Stable Diffusionがタグを好む理由
Stable Diffusionのチェックポイントの多くは、短いキャプションやタグのリストと組み合わせた画像で学習されているため、流れるような文章よりも、カンマで区切った簡潔なタグに最もよく反応します。このジェネレーターは、経験豊富なユーザーと同じ順序でタグを並べます。まず主な被写体、次に被写体の詳細、場所、構図、光、配色、スタイル、最後に品質タグです。
順序が重要なのは、プロンプトのエンコード方法に理由があります。テキストエンコーダーはプロンプトを約75トークンごとのまとまりで読み取り、前にあるタグほど影響力が大きくなりがちです。プロンプトを絞り込み、一般的には25〜45個のタグに抑えることで、似たようなタグが何十個も競い合うことなく、それぞれのタグがしっかり効果を発揮します。
重み付け (tag:1.2) と使いどころ
ComfyUI、Forge、AUTOMATIC1111などのインターフェースは、(tag:1.2) の形式で書くアテンションの重みに対応しています。1より大きい値はタグを強め、1より小さい値は弱めます。このジェネレーターは、画像を特徴づける1〜2個のタグ（通常は主な被写体）に適度な重みを付け、それ以外はデフォルトのままにします。
重みを1.4程度より上げたくなっても、ぐっとこらえてください。重みが高すぎると、アーティファクト、色の過飽和、要素の繰り返しなどが起こりやすくなります。それでも何かが表示されない場合は、重みをさらに上げるよりも、タグをプロンプトの前のほうへ移動するほうがたいていうまくいきます。
画像に合ったネガティブプロンプト
結果の2行目は、モデルに避けさせたい要素を並べたネガティブプロンプトです。50個ものタグを並べた汎用的なリストではなく、その画像に合った8〜15個を書きます。たとえば、ポートレートなら extra fingers、ストックフォト風の写真なら watermark や text、細部の多いシーンなら blurry や lowres といった具合です。
これはメインのプロンプトではなく、インターフェースのネガティブプロンプト欄に貼り付けてください。SD 3.5のように自然言語をよりよく理解する新しいモデルでは、短めのネガティブプロンプトで十分なことがほとんどです。
SDXL、SD 3.5、ファインチューニング済みチェックポイント
タグ形式のプロンプトは、SD 1.5、SDXL、そして多くのコミュニティ製チェックポイントで使えます。SD 3.5は長めの自然言語による説明も受け付けるので、結果が硬いと感じたら汎用形式を試してみてください。アニメやイラスト向けのチェックポイントは独自のタグ語彙を前提としていることが多いため、そのチェックポイントのドキュメントが推奨するスタイルタグは残しておきましょう。
簡単な例
夕暮れの灯台の写真なら、典型的な結果は (white lighthouse:1.3) と rocky coastline から始まり、golden hour light、long exposure sea、wide-angle view、matte painting style と続き、最後に highly detailed や sharp focus などの品質タグで終わります。ネガティブの行は blurry, lowres, watermark, text, oversaturated のようになるでしょう。各タグが目に見える事実をひとつずつ表しているので、1つを入れ替えて何が変わるかを正確に確かめられます。