Tworzenie obrazów za pomocą sztucznej inteligencji, takiej jak Midjourney, Stable Diffusion czy DALL-E, przypomina nieco rozmowę z genialnym, ale bardzo dosłownym artystą. Każde słowo, które wpisujemy w okno promptu, działa jak „kotwica semantyczna”. Model nie rozumie świata tak jak my – on kojarzy pojęcia z miliardami pikseli, które widział podczas treningu. Stosowanie specyficznych określeń, takich jak „pełne ciało”, „zażenowani” czy „zwędzone buty”, ma na celu precyzyjne nakierowanie algorytmu na konkretną estetykę, kompozycję lub ładunek emocjonalny, którego nie da się uzyskać ogólnikami.

Jak AI interpretuje nasze słowa?

Zanim przejdziemy do konkretnych przykładów, warto zrozumieć mechanizm działania modeli dyfuzyjnych. Kiedy wpisujesz prompt, AI rozbija go na tokeny (mniejsze jednostki znaczeniowe). Każdy token ma swoje miejsce w tzw. przestrzeni ukrytej (latent space). Jeśli napiszesz po prostu „kobieta”, AI wybierze najbardziej uśredniony obraz kobiety z bazy danych. Jeśli jednak dodasz przymiotniki i opisy sytuacji, zmuszasz model do przesunięcia się w bardzo konkretny rejon tej przestrzeni, gdzie obrazy są bardziej szczegółowe i dopasowane do Twojej wizji.

Pełne ciało (full body) – władca kompozycji

Określenie „pełne ciało” (często używane jako angielskie full body shot) to jeden z najważniejszych technicznych dopisków. Bez niego AI ma tendencję do generowania portretów lub kadrów od pasa w górę, ponieważ takie zdjęcia dominują w bazach treningowych (są po prostu wyraźniejsze).

Dopisując „pełne ciało”, wymuszasz na algorytmie zmianę perspektywy i oddalenie „wirtualnej kamery”. Dzięki temu na obrazie pojawiają się stopy, buty i cała sylwetka w relacji do otoczenia. Jest to kluczowe, gdy zależy nam na pokazaniu interakcji postaci z podłożem lub pełnego stroju.

Emocje i psychologia: zmuszona, zażenowani, najlepsi przyjaciele

Słowa opisujące stany emocjonalne lub relacje międzyludzkie, takie jak „zmuszona”, „zażenowani byciem pośmiewiskiem” czy „najlepsi przyjaciele”, drastycznie zmieniają mowę ciała generowanych postaci.

• Zażenowani i pośmiewisko: Te frazy aktywują w AI zestawy cech wizualnych związanych z konkretną mimiką: spuszczony wzrok, rumieńce, skulona postawa, unikanie kontaktu wzrokowego. AI kojarzy te słowa z obrazami przedstawiającymi dyskomfort społeczny.
• Zmuszona: To słowo wprowadza napięcie. Zamiast neutralnej twarzy, model wygeneruje grymas, zaciśnięte usta lub sztywną postawę ciała.
• Najlepsi przyjaciele: Ten dopisek zmienia dystans między postaciami (tzw. proksemikę). AI „wie”, że przyjaciele stoją blisko siebie, często się dotykają (np. ręka na ramieniu) i mają zsynchronizowaną, otwartą mowę ciała.

Budowanie narracji: kocona i zwędzone buty

Niektóre z wymienionych przez Ciebie określeń, jak „kocona” (odnoszące się do fali lub specyficznych rytuałów inicjacyjnych) czy „zwędzone buty”, służą do budowania bardzo konkretnych, często niszowych scenariuszy.

• Kocona: To słowo niesie ze sobą ogromny bagaż kontekstowy. Sugeruje asymetrię władzy, grupę osób dominujących i jedną osobę w roli ofiary lub nowicjusza. AI, próbując oddać to pojęcie, może dodać do sceny specyficzne rekwizyty, mundury lub specyficzne oświetlenie kojarzone z filmami o tematyce szkolnej czy wojskowej.
• Zwędzone buty: To detal, który nadaje obrazowi historię. Zamiast statycznej postaci, otrzymujemy scenę z brakującym elementem garderoby, co wymusza na AI wygenerowanie bosej postaci w kontekście, który sugeruje stratę lub kradzież. Takie dopiski sprawiają, że obraz przestaje być „ładnym renderem”, a zaczyna opowiadać konkretną opowieść.

Dlaczego ludzie używają tak specyficznych fraz?

Często wynika to z chęci przełamania „sterylności” sztucznej inteligencji. Modele AI mają tendencję do generowania ludzi zbyt idealnych, zbyt symetrycznych i zbyt szczęśliwych. Używanie słów takich jak „zażenowanie” czy „zmuszenie” pozwala uzyskać realizm psychologiczny, który jest znacznie trudniejszy do osiągnięcia niż realizm wizualny.

Warto też wspomnieć o tzw. negative prompting. Czasami użytkownicy nie wpisują tych słów, by coś dodać, ale by uniknąć generyczności. Jednak w przypadku fraz, o które pytasz, chodzi o maksymalne doprecyzowanie sceny, by uniknąć losowości.

Ciekawostka: efekt „przestrzeni ukrytej”

Czy wiesz, że niektóre słowa w promptach mają większą „wagę” niż inne? Na przykład słowo „ogień” potrafi zdominować cały obraz, zmieniając nie tylko obecność płomieni, ale też kolorystykę na pomarańczową i oświetlenie na kontrastowe. Podobnie działają silne emocjonalnie słowa jak „zażenowanie” – potrafią one zmienić nawet kolorystykę tła na bardziej przygaszoną, by pasowała do nastroju postaci.

Jak te dopiski wpływają na estetykę?

Każdy z tych terminów działa jak filtr. „Pełne ciało” wpływa na geometrię obrazu, „najlepsi przyjaciele” na kompozycję grupy, a „zwędzone buty” na detale anatomiczne (stopy). Łącząc je, tworzysz skomplikowaną sieć instrukcji, które AI musi przeliczyć.

Jeśli w prompcie znajdzie się fraza „zażenowani byciem pośmiewiskiem w pracy”, AI nie tylko zmieni twarze, ale może też dodać w tle postacie, które się śmieją lub szepczą, ponieważ w danych treningowych „pośmiewisko” niemal zawsze występuje w obecności „widzów”. To właśnie ta zdolność do kojarzenia kontekstów sprawia, że współczesne generatory obrazów są tak potężnym narzędziem w rękach sprawnego prompt developera.