万字总结:Stable Diffusion_Prompt详细指南，成为SD提示词专家，看这一篇就够了

本文系统、专业、详尽地介绍了Stable Diffusion的提示词Prompt的大量专业知识。大家可以通过polychat.cn体验文中提到的Stable Diffusion的强大能力，无论移动端还是pc端，点开即可体验，支持中文输入
文末附有Stable Diffusion提示词手册，里面收纳整理了大量实用提示词，适用于广大AI绘画者，需要的文末获取：

一、什么是Prompt

Prompt，译为提示词，指的是以书面或口头语言形式向计算机系统发出的指令。这些指令可以指导网络生成更加符合要求的输出结果。在图像生成领域，Prompt 可以用来指导生成理想的图像。

在 SD(Stable Diffusion) 中，Prompt 被分为正向提示词 (Positive Prompt) 和反向提示词 (Negative Prompt)。

正向提示词是指你想要在画面中看到的东西，例如一个美丽的日落或者是一只可爱的小狗。反向提示词是指你想要避免在画面中出现的东西，例如障碍物或者是不必要的元素。

使用 Prompt 可以帮助图像生成算法更加准确地生成所需的图像，并且可以大大提高生成的图像的质量和效果。

计算机并不是直接理解文字的，为了让计算机能够理解文字，需要进行一系列处理。其中第一步就是分词，即将提示词分割为一个个词元的过程。但是有时候我们会发现，提示词的字数和 token 数并不相同。

对于 stable diffusion 采用的 CLIP 模型进行分词的情况，分词并不是简单地按照字符数量进行的。举个例子，对于单词"Dreambeach"(蓝梦岛),模型可能之前没有见到过这个单词，但是其中"dream"和"beach"两个词在之前的语言数据中频率较高，因此模型会将这个词分解成它已知的"dream"和"beach",然后分别作为两个 token 来处理，而不是将整个单词视为一个 token。这就是为什么提示词的字数和 token 数可能会不同的原因。

大多数情况下，提示词的字数和 token 数是相同的，因为分词算法通常会将提示词按照字符数量进行分割，并分别作为不同的 token 来处理。但是在某些情况下，由于语言的复杂性和模型的个体差异，可能会出现提示词的字数和 token 数不同的情况。

二、Prompt的类型

2.1单词标签 (Word Tags)

单词标签是用一个字或者一个词来表达画面中的元素，并使用特定的语法对权重进行调整。这是我们最常用的方式之一。

对于在单词标签上特化训练的模型，建议使用逗号隔开的单词作为提示词。在书写时，应避免出现拼写错误，因为模型可能会将拼写错误的单词拆分为字母处理。

需要注意的是，手一直是图像生成中的难点。如果你一直在提示词中过度强调手的缺点，比如对手的描述，那么模型会认为重点是手，可能会出现让你不满意的结果。

因此，如果整个画面不需要手的出现，建议在反向提示词中输入没有手。如果需要控制手部细节，建议使用ControlNet等技术来控制。

2.2自然语言 (Natural Language)

对于在自然语言上特化训练的模型，建议使用描述物体的句子作为提示词。自然语言是我们平常沟通所使用的语言，例如中文、英文或其他语言。例如，一个拥有金色头发带着花环，穿着白色纱裙的女孩正坐在一棵月桂树下，她的周围是粉色薰衣草草地。

可以使用英文、日文、特殊符号或一些中文，但是还是建议使用英文。支持日文主要是因为训练数据集中包含 Danbooru 等网站的内容。另外，不要使用太过于复杂的语法，语言模型可能无法理解，导致在解析上出现偏差。

2.3 Emoji和颜文字 (Emoji and emoticons)

Emoji 和 颜文字都是用于表达情感和意图的字符，由于它们只有一个字符，因此在语义理解上准确度很高。如果有需要，可以采用 Emoji 或 颜文字来表达情感或意图。例如，在表达“耶”这个表情时，使用 Emoji 字符会更加方便和准确。

2.4标点符号 (Punctuation)

标点符号是语言表达中非常重要的一部分，可以辅助文字表达不同的语义和语气。以下是一些基础的标点符号用法，更多详细信息可以参考提示词进阶部分。

【,】逗号是一种常用的标点符号，用于分割两个或多个词语或句子。在逗号的作用范围内，它有一定的权重排序功能。逗号前的词语或句子权重较高，逗号后的词语或句子权重较低。

【{ }】花括号独立使用时同样用于增加Prompt的权重，例如，【blue hair】没有数值，默认权重为1。而【{blue hair}】则表示增加默认权重，此时权重为1.05。

【（）】圆括号独立使用时用于增加Prompt的权重，例如，【blue hair】没有数值，默认权重为1。而【(blue hair)】则表示增加默认权重，此时权重为1.1。

【[ ]】方括号用于减少某些词语的权重,不支持自定义数值。例如，【[blue hair]】表示【blue hair】这个词语的权重是 0.9。如果 NovelAI 使用的是在 22 年 9 月 29 号之前的版本，那么方括号的权重会减弱 0.05，即变成 0.95。

【：】冒号是一种常用的标点符号，用于表示后面的语句是前面语句的扩展或补充。例如，【（blue hair:1.5）】表示【（blue hair）】这个词语的权重是 1.5。在自定义权重数值时，冒号后面的数字表示该词语在整体语句中的权重值。

三、如何撰写Prompt

一般来说，可以按照以下格式来：主题(Subject) + 媒介(Medium) + 风格(Style) + 艺术家(Artist) + 网站(Website) + 质量(Quality) + 附加细节(Additional details) + 色彩色调(Color) + 灯光(Lighting) +反向提示词(Negative Prompt)，撰写时不需要把所有的类别都写上，只选择自己最需要的来就行。

3.1主题 (Subject)

主题是画面的灵魂，是锚定画面内容的关键。在生成画面时，必须详细准确地描述主题，以便模型能够理解我们的需求。例如，如果我们想生成一个女孩子，我们不能只写“1girl”,而是需要描述这个女孩子的外貌、穿着、动作等细节，例如她长发还是短发、穿什么衣服、站在哪个地方、做什么样的动作等。只有这样，模型才能准确地理解我们的需求，并生成出符合我们期望的画面。

3.2 媒介 (Medium)

媒介和材料是Prompt中非常重要的一部分，它们可以直接影响到整个作品的风格。例如，手绘作品通常具有独特的纹理和色彩，而摄影则更加注重构图和光线的运用。此外，3D 渲染则可以创造出更加逼真的视觉效果，满足不同创作需求。

3.3 风格 (Style)

不同的艺术风格具有不同的特点和表现形式。例如，野兽派强调色彩和形状的夸张表现，印象派则注重对光影和色彩的变化捕捉，超现实主义则强调梦境和现实的融合，达达主义则强调对传统的颠覆和破坏，波普艺术则更加注重大众文化和消费品的表现形式。

3.4艺术家 (Artist)

艺术家是一个非常强大的修饰词，使用它可以让模型直接参考特定艺术家的风格来进行创作。例如，穆夏是一位非常著名的艺术家，他的作品风格非常富有时代感，使用这个修饰词后，模型可以直接使用穆夏的风格来进行创作，而无需过多地调整。需要注意的是，只有当艺术家的数据被模型学习过，这个修饰词才能生效。

3.5网站 (Website)

在提示词中加入网站信息，比如 Artstation 和 Deviant Art，可以让图像看起来像在这些网站上找到的一样。模型训练的时候抓取了很多网站的数据，因此使用它们作为提示词，可以让模型更好地掌握这些艺术风格和设计趋势，从而生成更加逼真的图像。

3.6质量 (Quality)

画面品质是一个非常重要的因素，使用高质量的词汇，如“masterpiece”或“best quality”,可以提高图像的品质和吸引力。这些词汇可以让模型更好地理解你对图像的要求，从而生成更加逼真、高质量的图像。

3.7附加细节 (Additional details)

使用附加信息可以为图像增加氛围，比如使用科幻、赛博朋克或蒸汽朋克等词汇，可以让图像看起来更加具有时代感和科技感。这些词汇可以让模型更好地理解你对图像的要求，从而生成更加逼真、有氛围的图像。

3.8色彩色调 (Color)

使用颜色可以创建不同的视觉风格和氛围。例如，暖色调的颜色可以营造出温馨、热情和亲密的感觉，而冷色调的颜色可以营造出冷静、清爽和疏远的感觉。中性色则可以为其他颜色提供一个稳定的背景，帮助构建视觉平衡。

3.9 灯光 (Lighting)

灯光在Prompt中也扮演着非常重要的角色，它可以影响画面的整体效果和氛围。灯光可用于创造不同的效果和氛围，例如照亮人物面部的细节、增强物体的纹理和阴影等等。

3.10反向提示词 (Negative Prompt)

负向提示词通常是指那些不希望出现在设计中的元素或属性。这些元素或属性可能包括低质量图像(Low-quality images)、丑陋的样式(ugly style)、水印(watermarks,)、标志(logos)、不适当(nsfw)等等。

四、Prompt进阶

4.1长度 (length)

在默认状态下，输入框写着 “0/75”,但这并不意味着只能输入 75 个 token。 Stable Diffusion并没有这方面的限制，但 CLIP 算法每组不能超过 75 个 token。当每组超过75个token 时，将会形成一个新的 token 组，输入框变成"75/150"，并且这个过程会一直持续下去，直到内存耗尽。

在提示词的长度方面，需要与你的画面的分辨率以及采样步数相匹配。如果不匹配，例如你将分辨率和采样步数设置得非常高，但结果你的描述词很短，比如只有一个女孩，那么模型很可能没有地方发挥，会给你生成多头或多手等不自然的表达方式。

4.2词序 (word order)

词序对于画面生成结果具有重要的影响。在默认情况下，每个提示词的权重都是 1，并且从前面到后面依次减弱。这意味着，如果你将人物标签放在前面，那么人物将成为核心，场景将变得相对较小;如果你将场景标签放在前面，那么人物将变得相对较小。

因此，选择正确的词序可以帮助我们更有效率地炼丹。例如，如果我们想要创建一个较大的场景，我们可以将场景标签放在前面，而将人物标签放在后面。这样可以确保人物在场景中变得较小，但场景本身变得较大。

4.3 权重 (weight)

模型会依照概率来选择性执行，如提示词之间有冲突，系统会根据权重确定的概率来随机选择执行哪个提示词。

权重系数是可以改变提示词特定部分的比重。

• (black hair) - 将权重提高 1.1 倍。
• ((black hair)) - 将权重提高 1.21 倍 (= 1.1 * 1.1),乘法的关系，叠加权重。
• [black hair] - 将权重降低 0.9 倍。
• [[black hair]]- 将权重降低 0.81 倍，乘法的关系，叠加权重。
• (black hair:1.5) - 将权重提高 1.5 倍。
• (black hair:0.25) - 将权重减少为原先的 0.25 倍。
• (black hair) - 在提示词中使用字面意义上的 () 字符，不具有权重作用。

需要注意的一个事情就是权重增加通常会占一个提示词位，应当避免加特别多括号，可选中指定权重值。

4.4 提示编辑 (Prompt editing)

提示编辑允许你开始先使用一个提示词，但在生成过程中间切换到其他提示词。基本语法包含以下几种:

• [to:when] 在指定步数后添加 to 到提示词。
• [from::when] 在指定步数后从提示词中删除 from。
• [from:to:when] 在指定步数后将 from 替换为 to。

其中 from 与 to 是替换前后的提示词，when 表示替换时机。如果 when 是介于 0 和 1 之间的数字，则它指采样周期步数的百分比。如果它是一个大于零的整数，那么这代表它进行切换之前的步数。
举个例子:

• [mouse:10] 在第 10 步之后开始渲染老鼠。
• [cat::10] 在第 10 步之后不再渲染猫，其他元素继续渲染。
• [cat🐭10] 假定采样步数为 30，在前 10 步渲染猫，在后面 20 步渲染老鼠。
• [cat🐭0.5] 假定采样步数为 30，在前 15 步渲染猫，在后面 15 步渲染老鼠。

4.5 交替渲染 (Alternating rendering)

每隔一步就更换渲染对象的方式，可添加多个对象，不局限于2个对象
基本语法：

• [A|B] 第一步渲染A，第二步渲染B，第三步渲染A，依次循环
• [A|B|C] 第一步渲染A，第二步渲染B，第三步渲染C，第四步渲染A依次循环

举个例子：

输入 [red|blue] hair，对发色进行融合

4.6 可组合扩散 (Composable diffusion)

AND，此处一定要谨记，是全部大写，不要小写，小写没有这个作用。
举个例子：a girl AND a cat

需要注意是，如果你的某个提示词权重低于0.1，那么该提示词对应的要素就很难产生影响，a cat AND a mouse:0.03 将产生与 a cat 基本相同的输出

参考论文：
https://energy-based-model.github.io/Compositional-Visual-Generation-with-Composable-Diffusion-Models/

4.7 提示矩阵 (prompt matrix)

使用 | 分隔多个 Tag，程序将为它们的每个组合生成一个图像，并将所有的结果最后拼成矩阵图的形式方便我们观察对比效果。

例如，如果使用 “a busy city street in a modern city|illustration|cinematic lighting”,则可能有四种组合:

“a busy city street in a modern city” - 这是一种仅包含第一个 Tag 的组合。
“a busy city street in a modern city, illustration” - 这是一种包含第一个和第二个 Tag 的组合。
“a busy city street in a modern city, cinematic lighting” - 这是一种包含第一个、第二个和第三个 Tag 的组合。
“a busy city street in a modern city, illustration, cinematic lighting” - 这是一种包含第一个、第二个、第三个和第四个 Tag 的组合。

4.8 提示词相关性 (CFG Scale)

CFG 是一种无分类器引导的生成技术，其前身是分类器引导。CFG Scale 是用来调整图像与提示词的相关性。值越高，提示词对最终生成结果的影响越大，相关性越高，但也可能会降低图像质量。因此，可以通过增加采样步骤来抵消这种影响。过高的 CFG Scale 可能会导致粗犷的线条和过锐化的图像，而较低的值则可能产生更有创意的结果。一般来说，我通常会将 CFG Scale 设置在 7-12 之间。

五、Prompt（提示词）手册

在文末给新人准备了一份OpenArt整理的Stable Diffusion提示词手册，里面收纳整理了大量实用提示词，适用于广大AI绘画者，需要的文末获取：

篇幅有限，这里就不一一展示了，有需要的朋友可以点击下方的二维码进行领取！