HiAPI
Blog

Guía de uso

Recetas de prompts para gpt-image-2 de imagen a imagen: prompts de copiar y pegar para fusión de múltiples referencias, fidelidad del sujeto y salida en 4K

Una guía práctica de recetas para desarrolladores que construyen flujos de trabajo de imagen a imagen con gpt-image-2/image-to-image@ext

Nov 9, 2026
Arte de portada para una guía sobre prompts de imagen a imagen de gpt-image-2: paneles de vidrio translúcido superpuestos que transforman un campo pálido en franjas de azul frío, con acabado mate y arquitectónico.
Modelo
gpt-image-2
En esta página

Por qué la estructura del prompt importa más que la longitud

La mayoría de los fallos de imagen a imagen no ocurren porque el prompt sea demasiado corto, sino porque el prompt mezcla todo en una masa de adjetivos sin distinción. Cuando en una sola frase pides a la vez un sujeto, tres imágenes de referencia, un fondo nuevo y un objetivo de resolución, el modelo no puede determinar qué palabras corresponden a qué parte de la tarea.

La solución es adoptar un esqueleto basado en cláusulas. Cada prompt que envíes a gpt-image-2/image-to-image@ext puede descomponerse en cinco ranuras:

  • Sujeto: de qué trata la salida, se declara una sola vez, con sustantivos concretos.
  • Rol de las imágenes de referencia: qué aporta cada imagen de entrada, etiquetado explícitamente.
  • Fondo y escena: entorno, dirección de la luz y profundidad de campo.
  • Restricciones de salida: composición, proporción, textura, tratamiento de bordes y expectativas de detalle.
  • Negativo: lista breve y priorizada de lo que no debe aparecer.

Un esqueleto reutilizable es el siguiente:

Subject: <one sentence, concrete nouns>
References: <image tag> = <role>; <image tag> = <role>
Scene: <background, light direction, depth>
Output: <framing, texture, edge treatment, detail constraint>
Avoid: <priority 1>, <priority 2>, <priority 3>

Dos reglas mantienen este esqueleto fiable. Primera, una cláusula lleva una sola intención: no metas la preservación de la identidad y el reemplazo del fondo en la misma cláusula. Segunda, el orden refleja la prioridad: pon primero lo que no puede fallar, porque cuando las cláusulas entran en conflicto, las posteriores pueden sobrescribir parcialmente a las anteriores.

Un prompt más largo no es mejor. Un prompt con cuatro cláusulas, cada una con una atribución clara, siempre supera a un párrafo de adjetivos apilados. Las recetas siguientes son variantes del mismo esqueleto, así que puedes tomar cualquiera de ellas y reemplazar el contenido sin tener que volver a aprender su estructura.

Cuatro bloques de cláusulas, cada uno una placa de vidrio, convergen en una única salida: lo que importa es la estructura, no la longitud.

Receta: fusionar varias imágenes de referencia

La fusión de múltiples referencias falla de forma predecible: sin etiquetas de rol, el modelo promedia las entradas. Obtienes una cara que no pertenece a nadie y un estilo que no es ni uno ni otro. La solución es nombrar cada imagen de entrada y especificar con claridad qué se toma de ella.

Patrón de copiar y pegar

Subject: a standing portrait of the person in <reference_1>
References:
  <reference_1> = identity source — face structure, hair, skin tone, body proportions
  <reference_2> = wardrobe source — jacket cut, fabric, color
  <reference_3> = lighting and grade source — key light direction, contrast, color temperature
Scene: neutral studio, soft shadow to camera left, shallow depth
Output: three-quarter framing, natural skin texture, clean edge separation from background
Avoid: blended facial features, plastic skin, mixed lighting directions

Por qué importan las etiquetas de rol

Aquí actúan tres mecanismos. Los verbos de rol (identity source, wardrobe source, lighting source) le dicen al modelo qué dimensión gobierna cada imagen, lo que evita la contaminación cruzada. Las dimensiones explícitas —estructura facial, tejido, dirección de la luz principal— acotan cada rol a atributos observables en lugar de un vago “estilo”. Y el negativo blended facial features contrarresta directamente el fallo de promediado más común.

Restricciones prácticas

  • Mantén bajo el número de roles. Tres imágenes de referencia para tres roles distintos es un valor por defecto fiable; cada imagen de referencia adicional añade otra cara que promediar.
  • Si dos imágenes de referencia se solapan en rol (por ejemplo, dos fuentes de vestuario), declara la prioridad: prefer <reference_2> for silhouette, <reference_3> for color.
  • Al fusionar referencias de estilo, asigna el estilo a una imagen y el contenido a otra. Las fusiones de estilo con estilo suelen producir una masa borrosa.
  • Si tras la fusión sigue pareciendo un promedio, el culpable habitual es que alguna imagen de entrada carece de rol: las imágenes sin etiquetar se absorben en el promedio.

Ejecuta la misma receta en gpt-image-2/image-to-image@ext y compárala con la versión sin etiquetas de rol; la diferencia suele manifestarse primero en la estructura facial.

Cada imagen de referencia entra con su propio ángulo y su propio rol; la fusión es donde sus bandas de luz se superponen deliberadamente.

Receta: preservar la fidelidad del sujeto

La deriva de identidad ocurre cuando la transformación que pides es más fuerte que el anclaje que proporcionas. El patrón consiste en bloquear explícitamente un conjunto reducido de rasgos y declarar que todo lo demás es flexible.

Patrón de copiar y pegar

Subject: the person in <reference_1>, preserving identity
Locked: face shape, eye spacing, nose profile, hairline, skin tone
Flexible: pose, head angle, expression, wardrobe, background
Scene: <new scene description>
Output: natural proportions, realistic skin texture, consistent lighting on face
Avoid: changed facial proportions, smoothed features, mismatched skin tone

Por qué funciona

El prompt traza un límite. Locked nombra los rasgos que el modelo debe conservar; Flexible permite explícitamente cambiar todo lo demás, lo que evita que el modelo conserve en exceso la escena original. Sin la cláusula Flexible, el modelo a menudo conserva la pose y el fondo de origen junto con la cara: técnicamente fiel, pero no es la transformación que pediste.

Formulaciones útiles

  • Prefiere rasgos geométricos observables a palabras abstractas de identidad. eye spacing y nose profile son verificables; same person no lo es.
  • Formula la transformación como un cambio de escena, no del sujeto: the same person, now in <scene> es más fiable que transform this person.
  • Cuando la pose cambia mucho, repite los elementos bloqueados. Los prompts largos derivan; repetir brevemente los tres anclajes más importantes cerca del final es un seguro de bajo coste.
  • Para obras de cuerpo entero, añade anclajes de proporción: head-to-body ratio unchanged.

Qué evitar

No apiles muchos adjetivos de estilo en un prompt de fidelidad: la estilización intensa se interpreta como una petición de cambiar la cara. Si necesitas una salida estilizada, mantén intacta la cláusula de identidad y traslada la descripción del estilo a la cláusula Output, para que ambas intenciones permanezcan separadas.

Los anclajes bloqueados fijan la identidad; las áreas discontinuas quedan libres para la transformación solicitada.

Receta: reemplazar el fondo sin dañar el sujeto

El reemplazo de fondo falla en el borde: halos, bordes de recorte y una iluminación que no coincide con la nueva escena. La solución es aislar el cambio en su propia cláusula y especificar explícitamente el tratamiento de bordes e iluminación.

Patrón de copiar y pegar

Subject: the person in <reference_1>, unchanged
Background: replace entirely with <new scene description>
Lighting match: match key light direction and color temperature of the new background onto the subject
Edge treatment: clean separation, no halo, preserve fine hair detail at the boundary
Output: consistent depth of field between subject and background
Avoid: original background remnants, visible cut-out edge, mismatched light direction

Las tres cláusulas que actúan

replace entirely tapa la vía por la que el modelo conserva fragmentos de la escena original. Lighting match es la clave para que el montaje parezca real: un sujeto perfectamente recortado pero bajo una luz principal equivocada seguirá pareciendo pegado. Edge treatment aborda directamente el halo, y nombrar fine hair detail evita que el modelo resuelva el problema borrando el borde.

Ajustar según la escena

  • Exterior a interior: añade shadow direction consistent with the new light source, para que el sujeto no conserve la sombra del exterior.
  • Estudio a entorno: añade depth of field separation, para que el sujeto no parezca flotar en el mismo plano focal que el fondo.
  • Fondo oscuro: añade rim light consistent with background glow, para evitar una silueta plana.

Depurar el borde

Si ves un halo, normalmente se debe a que la cláusula de borde es demasiado vaga. Sustituye clean edges por una combinación concreta: no halo, preserve fine hair detail at the boundary. Si el sujeto parece pegado, la cláusula de iluminación carece de dirección: añade explícitamente key light direction en lugar de confiar en match lighting.

Receta: controlar el detalle en salidas 4K

Una salida de alta resolución no implica automáticamente un detalle de alta calidad. Las palabras clave de resolución por sí solas suelen producir bordes sobresaturados y texturas sintéticas. Lo que realmente controla la calidad es cómo describes la textura, la nitidez de los bordes y el ruido esperado.

Patrón de copiar y pegar

Output: high-resolution render
Texture: natural skin pores, fabric weave visible, no synthetic smoothing
Edges: crisp where focus is sharp, soft falloff in out-of-focus regions
Noise: fine natural grain, no banding in gradients
Avoid: over-sharpened edges, plastic texture, halos around high-contrast edges

Por qué las palabras de textura superan a las de resolución

Las palabras clave de resolución le dicen al modelo cuán grande es el lienzo. La cláusula de textura le dice al modelo con qué llenar ese lienzo. A alta resolución, cada zona insuficientemente descrita se vuelve visible: los degradados suaves muestran bandas y los artefactos de nitidez se hacen evidentes. Nombrar natural grain y no banding in gradients previene estos fallos de antemano.

Control de bordes y ruido

  • La nitidez de los bordes debe vincularse al foco: crisp where focus is sharp permite al modelo suavizar en el resto, evitando así una apariencia globalmente quebradiza.
  • La expectativa de ruido merece declararse, porque el modelo a veces limpia en exceso. Fine natural grain evita que una salida de alta resolución parezca un render.
  • Las bandas en degradados son el artefacto de alta resolución más común en grandes zonas planas. Un solo negativo atrapa la mayor parte del problema.
  • No apiles palabras de nitidez. Juntar Ultra sharp, hyper detailed, 8K suele provocar halos; elige una sola declaración de nitidez y deja que la redacción de textura asuma el resto.

Prueba el mismo contenido con las mismas cláusulas en resolución estándar y alta. Si la versión de alta resolución se ve peor, la cláusula de textura carece de restricciones de ruido o degradado.

Redactar listas negativas que realmente funcionan

Los negativos son una lista de prioridades, no una lista de deseos. Una lista negativa larga que contradice el prompt positivo es peor que no tener ninguno: el modelo recibe instrucciones en conflicto y las resuelve de forma impredecible.

Patrón ordenado por prioridad

Avoid: <the one failure that ruins the output>, <second-most-likely failure>, <artifact class>

Para la mayoría de las recetas, de tres a cinco es el límite práctico. Ordena según cuánto daña cada uno al resultado.

Cómo evitar contradicciones

Cada negativo debe ser el inverso de algún positivo declarado. Si el positivo dice natural skin texture, el negativo correspondiente es synthetic smoothing, no smooth skin, que contradiría al positivo. La prueba es simple: para cada negativo, pregunta qué cláusula positiva protege. Si no hay respuesta, elimínalo.

Categorías comunes que vale la pena cubrir

  • Fallos de identidad: changed facial proportions, blended features.
  • Fallos de borde: halo, cut-out edge, original background remnants.
  • Fallos de textura: plastic texture, over-sharpened edges, banding in gradients.
  • Fallos de escena: mismatched light direction, floating subject.

Qué omitir

Evita negativos genéricos de calidad como bad quality o ugly: no aportan información accionable y consumen la atención que debería reservarse para fallos concretos. Evita enumerar cada artefacto que puedas imaginar; el modelo trata una lista sin distinción como ruido.

Cuando aparezca un nuevo fallo en la salida, añádelo como negativo solo si puedes indicar qué cláusula positiva protege. De lo contrario, corrige el prompt positivo.

Solucionar fallos comunes de los prompts

La mayoría de los fallos corresponden a una cláusula del esqueleto. Usa el síntoma para localizar esa cláusula y ajustarla, en lugar de reescribir todo el prompt.

Deriva de identidad

Síntoma: la cara cambia entre salidas, o el sujeto parece un desconocido de aspecto similar. Cláusula a ajustar: la lista Locked de la receta de fidelidad. Añade dos o tres anclajes geométricos observables (distancia entre ojos, forma de la nariz, proporción cabeza-cuerpo). Si la deriva persiste, comprueba si alguna cláusula de estilo compite con la de identidad y traslada el estilo a Output.

Fusión turbia

Síntoma: la salida fusionada parece un promedio: una cara que no pertenece a nadie. Cláusula a ajustar: el rol de las imágenes de referencia. Cada imagen de entrada necesita una etiqueta de rol explícita. Si los roles se solapan, añade una declaración de orden para que una referencia gane en silueta y otra en color.

Halos y bordes de recorte

Síntoma: aparece un halo visible o un borde duro entre el sujeto y el fondo. Cláusula a ajustar: la cláusula de tratamiento de bordes. Sustituye el genérico clean edges por no halo, preserve fine hair detail at the boundary, y añade la entrada de halo a los negativos.

El sujeto parece pegado

Síntoma: el sujeto parece montado en la escena, no fotografiado dentro de ella. Cláusula a ajustar: la coincidencia de iluminación. Especifica la dirección de la luz principal y la temperatura de color, y añade shadow direction consistent with the new light source.

Textura plana o plástica

Síntoma: las superficies parecen renderizadas, la piel parece alisada y los degradados muestran escalones. Cláusula a ajustar: la cláusula de textura. Añade natural grain, no synthetic smoothing y no banding in gradients a los negativos.

Salida de alta resolución sobrenítida

Síntoma: a alta resolución, cada borde es nítido y con halo. Cláusula a ajustar: la nitidez de los bordes. Vincula la nitidez al foco (crisp where focus is sharp) y elimina los adjetivos de nitidez apilados.

Cuando aparecen dos síntomas a la vez, corrige primero la cláusula de mayor prioridad —normalmente la identidad—, porque si el sujeto es inestable, las correcciones posteriores no se sostienen.

Integrar las recetas en el flujo de trabajo

Estas recetas están diseñadas para combinarse. Un flujo de trabajo práctico las ordena de modo que cada paso asuma una sola tarea y solo haya que depurar un prompt.

Orden recomendado

  1. Primero la identidad. Ejecuta la receta de fidelidad por separado y bloquea el sujeto antes de añadir cualquier cambio de escena. Una identidad inestable invalida cada comparación posterior.
  2. Añadir referencias. Introduce de una en una las referencias de vestuario e iluminación, con etiquetas de rol explícitas, para poder atribuir cualquier cambio a una entrada concreta.
  3. Cambiar la escena. Una vez estabilizado el sujeto, aplica la receta de fondo con las cláusulas de coincidencia de iluminación y tratamiento de bordes.
  4. Ajustar el detalle al final. Añade las restricciones de textura, borde y ruido solo cuando el contenido sea correcto: las cláusulas de detalle son baratas de iterar y fáciles de aplicar en exceso.
  5. Finalizar los negativos. Construye la lista negativa a partir de los fallos realmente observados en los pasos 1–4, no con una plantilla genérica.

Versionar los prompts

Trata los prompts como código fuente. Guarda cada variante de receta como un bloque de texto nombrado y confirmado, junto con los parámetros que usaste, incluido el conjunto de imágenes de referencia. Cuando la calidad de salida cambie tras una modificación, un prompt versionado te permite comparar diferencias entre cláusulas en lugar de adivinar. Dos hábitos rinden fruto: mantener la estructura del esqueleto idéntica entre versiones para que las diferencias sean legibles, y registrar en el mensaje de confirmación qué cláusula cambiaste y por qué.

Nota sobre la reproducibilidad

Incluso con un prompt idéntico, la salida de imagen a imagen varía. Compara variantes con el mismo conjunto de referencias y el mismo contenido, y juzga por categoría de fallo, no por una sola muestra: una ejecución que por casualidad se ve bien aporta menos información que tres ejecuciones que evitan el halo de forma consistente.

Empieza por el esqueleto, elige la receta que corresponda a tu paso actual e itera una cláusula a la vez con gpt-image-2/image-to-image@ext.

Artículos relacionados

Ver todos los artículos →

Empieza a crear con artefactos de IA persistentes

Consigue tu API key y llama a modelos de imagen, vídeo y audio a través de una única API basada en tasks.

Leer la documentación de la API