Transferencia de roupa con IA, sen censura

A maior parte do traballo con imaxes que a xente precisa de verdade non é "faime unha imaxe dunha cousa". É "pon esta chaqueta a esta persoa", "mete esta cadeira neste cuarto", "fotografía este produto nesa man". Todos eses precisan material de máis dunha fotografía, e todos fallan igual: anéxase unha imaxe, a outra descríbese con palabras, e volve algo verosímil que non é o obxecto que tes. A solución é máis pequena do que esperarías, e funciona en todas partes.

01Que é "combinar imaxes" e onde ocorre

Shannon 3 fai tres cousas distintas con imaxes: xera unha imaxe nova a partir dunha descrición, edita unha imaxe existente e combina dúas ou máis imaxes nunha soa imaxe nova. Teñen regras distintas, e escoller a equivocada é o primeiro sitio onde se perde a calidade.

Usa a combinación sempre que a imaxe final precise material de máis dunha fotografía: transferencia de roupa e vestiario, meter un obxecto nunha escena, a persoa A canda a persoa B, un produto real suxeito por unha modelo real, o estilo dunha imaxe aplicado ao suxeito doutra. Se te sorprendes desexando poder sinalar dúas imaxes á vez, esa é a operación.

Todo isto ocorre na aplicación de chat de Shannon, nunha conversa normal. Non está na API /v1 — a API serve texto e visión, é dicir, le as imaxes que lle envías en vez de producir outras novas. Se chegaches desde unha busca sobre a API, esa é a resposta honesta; consulta a documentación da API para ver o que si serven os endpoints. As imaxes renderízanse no noso propio clúster de GPU.

Pídelo en linguaxe natural, no idioma que fales. Shannon deduce que se está a solicitar unha imaxe, escribe el mesmo a instrución de xeración en inglés e amósacha nunha tarxeta de confirmación antes de renderizar nada. Non se xera nada e non se cobra nada ata que confirmes — e no traballo con varias imaxes esa tarxeta é onde comprobas que os papeis e a orde saíron como querías. Shannon nunca xera sen que llo pidan: un saúdo, unha pregunta ou unha foto anexada de pasada non disparan un renderizado.

02A regra: nomea o papel de cada imaxe, por orde

A instrución debe dicir o que achega cada imaxe, e debe dicilo na orde en que se deron as imaxes. Esa é toda a técnica; todo o que vén abaixo é esa regra aplicada a un traballo concreto.

A primeira imaxe é a base — o suxeito principal, ou a escena, o que máis compoña a imaxe final. Fixa a identidade, a pose, o encadre, a iluminación e todo o que non pediches cambiar. As imaxes posteriores son fontes: as partes que se incorporan. Escribe a frase de tal xeito que unha persoa descoñecida que teña as imaxes por orde poida facer o traballo a man.

Funciona
A muller da primeira imaxe levando o xersei vermello de punto
da segunda imaxe, de pé no mesmo parque, coa mesma pose e a
mesma luz da tarde, a cara e o pelo sen cambios.

Falla
Combina estas dúas imaxes.   Funde as fotos.   Xúntaas.

As versións que fallan non fallan por seren curtas, senón porque nunca din que imaxe é a persoa e cal é o xersei. Tres hábitos fan a regra fiable:

• Usa linguaxe ordinal de forma explícita. "Da primeira imaxe", "da segunda imaxe". Tres palabras, e desaparece a ambigüidade.
• Di o que se mantén igual. "Mantén a súa cara, o pelo e a pose idénticos." Nomear as partes que non cambian é a maior panca de calidade en todas as operacións con imaxes que fai Shannon, e aquí é onde máis importa, porque unha composición ten dúas ou máis cousas das que se pode desviar.
• Escribe prosa, non etiquetas. O Modelo de Imaxe le as instrucións como un modelo de linguaxe le unha frase, así que as frases completas gañan ás palabras clave separadas por comas. Apunta a entre 30 e 80 palabras, e deixa de lado os cascallos da era SDXL ("masterpiece, best quality, 8k") e a sintaxe de pesos como (word:1.3).

Cando unha imaxe contén máis dunha cousa, nomea a parte que queres dela. Se a segunda imaxe é unha foto de catálogo dunha modelo levando o xersei, "o xersei vermello de punto que leva a muller da segunda imaxe" di que queres a peza, non a modelo. Déixao en "a segunda imaxe" e poderías levar tamén a súa cara.

Modelos de papeis por traballo

Traballo	Primeira imaxe	Segunda imaxe	Forma da instrución
Transferencia de roupa	A persoa	A peza	"A [persoa] da primeira imaxe levando o/a [peza] da segunda imaxe, [o que se mantén]"
Obxecto na escena	A escena	O obxecto	"O [cuarto] da primeira imaxe co [obxecto] da segunda imaxe colocado [onde], concordando coa [luz]"
Persoa + persoa	A persoa A e o escenario	A persoa B	"O [home] da primeira imaxe de pé canda a [muller] da segunda imaxe, [posicións, liñas de mirada]"
Produto sobre persoa	A modelo ou a escena	O produto	"A [modelo] da primeira imaxe suxeitando o [produto] da segunda imaxe, [agarre, etiqueta cara a diante]"
Transferencia de estilo	O suxeito	A referencia de estilo	"O [suxeito] da primeira imaxe renderizado nos [eixos de estilo] da segunda imaxe, [suxeito sen cambios]"

03O erro que estraga a maioría dos intentos: describir en vez de anexar

Este é o erro do que paga a pena facer ruído, porque é de lonxe o máis común e porque parece que funcionou. A persoa ten dúas fotografías — o seu cliente e o produto do seu cliente, ou a si mesma e unha chaqueta que ten. Anexa unha, e escribe a outra.

O erro
[anexa unha foto dunha muller]
"Ponlle un xersei vermello de punto, de trenzas, máis ben
groso, co pescozo dobrado."

O que volve é unha muller cun xersei vermello de punto. É un bo xersei. Non é o xersei. O patrón de trenzas está inventado, o tinguido é outro vermello, a profundidade do canelé non vai ben, o pescozo dóbrase para o lado equivocado, e as pequenas asimetrías que fan recoñecible unha peza real — un remendo, un tirón, o ensanchamento nos cóbados — desapareceron, porque nada da frase as contiña.

O texto é unha canle con perdas e unha fotografía non. Unha frase coidada leva quizais unha ducia de atributos dun obxecto; a fotografía leva miles, incluídos todos os que nunca se che ocorrería escribir e os que non saberías nomear. Describir en vez de anexar tira todo aquilo no que non pensaches, que é a maior parte. Anexar conserva o aspecto real porque o aspecto real está presente.

A proba é simple. Se o sentido da imaxe é que sexa esa — esa peza concreta, esa persoa, ese produto exacto, ese cuarto —, anéxaa. Se poderías identificar o artigo nunha ringleira e importa que o resultado coincida co que escollerías, unha descrición non o vai conseguir.

Hai un caso lexítimo para describir: cando a cousa aínda non existe, ou cando o que queres é unha versión xenérica. Deseñar un xersei que ninguén teceu, esbozar un concepto — iso é traballo de texto a imaxe, e a descrición é o correcto porque non hai un obxecto real cuxa identidade esteas a conservar. No momento en que entra un obxecto real no encargo, entra tamén a súa fotografía.

Un medio erro relacionado: anexar as dúas imaxes e despois seguir describindo a segunda en detalle. Os adxectivos poden pelexar coa fotografía — escribe "groso" cando a peza real é de punto fino e xa introduciches unha contradición. Describe a segunda imaxe só o suficiente para identificar que parte dela queres.

04Transferencia de roupa e vestiario

O traballo canónico de dúas imaxes. Anexa primeiro a persoa e despois a peza. A imaxe da peza pode ser unha foto plana, unha foto na percha, unha foto de catálogo ou outra persoa levándoa — todo funciona, mentres digas que parte dela queres dicir.

Transferencia de roupa
A muller da primeira imaxe levando o xersei vermello de punto
da segunda imaxe. Mantén a súa cara, o pelo, a pose e o fondo
do parque exactamente como están, coa mesma luz suave de ceo
cuberto. O xersei debe caer con naturalidade sobre o seu corpo,
co patrón de trenzas e o pescozo da peza orixinal intactos.

Prompt negativo: patrón de trenzas deformado, mangas de máis,
mans distorsionadas, tea de aspecto plástico, luz que non
concorda

Tres cousas fan o traballo: os papeis nomeámolos por orde, as partes que non cambian lístanse en voz alta (que é o que impide que a cara derive), e a última cláusula dille ao modelo que os detalles propios da peza son o importante — sen ela, as composicións tenden a conservar a cor e a silueta mentres alisan discretamente a textura.

• O axuste é unha afirmación física, así que faina. "Cae con naturalidade sobre o seu corpo", "entallado na cintura", "mangas que rematan no pulso" — se non, a peza pode chegar coas proporcións da súa orixe e non coas de quen a leva.
• A oclusión é o caso difícil. Se os brazos están cruzados ou a correa dun bolso atravesa o peito, di que lle pasa. A ambigüidade aí produce o clásico artefacto da manga derretida.
• Máis pezas significa máis imaxes. Primeiro a persoa, despois a parte de arriba, despois os pantalóns, despois os zapatos — e refírete a elas como a segunda, a terceira e a cuarta imaxe de forma consistente. Non cambies a "a foto dos zapatos" a medio camiño.

05Meter un obxecto nunha escena

Aquí os papeis invértense: a escena vai primeiro, porque a escena é do que está feita a maior parte da imaxe final, e o obxecto é a parte que se incorpora. Maquetas de interiores, amoblar un cuarto con mobles que aínda non compraches, meter un vehículo nunha estrada, colocar unha escultura nunha galería — sempre a mesma forma.

Obxecto na escena
O salón da primeira imaxe co sillón de veludo verde da segunda
imaxe colocado ao lado da fiestra da esquerda, lixeiramente
xirado cara á cámara e chegando á altura da cintura no encadre.
Fai concordar a luz cálida de media tarde do cuarto, cunha
sombra suave que cae á dereita do sillón sobre a alfombra.
Mantén o resto do cuarto e o ángulo de cámara sen cambios.

Prompt negativo: obxecto flotante, bordos recortados, sombras
duplicadas, temperatura de cor que non concorda

Aquí o modo de fallo non é a identidade, é a física. Un obxecto que conserva a súa propia iluminación parece pegado, e quen mira detéctao ao instante mesmo cando non sabe dicir por que. Gasta as palabras nas tres cousas que unha fotografía dun obxecto illado non pode saber: a colocación (onde no encadre, en relación a que), a escala en termos da escena e non en centímetros ("á altura da cintura", "tan alto coma o picaporte") e a luz e a sombra — dirección, calidade e onde cae a sombra. Esa última é a que converte unha composición nunha fotografía.

06A persoa A canda a persoa B

Dúas persoas que nunca estiveron no mesmo cuarto: fotografías familiares entre xeracións, o retrato dun fundador cando a cofundadora estaba de viaxe, un cartel con dous intérpretes. Funciona, e precisa dúas cousas que os traballos dun só suxeito non precisan.

Dúas persoas
O home da primeira imaxe de pé canda a muller da segunda
imaxe, os dous na mesma terraza de pedra da primeira imaxe.
El está á esquerda, ela á súa dereita, cos ombros case a
tocarse, ambos mirando á cámara á mesma altura de ollos.
Mantén as dúas caras, os peiteados e a roupa exactamente como
están nas súas propias fotografías, e ilumina os dous coa mesma
luz suave do serán vinda da esquerda.

Lenzo: landscape
Prompt negativo: ton de pel que non concorda, membros
duplicados, liña de costura entre os suxeitos, iluminación
desigual

Os dous engadidos: a xeometría relativa — quen está a cada lado, a que distancia, cara a onde vai cada mirada e a altura relativa, xa que dous retratos recortados de forma distinta non lle dan ao modelo forma ningunha de saber que unha persoa é unha cabeza máis alta — e unha única luz compartida, formulada explicitamente, porque estás a fusionar dous ambientes de iluminación e un ten que gañar.

Aquí é tamén onde escoller un lenzo novo paga a pena: dúas fontes en orientación vertical dan unha mala foto de grupo vertical, así que pide landscape ou wide. E dígase o evidente unha vez — meter unha persoa real nunha imaxe na que non estaba é poderoso e non é automaticamente inofensivo. Ten os dereitos ou o consentimento; a nosa política de uso responsable é a versión curta.

07Produto sobre persoa, e fotografía de produto sen censura

Comercialmente, esta é a composición que se paga soa. Tes unha foto de produto sobre branco e tes unha modelo, unha man, unha cociña, un banco de traballo. Combinalos dáche unha fotografía de estilo de vida sen un día de estudo — e co teu produto real dentro en vez dunha aproximación xerada, que é toda a diferenza entre material de mercadotecnia utilizable e unha maqueta pola que tes que pedir desculpas.

Produto sobre persoa
A muller da primeira imaxe suxeitando o frasco de soro de
vidro ámbar da segunda imaxe coa man dereita, erguido á altura
do peito, coa etiqueta cara á cámara e completamente lexible,
cos dedos envolvendo o frasco con naturalidade sen tapar a
etiqueta. Mantén a súa cara, o pelo e o fondo da cociña sen
cambios. Tomada con Kodak Portra 400, 85mm f/1.4, luz suave de
fiestra desde a esquerda.

Lenzo: portrait
Prompt negativo: texto de etiqueta deformado, dedos de máis,
frasco flotante, reflexos duplicados, pel de plástico

Dous engadidos específicos do traballo de produto. O agarre: as mans suxeitando obxectos son onde a composición sae mal máis a miúdo, así que di con que man, a que altura e que os dedos envolven con naturalidade sen tapar a etiqueta. O tratamento fotográfico: nomea unha cámara, un obxectivo e unha película ou fonte de luz. A saída debe lerse como unha fotografía que se tomou, non como dúas fotografías que se combinaron, e escribila como unha fotografía é o que te leva aí.

Aquí a ausencia de censura importa dun xeito máis mundano do que soa. Os xeradores filtrados rexeitan categorías enteiras de comercio ordinario e legal: catálogos de lencería e traxes de baño, tabaco e hardware de vapeo, alcol, accesorios de armas de fogo, produtos de benestar para adultos, cannabis onde é legal, produtos sanitarios, equipamento táctico e de caza. Tamén rexeitan traballo de marca e semellanza feito por quen ten os dereitos. Nada diso é un caso extremo; é un martes calquera nunha axencia. Shannon non ten filtro de contido na ruta de xeración nin capa de negativas no modelo que escribe o prompt, así que o traballo sae adiante e a cuestión dos dereitos queda contigo, que é onde lle corresponde.

08Estilo dunha imaxe, suxeito doutra

Primeiro o suxeito, despois a referencia de estilo. O que fai distinto este traballo é que estás a tomar prestada unha calidade e non un obxecto, así que tes que nomear cales — e dicir que o suxeito e a composición propios da referencia non veñen con ela.

Referencia de estilo
O retrato do home da primeira imaxe renderizado no estilo
visual da segunda imaxe: a mesma paleta apagada de verde
azulado e ocre, textura visible de pincel seco e iluminación
plana e uniforme. Mantén a súa cara, a expresión e a pose
recoñecibles e sen cambios. Non traslades o suxeito, o fondo
nin a composición da segunda imaxe.

Prompt negativo: segunda cara, fondo prestado, textura
fotográfica

Nomea os eixos de estilo explicitamente, porque "no estilo da segunda imaxe" por si só está pouco especificado: paleta (ou cores exactas, escritas como color #8B0000 asociadas a un obxecto nomeado), pincelada ou gran, calidade da luz, grosor de liña, nivel de abstracción, tratamento dos bordos. Escolle os dous ou tres que definen o aspecto; nomear os seis promédiaos. E non mestures direccións en conflito — "fotorrealista" máis "acuarela" produce unha mestura confusa, non unha fusión. Se queres unha fotografía que simplemente tome prestada unha paleta, dío exactamente así.

09Prompts negativos e a elección dun lenzo novo

Dúas capacidades que existen para combinar e editar pero non para o texto a imaxe, e as dúas están infrautilizadas.

O prompt negativo

Combinar imaxes admite un prompt negativo. Os artefactos non desexados van aí — e importa que vaian aí e non na instrución, porque escribir "sen dedos de máis" na instrución principal nomea aquilo que intentas evitar no mesmo alento que todo o que si queres. Pon as exclusións na súa propia canle. As entradas que sempre se gañan o seu sitio:

• Anatomía — dedos de máis, membros duplicados, mans malformadas, segunda cara.
• Delatores de composición — bordos recortados, liña de costura visible, obxecto flotante, sombras duplicadas, halo arredor do suxeito.
• Desaxuste de iluminación — temperatura de cor que non concorda, dirección de sombra inconsistente, exposición desigual entre suxeitos.
• Fallos de textura — pel de plástico, tea alisada, texto de etiqueta deformado, logotipo ilexible.

Limítao ao puñado que son plausibles na túa imaxe. Un prompt negativo que enumera trinta cousas é unha instrución difusa, non unha instrución forte.

O lenzo

Editar unha soa imaxe herda automaticamente a relación de aspecto da imaxe orixe — hai unha soa orixe, e a súa forma é a resposta. Combinar non ten ese valor por defecto, así que podes escoller un lenzo novo, e a miúdo deberías, porque a forma que lle acaía a unha das fontes rara vez lle acae á composición.

Formato	Mellor para	Uso típico en composición
square	Por defecto, redes sociais	Un só suxeito cun elemento transferido
portrait	Persoas, suxeitos altos	Transferencia de roupa, produto suxeito por unha modelo
landscape	Paisaxes, grupos	Dúas persoas unha canda a outra, obxecto colocado nun cuarto
wide	Encadre cinematográfico	Fotos de grupo, escenas de produto en ambiente, banners
tall	Carteis, fondos de pantalla de móbil	Fotos de roupa de corpo enteiro, deseños de cartel

Unha petición explícita gaña sempre. Se non dis nada obtés square — a forma equivocada para a maioría do traballo con dúas persoas e de roupa de corpo enteiro, así que paga a pena dedicarlle unha palabra.

10Que imaxes usa Shannon: a conversa fronte a esta mensaxe

Hai dúas formas de que unha imaxe entre nunha composición, e saber en cal te apoias evita a maioría das confusións de orde.

Anexada á mensaxe actual. A vía directa: anexa todo á mensaxe que leva a instrución, na orde na que pensas referirte a el, e "primeira imaxe" e "segunda imaxe" significan exactamente o que parecen. Que sexa isto o teu comportamento por defecto.

Xa na conversa. As imaxes enviadas antes no fío seguen dispoñibles e pódese facer referencia a elas en linguaxe corrente — "a foto que enviei antes", "a imaxe do xersei de antes", "a segunda versión que fixeches". Shannon resolve a referencia contra o fío, o que resulta realmente cómodo ao longo dunha sesión longa: podes iterar sobre un resultado e despois incorporar un elemento novo sen volver subir todo.

A salvagarda é a mesma nos dous casos. A tarxeta de confirmación amosa a instrución antes de renderizar nada, incluída a orde que escolleu. Léea. Se os papeis saíron ao revés — o xersei como base, a persoa como fonte — dío e arránxase antes de que se xere ou se cobre un só píxel. Aínda así, cando un fío é longo e está cheo de imaxes, volve anexar as que precises; seis imaxes atrás, "a segunda imaxe" é ambigua para calquera lector.

Pedirlle a Shannon que mire unha imaxe — que a describa, que lea a etiqueta, que che diga cal é a tea — é traballo de visión ordinario, non unha xeración. Non custa nada adicional e é unha boa comprobación antes de compoñer: se a descrición de Shannon non menciona o detalle que che importa, a túa instrución precisa nomealo.

11Sen censura, e que significa iso realmente

Non hai filtro de contido na ruta de xeración nin capa de negativas no modelo que escribe o prompt. A composición é onde as ferramentas filtradas fallan de forma máis visible, porque un sistema de negativas non pode distinguir entre combinar imaxes que son túas e combinar imaxes que non deberías ter — así que bloquea as dúas.

O traballo que esas ferramentas rexeitan rutineiramente non é exótico: desnudos artísticos e estudo de figura, ilustración médica e forense, imaxes para investigación de seguridade, violencia na ficción para portadas de libro e arte de videoxogos, sátira política e as categorías de produto legais listadas arriba. Cada unha delas é traballo profesional lexítimo que un filtro de palabras clave non pode distinguir do abuso.

Sen censura non quere dicir sen responsabilidade. Estás a achegar fotografías de obxectos reais e a miúdo de persoas reais; os dereitos e o consentimento son teus, e tamén a responsabilidade polo resultado. Shannon Lab LLC é unha empresa de Novo México que opera baixo unha política de uso responsable publicada — paga a pena dedicarlle cinco minutos antes de empezar traballo que implique a semellanza doutras persoas.

12Límites que convén coñecer antes de empezar

Non hai xeración de vídeo. Shannon non anima imaxes e non produce vídeo, de ningunha forma, a partir de ningunha destas operacións — nin desde unha soa imaxe, nin desde unha composición, nin como opción experimental. Se o teu encargo remata en movemento, esta non é a ferramenta para o último paso. Iso é o que é o produto, non unha pista de folla de ruta.

Outras fronteiras honestas, todas con solucións alternativas:

• O texto pequeno é a área máis feble. A letra miúda, o texto denso dos envases e os números de serie longos poden saír imperfectos. Encadra o produto de forma que o texto importante sexa grande, pon warped label text no prompt negativo e comproba a tamaño completo.
• A diferenza extrema de escala é difícil. Unha foto de produto de 4000 píxeles combinada cunha miniatura pequena dun cuarto dálle pouco co que traballar ao modelo. Usa a mellor copia que teñas de cada fonte.
• A oclusión forte limita o que se pode transferir. Unha peza fotografada dobrada, coa parte de atrás nunca visible, non pode ter as costas inventadas fielmente. Se a composición amosa as costas, achega as costas.
• Máis imaxes significa máis marxe para a confusión. Catro fontes é manexable cun nomeamento ordinal disciplinado, pero non é o sitio para ir á lixeira — usa o número que o traballo precise e nada máis.
• Dous cambios grandes á vez compiten. Transfire a roupa, confirma, e despois cambia o fondo. As edicións secuenciais gañan a unha instrución sobrecargada case sempre, e cada paso é barato de comprobar.

13Preguntas frecuentes

---

A xeración, a edición e a composición de varias imaxes son funcións da aplicación de chat de Shannon; os endpoints /v1/chat/completions, /v1/messages e /v1/responses serven texto e visión, é dicir, len as imaxes en vez de xeralas. Non hai xeración de vídeo. As opcións de lenzo, a compatibilidade con prompts negativos e o comportamento de confirmación están vixentes a 5 de setembro de 2026. Relacionados: xeración de imaxes con IA sen censura · edición de imaxes con IA sen censura · uso responsable · documentación da API · índice de investigación.