一開始：在自己的電腦上念咒

Stable Diffusion 在 2022 年 8 月開源，AUTOMATIC1111 的 Stable Diffusion WebUI 也在同一個月出現。我是 2023 年 2 月底、3 月初，在自己的電腦上架了這套 WebUI 開始玩（硬碟裡翻得到最早的出圖是 3 月 24 日），後來也用過 ComfyUI。顯示卡不夠用的時候，就去 RunPod 租雲端顯示卡，2023 年 10 月儲值 25 美元，2024 年 3 月又儲值 10 美元。

那時候要生出一張滿意的圖，提示詞比較像咒語，不像句子。模型只聽得懂英文，而且最好是短詞：人物、動作、光線、畫風，一個關鍵字一個關鍵字用逗號接起來，前面再疊一串「品質詞」；另外還要寫一串負向提示詞，把不想要的東西一條條列出來，像是多出來的手指、變形的身體、模糊、浮水印。想要特定的畫風或人物，就要另外掛 LoRA、調它的權重；取樣器、步數、CFG，每一個參數都會影響結果。那時候常見的寫法大概長這樣（示意）：

正向：masterpiece, best quality, 1girl, sitting by the window, morning light,
      backlighting, soft focus, pajamas, <lora:某個風格:0.7>
負向：worst quality, low quality, lowres, bad anatomy, bad hands,
      extra fingers, deformed, blurry, watermark
Steps: 30, Sampler: DPM++ 2M Karras, CFG scale: 7, Size: 512x512

尺寸也很小。基本款就是 512×512，頂多 768×512，想要大一點的圖，得先生小圖，再用另一個模型放大。就算這樣全部寫齊了，同一組設定常常要重跑好幾輪，才挑得出一張手指數對、臉沒歪的。ComfyUI 把這些全部攤成一張節點圖，能控制的東西更多，要學、要調的東西也更多。

下面兩張是 2023 年 3 月 29 日在自己電腦上生的，就是這樣念出來的：正向提示詞 33 個關鍵字、掛 3 個 LoRA，負向提示詞 64 條；先生 512×768，再用 SwinIR 放大兩倍到 1024×1536，前後跑了 50＋25 步。

本地模型我更多是拿來測試 NSFW 的圖。這類圖雲端服務不給畫，只能在自己的機器上跑。

2023：為了精緻和省事，訂了 Midjourney

2023 年 2 月我開了 ChatGPT Plus（每月 20 美元），4 月訂了 Midjourney 的 Basic 方案，選年繳，一年 96 美元，前後續了兩期。訂它的原因很單純：跟在自己電腦上念咒、調參數比起來，Midjourney 的圖精緻漂亮，出圖穩定可靠，用起來也輕鬆。

當時的 Midjourney 還是在 Discord 裡打 /imagine 下指令，一次吐四張，挑喜歡的放大或變化。下面兩張是那時候畫的：

在逢甲教 AI 繪圖

這段時間，我也去逢甲大學開了兩次 AI 繪圖的課，教的都是 Stable Diffusion：

• 2023 年 4 月，創能學院的 AI 繪圖工作坊，5 小時，學員近 80 名，來自全校 31 個系所和 3 個行政單位（新聞稿・簡報）
• 2024 年 3 月，中文系的「Stable Diffusion 實作」，三堂共 6 小時，從提示詞、文生圖、圖生圖開始，一路做到 LoRA 訓練和 ControlNet（教材 I・II・III）

中間停了一年左右

Midjourney 在 2025 年 4 月到期後，我沒有再續訂。之後一年左右，只偶爾用 ChatGPT 和 Gemini 生圖簡單玩一下：打一句話就出圖，方便，但也就是玩玩，沒有再認真碰。

2026：一句中文就夠了

2026 年 9 月，我在家裡那台 RTX 3090 上裝了 Qwen-Image 2.1 和 Z-Image Turbo，順手做了一個自己用的網頁介面：打一句話、選模型、按生成，手機上也能用。回來之後最大的感受不是「畫得出來」，是整個過程變得很順：打一句中文，按下去，出來的就是我要的。

截圖裡輸入框的那一行，就是下面這張圖實際用的提示詞。這張是 Qwen-Image 2.1 畫的，我給它的提示詞只有一行：

清晨女友感 × 窗邊逆光 × 居家睡衣 × 柔霧感私房寫真

幾個中文片語，沒有品質詞，沒有負向提示詞，沒有 LoRA，參數全用預設。直接出 768×1344，不用再另外放大；40 步，45.7 秒。

Z-Image Turbo 走的是另一條路，同樣的寫法把睡衣換成蕾絲內衣，只跑 8 步，一張 4.2 秒，比 Qwen 快了十倍。左邊是 Qwen，右邊是 Z-Image：

提示詞裡寫的東西都在畫面上：清晨的窗邊、逆光、柔霧的質感、居家睡衣。以前最怕的手指和身體比例，這兩張也沒有出問題。

三年下來，變的不只是速度和尺寸，是跟模型說話的方式：從一串英文關鍵字，變成一句中文。

圖也會動了

同一套寫法也能用在影片上：拿一張生好的圖當第一格，再用一句中文說它要怎麼動，同一張顯示卡就能生成 5 秒的影片；雲端的 Seedance 效果更驚人，也貴得多。這些，還有最近讓我再驚豔一次的——AI 從頭做完一整支影片，都寫在下一篇〈AI 做影片：畫面怎麼動、花多少〉。