装白色衬衫未系领带坐在落地窗前午后侧光85mm 镜头浅景深背景虚化成城市轮廓。后者每一个短语都对应训练数据里可辨识的视觉模式前者只有一个模糊的类别标签。还有一个隐藏陷阱训练数据里的标注风格是高度同质化的。图库照片的标注习惯、摄影社区的标签习惯、艺术网站的标签习惯这三套词汇体系模型都学过但它们的效果不一样。摄影类词汇焦段、光圈、光位指向的是具体的成像特征泛用性最好艺术类词汇某画派、某媒介指向的是整体风格迁移会让画面质感整体偏移而超写实8K大师作品杰作这类词在训练数据里出现频率极高但对应图像五花八门实际起到的区分作用非常弱写着图个心安而已。1.3 逼真的错觉它其实是在模仿照片的缺陷有一点值得单独说扩散模型生成的逼真本质是对摄影成像特征的模仿而不是对物理世界的模拟。它学会的是照片看起来是什么样不是光怎么传播。所以那些让照片显得真实的因素——镜头畸变、景深虚化、轻微噪点、高光溢出、色温偏移、边缘色散——反而是提升逼真度最有效的抓手。反过来如果一张 AI 图让你觉得太干净了像渲染的八成就是缺这些缺陷。皮肤没有毛孔和细纹、高光没有溢出、背景虚化过渡太规整、整体对比度太均匀这些都会把人拉回这是 CG的判断。我在提示词里会刻意加一些不完美的描述比如轻微胶片颗粒高光有柔和溢出皮肤可见细微纹理效果比堆十个超写实明显得多。2. 把一句白话拆成五个槽位2.1 提示词的骨架结构我自己的提示词模板长这样五个槽位按顺序排缺哪个补哪个[主体 可辨识特征 动作/状态][环境与场景][光线与时间][镜头与构图][媒介与质感]顺序不是随便排的。交叉注意力对靠前的 token 分配更高的注意力权重所以主体必须放最前面风格和质感类词汇放后面。很多人习惯把超写实、8K、电影感写在开头结果主体被稀释出来的图风格很重但内容很空。下面这组对照能说明问题。同一个意图两种写法写法提示词常见结果模糊型一个漂亮女孩在咖啡馆高清超写实8K大师作品网红脸、塑料皮肤、构图居中、光线平、背景糊成一团结构化一位二十七八岁的女性短发米色针织衫双手捧着白瓷杯坐在靠窗木桌旁视线看向窗外午后斜射阳光从右侧穿过百叶窗在桌面形成条状光影50mm 镜头f/2.0浅景深背景书架虚化胶片颗粒主体明确、光位清晰、有前后景层次、皮肤质感自然差别不在词多词少在于后者每一个短语都指向一个可以被视觉化的具体特征。这里有个实操判断标准写完一句提示词问自己这句话能不能拍出来。能拍出来的模型大概率能画出来拍不出来的很有氛围感高级有故事基本是无效词。2.2 主体槽写可辨识特征而不是形容词主体槽最容易犯的错是用评价性形容词代替客观特征。漂亮的帅气的精致的这三个词在训练数据里对应的图像分布极其宽泛等于没写。换成客观可数的特征控制力立刻上一个台阶年龄段、发型发色、体型、具体的服装款式与颜色、配饰、手持物、姿态、视线方向。姿态和视线这两个维度经常被忽略但对画面自然度的贡献极大。一个正面站立、直视镜头的人物无论怎么调参数都会显得像证件照换成身体侧转三十度重心在右腿左手插兜视线看向画面外整个人的状态就活了。这不是玄学是因为后者在训练数据里对应的是抓拍类照片而抓拍类照片本身就带有更自然的肢体关系。如果主体是物体或场景思路一样写材质、写新旧程度、写具体型号特征用描述代替品牌名比如复古机械手表黄铜表壳皮质表带表盘有细微划痕。物件的老化痕迹是提升真实感的低成本手段全新的东西看起来永远像渲染图。2.3 环境与光线槽逼真度的主战场环境和光线我通常合并成一个槽位写因为它们互为因果。写环境不能只写在咖啡馆要写到什么样的咖啡馆、什么时间段、什么天气、室内还是室外、有没有自然光进来。这些信息直接决定了光线怎么写。光线是整套提示词里性价比最高的部分。我的经验是至少写清三件事主光源方向左侧/右上方/正逆光、光线性质硬光/柔光/散射、色温倾向暖调/冷调/混合光源。这三条一给画面的立体感和空间感立刻就出来了。举几个可以直接抄的光线描述柔和的阴天散射光无强烈阴影整体偏冷黄金时刻的低角度逆光头发边缘有轮廓光暖橙色调单侧硬光从左上打入面部明暗交界清晰背景压暗室内暖色钨丝灯为主光窗外冷色天光作为补光冷暖对比最后那条冷暖对比是摄影里非常经典的手法AI 对它的响应也很好。人眼对色温对比很敏感画面里同时存在暖光和冷光时会自动判定为真实场景因为纯单一色温的画面在现实中很少见。2.4 镜头与媒介槽决定像不像照片镜头槽解决的是这张图是用什么拍的这个问题。常用的几组参数及其效果参数视觉效果适用场景24mm 广角透视夸张空间拉伸边缘变形建筑、大场景、环境人像50mm 标准接近人眼透视自然纪实、日常场景85mm 中长焦面部比例舒适背景压缩人像特写135mm 长焦强压缩背景大幅虚化情绪人像、街拍f/1.4 大光圈极浅景深焦外柔和突出主体f/8 小光圈全景深前后都清晰风光、建筑媒介槽则是这张图是什么载体数码照片、胶片扫描、拍立得、湿版摄影、油画、水彩、3D 渲染、游戏截图。这个槽位决定了整体质感走向慎重使用——它会强烈覆盖其他所有描述。想要照片感就写数码摄影、RAW 格式质感想要复古就写35mm 胶片扫描、柯达色系别把两种媒介词混着写会打架。2.5 权重语法与语序微调大部分工具支持某种形式的权重标记常见的是括号加数字如(word:1.3)表示加强0.7表示减弱。这套语法解决的是某个元素存在但不够突出的问题。经验值1.1 到 1.3 是安全区超过 1.5 容易出现该元素过度主导、画面畸变、色彩崩坏低于 0.7 基本等于删除。比权重更好用的是语序调整。同样的词往前挪一段影响力就上去了。我在遇到风格压过主体的情况时第一反应不是加权重而是把主体描述整体前移把风格词整体后移往往一次就解决。还有一个高频需求是把互相干扰的概念拆开。比如一个穿红裙的女人站在蓝墙前红和蓝容易互相串色。可以用分段语法不同工具叫法不同有的用BREAK有的用多段提示词拼接把主体和背景分成两段独立编码串色问题会明显缓解。3. 参数面板每个滑块在改什么3.1 采样步数收敛点之后的收益递减步数是去噪迭代的次数。数值太低个位数到十几时去噪没走完画面会糊、结构不完整、细节像未完成的草图。数值太高时画面不会更好只是更磨皮——过度去噪会让纹理变得过分平滑反而损失真实感。我实测下来的经验区间20 到 30 步基本能覆盖绝大多数场景是这个工具链里的甜点区。需要极细纹理皮肤毛孔、织物纤维时可以上到 35 到 40再加就没意义了纯粹浪费时间。做构图探索、批量出草稿的时候12 到 16 步足够判断构图好坏没必要一步到位。有一点要注意不同采样器的收敛速度不一样。有的采样器 15 步就到收敛点有的要 30 步。换采样器之后原来的步数经验会失效得重新试。我一般固定用一个采样器把步数经验沉淀下来减少变量。3.2 CFG 引导强度不是越高越听话CFG无分类器引导强度控制的是模型多大程度上贴着你的提示词走。这个参数最容易被误解成越高越准确实际上它有一个明显的倒 U 型曲线。CFG 区间表现建议1 - 3几乎不响应提示词画面自由发挥构图随机只用于风格探索4 - 6响应偏弱画面柔和自然但内容常跑偏追求自然感、氛围感时可用7 - 9响应与自然度的平衡区通用默认值10 - 14严格遵循提示词但色彩开始过饱和、对比过硬、细节僵硬需要精确构图时短时使用15 以上明显崩坏色块化、边缘焦糊、纹理烧穿避免我踩过最典型的一个坑某次出图总觉得塑料感重、颜色艳得发假反复改提示词加自然柔和低调都没用。最后发现是 CFG 一直开在 12。降到 7.5同一套提示词塑料感立刻消失。这件事让我记住一个判断法则如果画面问题表现为整体质感异常而不是某个元素不对先查参数别改提示词。3.3 种子让调试变成可控实验种子决定了初始噪声。相同种子加相同参数加相同提示词出图完全一致只改提示词其他不动就能观察这一个变量带来的变化。这是把生成从抽卡变成实验的关键。我的用法是先用随机种子批量出十几张挑一张构图最满意的记下它的种子锁定。然后在这张图的基础上做微调——换光线词、换镜头词、加减细节一次只改一处对比前后差异。这样积累下来的经验是可复用的而不是这次运气好。反过来说如果每次都用随机种子同时改三四个地方你永远搞不清是哪个改动起了作用。这是新手最容易浪费时间的做法。3.4 分辨率与宽高比别一步到位这里有一条硬性经验不要直接在远超模型训练分辨率下出图。主流扩散模型大多以 512 或 768 的方形分辨率作为训练基线直接要求 1536 甚至更高的长边模型会在画面里重复填充来凑面积典型症状是双头、多手、肢体重复、建筑结构自我复制。正确做法是分两步先在基线分辨率附近把构图和内容定下来再用放大流程提升尺寸。放大环节可以用专用的放大模型也可以叠加图生图重绘补细节后者对小尺寸图的细节重建效果更好。宽高比同理尽量贴近模型熟悉的比例。极端的超宽或超高比例比如 21:9 或 9:16 拉到极限容易在边缘产生结构崩坏出图后要仔细检查四角和长边中段。4. 逼真感的物理账光、材质、高风险区4.1 先定光再谈其他一张图真不真七成看光。人眼对光照逻辑极其敏感——不是刻意分析是潜意识层面的。只要出现两个方向相反的影子高光和阴影不在同一侧室内却有硬朗的太阳直射大脑立刻判定这是假的但你往往说不清哪里不对。所以我在出图时的第一优先级永远是明确光源。提示词里写清几个光源、从哪来、什么性质。单一主光加环境补光是最稳的结构模拟现实中最常见的情况。双主光容易打架除非你要的就是那种戏剧化的硬对比。顺带提一个容易被忽略的细节光源和主体之间的空间关系要能对上。写人物站在窗前逆光那人物正面就该是暗的轮廓该有亮边如果出来的图正面通亮、背后还有光说明模型把两个概念各画了一半没连起来。这种情况加一句面部因背光处于阴影中往往就能纠正。4.2 材质让表面有反应逼真度的第二个来源是材质对光的反应。真实世界里没有纯粹的颜色所有表面都在反射、吸收、散射光。提示词里加入材质的物理描述效果比加高质量强十倍。几个高价值描述皮肤用可见细微毛孔与纹理颧骨处有自然的皮下透光感这就是次表面散射的通俗说法金属用边缘有高光反射表面有细微使用痕迹与划痕织物用针织纹理清晰褶皱处有自然的明暗过渡玻璃用边缘有折射与色散。这些东西不需要你懂渲染原理把观察到的现象描述出来就行。我个人的偏好是给所有材质加一点不完美轻微的磨损、不均匀的色差、局部的污渍。全新的、完美的、均匀的表面是最像渲染图的特征。4.3 手、眼、文字三个必须提前设计的高风险区这三样是公认的翻车高发区与其事后修不如出图前就规避。手的问题根源是训练数据里手部姿态的多样性极高而手本身又小、结构又复杂模型很难在小分辨率特征图上把它画对。规避策略按优先级排第一能藏就藏——手插兜、背在身后、拿着东西、被画面裁切、处在阴影中第二能小就小——手在画面中占的面积越小出错概率越低第三实在要露就明确写手部动作右手食指轻触杯沿给出具体目标比让模型自由发挥强。眼睛的问题主要是死亡凝视和双眼不对称。解法是给出视线方向视线看向画面左外侧和眼睑状态微微眯眼打破正面直视的僵硬感。文字是这个阶段最不该碰的东西。让模型生成招牌、书脊、标签上的文字结果基本是乱码或似是而非的字符。如果画面必须出现文字出图时让它虚化或模糊处理后期在图像编辑软件里贴上去成本远低于反复重生成。4.4 构图打破居中平视的默认倾向不加构图描述时模型倾向于输出居中、平视、主体占画面 60% 的标准像。这在统计上是最安全的解但看多了极其乏味而且明显不像真实拍摄的照片——真实照片里主体偏离中心、被前景遮挡、有透视倾斜是常态。三个立刻见效的构图手段一是明确机位写低机位仰拍略微俯视与视线齐平二是引入前景写画面左下角有虚化的植物叶片作为前景三是打破水平线写地平线倾斜约十度。第三条尤其有效轻微的倾斜会让画面立刻带上纪实感。5. 四轮收敛从草稿到成图的完整流程5.1 第一轮低步数批量找构图第一轮的唯一目标是构图对不对其他一概不管。做法是把步数压到 12 到 16批量出 8 到 12 张提示词只写主体和场景不写任何细节词。这一轮看的是三件事主体大小是否合适、视角是否舒服、画面重心在哪。这个阶段千万不要纠结手指、眼睛、细节纹理那都是后面的事。我见过太多人第一轮就盯着手指挑毛病然后一直在同一个种子上反复重生成永远出不来好构图。构图是地基地基歪了上面装修再好也没用。选定一张之后记下种子进入下一轮。第一轮整体耗时应该控制在十分钟以内超过说明你在做无效纠结。5.2 第二轮锁种子做单变量对比锁定种子开始逐个槽位补细节。每次只改一个槽位出 2 到 3 张对比。顺序建议是先补光线再补材质最后补镜头。光线对整体影响最大先定它材质决定质感镜头决定空间关系放最后是因为它对构图的影响需要重新确认。这一轮最容易出现的意外是改 A 崩 B。补了光线描述之后主体姿态变了或者背景元素消失了。原因是种子相同但提示词变了去噪轨迹整体偏移。遇到这种情况先试着把新加的词权重降到 0.8 左右给它一点存在感但不过度主导往往能保住原有构图。5.3 第三轮图生图与局部重绘修细节构图和整体质感满意之后剩下的局部问题用局部重绘解决不要整图重生成。局部重绘的做法是框选问题区域手、脸、某个物件只在该区域内重新去噪其他部分完全不动。几个关键参数经验蒙版边缘一定要羽化硬边会产生明显的接缝蒙版范围要比问题区域略大一圈给模型留出上下文蒙版内的提示词只描述这一小块内容不要把整段提示词贴进去否则整段描述会挤在这一小块区域里画面会变得很怪。图生图的重绘幅度去噪强度这个参数需要重点说一下0.2 到 0.3 基本只是轻微改变纹理构图完全保留0.35 到 0.5 是我用得最多的区间能在保住构图的前提下明显改变细节0.6 到 0.75 属于大改构图会偏移0.8 以上基本等于重新生成。想修细节就用 0.4 左右别贪心。5.4 第四轮放大与最后一公里放大不是简单地把像素撑大而是重绘补细节。放大过程中如果参数设置得太保守出来的图会显得平滑发糊设置得太激进又会凭空长出原本没有的元素凭空多出窗户、多出人物。我的经验是放大阶段的重绘幅度控制在 0.25 到 0.35既补纹理又不改内容。放大之后还有一步别省检查四角和边缘。放大流程对画面边缘的处理往往不如中心容易出现结构溶解或重复图案。发现问题的局部再走一次局部重绘就行。6. 翻车现场的排查表与减法原则6.1 症状到原因的对照出问题的时候大部分人的第一反应是再加几个词这通常是错的。下面这张表是我自己整理的高频症状对照遇到问题先查表别急着改提示词症状最可能的原因处理顺序画面发灰、缺对比CFG 偏低或缺光线方向描述先提 CFG 到 8 左右再补光位词颜色艳得失真、塑料感CFG 偏高或步数过低降 CFG 到 7 到 8步数提到 25 以上主体重复、多头多手分辨率超出训练分布降到基线分辨率重出再走放大流程手部结构崩坏手占比过大且无动作描述改姿态遮挡或框选局部重绘构图呆板居中缺机位与构图词补机位词加前景或倾斜描述风格压过主体风格词位置太靠前或权重过高主体前移风格词后移权重降到 0.8背景元素凭空出现提示词里有歧义词或放大重绘过强检查歧义词降放大重绘幅度人物眼神空洞缺视线方向描述补视线与眼睑状态6.2 减法比加法难但更有用新手提示词的通病是越来越长。一开始十几词出问题就加词加到一百多词画面反而更乱。原因是每个词都在争夺注意力词越多单个词的影响力越弱而且互相冲突的概率呈指数上升。我的做法是维护两版提示词一版精简版只保留主体、光线、镜头三块用来验证核心意图一版完整版在精简版跑通之后再加材质和质感词。如果完整版出问题退回精简版一次只加回一组词定位到具体是哪组词捣的鬼。另一个减法手段是删掉所有不产生视觉差异的词。判断方法很简单删掉这个词重新出图如果画面肉眼无差别那这个词就是废词永久删除。用这个方法清理几轮你的提示词库会瘦身一半出图成功率反而上升。6.3 把提示词当代码管理最后说一个很少人提但极其省事的习惯把提示词存成文本文件按主体类型 / 光线方案 / 镜头方案 / 材质方案分类整理每次出图是组装而不是从零写。同时给每次成功出图记一行笔记种子、关键参数、提示词版本、满意点和不满意点。我自己的目录里现在有几十组可复用的光线描述和镜头描述新任务来了直接拼装出图速度是刚开始时的三倍以上。这件事前期看起来麻烦但只要做过二十张图收益就盖过成本了。尤其是当你隔了一个月回头想复现某张图的时候有记录和没记录完全是两种体验。以上是我在做 AI 文生图 这段时间里从输入一句话碰运气到能稳定控制画面这一段踩出来的经验。真正让我出图质量跃升的不是某个神奇的关键词而是把整个流程拆成定光、定构图、定材质、修局部四步每一步只解决一个问题。下一篇 Part II 会接着讲进阶部分条件控制怎么用骨骼、深度、边缘这些约束手段、风格一致性怎么维持、以及多主体场景里空间关系怎么真正控制住。
阅读完成 · 觉得有帮助？
