AI irudi-prompten gida

Jende gehiena SDXLn ikasitako prompt-ohiturekin iristen da: komaz bereizitako izenen kate bat, kalitate-tokenen sarrera bat, parentesi arteko pisu batzuk, eta positiboa bezain luzea den prompt negatibo bat. Ohitura horiek zuzenak ziren eredu haietarako eta kontraproduktiboak dira hemen. Hau da benetan funtzionatzen duenaren bertsio laburra — eta Shannon-ek sorkuntza-prompta zuretzat idazten duenez eta ezer errendatu aurretik erakusten duenez, Shannon-ek proposatzen duena irakurtzeko eta zuzentzeko gida ere bada.

01Zergatik gainditzen dituen prosak etiketak: ereduak hizkuntza-eredu batek bezala irakurtzen du

Prompt-aholku gehienak idatzi ziren difusio-eredu zaharragoek testu-kodetzaile bat erabiltzen zuten, praktikan kontzeptu-poltsa bat bezala jokatzen zuena: gramatikak ia ez zuen axola, eta estrategia irabazlea izen esanguratsuak pilatzea eta pisuekin alboratzea zen. Etiketa-zopa zen promptaren forma zuzena kodetzaile harentzat.

Shannon-en Irudi Ereduak ez du horrela funtzionatzen. Prompt bat hizkuntza-eredu batek testua irakurtzen duen moduan irakurtzen du, beraz sintaxiak esanahia darama. «Holding an umbrella against her shoulder» pertsona baten, objektu baten eta gorputz-atal baten arteko harreman bat da; «umbrella, shoulder» bertan dauden bi gauza dira. Preposizioek gauzak kokatzen dituzte. Aditzek jarrerak sortzen dituzte. Perpausek xehetasuna izen egokiari lotzen diote, irudi osoan zehar flotatzen utzi beharrean.

Hona hemen irudi bera bi eratara eskatuta.

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

Begiratu etiketa-bertsioak adierazi ezin duena. Ez du inoiz esaten aterkia eskuan daukanik, beraz lurrean etzanda amai dezake. Ez du inoiz esaten neona asfaltoan islatzen denik, biak existitzen direla besterik ez, beraz seinaleak eta kale busti bat jasotzen dituzu haien arteko harreman optikorik gabe. Ez du inoiz esaten emakumea nora ari den begira, beraz haren jarrera txanpon-jaurtiketa bat da. «Cinematic lighting» giro-etiketa bat da, ez argi-iturri bat. Eta azken bost tokenak zarata dira, argazkigintzari buruzko ingelesezko hitz gisa irakurriak eta ez kontrol-heldulekutzat.

Prosa-bertsioa ez da luzeagoa apaingarria delako. Luzeagoa da etiketa-bertsioak zabalik utzi zituen galderei erantzuten dielako. Hori da trikimailu osoa.

02Zenbat luzea izan behar du irudi-prompt batek?

Jarri helburu gisa 30 eta 80 hitz artean. Ez joan 100etik askoz haratago. Hau da eskura duzun kalitate-palanka errazena, eta tartearen bi muturrek dute garrantzia.

30 hitz ingurutik behera, konposizioa, argia eta enkoadraketa zehaztu gabe daude, beraz ereduak estatistikoki arruntena dena aukeratzen du. «A woman in a coffee shop» prompt baliozkoa da eta irudi ahazgarri bat sortzen du, erabaki interesgarri guztiak eskuordetu dituzulako.

100 hitzetik gora beste hutsegite bat agertzen da: geroko perpausak lehenagokoekin lehiatzen dira irudiaren eremu beretarako, eta xehetasuna metatu beharrean urardotzea lortzen duzu. Hirugarren argi-deskribapenak lehena desegiten du, eta lehen zortzi hitzetan ezarri zenuen subjektuak arreta erlatibo gutxiago jasotzen du gehitzen duzun esaldi bakoitzarekin. Prompt luzeak sakonak dirudite irakurrita. Ez dira sakonak errendatuta.

Disziplina: idatzi nahi duzun prompta, eta gero moztu kenduz gero irudia aldatuko luketen esaldietara.

03Ordenaren disziplina: garrantzitsuena lehenengo

Ereduak sekuentzialki irakurtzen duenez, posizioa enfasia da: lehenengo datorrenak irudia ainguratzen du, azkena datorrenak doitu egiten du. Jarri gauzak ereduak behar dituen ordenan:

1. Subjektua — nor edo zeri buruzkoa den irudia, zehazki.
2. Ekintza edo jarrera — zer ari diren egiten, nola dauden kokatuta.
3. Estiloa edo giroa — argazkia, olio-pintura, ilustrazio teknikoa, eta zein erregistrotan dagoen.
4. Ingurunea eta argiztapena — non gertatzen den eta zer argi erortzen den haren gainera.
5. Teknikoa — enkoadraketa, objektiboa, eremu-sakonera, kolore-zehaztapenak.

Norberak eragindako kalterik ohikoena perpaus teknikoarekin hastea da. «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» esaldiarekin hasteak ereduari esaten dio itxura dela subjektua eta gizona xehetasun bat dela. Marko eder eta huts bat jasoko duzu, barruan figura txiki eta lauso batekin.

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

Lehen bertsioko elementu guztiek bigarrenean irauten dute; ez zen ezer kendu. Ereduak orain badaki, besterik gabe, irudia zeri buruzkoa den nola grabatu behar duen esan aurretik — eta berrantolatze horrek bakarrik subjektua bigarren mailatik erdigunera eramaten du.

04Izan zehatza subjektuarekin

«A person» ez da subjektu bat, leku-marka bat da — eta ereduak leku-markak ikusi duen guztiaren batez bestekoarekin betetzen ditu, eta hortik dator, hain zuzen, itxura distiratsu, adingabe eta nortasunik gabekoa. Zehaztasunak bost hitz kostatzen ditu eta gizaki zehatz bat erosten du:

Erreparatu ereduari: adina edo garaia, egiturazko ezaugarri bat, bereizgarri den akats bat. Hirugarren elementu horrek egiten du emaitza bat argazkitua ematea, sortua ematea baino. Hortz koskatu bat, barren higatu bat, gainetik margotutako errotuluak — asimetria txikiak dira eskuragarri dagoen plastiko-aurkako seinalerik indartsuena, eta ia ezer ez dute kostatzen zure hitz-aurrekontuan.

05Fotorrealismoa: idatzi eskaera argazki gisa

Fotorrealismoa da erregistro lehenetsia, artea, ilustrazioa edo animea eskatzen ez baduzu. Baina «photorealistic» hitzak lan gutxi egiten du. Argazki bat sortzen duena argazkigintzaren ekintza deskribatzea da: benetako kamera bat, benetako objektibo bat, eta benetako film mota bat edo argi-iturri bat.

Arrazoia sinplea da. «Kodak Portra 400» epigrafea zuen irudi bakoitza prozesu zehatz batek egin zuen, ale-egitura, argi-puntuen jaitsiera eta azal-errendatze zehatzekin, eta film mota izendatzeak hori guztia deitzen du. «8k ultra detailed» stock-guneetako spamean baino ez zen agertu, beraz stock-guneetako spama deitzen du. Errezeta fidagarri batzuk, bakoitzak subjektu beraren irudi nabarmen desberdin bat sortzen duela:

Egokitu ainguratzea errezetari — poro-mailako azal-ehundurak ez du ezer esan nahi aurpegia laurogei pixel altukoa den 24mm-ko plano zabal batean — eta gero gehitu ezazu. Ainguratze-xehetasuna da — objektibo batek hau benetan grabatu duela dioen ehundura-froga. Azaleko poro ikusgarriak eta aurpegiko ile finak. Lihozko alkandora baten ehundura. Hauts-partikulak argi-izpi batean. Larruzko bota bateko marradura bat. Ile solteak atzeko plano argi baten aurka. Bi edo hiru nahikoa dira, eta horiek dira pertsona baten errendatze baten eta haren argazki baten arteko aldea.

06Geruzatutako eszenak: lehen planoa, erdiko planoa, atzeko planoa

Eszena batek sakonera duenean, deskribatu hiru planoak bereiz eta ordenan. Hau da lekuak izan behar duten irudientzako teknikarik eraginkorrena, eta ia inork ez du egiten. Hori gabe lautasuna lortzen duzu: promptak aipatzen duen guztia gutxi gorabehera distantzia berean kokatzen da, markoaren erdiko banda beragatik lehiatzen. Planoak izendatzeak sakonera-aurrekontu bat ematen dio ereduari gastatzeko.

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

Bi findura. Jarri lehen planoan nahita fokutik kanpo dagoen zerbait — eszena sakonen benetako argazkiek ia beti dute bat, eta haren falta seinale ohikoa da. Eta esan subjektuak zein plano hartzen duen: mezularia bada irudiaren muina, erdiko planoan dagokio; bestela, dorreak eta kafe-katiluak markoa lehiatuko diote.

07Kolore zehatzak: kode hamaseitarrak, objektuei lotuta

Marka-lanerako, jantzien jarraitutasunerako, edo «gorria» nahikoa zehatza ez den edonon, idatzi kode hamaseitarra color #RRGGBB gisa eta lotu izendatutako objektu bati:

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

Hiru arau praktiko. Erabili hamaseitarra benetan axola duten bi edo hiru koloreetarako eta hitz arruntak gainerakoetarako — sei kode hamaseitar dituen prompt batek bere aurrekontuaren zatirik handiena kolore-laginetan gastatzen du. Lotu kodea ertzak dituen objektu bati, inoiz ez «argiztapenari» edo «giroari». Eta gogoratu objektuaren kolorea zehazten duela, ez azken pixelaren balioa: #8B0000 kolorekoa den beroki bat urrezko orduko kontrargian laginean baino epelago errendatzen da, bizitzan gertatuko litzatekeen bezalaxe.

08Aspektu-erlazioa aukeratzea

Bost erlazio daude eskuragarri eta egokia subjektuak berak iradokitzen du normalean, baina zure eskaera esplizitu batek beti irabazten du — eskatu horma-paper bat eta tall jasoko duzu, edukiak zer iradokitzen duen alde batera utzita.

Hau oker aukeratzea dirudiena baino kaltegarriagoa da. Gorputz osoko figura zutik bat wide marko batean ez dizu figura txiki bat marko handi batean ematen — normalean moztutako bat ematen dizu, ereduak zabalera betetzen duelako eta burua edo oinak markotik ateratzen direlako. Egokitu markoa subjektuaren ardatz nagusiari eta konposizio-kexa gehienak desagertu egingo dira.

Bi portaera gogoratzekoak: editatzeak jatorrizko irudiaren aspektu-erlazioa mantentzen du automatikoki, beraz ezin duzu editatuz berrenkoadratu, eta konbinatzeak oihal berri bat aukeratzen uzten dizu — askotan dagoeneko duzun zerbaiten forma aldatzeko modurik garbiena.

09Anti-ereduak: zer utzi behar duzun egiteari

Kalitate-tokenak: «masterpiece, best quality, 8k, ultra detailed»

Horiek komunitateak aurkitutako heldulekuak ziren entrenamendu-banaketa zahar zehatz baterako, non epigrafeen esaldi jakin batzuk irudi-iturri jakin batzuekin korrelazionatzen ziren. Ez dira transferitzen. Hemen ingelesezko hitz arrunt gisa irakurtzen dira, ez dute ezertan laguntzen, eta jada estua dela esan zaizun hitz-aurrekontuaren zati bat jaten dute. Ordezkoa zein xehetasun nahi duzun esatea da: ez «ultra detailed» baizik eta «visible weave in the coat fabric and fine stubble along the jaw» — asmo bera, ereduak errendatu dezakeen zerbait gisa adierazita.

Pisu-sintaxia: (word:1.3), [word], {{word}}

Ez da analizatzen. Parentesiak, kortxeteak, bi puntuak eta zenbakiak testu literal gisa iristen dira eta, gehienez ere, inguruko perpausa irakurgaitzago egiten dute. Zerbaiti enfasi gehiago eman nahi badiozu, erabili funtzionatzen duten bi palankak: eraman lehenago promptean, eta eman hitz gehiago. «A crimson silk scarf, its fringed ends lifting in the wind» esaldiak «(red scarf:1.4)» gainditzen du axola duen neurri guztietan.

Kontrako norabideak

Argibide bateraezinak nahasteak ez ditu uztartzen; batez besteko ezegonkor bat sortzen du, normalean bat ere asetzen ez duena. Ohiko errudunak:

• Euskarria — «photorealistic» gehi «watercolor»; «oil painting» gehi «shot on 85mm». Aukeratu bat eta eutsi.
• Enkoadraketa — «wide establishing shot» gehi «extreme close-up on her eyes»; «full body» gehi «detailed facial pores».
• Argiztapena — «harsh midday sun» gehi «soft golden hour glow»; «low key, deep shadows» gehi «bright and airy».
• Garaia — «1970s film aesthetic» gehi «modern minimalist» gehi «cyberpunk».
• Estiloak pilatzea — lau artista edo lau genero batera. Bi erreferentzia lotuk funtziona dezakete; lauk elkar ezeztatzen dute eta generikoa ateratzen da.
• Barreiadura — «rustic, weathered, ancient, timeworn wooden door» ideia bakar bat da lau aldiz idatzita, eta errepikapen bakoitzak promptaren gainerakoa lausotzen du.

10Ez dago prompt negatiborik testutik irudirakoan

Hau da erabiltzaile esperientziadunei gogorren harrapatzen dien anti-eredua, pila zaharragoetan prompt negatiboa ofizioaren erdia baitzen.

Sorkuntzarako araua absolutua da eta apur bat kontraintuitiboa: «no text, no watermark, no extra fingers» promptean idazteak gauza horiek probableago egiten ditu, ez gutxiago. Ereduak «no text» testua kontzeptua duen esaldi gisa irakurtzen du; ezeztapena seinale ahula da eta izena indartsua. Praktikan testua eskatu duzu. Adierazi beti forma positiboan horren ordez:

Editatzeko eta konbinatzeko prompt negatiboa badago eta erabili beharko zenuke — baina artefaktuetarako, ez edukirako. Material ona: ur-marka, testu-gainjarpena, gorputz-adar bikoiztuak, esku okertuak, gehiegizko zorroztearen haloak, JPEG blokeoa, konposatuaren ertzeko josturak. Material txarra: irudia zeri buruzkoa den, hori argibideari baitagokio.

11Shannon-ek zuretzat idazten duen prompta irakurtzea

Hona hemen gida hau teorikoa izan beharrean berehala erabilgarri egiten duena. Ez daukazu sorkuntza-prompta zeuk idatzi beharrik. Hizkera arruntean eskatzen duzu, edozein hizkuntzatan; Shannon-ek antzematen du irudi bat eskatzen ari zarela, ingelesezko sorkuntza-prompta osatzen du, eta berrespen-txartel batean erakusten dizu ezer errendatu aurretik. Ez da ezer sortzen eta ez da ezer fakturatzen zuk berretsi arte.

Beraz, gehien ordaintzen duen trebetasuna ez da promptak hutsetik idaztea — txartelekoa irakurtzea baizik. Egin zerrenda honi errepasoa:

1. Zehatza al da subjektua? Txartelak «a person» edo «a woman» esaten badu, eskuragarri dagoen hobekuntzarik handiena aurkitu duzu. Eman adin bat, gorputz-eraikuntza bat, ezaugarri bat.
2. Subjektua lehenengo dago? Prompta estilo batekin edo kamera batekin hasten bada, eskatu subjektuarekin hasteko.
3. Tartean dago? 30 hitzetik behera, eskatu zehaztasun gehiago argiaz eta inguruneaz. 100etik gora, eskatu mozteko.
4. Ba al dago argi-iturririk? Ez giro-hitz bat — benetako argi bat: leihoa, farola, flasha, zeru lainotua, softboxa.
5. Gatazkarik bai? Bilatu bi euskarri, bi enkoadraketa, edo bi argi-baldintza prompt berean.
6. Ezeztapen ezkuturik? Txartelak «without», «no» edo «avoid» badu, hori izendatzen duen gauza eskatzen ari den testutik irudirako prompt bat da.
7. Erlazioa egokia al da subjektuarentzat? Gorputz osoko figura wide markoan da desegokitze klasikoa.

Zuzenketak elkarrizketa bidezkoak dira: «egin ezazu hogeita hamar urte ingurukoa, bekain batean ebakiondo batekin, grabatu Portra filmean 85mm-rekin, eta erabili portrait» argibide guztiz ona da. Txartel berri bat jasotzen duzu eta hura berresten duzu. Ez dago zigorrik iteratzeagatik, ez baita ezer errendatu oraindik.

Eta Shannon-ek ez du gonbidatu gabe sortzen. Agur batek, galdera batek edo eztabaidatzeko eransten duzun argazki batek ez du errendatzerik abiarazten. Shannon-i irudi bati begiratzeko eskatzea — deskribatzea, irakurtzea, aztertzea — ikusmen-lan arrunta da, ez sorkuntza, eta ez du ezer gehiago kostatzen.

12Nola aldatzen den ofizioa editatzeko eta konbinatzeko

Goiko arauak sorkuntzarako idatzita daude. Alboko bi moduk promptaren forma aldatzen dute.

Irudi bat editatzea

Edizio-prompt bat argibide bat da, ez deskribapen bat: adierazi zer aldatzen den eta zer geratzen den. Aldatzen ez diren zatiak izendatzea da produktuaren kalitate-palanka handiena — «Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is» eusten du perpaus hori gabeko eskaera berak isilean haren aurpegia berriro marrazten duen lekuan. Izan zehatza aingurarekin: mantendu aurpegia, jarrera, ilea eta arropa berdin-berdin. Iturri-irudi bat erabiltzen da zehazki, eta irteerak haren aspektu-erlazioa mantentzen du.

Bi irudi edo gehiago konbinatzea

Elementuak irudi batetik gora datozen guztietan — jantzien transferentzia, objektu bat eszena batean, bi pertsona marko batean, produktua pertsonaren gainean, irudi bateko estiloa beste bateko subjektuarekin — promptak irudi bakoitzaren rola izendatu behar du, ordenan: «The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.» Lehen irudia subjektu edo eszena nagusia da; geroko irudiek ekartzen diren zatiak ematen dituzte. Ez bihurtu hainbat irudiko eskaera bat iturri bakar batean gehi testu-deskribapen batean — benetako irudiak konbinatzea da gauza horiek benetan nolakoak diren gordetzen duena.

13Zentsurarik gabeko prompting-a: esan esan nahi duzuna

Ez dago eduki-iragazkirik sorkuntza-bidean, ezta uko egiteko geruzarik ere prompta idazten duen ereduan. Hori da produktuaren muina: iragazkidun sortzaileek etengabe ukatzen dute lan legitimoa — arte-biluziak, ilustrazio medikoa eta forentsea, segurtasun-ikerketarako irudiak, fikziozko indarkeria, satira politikoa, eskubideen jabeak berak egindako marka eta antzekotasun lana. Iragazkidun plataformetako prompt-ofizioaren erdia eufemismo-ingeniaritza da, eta eufemismoa irudi zehatz baten etsaia da.

Beraz, bada txartelean egiaztatzeko beste gauza bat: benetako subjektua hitz argietan deskribatzen duela, eta ez jendeak iragazkidun tresnetan ikasten duen hiztegi erlatibizatuan. Zauri baten ilustrazio forentse batek zauria zer den esan behar du. Hizkera erlatibizatuak irudi okerragoa sortzen du nonahi, ereduak hitzek diotena errendatzen baitu.

Gaitasuna eta epaia gauza bereiziak dira. Shannon Lab LLC-k hau argitaratutako Erabilera Arduratsuaren Politika baten pean kudeatzen du: iragazkirik gabeko sorkuntza tresna profesional bat da, eta baimenak, eskubideek eta legeak indarrean jarraitzen dute egiten duzunaren gainean.

14Non kokatzen den APIa

Zehaztasun-puntu bat APIaren bilaketa batetik iristen diren irakurleentzat: irudiak sortzea, editatzea eta konbinatzea Shannon txat aplikazioan daude, ez /v1 APIan. APIak testua eta ikusmena zerbitzatzen ditu — bidaltzen dizkiozun irudiak irakurri, deskribatu eta azter ditzake hiru dialektoetan (/v1/chat/completions, /v1/messages, /v1/responses, denak streamingarekin) — baina ez ditu sortzen. Irudiak ulertu behar dituen kanalizazio bat eraikitzen ari bazara, APIaren dokumentazioa da hasteko lekua. Irudiak egin nahi badituzu, hori txat aplikazioa da, eta gida honetako guztia han aplikatzen da. Irudiak gure GPU kluster propioan errendatzen dira.

15Maiz egiten diren galderak

Lotutako irakurgaiak: Zentsurarik gabeko AI irudi-sorkuntza · Zentsurarik gabeko AI irudi-edizioa · Erabilera Arduratsuaren Politika · APIaren dokumentazioa · Shannon-en ikerketa guztia. Hemengo gidalerroak Shannon-en Irudi Ereduaren gure proba propioetatik ateratakoak dira; difusio-pila zaharragoetarako idatzitako aholkuak, oro har, ez dira transferitzen.