Guia de uso
Flux-2 texto-para-imagem para imagens de produtos de e-commerce: receitas de prompt e uma requisição HiAPI pronta para uso
Modelos de prompt para ângulos, iluminação e detalhes refinados, além de uma requisição HiAPI pronta para copiar e colar e um padrão em lote
Nesta página
Por que flux-2/text-to-image é adequado para catálogos de e-commerce
A produção de imagens de produtos enfrenta um dilema de curva de custo: cada SKU precisa de vários ângulos, iluminação consistente e fundos limpos, e o custo marginal de "mais uma variante" é alto tanto na captura quanto na edição. Quando você tem descrições de produto sólidas e prompts reproduzíveis, o texto-para-imagem muda essa conta.
Cenários em que o texto-para-imagem se destaca
- SKUs de cauda longa e variantes. Cores, tamanhos e configurações que não justificam uma sessão de fotos dedicada também podem obter imagens prontas para o catálogo.
- Imagens conceituais e placeholders. Páginas de categoria, testes A/B e listagens antes do lançamento precisam de imagens verossímeis antes que as amostras físicas cheguem.
- Exploração de estilo. Você pode testar rapidamente fundos e direções de iluminação para definir a direção visual antes de reservar a sessão de fotos oficial.
Cenários em que a fotografia é insubstituível
Se a decisão do comprador depende de detalhes físicos — costuras, desgaste, selos de certificação, cor exata sob luz real — a imagem gerada é apenas um conceito, não evidência. Só use a saída de flux-2/text-to-image como material de catálogo quando a imagem puder representar o produto que você realmente envia; para a imagem principal cujo argumento de venda é a precisão, mantenha a fotografia real.
Comparado ao imagem-para-imagem, o texto-para-imagem exige mais do prompt: não há imagem de referência para fixar a composição. Esse é o trade-off. Você ganha controle total sobre ângulo, iluminação e fundo, ao custo de precisar descrevê-los explicitamente. O restante deste guia trata de como tornar essa descrição reproduzível.

Estrutura de prompt base reutilizável e estável entre SKUs
Um prompt que funciona bem para um produto e falha no próximo geralmente mistura fatos específicos do produto com decisões de cena. Separe-os.
Esqueleto de seis slots
[sujeito] — [ângulo] — [iluminação] — [fundo] — [detalhe] — [estilo/restrição]
- Sujeito: o que é o objeto, material, cor e qualquer forma definidora. Mantenha factual.
- Ângulo: a posição da câmera em relação ao produto (três quartos frontal, vista superior, nível dos olhos).
- Iluminação: luz principal de softbox, luz de contorno, suavidade das sombras, direção.
- Fundo: superfície, cor e se está em foco.
- Detalhe: duas ou três características que o comprador vai examinar.
- Estilo/restrição: fotografia comercial de produto, foco nítido, sem texto, composição centralizada.
Um exemplo preenchido
Uma caneca de cerâmica fosca verde-escura, ângulo de três quartos frontal, altura dos olhos,
luz principal difusa e suave vinda do canto superior esquerdo, luz de contorno sutil na borda direita, fundo cinza-claro sem emendas,
textura de esmalte fosco e curva limpa da alça visíveis, fotografia comercial de produto, foco nítido,
sem texto, sem logotipo, composição centralizada
Mantenha os slots estáveis, substitua os fatos
Armazene o esqueleto uma vez no seu script de geração e injete apenas os slots de sujeito e detalhe por SKU. Ângulo, iluminação, fundo e estilo permanecem fixos em um lote — é isso que faz um conjunto de imagens parecer o mesmo catálogo, e não uma colagem. Quando precisar de um segundo ponto de vista (vista superior, lateral), mude apenas um slot, para que qualquer diferença visual seja atribuível a essa única mudança.
Um hábito útil: mantenha a mesma ordem de slots em todos os prompts que escrever. O modelo segue a estrutura, e quem revisar sua biblioteca de prompts daqui a seis meses também.
Receitas de prompt para ângulos de câmera e iluminação
Estes modelos foram projetados para colar após o slot [sujeito]. Substitua a cor do fundo para combinar com a cor-base da sua marca.
Receitas de ângulo
Três quartos frontal (ângulo padrão da imagem principal)
vista de três quartos frontal, câmera na altura média do produto, produto centralizado,
produto completo visível, com pequena margem ao redor
Nível dos olhos / de frente
vista frontal nivelada, câmera paralela à face frontal do produto,
sem distorção de perspectiva, produto centralizado
Vista superior flat lay
vista superior de cima para baixo, câmera perpendicular à superfície,
produto centralizado com margens uniformes, sombra plana abaixo
Ângulo levemente elevado (bom para produtos em caixa)
vista a 30 graus acima do produto, face frontal e topo visíveis,
câmera inclinada em direção ao centro do produto
Receitas de iluminação
Luz de estúdio suave (padrão seguro)
luz principal de softbox grande no canto superior esquerdo, refletor branco de preenchimento à direita,
sombra de contato suave sob o produto, sem reflexos especulares duros
Luz lateral para realçar textura
luz lateral rasante à esquerda para revelar a textura da superfície, preenchimento suave frontal,
sombras projetadas para a direita, fundo uniformemente iluminado
Branco de catálogo limpo
duas fontes de luz suave a 45 graus proporcionando iluminação brilhante e uniforme, sombras mínimas,
fundo branco sem emendas, separação nítida da borda do produto
Toque dramático (próximo de estilo de lifestyle)
luz principal direcional única vinda do canto superior direito, queda profunda em direção a fundo cinza-escuro,
realce suave em uma borda, sombras controladas
Pontos universais de composição
- Especifique a altura da câmera quando a perspectiva importar; "altura média" e "vista superior" produzem silhuetas visivelmente diferentes.
- Especifique para onde as sombras caem. Sombras não especificadas são a fonte mais comum de inconsistência em lotes.
- Fixe a terminologia de margem ("com pequena margem ao redor") para que o produto não seja cortado de forma diferente no lote.
Combine uma receita de ângulo com uma de iluminação e você terá uma matriz estável: quatro ângulos vezes quatro configurações de luz, dezesseis aparências a partir de um único esqueleto.

Formulações que melhoram a aderência ao prompt e os detalhes de alta fidelidade
Problemas de aderência geralmente vêm de substantivos vagos, não de adjetivos de menos. Empilhar "bonito, premium, impressionante" só adiciona ruído de estilo sem dizer ao modelo o que renderizar.
Nomeie materiais com precisão
Substitua "tecido bom" pela superfície real: alumínio escovado, aço com pintura em pó fosca, couro com grão granulado, vidro fosco, lona de algodão cru. Palavras de material carregam textura e refletividade, então são mais úteis do que qualquer adjetivo de estilo.
Restrinja o que importa
Os modelos aderem melhor a limitações explícitas do que a desejos implícitos. Escreva restrições como declarações sobre a imagem:
produto ocupa cerca de 70% da largura do quadro
área do logotipo vazia e sem marca
texto do rótulo renderizado como área em branco, sem letras
apenas um produto na cena, sem adereços
Cada linha elimina um grau de liberdade. Mantenha as restrições curtas e literais — longos parágrafos de texto proibitivo tendem a se embaralhar.
Aponte detalhes, não elogie detalhes
- Fraco:
extremamente detalhado e de alta qualidade - Forte:
costura visível na borda superior, textura sutil na superfície do couro, fivela metálica com acabamento escovado
Detalhes de alta fidelidade vêm de nomear as duas ou três características que o comprador vai ampliar, e então deixar o renderizador cuidar do resto. Se um detalhe importa, descreva sua localização e material, não sua importância.
Controle o desvio com palavras de cena
Palavras de estilo não são gratuitas. Dramático, cinematográfico e luxuoso todos alteram iluminação e contraste. Se seu catálogo é limpo e neutro, remova-as ou combine com correções explícitas como iluminação comercial limpa, sem sombras dramáticas. A aderência melhora quando cada instrução de estilo tem uma descrição física correspondente.
Outro hábito que vale cultivar: registre, por categoria de produto, quais linhas de restrição você adicionou. Quando a saída desviar, você pode comparar diferenças de prompt em vez de adivinhar.
Listas de prompts negativos para evitar falhas comuns em imagens de produto
Prompts negativos são bisturis, não baldes. Uma lista curta voltada aos modos de falha que você realmente observou supera uma parede de exclusões genéricas que pode suprimir renderizações válidas.
Uma lista inicial enxuta
texto, marca d'água, logotipo, membros extras, produto duplicado, fundo desordenado,
estouro de reflexo especular ofuscante, desfoque de movimento, deformação geométrica, borda do produto cortada
Por que cada item vale a pena manter
- texto, marca d'água, logotipo — letras geradas raramente são utilizáveis e costumam sair sem sentido; espaço vazio é melhor que erro.
- produto duplicado — cenas com vários objetos entram quando o slot de fundo está vago.
- fundo desordenado — protege a aparência limpa de catálogo.
- estouro de reflexo especular ofuscante — produtos brilhantes perdem detalhes de superfície por recorte de realces.
- deformação geométrica — alças, bicos e bordas se curvam quando o slot de ângulo está subdescrito.
- borda do produto cortada — funciona com sua terminologia de margem para manter a silhueta completa no quadro.
Diferencie por categoria
Adicione, não empilhe. Para vidraria, adicione reflexo duplo, vidro opaco. Para vestuário, adicione manequim, modelo humano, roupa dobrada. Para produtos alimentícios, adicione condensação, guarnição, adereços. Assim que uma categoria estabilizar, remova os itens correspondentes; listas negativas mais curtas deixam o prompt positivo dominar.
Regra de ouro
Se você não consegue apontar a falha que viu em uma saída específica, não a adicione à lista negativa. Deixe a lista crescer a partir da revisão, não da antecipação.
Uma requisição HiAPI de flux-2/text-to-image pronta para uso
A requisição abaixo envia um prompt para flux-2/text-to-image através da interface unificada da HiAPI. Substitua a string do prompt e você terá sua primeira imagem de produto.
Requisição
curl -X POST "https://api.hiapi.ai/v1/images/generations" \
-H "Authorization: Bearer $HIAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "flux-2/text-to-image",
"prompt": "uma caneca de cerâmica fosca verde-escura, vista de três quartos frontal, câmera na altura média do produto, produto centralizado com pequena margem ao redor, luz principal de softbox grande no canto superior esquerdo, refletor branco de preenchimento à direita, sombra de contato suave sob o produto, fundo cinza-claro sem emendas, textura de esmalte fosco e curva limpa da alça visíveis, fotografia comercial de produto, foco nítido, sem texto, sem logotipo",
"negative_prompt": "texto, marca d'água, logotipo, produto duplicado, fundo desordenado, estouro de reflexo especular ofuscante, deformação geométrica, borda do produto cortada",
"aspect_ratio": "1:1",
"n": 1
}'
Explicação campo por campo
- model — mantém a chamada roteada para o flux-2 texto-para-imagem. Fixe-o explicitamente para que mudanças futuras nos padrões não alterem silenciosamente a aparência do seu catálogo.
- prompt — o esqueleto de seis slots apresentado anteriormente, montado com uma receita de ângulo e uma de iluminação.
- negative_prompt — lista de exclusão enxuta; ajuste por categoria ao revisar as saídas.
- aspect_ratio — fixe por canal (quadrado para blocos de grade, retrato para cartões de listagem em mobile) para manter um lote uniforme.
- n — mantenha em 1 durante o ajuste do prompt e aumente quando quiser variantes para escolher.
Lendo a resposta
A API retorna um objeto JSON contendo os dados da imagem gerada e metadados da requisição. Analise o payload da imagem, grave-o no armazenamento com um nome de chave que inclua o SKU e a combinação de ângulo/iluminação (por exemplo mug-green__front34__soft-studio), e registre o prompt exato junto ao arquivo. Esse emparelhamento de "nome de arquivo mais prompt" torna a QA e a regeneração posteriores acionáveis. A cobrança segue a medição padrão de geração de imagem da plataforma; consulte o painel de preços da sua conta para as taxas atuais em vez de codificar suposições no script.
Geração em lote de prompts para listagens entre SKUs
Depois que uma única requisição funciona, o processamento em lote é injeção de modelo mais um loop. O esqueleto fica no código, os fatos do produto ficam nos dados.
Padrão
ANGLES = {
"front34": "vista de três quartos frontal, câmera na altura média do produto, produto centralizado com pequena margem ao redor",
"flat": "vista superior de cima para baixo, câmera perpendicular à superfície, produto centralizado com margens uniformes, sombra plana abaixo",
}
LIGHTING = "luz principal de softbox grande no canto superior esquerdo, refletor branco de preenchimento à direita, sombra de contato suave sob o produto"
STYLE = "fotografia comercial de produto, foco nítido, sem texto, sem logotipo, composição centralizada"
def build_prompt(sku, angle_key):
return f"{sku['subject']}, {ANGLES[angle_key]}, {LIGHTING}, {sku['background']}, {sku['detail']}, {STYLE}"
Para cada SKU, itere sobre as chaves de ângulo necessárias, construa o prompt, chame a API e armazene o resultado em um local nomeado deterministicamente. Faça uma breve pausa entre chamadas e tente novamente com backoff em falhas transitórias; lotes de catálogo não são sensíveis à latência, e estabilidade supera velocidade.
O que verificar antes de escalar
- A montagem do prompt é determinística. O mesmo SKU e ângulo devem sempre produzir a mesma string de prompt. Registre o hash de cada prompt se precisar de prova.
- Valores de slot fixos são realmente fixos. Fundo, iluminação e estilo devem vir de constantes, não de dados por item misturados.
- A proporção é definida por canal, não por ponto de chamada. Uma vez na configuração, não espalhada pelo loop.
- As chaves de armazenamento carregam ângulo e iluminação. Você vai regenerar células individuais depois; torne-as endereçáveis.
- Execute primeiro um piloto pequeno. Dez SKUs cobrindo todos os ângulos, revisados antes de processar a lista completa.
Expectativas de custo e tempo
O tempo de geração cresce com o número de imagens, não com o número de prompts, então orce uma chamada por imagem e planeje o lote em torno disso. Mantenha n em 1 durante as execuções em lote e gere variantes apenas para SKUs que reprovarem na revisão — o mesmo prompt com n mais alto é mais fácil de raciocinar do que um segundo ângulo que você nem precisa.
Revise as saídas antes de entrar no catálogo
Uma imagem gerada que parece boa mas representa errado o produto é pior do que não ter imagem. Faça uma verificação de QA curta e consistente em cada saída antes de publicá-la.
Lista de verificação
- O ângulo corresponde ao rótulo. Um arquivo chamado
front34deve realmente ser uma vista de três quartos frontal. Mesmo que cada imagem pareça boa isoladamente, ângulos incompatíveis quebram a consistência da grade. - O produto completo está no quadro. Sem bordas cortadas, o produto não toca a borda do quadro.
- Sem texto. Qualquer letra, marca d'água ou artefato de logotipo significa regenerar ou reverter.
- Adequação à marca. A cor do fundo, a suavidade das sombras e o contraste devem harmonizar com o catálogo existente lado a lado, não destoar.
- Representatividade. O produto exibido deve corresponder ao que é realmente enviado: cor correta, material correto, proporção correta.
Regenerar ou reverter
Quando a falha é cosmética e corrigível por prompt (direção de sombra errada, fundo desviado, adereços extras), regenere. Aperte o slot problemático e execute novamente. Quando a falha é factual — o modelo inventou uma característica, o material parece um acabamento errado, a forma do produto não é fiel — reverta para fotografia, imagem-para-imagem ou placeholder. Nenhuma modificação de prompt corrige de forma confiável uma discrepância com o objeto físico.
Mantenha a revisão barata
Revise por SKU como uma folha de contatos cobrindo todos os ângulos, em vez de uma imagem por vez. Diferenças invisíveis isoladamente — sombra invertida, desvio de fundo — tornam-se óbvias lado a lado. Registre o hash do prompt de cada rejeição, para que problemas recorrentes se revelem como problemas de prompt, não como ruído pontual. Faça isso com um lote e você descobrirá que a maioria das falhas se concentra em alguns valores de slot recorrentes, e esses são os que valem a pena corrigir de uma vez por todas.
Artigos relacionados
Ver todos os artigos →-
Guia de uso
Guia de introdução ao gpt-6.2-sol: limites de capacidade, integração via API e noções de precificação por token
Decisões de integração e pontos práticos para equipes de engenharia
-
Guia de uso
Guia de introdução ao gpt-6.2-astra: limites de capacidade do modelo de texto, pontos de integração e controle de custos
-
Guia de uso
Guia de introdução ao Tripo H3.1: três modos de entrada, parâmetros e como escolher o preço
Decisão de integração e controle de custos na geração 3D para desenvolvedores