Stable Diffusion 提示詞生成器
生成最佳化的SDXL提示詞，具備自動關鍵字加權、負面提示詞與Booru風格標籤。
從平白點子到權重化的 SD 語法
描述你想看到的畫面，這款 Stable Diffusion 提示詞產生器就會處理工程細節：排序好的標籤、(keyword:1.2) 強調權重，以及一段權重化的品質前綴，全都在瀏覽器裡幾秒內完成。
輸入你的點子
輸入一個平白的概念，從「雨中的賽博龐克巷弄」到完整的場景簡報都可以。你可以用自己的語言書寫，仍會收到最佳化的英文輸出。
Magic Enhance 建立語法
一鍵就把你的點子重組成 SD 友善的詞元順序，以像 (masterpiece, best quality, highly detailed:1.2) 這樣的權重化品質區塊開頭，並為定義畫面的元素套上強調權重。
複製到你的 SD 介面
把結果直接貼進 AUTOMATIC1111、ComfyUI 或 Forge。需要修改？切換到 Edit 模式，用平白的指示調整提示詞，不必手動重寫標籤。
模型感知的提示工程對 Stable Diffusion 的意義
Stable Diffusion 把提示詞當成詞元序列來讀，而每個詞元在去噪過程中都在爭奪注意力。在普通文字框裡打「detailed castle, dramatic lighting」，取樣器會把這兩個片語視為同等。我們的 Stable Diffusion 提示詞產生器會把你的點子重組成權重化語法，套上像 (dramatic lighting:1.2) 這樣的強調，讓你在意的部分真正主導擴散過程。它會依照 SD checkpoint 受訓時所預期的方式，把標籤從主體排到風格，把最關鍵的詞元前置，並修掉那些稀釋注意力的填充字詞。
產生器不必為每個 checkpoint 周旋於不同的方言，而是產出一套經過驗證的結構，讓 SD 1.5、SDXL 與 Booru 訓練的動漫模型都能可靠解析：一段權重化的品質前綴 (masterpiece, best quality, highly detailed:1.2)，接著是一句話的主體描述，再加上十個高權重、以逗號分隔的美學標籤，用來捕捉你場景的視覺細節：光線、質感與氛圍。由於格式每次執行都保持一致，你永遠清楚該在哪裡收緊權重、替換風格標籤，或塞入一個觸發詞。如果你是從一張圖片而非一個點子出發，我們的反向圖片提示詞搜尋器會先從來源圖擷取視覺細節。
你生成的一切都可直接複製貼進 AUTOMATIC1111、ComfyUI 與 Forge，因為這三個直譯器都遵循相同的 (keyword:weight) 強調慣例。結構化的輸出為 LoRA 觸發詞留下乾淨的插入點，讓你能塞入自訂的風格載入器而不破壞詞元順序。而且因為一段權重恰當的提示詞需要的引導壓力更小，你可以使用適中的 CFG scale 值（通常是 5 到 8），而不必把引導拉到高得讓顏色燒壞、對比爆掉。點子輸入一次，接著把你的 GPU 時間花在迭代種子上，而不是重寫標籤。
- 自動套用 (keyword:1.2) 強調權重
- 每組提示詞都有權重化品質前綴
- 為動漫 checkpoint 準備的 Booru 標籤堆疊
- 可直接貼進 AUTOMATIC1111、ComfyUI 與 Forge
六種建立在權重化 SD 提示詞上的工作流程
從擺弄 checkpoint 的玩家到量產團隊，這些都是每天把輸入的點子轉成權重化 Stable Diffusion 語法的人。
動漫繪師
生成為動漫 checkpoint 調校的 Booru 式標籤堆疊，並附上權重化品質前綴，引導算圖朝銳利、連貫的細節走。
概念設計師
把一句話的簡報變成權重化的 SDXL 提示詞，接著在每次算圖之間迭代種子，而不是重寫標籤。
ComfyUI 節點搭建者
把結構化、預先加權的提示詞文字餵進 CLIP Text Encode 節點，不必在複雜的工作流程圖裡手動平衡強調權重。
遊戲素材創作者
為精靈圖、場景與角色設定表產出一致的提示詞範本，替換主體的同時讓權重化的風格區塊維持鎖定。
LoRA 訓練者
為自訂 LoRA 模型草擬排序一致的測試提示詞，讓觸發詞與基礎主體及風格標籤乾淨地分開。
SD 新手
省下數月的反覆試錯。研究每一份生成的輸出，看看老練的提示詞高手如何為詞元加權、如何排序標籤堆疊。
輸入點子與手工搭建標籤堆疊的比較
在 Stable Diffusion 裡，提示詞品質決定算圖品質。以下說明一款專門打造的 Stable Diffusion 提示詞產生器，與自己寫標籤或改用不分模型的通用提示詞工具相比如何。
| 功能 | ImaginPrompt | 手動撰寫標籤 | 通用提示詞工具 |
|---|---|---|---|
| 詞元加權語法 | ✅ 自動套用 (keyword:1.2) 強調 | ⚠️ 手動反覆試錯調校 | ❌ 通常只有純文字 |
| 品質標籤前綴 | ✅ 每組提示詞都以 (masterpiece, best quality:1.2) 開頭 | ⚠️ 操作到一半容易忘記 | ❌ 完全沒有 SD 品質標籤 |
| 一致的提示詞結構 | ✅ 每次執行都是相同的權重化標籤堆疊 | ⚠️ 結構會在不同操作之間漂移 | ❌ 自由格式文字，毫無排序 |
| Booru 標籤慣例 | ✅ 支援動漫 checkpoint | ⚠️ 需要背誦標籤清單 | ❌ 不具 checkpoint 感知 |
| 產出一則可用提示詞的時間 | ✅ 從平白點子到成品只需幾秒 | ⚠️ 需要數分鐘手動微調 | ⚠️ 快，但需要為 SD 另作修正 |
| LoRA 觸發詞的空間 | ✅ 保留乾淨的插入點 | ✅ 完全手動掌控 | ⚠️ 觸發詞可能破壞結構 |
手寫標籤給你完全的掌控權，但耗費時間與專業；通用工具省時，卻忽略 SD 語法。這款產生器兼顧兩者：幾秒內產出權重化、結構一致的提示詞，而每一個詞元仍由你自由編輯。
讓 Stable Diffusion 算圖更銳利的技巧
💡 把權重維持在 0.8 到 1.4 之間
超過 1.5 的數值會扭曲構圖並燒壞顏色。如果某個元素到了 (keyword:1.4) 還是不肯出現，就改寫它的措辭或把它移到提示詞更前面，而不是繼續調高權重。
💡 依你的 checkpoint 調整標籤堆疊
生成的權重化標籤堆疊可原封不動地用在 SD 1.5 與 Booru 訓練的動漫模型上。至於也能處理較完整句子的 SDXL，你可以用 Edit 模式把部分標籤鬆綁成片語。格式不相符是導致算圖髒濁、偏離簡報的常見原因。
💡 讓強力提示詞搭配適中的 CFG
一段權重恰當的提示詞需要的引導更少。SDXL 從 CFG 6 到 7 左右開始；如果你發現自己一路推過 10，通常該修的是提示詞，而不是這個數值。
💡 把 LoRA 觸發詞放在主體區塊之後
把觸發詞緊接在主體描述之後、權重化風格標籤之前插入。這能讓 LoRA 持續引導主體，而不會與堆疊中後續的美學關鍵字相衝突。
常見問題
(word:1.2) 這個加權語法實際上在做什麼？+
它會在去噪過程中放大那個詞元的注意力權重，讓模型優先處理它。1.2 這個值會多給 20% 的強調；0.8 則會降低。我們的產生器會自動為定義你場景的元素套上這些權重，因此你幾乎不必手動調整。
產生器也會寫負向提示詞嗎？+
不會。每個結果都是一段最佳化的正向提示詞，以權重化品質區塊 (masterpiece, best quality, highly detailed:1.2) 開頭，光是這一段就能引導 checkpoint 避開許多低品質輸出。至於多出的手指或浮水印文字這類頑固瑕疵，就在 AUTOMATIC1111 或 ComfyUI 裡存一份可重複使用的負向清單，並在每次算圖時搭配使用。
我該用標籤式還是自然語言的提示詞？+
標籤式是較保險的預設選擇。SD 1.5 與多數動漫模型都是用標籤式圖說訓練的，而 SDXL 解析權重化、以逗號分隔的標籤，可靠程度不輸完整句子。這正是產生器為每次請求都產出一套一致結構的原因：一段權重化品質前綴、一句話的主體描述，以及十個權重化的美學標籤。如果你偏好用流暢的句子來做 SDXL 算圖，就用 Edit 模式把標籤鬆綁成片語。
我可以在生成的提示詞裡加入 LoRA 觸發詞嗎？+
可以。輸出是純文字，所以你可以依照你的 LoRA 文件建議的位置插入觸發詞，通常就在主體描述之後。由於產生器讓主體與風格區塊維持可預測的順序，觸發詞能乾淨地嵌入，而不擾動既有的強調權重。
這些提示詞能在 AUTOMATIC1111、ComfyUI 與 Forge 中使用嗎？+
可以。這三個介面都支援相同的 (keyword:weight) 強調語法，因此生成的提示詞能直接貼進提示詞欄位。ComfyUI 使用者可以把文字丟進餵給取樣器的正向 CLIP Text Encode 節點，完全不需轉換。
Stable Diffusion 提示詞產生器需要付費嗎？+
所有使用者都會獲得每日免費點數，而且一切都在瀏覽器裡運作，無須下載或安裝。這份額度足以應付日常的提示詞打造；只有當你在自己本機的 Stable Diffusion 環境裡算圖時，才會耗用你自己的 GPU 時間。
CFG scale 如何與提示詞互動？+
CFG scale 控制取樣器要多嚴格地遵循你的提示詞。權重化、排序良好的提示詞在適中的數值下就撐得住，SDXL 大約落在 5 到 8，這能保留自然的色彩與對比。虛弱的提示詞逼你為了讓模型聽話而調高引導，而過高的 CFG 會帶來過度飽和，任何負向提示詞都無法完全修復。
我需要寫任何技術性的東西，還是只要描述圖片就好？+
只要描述圖片就好。用平白的字詞、任何你覺得自然的措辭，把主體、場景與氛圍打出來。產生器會處理技術層面：詞元順序、強調權重與品質標籤。你點子裡具體的名詞與明確的形容詞，能產出明顯更精準的標籤堆疊。