Stable Diffusion提示词教程（附12000+提示词）

提示词所做的工作是缩小模型出图的解空间，即缩小生成内容时在模型数据里的检索范围，而非直接指定作画结果。
提示词的效果也受模型的影响，有些模型对自然语言做特化训练，有些模型对单词标签对特化训练，那么对不同的提示词语言风格的反应就不同。

提示词内容

示词中可以填写以下内容：

•自然语言 可以使用描述物体的句子作为提示词。大多数情况下英文有效，也可以使用中文。避免复杂的语法。

•单词标签 可以使用逗号隔开的单词作为提示词。一般使用普通常见的单词。单词的风格要和图像的整体风格搭配，否则会出现混杂的风格或噪点。避免出现拼写错误。 可参考Tags | Danbooru (donmai.us)

•Emoji、颜文字 Emoji ( )
表情符号也是可以使用并且非常准确的。因为
Emoji 只有一个字符，所以在语义准确度上表现良好。关于 emoji 的确切含义，可以参考Emoji List, v15.0
(unicode.org)，同时 Emoji 在构图上有影响。

对于使用 Danbooru 数据的模型来说，可以使用西式颜文字在一定程度上控制出图的表情。如：😃 微笑 😦 不悦 😉 使眼色 😄 开心 😛 吐舌头 :-C
很悲伤 😮 惊讶 张大口 😕 怀疑

提示词语法

根据自己想画的内容写出提示词，多个提示词之间使用英文半角符号 [ ,]如：

masterpiece, best quality, ultra-detailed, illustration, close-up, straight
on, face
focus, 1girl,
white hair, golden eyes, long hair, halo, angel wings, serene expression,
looking at viewer

一般而言，概念性的、大范围的、风格化的关键词写在前面，叙述画面内容的关键词其次，最后是描述细节的关键词，大致顺序如：

(画面质量提示词), (画面主题内容)(风格), (相关艺术家), (其他细节)

不过在模型中，每个词语本身自带的权重可能有所不同，如果模型训练集中较多地出现某种关键词，我们在提示词中只输入一个词就能极大地影响画面，反之如果模型训练集中较少地出现某种关键词，我们在提示词中可能输入很多个相关词汇都对画面的影响效果有限。
提示词的顺序很重要，越靠后的权重越低。关键词最好具有特异性，譬如 Anime(动漫)一词就相对泛化，而 Jojo 一词就能清晰地指向 Jojo
动漫的画风。措辞越不抽象越好，尽可能避免留下解释空间的措辞。

可以使用括号人工修改提示词的权重，方法如：

•(word) - 将权重提高 1.1 倍

•((word)) - 将权重提高 1.21 倍（= 1.1 * 1.1）

•[word] - 将权重降低至原先的 90.91%

•(word:1.5) - 将权重提高 1.5 倍

•(word:0.25) - 将权重减少为原先的 25%

•(word) - 在提示词中使用字面意义上的 () 字符

( n ) = ( n : 1.1 ) (( n )) = ( n : 1.21 ) ((( n ))) = ( n : 1.331 ) (((( n
)))) = ( n : 1.4641 ) ((((( n )))) = ( n : 1.61051 ) (((((( n )))))) = ( n :
1.771561 )

请注意，权重值最好不要超过 1.5。

还可以通过 Prompt Editing 使得 AI 在不同的步数生成不一样的内容，譬如在某阶段后，绘制的主体由男人变成女人。

语法为：

[to:when] 在指定数量的 step 后，将to处的提示词添加到提示[from::when] 在指定数量的 step 后从提示中删除 from处的提示词[from:to:when] 在指定数量的 step 后将 from处的提示词替换为 to处的提示词

例如: a [fantasy:cyberpunk:16] landscape 在一开始，读入的提示词为：the model will be drawing
a fantasy landscape. 在第 16 步之后,提示词将被替换为：a cyberpunk landscape, 它将继续在之前的图像上计算

又例如，对于提示词为: fantasy landscape with a [mountain:lake:0.25] and [an oak:a
christmas tree:0.75][ in foreground::0.6][ in
background:0.25][shoddy:masterful:0.5]，100 步采样， 一开始。提示词为：fantasy landscape
with a mountain and an oak in foreground shoddy 在第 25 步后，提示词为：fantasy
landscape with a lake and an oak in foreground in background shoddy 在第 50
步后，提示词为：fantasy landscape with a lake and an oak in foreground in background
masterful 在第 60 步后，提示词为：fantasy landscape with a lake and an oak in background
masterful 在第 75 步后，提示词为：fantasy landscape with a lake and a christmas tree in
background masterful

提示词还可以轮转，比如

[cow|horse] in a field

在第一步时，提示词为“cow in a field”；在第二步时，提示词为"horse in a field.“；在第三步时，提示词为"cow in a
field” ，以此类推。

Token

实际上，程序是将输入的关键词以 Token 的形式传入模型进行计算的：

“ (Medieval astronomer using a telescope with a cosmic starry sky in the
background.sketch, hand draw style, con, uncomplicated background )”转换为 Token
ID 即： 263, 10789, 40036, 1996, 320, 19037, 593, 320, 18304, 30963, 2390, 530,
518, 5994, 8, 11, 263, 5269, 267, 2463, 4001, 1844, 267, 5646, 267, 569,
16621, 5994, 264 。

一个单词可能对应一个或多个 Token，多个单词也可能对应同一个 Token。