AI绘图教程|Stable Diffusion(SD)提示词的使用指南以及相关注意事项

今天给大家分享的是Stable Diffusion提示词相关内容

提示词插件以及万字提示词库，可以扫描下方，免费获取

01、提示词基本概述

提示词通常是在文生图和图生图的时候会使用到，提示词由多个描述性词汇组成，由逗号隔开，结尾不需要加分隔符（注：一般都是英文词汇和英文逗号）。

提示词分为正向提示词（positive prompt）和反向提示词（negative prompt），用来告诉AI我们想要生成什么和不想生成什么。

SD提示词支持多种类型的表达方式，包括英语单词、短语，自然语言，颜文字、emoji表情

我们固定种子点为4182552405，使用MajicMixRealistic_V7模型，对比英语单词、颜文字、emoji表情看下效果：

SD对于这3种提示词都可以识别，但识别效果上稍微有点差别

02、提示词顺序

提示词网上有个说法建议按如下顺序进行书写：

综述（图像质量+风格+镜头效果+光照效果+主题）

主体（人物&对象+动作+服装+饰品+道具）

细节（场景+环境）

1)、质量提示词通常是整个画面的清晰度，分辨率，质量等等关键词汇组成。

如：masterpiece,best quality,8k,Ultra-high resolution

2)、风格提示词如有则建议放在质量提示词后面，例如某个画家或某些影视作品的风格

如：ghibli style

3)、镜头效果通常用来体现主体在画面中的位置，

如长镜头(long shot)，短镜头(short shot)，全景镜头(panoramic)等，镜头通常最后只选择其中一种即可。

4)、光照效果

通常是环境的灯光效果

如电影级照明(cinematic lighting), 丁达尔效应(tyndall effect), 体积光(volumetric lighting)等

5)、主题提示词这里通常是指整个画面呈现什么样的主题，与风格有所区别，如深色主题(dark theme)，明亮主题(bright theme)等

6)、主体提示词通常这里才是描绘我们整体想生成的作品内容

如：1girl,beautiful face,long hair,white hair,

7)、动作提示词通常这里是我们主体的一些动作表现，

如跑(running)，走(walking)，笑(smile)等

8)、服装提示词这里是我们主体的服装表现，

如裙子(dress)，鞋子(shoes)，外套(coat)等

9)、饰品提示词

这里通常是主体身上的一些饰品，

如头花(hair flower)，手镯(bracelet)，项链(necklace)等

10)、道具提示词通常这里是主体相关的道具，

如手提包(handbag)，话筒(microphone)，照相机(camera)等等

11)、场景提示词通常这里放主体所在的一些场景提示词，例如城市(city)，咖啡厅(coffer shop)，商场(mall)等

12)、环境提示词这里通常是所处的自然环境，

如白天(day)，晚上(night)，雨天(rain)等

实际我测试的时候，基本符合这个说法，下面我给大家演示下：

使用提示词：panda,bicycle,park 包含标点符号一共6个tokens

种子数：-1 随机种子

分辨率：512*512

迭代步数：30

提示词中的熊猫、自行车、公园在生成的图片都体现出来了，现在我把熊猫的单词顺序移到提示词的后面

同一批生成的10个照片有1个没有出现熊猫，分析可能是把熊猫移动到后面后，权重变低了，抽卡的过程可能会出现没有熊猫。

这个问题在网上看过一篇类似的文章：说是把熊猫移动到提示词的后面后，很大概率抽卡的图片没有熊猫，分析原因是：

提示词的位置顺序对其所营造的语境有着重要影响，这一点对于使用过ChatGPT的用户来说应该并不陌生，ChatGPT会根据上下文来理解你的意图。

SD的语言模型部分也是遵循这一原理。例如，当我最初输入的提示词是“panda（熊猫）, bicycle（自行车）, city（城市）, flower（花）”时，模型可能会按照这些词的顺序将它们连贯起来，理解为“熊猫在有花的城市里骑车”的场景。然而，当调整提示词的顺序，将熊猫放到最后时，模型可能首先会联想到“自行车在有花的城市里”的画面。但随后，当我在这个场景中突然加入一个熊猫时，模型可能会感到困惑，不太理解熊猫在这个场景中的具体意义，以至于最终生成的图片中甚至可能不会出现熊猫。

我使用新版本没有测试出来这个问题，可能是新版本的SD语言模块优化了这个问题，提示词按照顺序调整权重。

03、提示词权重语法

上节我们讨论过，提示词在列表中的位置越靠前，其权重就越高。不过，在撰写提示词时，还有其他方法可以增加其权重，这其中就涉及到了运用各种提示词符号的技巧。

1)、逗号(,)

提示词之间是通过逗号进行分隔，这样也可以认为逗号在一定程度上具有权重排序的功能，即逗号前面的提示词权重大于逗号后面的权重。

2)、圆括号()

提升提示词的权重至原来的1.1倍。如果存在多层圆括号，则其权重为1.1的N次方（N为圆括号的层数）。

如，对于((1girl))，1girl的权重就被提升为1.1×1.1=1.21倍，以此类推。

3)、冒号(😃

用来自定义词汇的权重。即使该词汇在列表中排在后面，我们也可以通过冒号来提升它的权重。通常，冒号会与圆括号一起使用。

如，(1girl:1.5)表示1girl的权重被设定为1.5倍。

4)、花括号{}能够提升词汇的权重至原来的1.05倍。其使用方法与圆括号类似。

如，对于{{1girl}}，1girl的权重就被提升为1.05×1.05=1.1025倍。

5)、方括号[]

具有降低权重的作用，会将词汇的权重降低至原来的1/1.05倍。

如，[1girl]表示1girl的权重被降低为0.952倍。

这些符号怎样书写使用，书写方式一般有两种，第一种是直接以叠括号的方式书写：

(提示词):圆括号每层增加1.1倍

{提示词}:花括号每层增加1.05倍

[提示词]:方括号每层降低1.1倍

这样的写法稍微有点复杂，推荐另一种写法：**
**

(提示词:权重数值)，其中权重数值的范围0.1-100，数值大于1代表提高权重，小于1代表降低权重。

如：bicycle,park,flower,(panda:1.2),圆括号把熊猫括起来，后面跟上一个:1.2，表示熊猫的权重是1.2倍

上面这两种方法操作还是有些麻烦，这里给大家推荐一种快捷键的操作方法：

我想要调整“熊猫”这个提示词的权重，可以先使用鼠标将其选中。

通过按住CTRL键的同时，利用键盘的上下方向键，我就可以方便地更改这个提示词的权重数值了。这种方法省去了每次手动输入括号和冒号的繁琐步骤，使得操作更加便捷。

04、交替语法

这种语法允许你在每一步中交替计算不同的提示词，其书写格式为：

[提示词1|提示词2|…]，你可以添加多个提示词，

但需要注意的是，这种语法不支持为提示词添加权重。

这种语法的典型应用是创建融合图像。例如，我可以在方括号中写入“熊猫”和“狗”这两个提示词，并用竖线分隔它们。这样，SD模型就会在第一步计算“熊猫”的特征，第二步计算“狗”的特征，第三步再次计算“熊猫”的特征，以此类推，最终生成一个融合了“熊猫”和“狗”特征的图像。

这样的熊猫|狗 是不是特可爱

它也能添加多个提示词，例如我这里分别写了熊猫，狗和老虎，它就会先第一步计算熊猫，第二步计算狗，第三步计算老虎以此类推：

05、组合语法

组合语法与交替语法在某些方面相似，但它们的计算原理有所不同。组合语法更像是将各个提示词的结果直接相加，并且它还支持为提示词添加权重。其书写方式是：

将提示词依次列出，并使用“连接词”进行连接，如“提示词1 AND 提示词2 AND …”，其中提示词的数量可以是多个。

1. AND连接词

提示词1 AND 提示词2 AND

如提示词：1girl,green AND red hair

AND是以后右边的为主题，然后融合了AND左边的一点颜色。当提示词后面不输入数值的时候权重默认为1，你也可以在提示词后面冒号加数值的方式手动赋予权重：

我个人认为，组合语法更适合用于场景的融合。比如，当我输入的提示词是“熊猫”和“海洋”时，画面中虽然会同时出现熊猫和海洋的元素，但它们可能各自独立。

然而，当我使用“AND”将这两个提示词组合起来后，效果就仿佛是将一个熊猫的图像和一个海洋的图像融合在了一起，熊猫甚至会被呈现为在水中。

这两种现象也不是绝对的，多次抽卡，“熊猫”和“海洋”中间不加入AND，也可以抽卡出熊猫在水里的图片

2)and

将多个词缀聚合成一个提示词组，如：1girl,white hair and black hair

生成的头发每次抽卡没有规律，有时候是全部白头发，有时白头发中间有黑头发。也可以给每个关键词调整权重

查相关的资料说的是：and前后的初始权重一致，实际测试发现权重偏向于and前面的词

3. 竖(|)

这个是交替渲染的一个连接词，我们可以看下效果

例如：1girl,(green|red|yellow) hair

SD会先绘画绿色的头发，再将红色的头发渲染上去，最后再将黄色的头发渲染上去，会融合不同的颜色，不会有非常明显的颜色分块。抽卡生成图片的时候，绿色和红色会不太明显，偏重于黄色

4)加号(+)

这个与AND连接符功能类似，

1girl,(green hair)+(red hair)+(yellow hair)

多个提示词进行融合后的图像

5)下划线(_)

会将多个关键词进行融合

1girl,(green hair)(red hair)(yellow hair)

测试看and、+、_ 三个连接词的效果基本一样

06、*打断语法*

SD的语言模型具有结合上下文进行理解的能力，而“打断语法”则是一种用于切断前后提示词之间联系的技巧，其书写方式为大写字母“BREAK”。

先看一个例子，提示词为“girl, red hat, blue clothes, green pants”：

你会发现原本应该是红色的帽子变成了蓝色的帽子。这是由于“red hat”这个提示词受到了“blue clothes”的干扰和影响，导致颜色判断出现了偏差。这就是我们常说的“提示词污染”现象。值得注意的是，当前的tokens数量只有12个，而它们的最大值可以达到75个。

当我们在帽子和衣服之间加入BREAK这个打断语法观察一下，现在tokens的数量变成了81，最大值变成150：

这就是打断语法发挥作用的原理。SD的标准处理方式是每75个tokens组成一个组，如果超出这个数量，就会被分割成两个组分别进行计算，然后再合并生成图像。

第75个tokens与第76个tokens之间的关联性相对较弱。而BREAK这个语法的作用就相当于强制将提示词填充到每组的75个tokens位置，从而打断前后提示词之间的关联性。

如果我们只保留BREAK语法之前的提示词，并删除其后的内容，那么tokens的数量就恰好达到了75个。

由于这种打断关联性的操作，在一定程度上可以减少提示词污染的情况，使得生成的图像更加符合我们的预期。

但是测试发现打断关联性后，red hat 的作用好像减弱了，变成随机生成帽子的颜色，抽卡多次才能抽取到红色的帽子，原因暂时还没研究出来。

07、调用Lora

调用Lora通常是由<>包围

1)、在SD界面点击Lora，会显示目前你已有的lora

我们只需要点击需要使用的Lora，就可以在提示词里自动加载该Lora，

部分lora提示词需要触发词，在调用这个lora时，需要加入触发词

08、常用的提示词

1)、提高质量的正向提示词

正向提示词	描述
HDR, UHD, 8K (HDR、UHD、4K、8K和64K）	这样的质量词可以带来巨大的差异提升照片的质量
best quality	最佳质量
masterpiece	杰作
Highly detailed	画出更多详细的细节
Studio lighting	添加演播室的灯光，可以为图像添加一些漂亮的纹理
ultra-fine painting	超精细绘画
sharp focus	聚焦清晰
physically-based rendering	基于物理渲染
extreme detail description	极其详细的刻画
Professional	加入该词可以大大改善图像的色彩对比和细节
Vivid Colors	给图片添加鲜艳的色彩，可以为你的图像增添活力
Bokeh	虚化模糊了背景，突出了主体，像 iPhone 的人像模式
(EOS R8, 50mm, F1.2, 8K, RAW photo:1.2)	摄影师对相机设置的描述
High resolution scan	让你的照片具有老照片的样子赋予年代感
Sketch	素描
Painting	绘画

2)、艺术风格代表的提示词

艺术风格	艺术家
肖像画（Portraits）	Derek Gores, Miles Aldridge, Jean Baptiste-Carpeaux, Anne-Louis Girodet
风景画（Landscape）	Alejandro Bursido, Jacques-Laurent Agasse, Andreas Achenbach, Cuno Amiet
恐怖画（Horror）	H.R.Giger, Tim Burton, Andy Fairhurst, Zdzislaw Beksinski
动漫画（Anime）	Makoto Shinkai, Katsuhiro Otomo, Masashi Kishimoto, Kentaro Miura
科幻画（Sci-fi）	Chesley Bonestell, Karel Thole, Jim Burns, Enki Bilal
摄影（Photography）	Ansel Adams, Ray Earnes, Peter Kemp, Ruth Bernhard
概念艺术家（视频游戏）（Concept artists (video game))	Emerson Tung, Shaddy Safadi, Kentaro Miura

3)、常用的反向提示词

反向提示词	描述
mutated hands and fingers	变异的手和手指
deformed	畸形的
bad anatomy	解剖不良
disfigured	毁容
poorly drawn face	脸部画得不好
mutated	变异的
extra limb	多余的肢体
ugly	丑陋
poorly drawn hands	手部画得很差
missing limb	缺少的肢体
floating limbs	漂浮的四肢
disconnected limbs	肢体不连贯
malformed hands	畸形的手
out of focus	脱离焦点
long neck	长颈
long body	身体长

4)、镜头视角

提示词	描述
dynamic angle	动态角度
from above	从上方
from below	从下面
wide shot	广角宽景
Aerial View	空中俯瞰视图

5)、主体远近

提示词	描述
full body shot	全身
cowboy shot	半身
close-up shot	接近

6)、光线

提示词	描述
cinematic lighting	电影光
dynamic lighting	动感光

7)、主体视线

提示词	描述
looking at viewer	画面中的物体或人物在直接面对画面或观众
looking at another	两个角色正在相互交流或对视
looking away	看着别的方向，不直视对方
looking back	回头看
looking up	摄像机或观察者的视角调整为向上看

8)、画风

提示词	描述
sketch, one-hour drawing challenge	草图、速写、手绘风
photograph, photorealistic	照片

9)、表情

提示词	描述
blush	脸红
wet sweat	大汗
flying sweatdrops	飞汗

10)、服装

提示词	描述
china dress	旗袍
sailor dress	水手服
school uniform	校服
sailor senshi uniform	水手服

11)、风景指定

提示词	描述
underwater	水下
shinto shrine	神社

12)、姿势指定

提示词	描述
hands on	hands on own face, hands on feet, hands on breast
kneeling	跪下
hand between legs	腿夹手
hair flip	将头发向后或向一侧甩动的动作
skirt flip	裙子甩起来

关于AI绘画技术储备

学好 AI绘画 不论是就业还是做副业赚钱都不错，但要学会 AI绘画 还是要有一个学习规划。最后大家分享一份全套的 AI绘画 学习资料，给那些想学习 AI绘画 的小伙伴们一点帮助！

对于0基础小白入门：

如果你是零基础小白，想快速入门AI绘画是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以找到适合自己的学习方案

包括：stable diffusion安装包、stable diffusion0基础入门全套PDF，视频学习教程。带你从零基础系统性的学好AI绘画！

零基础AI绘画学习资源介绍

👉stable diffusion新手0基础入门PDF👈

（全套教程文末领取哈）

👉AI绘画必备工具👈

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉AI绘画基础+速成+进阶使用教程👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉12000+AI关键词大合集👈

这份完整版的AI绘画全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】