Los modelos de anime no entienden frases, entienden etiquetas. Saber cuáles
existen, en qué orden colocarlas y cuáles pesan de verdad es lo que separa un
resultado genérico de uno controlado. Esta guía cubre el vocabulario, el orden y
por qué algunas etiquetas no hacen nada.
Por qué estos modelos hablan por etiquetas
Los checkpoints de anime se entrenaron con imágenes acompañadas de listas de
etiquetas normalizadas, heredadas de los grandes archivos de ilustración. Cada
imagen llegó al entrenamiento con una lista que describía personaje, ropa, pose,
expresión, encuadre y escenario mediante términos fijos.
La consecuencia es directa: el modelo aprendió a asociar esos términos exactos
con esos elementos visuales. Una frase bien escrita en español describe lo mismo,
pero no se parece a lo que vio durante el entrenamiento, así que rinde menos.
Escribir en el formato esperado no es una preferencia estética, es hablar el
idioma en el que se le enseñó.
Esto explica por qué alguien que viene de modelos fotográficos concluye que el
modelo de anime es malo. El texto es correcto y el resultado flojo porque el
formato es el equivocado. Pasar la misma descripción a una lista de términos
separados por comas cambia el resultado de inmediato, sin tocar nada más.
Conviene aclarar que esto varía entre familias de modelos. Los checkpoints de
la línea Illustrious y sus derivados trabajan intensamente en ese formato, y hay
un repaso propio en la guía
de Illustrious XL en español. Los modelos fotorrealistas suelen ignorar buena
parte de este vocabulario.
La estructura que funciona
Un orden que suele rendir bien empieza por los marcadores de calidad, cuando
la versión del modelo los utiliza, seguidos del número de personajes. Ese recuento
importa más de lo que parece: sin él, las escenas con más de una figura tienden a
mezclar rasgos entre ellas.
Después viene el personaje, por nombre cuando el modelo lo conoce, o mediante
sus características físicas. A continuación el encuadre, que determina cuánto
cuerpo aparece y por tanto qué tiene sentido describir más adelante. Solo
entonces ropa, pose y expresión, y al final escenario e iluminación.
La posición importa porque los términos iniciales suelen influir más. No es
una regla absoluta, y la intensidad varía entre modelos y versiones, pero en la
práctica mover un término al principio suele ser más eficaz y más predecible que
subirle el peso con paréntesis.
Categorías de etiquetas
Conviene conocer los grupos, porque saber que un grupo existe ya es la mitad
del trabajo. El encuadre cubre desde el primer plano cerrado hasta el plano
general, pasando por medio cuerpo y cuerpo entero. El ángulo cubre vistas desde
arriba, desde abajo, de frente, de espaldas y de perfil.
La expresión cubre el rostro y suele ser de las categorías más fiables: los
términos de sonrisa, sorpresa, ojos cerrados y dirección de la mirada tienden a
funcionar bien en la mayoría de estos modelos. El pelo tiene un vocabulario
extenso que cubre longitud, color, forma y accesorios, y también responde bien.
La ropa es la categoría más amplia y la más irregular. Las prendas comunes
suelen funcionar; las muy específicas dependen de cuánto material viera el
modelo. Y la composición cubre elementos como el número de personas, el foco y el
recorte del encuadre.
Un prompt comentado
La regla queda abstracta sin un ejemplo, así que conviene verla funcionando.
Imagina que buscas un personaje de pelo largo y oscuro, con uniforme escolar,
sentado junto a una ventana, visto de medio cuerpo, con luz de última hora de la
tarde.
La lista empezaría por los marcadores de calidad que recomiende la ficha del
modelo, seguidos del número de personajes, que es lo que evita que aparezca una
segunda figura inesperada. Después irían pelo largo y color del pelo, términos
fiables en casi todos estos checkpoints.
A continuación el encuadre de medio cuerpo, antes que la ropa, porque
determina qué se va a ver: describir el calzado en un encuadre que corta por la
cintura es malgastar influencia. Solo entonces el uniforme, la pose sentada y la
ventana, y al final la luz cálida del atardecer.
Lo que muestra el ejemplo es la lógica del embudo: cada término presupone el
anterior. Cuando el prompt se escribe al revés, empezando por la iluminación y el
ambiente, el modelo recibe la información decorativa antes que la estructural, y
el resultado suele ser una imagen bonita que no corresponde a lo que se pidió.
Qué suele salir mal
La etiqueta no hace nada. La causa más frecuente es que no exista en el
vocabulario con el que se entrenó el modelo, o que exista con otra grafía. Los
términos inventados no producen error, simplemente no hacen nada, y por eso el
síntoma es silencioso y despista tanto.
El segundo motivo es el conflicto. Pedir dos encuadres distintos, o una pose
incompatible con el ángulo elegido, suele producir un término medio que no
corresponde a ninguno de los dos. Cuando algo no aparece, conviene buscar en el
propio prompt el término que está peleando con él.
El tercero es la dilución. Los prompts muy largos reparten la influencia entre
decenas de términos, y los últimos casi desaparecen. Si algo importante no sale,
quitar términos secundarios suele funcionar mejor que añadir énfasis a lo que
falta.
El cuarto es esperar precisión anatómica. Las etiquetas describen lo que
aparece, no garantizan que la estructura salga correcta. Las manos siguen siendo
el punto débil incluso con la etiqueta adecuada, y ahí el camino pasa por la
corrección posterior con máscara.
Etiquetas en negativo
Como el modelo entiende este vocabulario, poner una etiqueta en el campo
negativo es una forma bastante eficaz de quitar un elemento concreto. Suele
funcionar mejor que intentar describir la ausencia en el prompt positivo, que con
frecuencia produce el efecto contrario, porque el término aparece igualmente.
Los marcadores de baja calidad forman parte de la configuración recomendada de
la mayoría de estos modelos y suelen mejorar el acabado. Aun así, las listas
enormes heredadas de otras épocas tienden a costar más de lo que rinden: cada
término consume influencia y algunos empujan la imagen lejos de lo que querías.
Un uso menos evidente y bastante útil: poner en negativo la ropa o el
accesorio que viene asociado a un personaje con nombre. Como el nombre arrastra
su aspecto típico, suele ser la manera más directa de vestirlo de otra forma.
Peso y énfasis
La sintaxis de paréntesis aumenta la influencia de un término y funciona en
estos modelos. El consejo práctico es usarla poco: resuelve, pero a menudo
soluciona un problema que reordenar el prompt resolvería mejor y sin efectos
secundarios.
Cuando el peso sube demasiado, es habitual que el término empiece a contaminar
partes de la imagen donde no debería aparecer. Un color muy enfatizado en el pelo
puede extenderse a la ropa y al fondo. Si notas ese tipo de desbordamiento, bajar
el peso suele arreglarlo más rápido que compensar con otros términos.
Etiquetas que describen la imagen, no su contenido
Existe una categoría de términos que describe propiedades de la imagen en
lugar de lo que hay en ella, y despista bastante. Los términos de estilo
artístico, de medio y de época pertenecen a ese grupo, igual que los que
describen el acabado.
Funcionan, pero de forma menos predecible que los descriptivos, porque
dependen mucho de cuánto material de ese tipo viera el modelo. Un estilo muy
representado cambia la imagen entera; uno poco representado a menudo no hace
nada, y ese silencio es indistinguible del de una etiqueta inexistente.
También están los términos que describen el punto de vista y el recorte, que
suelen ser fiables y se usan poco. Pedir explícitamente un recorte cerrado sobre
un detalle, por ejemplo, suele funcionar mejor que esperar que el modelo deduzca
la intención a partir del resto.
Cómo saber qué entiende tu modelo
La forma fiable de comprobar si una etiqueta existe es consultar el archivo
donde se usa, donde cada término aparece con el número de imágenes asociadas. Ese
recuento es información valiosa: las etiquetas con muchas imágenes suelen
funcionar, y las que tienen pocas suelen pasar desapercibidas, simplemente porque
el modelo vio poco de aquello.
La ficha de cada modelo suele traer recomendaciones propias de marcadores de
calidad y de configuración, y conviene seguir lo que diga en lugar de copiar
recetas antiguas encontradas en foros. Estos detalles cambian entre versiones con
frecuencia, y el camino de navegación por los repositorios está en la guía de
Civitai en español.
La prueba directa responde más rápido que cualquier lista: fija la semilla y
genera dos veces, una con el término y otra sin él, cambiando solo eso. Si las
dos imágenes salen prácticamente iguales, ese término no está haciendo nada y
acabas de liberar espacio en el prompt. La prueba dura menos de un minuto.
Diferencias entre familias
No todos los checkpoints de anime se entrenaron con el mismo conjunto de
etiquetas, y de ahí viene buena parte de la frustración de quien copia
configuraciones ajenas. Una lista que funciona muy bien en una familia puede
rendir poco en otra, aunque ambas sean modelos de anime basados en SDXL.
Los marcadores de calidad son el ejemplo más visible: la forma exacta varía, y
usar la de otra familia a veces no hace nada y a veces empeora. Cuando una
configuración copiada no funcione, ese es el primer elemento que conviene
revisar, antes de tocar muestreador o CFG. Las diferencias entre las líneas más
usadas están en la guía
de Pony Diffusion XL y en la de Animagine
XL para NSFW.
Después de generar
Dos correcciones resuelven la mayor parte de lo que queda. La primera es el
rostro en plano abierto, que sale blando por falta de píxeles y mejora mucho con
la corrección automática descrita en la guía de ADetailer en
español.
La segunda es afinar la imagen completa con una pasada suave. Si quieres ver
más ejemplos de escritura de prompts aplicados, la guía
maestra de prompts y el repaso de prompts de
poses cubren los casos más pedidos. Quien prefiera probar este vocabulario
sin instalar nada puede hacerlo en un generador en el navegador.
Cómo construir tu propio repertorio
Pasado un tiempo, la diferencia entre quien controla el resultado y quien
depende de la suerte suele ser simplemente el repertorio de etiquetas que conoce.
Merece la pena construirlo a propósito en vez de esperar a que ocurra.
El método más eficiente parte de imágenes que te habría gustado generar. En
los archivos, cada imagen viene acompañada de su propia lista de etiquetas, así
que ver cómo se describió una imagen parecida a tu objetivo enseña más rápido que
cualquier lista genérica. Descubres términos cuya existencia no imaginabas, que
es justo el problema que ninguna cantidad de texto libre resuelve.
La segunda costumbre útil es mantener un archivo propio con los bloques que
funcionaron, separados por categoría. Un bloque de iluminación que salió bien
sirve en decenas de imágenes futuras, y reescribirlo de memoria cada vez produce
variaciones pequeñas que hacen los resultados menos predecibles de lo necesario.
Un panorama de modelos donde aplicar todo esto está en el repaso de IA para
hentai y anime, y para una prueba rápida sirve también un servicio listo para usar.
Etiquetas y composición
Los modelos de anime responden bien a las etiquetas de encuadre, y usar la
forma correcta evita mucha frustración. Los términos que indican primer plano,
medio cuerpo, cuerpo entero o plano general cambian la imagen de forma fiable, y
elegir uno explícitamente casi siempre es mejor que dejar que el modelo decida.
El ángulo funciona con la misma lógica. Vista desde arriba, desde abajo y de
perfil se entienden bien, y se combinan con el encuadre para definir la escena
antes que cualquier otro detalle. El cuidado está en no pedir combinaciones
contradictorias, como primer plano del rostro y cuerpo entero en la misma lista,
que suele generar un término medio extraño.
Cuando la pose tiene que ser exacta, el texto tiene un límite claro. En esos
casos, fijar la estructura con una guía externa y dejar que el modelo se ocupe
solo del estilo da mucho más control que insistir en describir la posición de
cada miembro. Cuanto más específica es la pose pedida por texto, mayor es la
probabilidad de anatomía rara, porque el modelo intenta satisfacer una
descripción para la que tiene pocos ejemplos.
Preguntas frecuentes
¿Funcionan las etiquetas en modelos realistas?
En general mal. Los checkpoints fotorrealistas se entrenaron con descripciones
en lenguaje corriente, no con listas normalizadas, así que el vocabulario de
anime suele rendir poco en ellos. Para esos modelos, describir con frases
funciona mejor.
¿Uso guion bajo o espacio entre las palabras?
Las dos formas suelen funcionar, porque la mayoría de las interfaces
normalizan eso antes de enviar el texto al modelo. En la práctica, escribir con
espacios es más legible y rara vez produce una diferencia apreciable.
¿Cuántas etiquetas conviene usar?
No hay número exacto, pero los prompts de entre quince y treinta términos
suelen ser el punto en el que hay control suficiente sin dilución excesiva. Más
allá, los términos finales tienden a perder efecto. Si necesitas añadir algo
importante, conviene quitar algo secundario antes.
¿Por qué el personaje con nombre sale mal?
Normalmente porque el modelo vio poco material de ese personaje. El
reconocimiento es muy desigual: las figuras muy populares salen consistentes y el
resto sale aproximado. Añadir las características visuales principales junto al
nombre suele estabilizar el resultado, y si aun así no convence, la señal es que
ese personaje necesita un LoRA propio en lugar de más etiquetas.
¿Las etiquetas de calidad cambian algo de verdad?
En los modelos entrenados con esos marcadores, normalmente sí, y la propia
ficha del modelo suele recomendarlos. En los que no los usaron durante el
entrenamiento tienden a no hacer nada. Como esto varía bastante, la prueba
directa con y sin ellos, manteniendo la semilla fija, responde más rápido que
cualquier regla general.
¿Puedo escribir las etiquetas en español?
No suele compensar. El vocabulario de estos archivos está en inglés y así
aprendió el modelo a asociar término e imagen. Una etiqueta traducida cae en el
mismo caso que el término inexistente: ningún error y ningún efecto. El prompt se
puede pensar en español, pero las etiquetas rinden más en su forma original, y
comprobarlo cuesta una sola generación con la semilla fija.
