Generowanie grafiki za pomocą modeli AI dawno przestało być zabawą w losowanie obrazków. Dziś to element realnej produkcji: okładki, key visuale, storyboardy, tła pod animację, paczki assetów do kampanii. Różnica między amatorskim a profesjonalnym efektem rzadko wynika z wybranego modelu — wynika z precyzji opisu i powtarzalności procesu.
Ten przewodnik pokazuje, jak budować prompty warstwowo, jak używać wag i negatywów, jak utrzymać spójność postaci w serii, jak przenieść te nawyki do modeli wideo i jakich błędów unikać, gdy projekt ma termin i budżet.
Czym różni się dobre promptowanie od zgadywania
Dobre promptowanie to nie wymyślanie poetyckich opisów, lecz projektowanie instrukcji. Model nie zna intencji, zna tylko tokeny. Dlatego doświadczeni twórcy rozbijają opis na warstwy: podmiot, akcję, otoczenie, światło, styl, parametry techniczne. Każda warstwa odpowiada za inny fragment wyniku, a ich kolejność wpływa na to, które elementy model potraktuje priorytetowo.
Zgadywanie polega na dopisywaniu słów, aż obraz „jakoś” wygląda dobrze. Praca metodyczna polega na zmianie jednej zmiennej naraz i zapisywaniu wyników. Taki reżim pozornie zwalnia, ale w praktyce oszczędza czas, bo pozwala odtworzyć udany kadr po tygodniu i wygenerować warianty dla całej serii. Największą wartość daje nie jeden idealny prompt, ale biblioteka sprawdzonych bloków, które można łączyć jak klocki.
Druga różnica to myślenie o wyniku jako o serii, nie o pojedynczym obrazie. Kampania potrzebuje pięciu kadrów w tym samym stylu, a nie pięciu pięknych, ale niepasujących do siebie ilustracji. Dlatego od pierwszego promptu warto ustalać stałe elementy: paletę, kierunek światła, ogniskową, typ tła. Zmienne zostają tylko te, które faktycznie mają się różnić.
Anatomia promptu: warstwy i kolejność
Najprostszy działający schemat to sześć bloków ułożonych od najbardziej konkretnego do najbardziej abstrakcyjnego. Model zwykle nadaje większą wagę temu, co pojawia się na początku, dlatego podmiot i akcja idą pierwsze, a styl dopiero potem.
Blok pierwszy: podmiot. Zamiast „kobieta” napisz „kobieta około trzydziestu lat, krótkie czarne włosy, blizna nad lewą brwią, kurtka z oliwkowej skóry”. Konkret eliminuje konieczność poprawek, bo model nie musi zgadywać detali.
Blok drugi: akcja i kontekst. „Stoi na peronie, odwrócona bokiem, trzyma torbę podróżną, patrzy w prawo”. Czasowniki opisują pozycję ciała i kierunek spojrzenia, co jest kluczowe przy komponowaniu kadru z miejscem na tekst.
Blok trzeci: otoczenie. „Stary dworzec, mgła o świcie, rozmyte reflektory w tle, mokry asfalt”.
Blok czwarty: światło i kamera. „Miękkie światło boczne, kontrast 4:1, obiektyw 50 mm, przysłona f/2, lekki ziarno”. Ten blok odpowiada za realizm i najczęściej decyduje o tym, czy obraz wygląda jak zdjęcie, czy jak render.
Blok piąty: styl i medium. „Fotografia analogowa, Kodak Portra, delikatna desaturacja, brak efektu HDR”.
Blok szósty: parametry techniczne. Proporcje, rozdzielczość, seed, wersja modelu, poziom stylizacji.
Warstwa podmiotu i akcji
Najczęstszy błąd to opis emocji zamiast zachowania. „Smutna kobieta” daje przypadkowy rezultat, bo model nie ma pojęcia, jak wizualnie zakodować smutek. „Kobieta siedzi zgarbiona, dłonie splecione na kolanach, wzrok skierowany w podłogę” daje czytelny sygnał. Emocję buduje się gestem, światłem i kompozycją, nie przymiotnikiem.
Warto też rozdzielać podmiot od liczby elementów w kadrze. Jeśli w scenie ma być pies, walizka i rower, wpisz je osobno i wskaż relację: „obok walizki po prawej stronie kadru”. Modele gubią elementy, gdy są wymienione bez pozycji, i wtedy trzeba powtarzać próby.
Warstwa stylu, światła i kamery
Język fotografii działa lepiej niż język marketingu. Zwroty typu „cinematic” są zbyt pojemne. Konkretne odpowiedniki to: „kadr szeroki z niskiej perspektywy”, „światło okienne z lewej, ciepłe 3200 K”, „głębia ostrości ograniczona do pierwszej postaci”. To instrukcje, które model potrafi zrealizować.
Warto ustalić własny słownik stałych. Jeśli w projekcie obowiązuje „miękki kontrast, pastelowa paleta, lekka mgła”, trzymaj ten sam zapis w każdym prompcie. Synonimy wprowadzają szum i utrudniają odtworzenie serii.
Warstwa techniczna: proporcje, seed i parametry
Proporcje kadru ustawiaj przed generowaniem, nie przez przycinanie. Kwadrat pod avatar, 3:2 pod zdjęcie redakcyjne, 9:16 pod rolkę, 21:9 pod banner kinowy — każdy format inaczej wpływa na kompozycję i na to, ile miejsca model przeznaczy na tło.
Seed to najtańsze narzędzie kontroli. Ustalony seed z lekko zmienionym opisem pozwala zachować kompozycję i zmienić tylko detale. To podstawa pracy nad wariantami A/B. Jeśli natomiast chcesz zupełnie nowego układu, zmień seed razem z opisem — inaczej model wróci do starego schematu.
Wagi, negatywne prompty i kontrola nad niechcianymi elementami
Negatywny prompt to lista rzeczy, których model nie powinien rysować: „dodatkowe palce, rozmyte dłonie, znak wodny, tekst, podwójna głowa, sztuczna skóra”. Dobrze skonstruowana lista negatywów działa jak filtr jakości i jest tańsza niż ręczne retuszowanie.
Uwaga na przesadę. Dwadzieścia negatywnych fraz potrafi osłabić model, bo część z nich przypadkowo dotyczy elementów kluczowych dla sceny. Jeśli generujesz portret w ruchu, słowo „blur” w negatywach zniszczy naturalne rozmycie tła. Buduj listę stopniowo i testuj, co faktycznie poprawia wynik.
Wagi w nawiasach pozwalają podbić lub osłabić blok. Podbijaj ostrożnie: wartości powyżej 1.4 często powodują przesterowanie kolorów i dziwne artefakty na krawędziach. Zamiast agresywnie podbijać jedno słowo, lepiej dopisać drugie, bardziej precyzyjne w tym samym bloku.
Referencje obrazowe i spójność postaci w serii
Spójność postaci rozwiązuje się trzema metodami stosowanymi razem. Pierwsza to powtarzalny opis słowny — ten sam zestaw cech w każdym prompcie. Druga to referencja wizualna: zdjęcie twarzy, moodboard albo wcześniejszy wygenerowany kadr jako wzorzec stylu. Trzecia to modele spójności, czyli funkcje utrzymujące tożsamość postaci na podstawie jednej lub kilku próbek.
W praktyce najlepiej działa kolejność: najpierw ustal wzorzec twarzy na neutralnym tle w równym świetle, potem generuj sceny z tą referencją. Neutralny portret daje modelowi czysty sygnał i ogranicza dryf rysów w trudnych warunkach, na przykład przy mocnym kontraście lub profilu.
Referencja stylu działa inaczej niż referencja twarzy. Jeśli chcesz zachować paletę i fakturę, użyj zdjęcia jako wzorca stylu na niskiej sile, żeby nie kopiowało kompozycji. Wtedy uzyskasz spójną serię bez powtarzania tego samego kadru.
Warto dokumentować wszystko w jednym pliku: prompt, seed, referencje, wersję modelu, datę. Po dwóch tygodniach pamięć nie wystarcza, a odtworzenie kadru bez zapisu jest praktycznie niemożliwe.
Promptowanie modeli wideo: ruch, czas i kamera
Wideo wymaga trzech dodatkowych informacji: co się zmienia, jak szybko i jak porusza się kamera. Statyczny opis postaci to za mało. Model musi wiedzieć, gdzie zaczyna się ujęcie, gdzie kończy i co dzieje się pomiędzy.
Zasada praktyczna: jeden ruch na ujęcie. Jeśli w jednym klipie mają być obrót głowy, krok do przodu i zmiana światła, wynik najczęściej będzie nieprzewidywalny. Lepiej wygenerować trzy krótkie ujęcia i zmontować je w całość.
Czas opisuj konkretnie: „powolny najazd kamery, cztery sekundy, kamera zatrzymuje się na twarzy”. Modele rozumieją takie struktury lepiej niż ogólne „dynamiczna scena”.
Realizm kinowy i praca nad światłem
Modele nastawione na fotorealizm najlepiej reagują na język planu filmowego: typ ujęcia, ruch kamery, kierunek światła, obecność dymu lub kurzu w powietrzu. Warto dopisywać drobne niedoskonałości — lekkie drżenie kamery z ręki, nierówną ekspozycję, drobny szum. Nadmierna sterylność natychmiast zdradza generację.
Kluczowy jest też spójny kierunek światła między ujęciami. Jeśli pierwszy kadr ma światło z lewej, drugi musi je mieć z tej samej strony, inaczej montaż będzie wyglądał na zlepiony z różnych produkcji.
Modele o stylistyce ilustracyjnej
Modele trenowane na materiałach azjatyckich często lepiej radzą sobie z estetyką anime, mangi i animacji 2.5D. Ich mocna strona to czytelne sylwetki, dynamiczne pozy i wyrazista kolorystyka. Słabsza strona to realizm skóry i fizyka tkanin.
W takich modelach warto opisywać styl warstwami: „gruba linia konturu, cel shading, dwie warstwy cienia, akwarelowe tło”. Dopisanie nazwy medium działa lepiej niż nazwy konkretnego studia, bo ta druga często prowadzi do kopiowania znanych postaci.
Multimodalność i wiele referencji
Nowsze modele przyjmują kilka wejść jednocześnie: tekst, zdjęcie postaci, zdjęcie tła, szkic kompozycji. To potężne narzędzie, ale wymaga dyscypliny. Każda referencja powinna mieć jasno określoną rolę: „pierwsze zdjęcie definiuje twarz, drugie tylko paletę i fakturę”. Bez tego model miesza elementy i próbuje połączyć twarz ze stylem w sposób dosłowny.
Przy wielu referencjach zmniejsz siłę oddziaływania stylu i zwiększ wagę tekstu opisującego akcję. To prosty sposób na utrzymanie kontroli nad kompozycją.
Workflow produkcyjny krok po kroku
Krok pierwszy: brief wizualny w pięciu zdaniach. Cel, odbiorca, format docelowy, nastrój, trzy rzeczy zakazane. To dokument, do którego wracasz przy każdej wątpliwości.
Krok drugi: szkic kompozycji. Nawet prosty rysunek lub zdjęcie referencyjne wystarczy, by ustalić miejsce na tekst i punkty zainteresowania.
Krok trzeci: generowanie testowe w niskiej rozdzielczości i w małej liczbie prób. Celem nie jest piękno, lecz sprawdzenie kompozycji i świateł.
Krok czwarty: iteracja jednej zmiennej. Zmieniasz światło albo tło, nigdy jedno i drugie.
Krok piąty: finalizacja w wysokiej rozdzielczości z ustalonym seedem, a następnie wybór trzech najlepszych kandydatów.
Krok szósty: korekta w edytorze — wyrównanie kadru, retusz drobnych błędów, ujednolicenie palety.
Krok siódmy: archiwizacja. Prompt, seed, ustawienia i plik wynikowy w jednym folderze. Bez tego nie da się prowadzić serii ani wrócić do projektu po miesiącu.
Typowe błędy i szybkie poprawki
Błąd pierwszy: przeładowany prompt. Jeśli opis ma dwieście słów i opisuje wszystko naraz, model gubi hierarchię. Skróć do najważniejszych sześciu bloków.
Błąd drugi: sprzeczne instrukcje. „Miękkie światło” i „ostry kontrast” w jednym opisie dają efekt mętny. Wybierz jedną dominantę.
Błąd trzeci: opis stylu bez opisu treści. Sam „cyberpunk” wygeneruje kliszę. Dopisz podmiot, akcję i światło.
Błąd czwarty: brak kontroli nad dłońmi i oczami. Dodaj negatywy i sprawdzaj te dwa obszary jako pierwsze przy ocenie.
Błąd piąty: zmiana modelu w połowie serii. Każdy model ma własną interpretację stylu, więc przeskok psuje spójność. Jeśli musisz zmienić narzędzie, zrób to na etapie testów, nie finalizacji.
Błąd szósty: brak miejsca na tekst. Kadr pełen detali po obu stronach wygląda dobrze sam, ale nie działa jako tło pod napisy. Rezerwuj jedną trzecią kadru na spokojny obszar.
Jak wybrać model: kryteria decyzyjne
Wybór narzędzia powinien wynikać z zadania, nie z mody. Poniższa tabela porządkuje najważniejsze kryteria.
| Kryterium | Kiedy ma znaczenie | Jak testować |
|---|---|---|
| Realizm | zdjęcia produktowe, portrety | ten sam prompt w trzech modelach, ocena skóry i materiałów |
| Spójność postaci | seria, komiks, kampania | pięć kadrów tej samej postaci w różnych ujęciach |
| Kontrola kompozycji | plakaty z tekstem, layouty | test z zarezerwowanym marginesem |
| Styl ilustracyjny | anime, książki, gry | porównanie linii i cieni |
| Wideo | reklama, rolki | cztery sekundy ruchu kamery |
| Powtarzalność | praca zespołowa | seed plus referencje, ten sam wynik u dwóch osób |
Praktyczna rekomendacja: wybierz dwa modele do obrazów i jeden do wideo. Jeden model główny do finalnych kadrów, jeden pomocniczy do eksploracji stylu. Trzy narzędzia w jednym projekcie to maksimum, przy którym da się jeszcze panować nad spójnością.
Gotowe szablony promptów
Szablon portretu redakcyjnego: „[podmiot z trzema cechami], [pozycja i kierunek spojrzenia], [otoczenie], miękkie światło boczne, obiektyw 85 mm, f/2.0, fotografia analogowa, delikatna desaturacja, kadr 3:2, miejsce na tekst po prawej”.
Szablon produktu: „[produkt] na [powierzchnia], tło [kolor], światło z góry przez softbox, cień miękki po lewej, obiektyw makro, ostrość na etykiecie, brak odbić, kadr kwadratowy”.
Szablon sceny narracyjnej: „[postać] [akcja] w [miejsce], pora dnia [pora], światło [kierunek i temperatura], mgła w tle, plan średni z niskiej perspektywy, paleta [trzy kolory], styl ilustracyjny z grubą linią konturu”.
Szablon wideo: „ujęcie czterosekundowe, [postać] [jeden ruch], kamera powoli najeżdża z prawej, światło [kierunek], brak cięć, realistyczna faktura skóry, spokojne tło, format 16:9”.
Traktuj te szablony jak szkielet, nie jak gotowy tekst. Ich wartość polega na tym, że wymuszają opisanie każdej warstwy, zanim zaczniesz dodawać ozdobniki.
FAQ: najczęstsze pytania o prompty
Czy długi prompt zawsze jest lepszy? Nie. Liczy się hierarchia i brak sprzeczności. Prompt na sto słów z jasną strukturą zwykle wygrywa z trzystoma słowami chaosu.
Czy warto pisać prompty po polsku? Modele radzą sobie z polskim coraz lepiej, ale techniczne słownictwo fotograficzne i filmowe działa najstabilniej po angielsku. Praktyczny kompromis: opis treści po polsku, parametry techniczne po angielsku.
Jak szybko sprawdzić, czy model rozumie mój styl? Wygeneruj trzy kadry z tym samym promptem i różnymi seedami. Jeśli styl jest spójny, model dobrze zinternalizował opis. Jeśli nie, opis jest zbyt ogólny.
Ile prób potrzeba do dobrego kadru? Przy uporządkowanym prompcie zwykle od pięciu do piętnastu. Przy chaotycznym — setki, i nadal bez gwarancji powtórzenia.
Co zrobić, gdy postać zmienia twarz między kadrami? Ustal wzorzec twarzy na neutralnym tle, zapisz seed i używaj referencji w każdym kolejnym ujęciu. Dodatkowo powtarzaj trzy niezmienne cechy w opisie słownym.
Czy negatywne prompty są nadal potrzebne? W wielu modelach tak, choć ich rola maleje. Największą wartość mają w kontroli dłoni, tekstu i artefaktów na krawędziach.
Jak łączyć grafikę i wideo w jednym projekcie? Zbuduj najpierw zestaw kadrów w jednym stylu, potem użyj najlepszego z nich jako referencji stylu dla wideo. Dzięki temu przejście między materiałem statycznym a ruchem nie będzie wyglądało na przypadkowe.
Podsumowanie, czyli co robić od jutra
Zacznij od jednego prostego nawyku: zapisuj każdy udany prompt razem z seedem i referencjami. To niewielki wysiłek, który zamienia pojedyncze udane obrazy w powtarzalny system produkcyjny. Drugi nawyk to zmiana jednej zmiennej na iterację — najskuteczniejszy sposób nauki reakcji modelu na konkretne sformułowania. Trzeci to stały słownik stylu, wspólny dla całego projektu.
Gdy te trzy elementy działają, wybór modelu staje się drugorzędny. Narzędzia będą się zmieniać, ale umiejętność rozłożenia wizji na warstwy, kontrolowania światła, kompozycji i spójności postaci zostanie z tobą niezależnie od tego, jaki model pojawi się w następnej kolejności. To właśnie ta umiejętność, a nie znajomość magicznych fraz, oddziela prace przypadkowe od profesjonalnych.
