Modelos de anime não entendem frases, entendem etiquetas. Saber quais existem,
em que ordem colocá-las e quais realmente pesam é o que separa um resultado
genérico de um controlado. Este guia cobre o vocabulário, a ordem e os erros que
fazem uma etiqueta não funcionar.
Por que esses modelos falam por etiquetas
Os checkpoints de anime foram treinados com imagens acompanhadas de listas de
etiquetas padronizadas, herdadas dos grandes acervos de ilustração. Cada imagem
chegou ao treino com uma lista descrevendo personagem, roupa, pose, expressão,
enquadramento e cenário em termos fixos.
A consequência é direta: o modelo aprendeu a associar aqueles termos exatos a
aqueles elementos visuais. Uma frase bem escrita em português descreve a mesma
coisa, mas não corresponde ao que ele viu durante o treino, e por isso rende
menos. Escrever no formato esperado não é uma preferência estética, é falar a
língua em que o modelo foi ensinado.
Isso explica por que alguém vindo de modelos fotográficos costuma achar que o
modelo de anime é ruim. O texto está correto e o resultado é fraco porque o
formato está errado. Trocar a mesma descrição para uma lista de termos separados
por vírgula muda o resultado imediatamente, sem alterar mais nada.
Vale dizer que isso varia entre famílias de modelos. Os checkpoints da linha
Illustrious e os derivados WAI trabalham fortemente nesse formato, e o guia
específico deles está em WAI
e Illustrious para NSFW. Modelos fotorrealistas costumam ignorar boa parte
desse vocabulário.
A estrutura que funciona
Uma ordem que costuma render bem começa pelos marcadores de qualidade, quando
a versão do modelo os utiliza, seguidos pela contagem de personagens. Essa
contagem é mais importante do que parece: sem ela, cenas com mais de uma figura
tendem a misturar características entre elas.
Depois vem o personagem, por nome quando o modelo o conhece, ou pelas
características físicas. Em seguida o enquadramento, que define quanto do corpo
aparece e portanto o que faz sentido descrever adiante. Só então roupa, pose e
expressão, e por fim cenário e iluminação.
A posição importa porque termos no início tendem a influenciar mais. Não é uma
regra absoluta, e a intensidade varia entre modelos e versões, mas na prática
mover um termo para o começo costuma ser mais eficaz e mais previsível do que
aumentar seu peso com parênteses.
Categorias de etiquetas
Vale conhecer os grupos, porque saber que um grupo existe é metade do
trabalho. Enquadramento cobre desde retrato fechado até plano geral, passando
por meio corpo e corpo inteiro. Ângulo cobre vistas de cima, de baixo, de
frente, de costas e de perfil.
Expressão cobre o rosto, e costuma ser das categorias mais confiáveis: termos
de sorriso, surpresa, olhos fechados e olhar direcionado tendem a funcionar bem
na maioria dos modelos dessa linha. Cabelo tem vocabulário extenso, cobrindo
comprimento, cor, formato e acessórios, e também responde bem.
Roupa é a categoria mais extensa e a mais irregular. Peças comuns costumam
funcionar; peças muito específicas dependem de quanto material o modelo viu. E
composição cobre elementos como quantidade de pessoas, foco e recorte.
O que costuma dar errado
A etiqueta simplesmente não faz efeito. A causa mais frequente é ela não
existir no vocabulário em que o modelo foi treinado, ou existir com outra grafia.
Termos inventados não produzem erro, apenas não fazem nada, e é por isso que o
sintoma é silencioso e confunde tanto.
O segundo motivo é conflito. Pedir dois enquadramentos diferentes, ou uma pose
incompatível com o ângulo escolhido, costuma produzir um meio-termo que não
corresponde a nenhum dos dois. Quando algo não aparece, vale procurar no próprio
prompt o termo que está brigando com ele.
O terceiro é diluição. Prompts muito longos espalham influência por dezenas de
termos, e os últimos praticamente desaparecem. Se algo importante não está
saindo, cortar termos secundários costuma funcionar melhor do que acrescentar
ênfase ao que falta.
O quarto é a expectativa de precisão anatômica. Etiquetas descrevem o que
aparece, não garantem que a estrutura saia correta. Mãos continuam sendo o ponto
fraco mesmo com a etiqueta certa, e o caminho para isso está no material sobre
mãos
deformadas na IA.
Um prompt comentado
Vale ver a estrutura funcionando num exemplo, porque a regra fica abstrata sem
isso. Imagine que o objetivo seja uma personagem de cabelo longo escuro, de
uniforme escolar, sentada perto de uma janela, vista de meio corpo, com luz de
fim de tarde.
A lista começaria pelos marcadores de qualidade que a página do modelo
recomendar, seguidos da contagem de personagens, porque é isso que evita que o
modelo invente uma segunda figura. Depois viriam cabelo longo e cor do cabelo,
que são termos confiáveis na maioria desses checkpoints.
Em seguida o enquadramento de meio corpo, antes da roupa, porque ele determina
o que vai aparecer: descrever sapatos num enquadramento que corta na cintura é
desperdiçar influência. Só então o uniforme, a pose sentada e a janela, e por
último a luz quente de fim de tarde.
O que esse exemplo mostra é a lógica de afunilamento: cada termo deve pressupor
o anterior. Quando o prompt é escrito na ordem inversa, começando pela
iluminação e pelo clima, o modelo recebe a informação decorativa antes da
estrutural, e o resultado costuma ser uma imagem bonita que não corresponde ao
que foi pedido.
Etiquetas que descrevem o que você não controla
Existe uma categoria de termos que descreve propriedades da imagem em vez do
conteúdo, e ela confunde bastante. Termos de estilo artístico, de meio e de
época pertencem a esse grupo, assim como os que descrevem qualidade de
acabamento.
Eles funcionam, mas de forma menos previsível que os descritivos, porque
dependem fortemente de quanto material daquele tipo o modelo viu. Um termo de
estilo muito representado muda a imagem inteira; um pouco representado
frequentemente não faz nada, e o silêncio é indistinguível de uma etiqueta
inexistente.
Há ainda os termos que descrevem o ponto de vista da cena e o recorte, que
tendem a ser confiáveis e são subutilizados. Pedir explicitamente um recorte
fechado num detalhe, por exemplo, costuma funcionar melhor do que esperar que o
modelo deduza a intenção a partir do resto do prompt.
Diferenças entre modelos
Nem todos os checkpoints de anime foram treinados com o mesmo conjunto de
etiquetas, e essa é a origem de boa parte da frustração de quem copia
configurações prontas. Uma lista que funciona muito bem numa família pode render
pouco em outra, mesmo que as duas sejam modelos de anime baseados em SDXL.
Os marcadores de qualidade são o exemplo mais visível disso: a forma exata
varia, e usar a de outra família às vezes não faz nada e às vezes piora. Quando
uma configuração copiada não funcionar, esse é o primeiro item a verificar,
antes de mexer em amostrador ou em CFG.
A forma prática de descobrir o que o seu modelo entende é testar com a seed
fixa: gere uma vez com o termo e uma vez sem, mudando apenas isso. Se as duas
imagens forem praticamente iguais, aquele termo não está fazendo nada, e você
acabou de economizar espaço no prompt. Esse teste leva menos de um minuto e vale
mais do que qualquer lista de etiquetas recomendada por terceiros.
Etiquetas negativas
Como o modelo entende esse vocabulário, colocar uma etiqueta no campo negativo
é uma forma bastante eficaz de remover um elemento específico. Isso costuma
funcionar melhor do que tentar descrever a ausência no prompt positivo, que com
frequência produz o efeito contrário, já que o termo aparece de qualquer
forma.
Os marcadores de baixa qualidade fazem parte da configuração recomendada da
maioria desses modelos e costumam melhorar o acabamento. Ainda assim, listas
enormes herdadas de outras épocas tendem a custar mais do que rendem: cada termo
consome influência, e alguns empurram a imagem para longe do que se queria.
Um uso menos óbvio e bastante útil: colocar no negativo a roupa ou o
acessório que vem junto com um personagem nomeado. Como o nome carrega a
aparência típica, essa costuma ser a maneira mais direta de vestir o personagem
de outro jeito.
Peso e ênfase
A sintaxe de parênteses aumenta a influência de um termo, e funciona nesses
modelos. O conselho prático é usá-la com moderação: ela resolve, mas com
frequência o mesmo efeito sairia de reordenar o prompt, sem os efeitos
colaterais.
Quando o peso sobe demais, é comum que o termo comece a contaminar partes da
imagem onde não deveria aparecer. Uma cor enfatizada demais no cabelo pode
espalhar para a roupa e para o fundo. Se você notar esse tipo de vazamento,
baixar o peso normalmente resolve mais rápido do que compensar com outros
termos.
Onde consultar o vocabulário
O jeito mais confiável de saber se uma etiqueta existe é consultar o acervo
em que ela é usada, onde cada termo aparece com a contagem de imagens associada.
Essa contagem é uma informação valiosa: etiquetas com muitas imagens tendem a
funcionar bem, e as com poucas tendem a ser ignoradas, simplesmente porque o
modelo viu pouco daquilo.
A página de cada modelo costuma trazer recomendações próprias de marcadores de
qualidade e de configuração, e vale seguir o que ela diz em vez de copiar
receitas antigas encontradas em discussões. Esses detalhes mudam entre versões
com frequência. O caminho de navegação nos repositórios está no tutorial
de Civitai em português.
Para quem quiser testar esse vocabulário sem instalar nada, um gerador pronto no navegador serve
para sentir como as etiquetas mudam o resultado antes de montar algo local.
Depois de gerar
Duas correções resolvem a maior parte dos problemas que sobram. A primeira é
o rosto em plano aberto, que sai borrado por falta de pixels e melhora muito com
a correção automática descrita no guia de ADetailer
para rostos.
A segunda é o ajuste fino da imagem inteira, feito com uma passada leve de
img2img. Ela unifica textura e disfarça emendas, e o procedimento está no guia de
img2img. Se você ainda precisa montar a interface para fazer isso, o passo a
passo está em Stable
Diffusion Forge em português. Quem prefere uma instalação que não exige
configurar nada pode começar pelo Fooocus,
que instala descompactando, e carregar nele um checkpoint de anime para usar
esse mesmo vocabulário.
Como montar seu próprio repertório
Depois de algum tempo, a diferença entre quem controla o resultado e quem
depende da sorte costuma ser simplesmente o repertório de etiquetas que a pessoa
conhece. Vale construir isso de forma deliberada em vez de esperar que aconteça.
O método mais eficiente é partir de imagens que você gostaria de ter gerado.
Nos acervos, cada imagem vem acompanhada da própria lista de etiquetas, então
olhar como uma imagem parecida com o seu objetivo foi descrita ensina mais
rápido do que qualquer lista genérica. Você descobre termos cuja existência não
imaginava, que é exatamente o problema que nenhuma tentativa por texto livre
resolve.
O segundo hábito útil é manter um arquivo próprio com os blocos que
funcionaram, separados por categoria. Um bloco de iluminação que deu certo
costuma servir em dezenas de imagens futuras, e reescrevê-lo de memória a cada
vez produz variações pequenas que tornam os resultados menos previsíveis do que
precisariam ser.
Por fim, vale registrar também o que não funcionou. Saber que determinado
termo não faz efeito no seu modelo é informação tão valiosa quanto o oposto, e
sem anotação essa descoberta se perde e acaba sendo refeita meses depois.
Perguntas frequentes
Etiquetas funcionam em modelos realistas?
Em geral mal. Checkpoints fotorrealistas foram treinados com descrições em
linguagem corrente, não com listas padronizadas, então o vocabulário de anime
tende a render pouco neles. Para esses modelos, descrever em frases costuma
funcionar melhor.
Preciso usar sublinhado ou espaço entre as palavras?
As duas formas costumam funcionar, porque a maioria das interfaces normaliza
isso antes de enviar ao modelo. Na prática, escrever com espaços é mais legível e
raramente causa diferença perceptível.
Quantas etiquetas devo usar?
Não existe número certo, mas prompts entre quinze e trinta termos costumam ser
o ponto em que há controle suficiente sem diluição excessiva. Quando passa muito
disso, os termos finais tendem a perder efeito. Se precisar acrescentar algo
importante, vale cortar algo secundário antes.
Por que o personagem nomeado sai errado?
Normalmente porque o modelo viu pouco material daquele personagem. O
reconhecimento é bastante desigual: figuras muito populares saem consistentes, e
as demais saem aproximadas. Acrescentar as características visuais principais
junto ao nome costuma estabilizar o resultado.
Dá para usar etiquetas em outro idioma?
Em geral não compensa. O vocabulário desses acervos é em inglês, e foi assim
que os modelos aprenderam a associar termo e imagem. Escrever a etiqueta
traduzida costuma cair no mesmo caso do termo inexistente: nenhum erro, nenhum
efeito. O prompt em si pode ser pensado em português, mas as etiquetas valem mais
na forma original. Quem quiser ver a diferença sem instalar nada pode comparar os
dois formatos num gerador online e observar qual
responde melhor.
Etiquetas conflitantes atrapalham mesmo?
Bastante, e é uma das causas mais subestimadas de resultado ruim. Pedir dois
enquadramentos, dois ângulos ou duas expressões ao mesmo tempo não faz o modelo
escolher a melhor: ele tenta atender as duas e produz um meio-termo que não
corresponde a nenhuma. O sintoma típico é uma imagem que parece quase certa sem
que se consiga apontar o erro. Reler o prompt procurando termos que disputam a
mesma função costuma resolver mais rápido do que acrescentar ênfase.
Como sei se um personagem é reconhecido pelo modelo?
O teste direto responde mais rápido que qualquer lista: gere uma imagem com o
nome sozinho, sem descrever aparência nenhuma, e veja o que sai. Se vier algo
consistente e reconhecível, o modelo conhece. Se vier uma figura genérica, ele
não conhece, e aí o caminho é descrever as características em detalhe ou
treinar um LoRA com imagens de referência, que é a opção mais trabalhosa na
primeira vez e a mais confiável em todas as seguintes.
Repetir esse teste com a seed fixa algumas vezes ajuda, porque um acerto isolado
pode ser coincidência.
As etiquetas de qualidade fazem diferença mesmo?
Nos modelos que foram treinados com esses marcadores, geralmente sim, e a
própria página do modelo costuma recomendá-los. Em modelos que não os usaram no
treino, tendem a não fazer nada. Como isso varia bastante, o teste direto com e
sem eles, mantendo a seed fixa, responde mais rápido do que qualquer regra
geral.
