Stable Diffusion AI算圖使用手冊（3-2）：詠唱咒語的技巧

Image may be NSFW.
Clik here to view.

在這篇教學中，我們將瞭解在操作Stable Diffusion進行AI算圖時，需要輸入各式提示詞的使用方式。

提示詞概念與通用咒語

讀者可以把把Stable Diffusion的提示詞想像為搜尋引擎的關鍵字，在AI算圖過程中，Stable Diffusion會讓正面提示詞所描述的特徵出現於圖像中，並避免負面提示詞。由於提示詞的寫法會大幅影響算圖的內容與品質，因此也被許多使用者戲稱為「咒語」。

不過需要注意的是，目前Stable Diffusion僅能使用英文提示詞，尚不支援其他語言。

• 延伸閱讀：Stable Diffusion AI算圖使用手冊系列文章目錄

提示詞的基本就是要把「人時地事物」寫出來，舉例來說，比方我們想要產生「穿運動服在白天於山林跑步的少女」的圖片，就可以在正面提示詞寫「少女、陽光、山、森林、跑步、運動服」，並在負面提示詞寫「城市、建築物」。

另外，提示詞也可以寫一些提升畫面品質的詞彙，利如「傑作、高品質、最佳品質」等萬用提示詞，雖然這樣看來有點蠢，但是確實還蠻有用的。

如果讀者參考本系列教學後續的LoRA、Textual Inversion、Hypernetwork等小模型使用教學，也需要寫下對應的提示詞，詳細說明請參考後續章節。

而在撰寫過程建議分段撰寫提示詞，例如拆分為萬用提示詞、畫面特徵、小模型指示等段落，以提升閱讀與修改的方便性。可以參考下方範例

Stable Diffusion提示詞範例
正面提示詞：
(masterpiece), best quality, perfect antomy, 1 girl, solo
necklace, choker, black dress, short dress, labcoat, standing, indoors,
<lora:taeTakemiPersona5_v10:1>, Tae Takemi,
負面提示詞：
(worst quality, low quality:1.4), bad antomy,
EasyNegative , bad_prompt_version2

Image may be NSFW.
Clik here to view.▲ 使用者唸「咒語」的技術，將會大幅影響算圖的內容與品質。

Image may be NSFW.
Clik here to view.▲ 筆者建議可以將提示詞拆分為萬用提示詞、畫面特徵、小模型指示等段落，以提升閱讀與修改的方便性。

Image may be NSFW.
Clik here to view.▲ 舉例來說，這是用上圖提示詞所產生的圖片，可以算出《女神異聞錄5》的角色武見妙。

Image may be NSFW.
Clik here to view.▲ 如果把正面提示詞、小模型指示的段落刪除，不但圖像品質有些差異，且無法鎖定特定角色。

透過權重調整控制效果

如果算圖結果不如預期，除了可以調整提示詞之外，也可以調整各別提示詞的權重，來達到強調指定特徵的效果。

當圖片的某些特徵不夠明顯，可以在提示詞加上()提升為1.1倍權數，若是特徵太過明顯，則可加上[]降低為0.91倍權數。此外也能透過將提示詞加入冒號與權數，直接指定權數。

加權語法範例
sport suit ->運動服，1倍權數
(sport suit) ->運動服，1.1倍權數
((sport suit)) ->運動服，1.21倍權數（1.1相乘2次）
[sport suit] ->運動服，0.91倍權數
[[sport suit]] ->運動服，0.8281倍權數（0.91相乘2次）
sport suit:1.4 ->運動服，1.4倍權數
sport suit:0.6 ->運動服，0.6倍權數

此外，如果發現在使用小模型時圖像內容不太正常，則可嘗試降低權數，雖然可能會降低小模型的預期效果，但有很大的機會能讓圖像更加正常，詳細狀況筆者會在後續章節說明。

Image may be NSFW.
Clik here to view.▲ 舉例來說，當算圖時因為使用的Checkpoint模型造成角色的上圍太過雄偉時，則可加入提示詞進行控制。

Image may be NSFW.
Clik here to view.▲ 加入「small breast」提示詞之後，感覺修飾的效果不是很明顯。

Image may be NSFW.
Clik here to view.▲ 將提示詞改為「((small breast))」，給予1.21倍的權數時，可以看到她的身材變得平易近人。

Stable Diffusion「咒語」的學問當然不只這麼簡單，筆者本人也還在摸索中，根據目前的心得，也只能說這是個玄學，且每組Checkpoint模型的特性都不一樣，沒有可以一體通用的提示詞，只能在算圖過程中不斷實驗、微調，不過這種試誤過程也成為Stable Diffusion的樂趣之一。

（回到系列文章目錄）