Co to jest
Stable Diffusion to otwarty model sztucznej inteligencji, który generuje obrazy na podstawie opisu tekstowego (tzw. promptu). W przeciwieństwie do narzędzi zamkniętych, takich jak Midjourney, jego kod i wagi (czyli "wiedza" modelu zapisana w plikach) są publicznie dostępne, więc można go uruchomić na własnym komputerze albo na wynajętym serwerze, zamiast płacić za dostęp do cudzej platformy.
Techniczna nazwa mechanizmu to "model dyfuzyjny" - w skrócie działa to tak, że model uczy się odtwarzać obraz z zaszumionego chaosu, krok po kroku usuwając szum, aż powstanie spójny obraz zgodny z opisem. Sam ten proces jest w praktyce niewidoczny dla użytkownika - liczy się to, że wpisujesz tekst, a po chwili obliczeń dostajesz gotową grafikę.
Kluczowa różnica względem narzędzi typu ChatGPT z generowaniem obrazów: Stable Diffusion można douczyć na własnych danych. To właśnie ta cecha - a nie sama jakość generowania - sprawia, że jest podstawowym narzędziem przy budowie wirtualnych modelek, bo pozwala nauczyć model konkretnej, powtarzalnej twarzy i sylwetki.
Do czego sluzy przy modelkach AI
Przy tworzeniu wirtualnej postaci Stable Diffusion pełni dwie role. Pierwsza to punkt startowy - generowanie wariantów twarzy i sylwetki, dopóki nie znajdziesz wyglądu, który chcesz rozwijać dalej. Druga, ważniejsza rola to baza pod trening własnego modelu postaci (najczęściej w formie tzw. LoRA - małego pliku dotrenowanego na zestawie zdjęć jednej twarzy), dzięki któremu model zaczyna generować tę samą osobę w różnych scenach, strojach i pozach, zamiast za każdym razem losowej twarzy.
To odróżnia Stable Diffusion od narzędzi zamkniętych: LoRA lub checkpoint z wytrenowaną modelką można trzymać u siebie, kopiować, używać w wielu narzędziach i nie jest się zależnym od jednej platformy, która może zmienić zasady albo zniknąć. Dla kogoś, kto traktuje wirtualną postać jako długoterminowy projekt zarobkowy, to realna przewaga - twarz modelki staje się twoim zasobem, a nie czymś wypożyczonym.
Jak sie tego uzywa
W praktyce Stable Diffusion obsługuje się przez interfejs graficzny (najpopularniejsze to Automatic1111 i ComfyUI) uruchomiony lokalnie na karcie graficznej z odpowiednią ilością pamięci VRAM, albo w chmurze na wynajętym GPU, jeśli własny sprzęt nie wystarcza. Sam model bazowy to plik "checkpoint" - istnieje wiele wersji i wariantów, wytrenowanych pod różne style (fotorealizm, anime, ilustracja), i to od wyboru checkpointu zależy w dużej mierze charakter generowanych twarzy.
Do stworzenia spójnej modelki dochodzi etap treningu LoRA na zestawie kilkunastu-kilkudziesięciu zdjęć referencyjnych tej samej twarzy pod różnymi kątami i w różnym oświetleniu. Im bardziej zróżnicowany i czysty zestaw danych treningowych, tym stabilniejsza i bardziej spójna postać na kolejnych generacjach. Poza samym promptem i checkpointem na wynik wpływają jeszcze parametry takie jak liczba kroków generowania czy siła zastosowania LoRA - konkretne wartości zależą od użytego modelu i interfejsu, więc lepiej sprawdzić je w dokumentacji wybranego narzędzia niż kierować się jedną uniwersalną liczbą.
Najczestszy blad
Najczęstszy błąd początkujących to oczekiwanie, że sam checkpoint bazowy wygeneruje spójną, powtarzalną postać - bez treningu LoRA za każdym razem wychodzi inna twarz, nawet przy identycznym opisie. Drugi częsty problem to trening LoRA na zbyt małym albo zbyt jednorodnym zestawie zdjęć (np. same selfie z jednego ujęcia), co skutkuje modelem, który "sypie się" przy próbie zmiany pozy czy oświetlenia.
Stable Diffusion sam w sobie generuje losowe twarze. To trening LoRA na własnym zestawie zdjęć zamienia go w narzędzie do produkcji konkretnej, powtarzalnej modelki - to on jest realną wartością w tym procesie, nie sam model bazowy.