Сгенерировать картинку нейросетью по описанию
Сгенерировать картинку нейросетью по описанию: из чего состоит рабочий запрос, какие ошибки портят кадр и почему один запрос даёт разный результат.
29 сентября 2026 г.
Сгенерировать картинку нейросетью по описанию легко ровно один раз — когда всё равно, что получится. Как только в голове есть конкретный кадр, начинается настоящая работа: модель выдаёт что-то похожее, но не то, и непонятно, какое слово виновато.
Поговорить можно прямо сейчас: Адель · Алина · Клер
Разберём это по частям: как модель читает ваш текст, из чего состоит запрос, который работает, и почему один и тот же запрос дважды даёт разные картинки. Если нужен не общий разбор, а именно кадры с героинями, об этом есть отдельная статья — «Фото девушки нейросетью».
Как модель понимает описание, по которому генерирует картинку
Первое, что стоит принять: модель не понимает смысла фразы так, как человек. Она сопоставляет слова с тем, что видела на миллионах подписанных картинок, и собирает изображение из этих совпадений.
Отсюда три следствия, которые объясняют почти все неудачи.
- Слова с сильным визуальным следом работают лучше. «Свитер», «неон», «пасмурно» модель знает хорошо. «Уютно», «стильно», «красиво» — почти не значат ничего: под ними миллионы разных картинок.
- Порядок важен. Что стоит в начале, тем и становится кадр. «Девушка в кофейне» и «кофейня, в ней девушка» дадут разные планы — в первом случае крупнее человек, во втором — помещение.
- Отрицание плохо считывается. «Без шапки» часто приводит к шапке: модель видит слово «шапка» и рисует её. Надёжнее описывать то, что должно быть, а не то, чего быть не должно.
Как сгенерировать картинку нейросетью по описанию: четыре части запроса
Рабочий запрос почти всегда состоит из одних и тех же четырёх блоков. Порядок именно такой.
1. Кто. Возраст, внешность, выражение лица. «Девушка 25 лет, тёмные волосы до плеч, спокойное лицо».
2. Где. Место и его детали. «Ночная кофейня, витрина, за окном дождь».
3. Что на ней и что она делает. «Тёмный фартук, протирает чашку, смотрит в кадр».
4. Как снято. Свет и план. «Тёплый свет от лампы, средний план, мягкая тень».
Четвёртый блок пропускают чаще всего, а он даёт больше всего. Без указания света модель выбирает его сама — обычно ровный студийный, отчего кадры выглядят каталожными и одинаковыми.
‼️ Одна деталь, которая заметно поднимает результат: описывать место по одному, а не списком. «Спальня, диван, ванная, окно» в одной строке не дают четырёх вариантов — они дают один усреднённый интерьер, и вся серия выходит похожей. Нужны разные места — просите их по очереди.
Частые ошибки
Почти все неудачные кадры объясняются одной из пяти причин.
- Слишком много всего сразу. Три человека, два животных, сложный фон — модель распределяет внимание и портит главное.
- Общие слова вместо конкретных. «Красивый портрет» — это не описание, а пожелание.
- Руки и предметы в руках. Самое слабое место генерации. Если можно обойтись без крупных рук в кадре — обойдитесь.
- Надписи. Модель почти не умеет писать буквы, особенно кириллицей: вместо слова выйдет узор, похожий на текст.
- Точные числа. «Пять цветов в вазе» даст любое количество: считать модель не умеет.
Почему сгенерировать картинку нейросетью по описанию дважды даёт разное
Если сгенерировать картинку нейросетью по описанию дважды, кадры выйдут разными. Это не сбой, а устройство: в начале работы модель берёт случайное «зерно» и от него достраивает картинку. Одинаковый текст с разным зерном даёт разные кадры — иногда очень разные.
Из этого следуют две практические вещи. Во-первых, не бросайте запрос после первой попытки: часто дело не в формулировке, а в неудачном зерне, и вторая попытка с тем же текстом выходит лучше. Во-вторых, если сервис на повторный запрос выдаёт ровно ту же картинку — это не генерация, а готовый набор, отданный всем.
Отдельная сложность — постоянство лица. Чтобы героиня на десяти кадрах была одной и той же, недостаточно описать внешность словами: нужен эталон лица и сверка с ним. Именно поэтому у наших героинь одно лицо во всех кадрах, а не новая девушка каждый раз — сравнить можно на любой странице из каталога, например у Наоми.
Сколько стоит и сколько ждать
Сгенерировать картинку нейросетью по описанию — дело секунд, ролик считается минутами. Разница в десятки раз, и она прямая: секунда видео — это десятки картинок плюс работа по их согласованию между собой. Подробно это разобрано в статье «ИИ-девушки видео».
В деньгах у нас это выглядит так: пробный пакет на 320 токенов стоит 199 ₽ и его хватает примерно на двадцать фотографий или два видео; в подписке кадры выходят дешевле. Разговор при этом бесплатен — платить нужно только за кадры.
‼️ Про «бесплатно без ограничений»: генерация всегда чего-то стоит тому, кто её делает. Сервис, обещающий безлимит даром, либо показывает заранее готовые наборы, либо живёт недолго.
Коротко
Чтобы сгенерировать картинку нейросетью по описанию и получить именно то, что задумано, нужно писать конкретно и в четыре блока: кто, где, в чём и как снято. Общие слова вроде «красиво» не работают, отрицания считываются плохо, надписи и руки — слабое место. Один и тот же запрос даёт разные кадры, и это нормально: пробуйте дважды, прежде чем менять формулировку. Фото считается секунды, видео — минуты и дороже в десятки раз.
Вопросы и ответы
- Почему нейросеть, которая генерирует картинки, не понимает слово «красиво»?
- Потому что за ним нет одного образа. Модель опирается на то, что видела с такой подписью, а «красивым» подписаны миллионы разных картинок. Нужны слова с ясным видом: свет, ткань, поза, план.
- Как создать фотографию с помощью нейросети, чтобы лицо не менялось?
- Одним описанием этого не добиться — нужен эталон лица и сверка каждого кадра с ним. Поэтому у героинь на сайте одно лицо во всех кадрах, а у случайного генератора каждый раз новое.
- Почему в кадре получаются лишние пальцы?
- Руки — самое сложное для генерации: их форма сильно меняется, а обучающих примеров с чёткими кистями мало. Надёжнее строить кадр так, чтобы руки не были крупно.
- Можно ли написать запрос по-русски?
- Да, русское описание работает. Но чем конкретнее слова, тем лучше результат — и это не зависит от языка.
- Сколько попыток обычно нужно?
- Две-три на один замысел. Первая показывает, как модель прочитала текст, дальше правится одна часть описания за раз — так видно, что именно повлияло.