Термины идут группами. Внутри группы по логике, а не по алфавиту, так понятнее. Если ищете конкретное слово, воспользуйтесь поиском по странице.
Основы генерации
Промпт (prompt). Текстовое описание того, что вы хотите получить. Основной способ управлять генерацией. Чем точнее промпт, тем предсказуемее результат.
Негативный промпт (negative prompt). Описание того, чего в кадре быть не должно: искажённые руки, лишние объекты, текст. Модель старается это исключить. Поддерживается не всеми моделями.
Text-to-image. Генерация изображения из текста с нуля. Вы описываете словами, модель придумывает картинку.
Image-to-image. Генерация нового изображения на основе загруженного. Модель отталкивается от вашей картинки, а не придумывает всё сама.
Text-to-video. То же, что text-to-image, но на выходе видео. Из текстового описания рождается движущийся кадр.
Image-to-video. Оживление картинки: изображение становится первым кадром, модель достраивает движение. Даёт более предсказуемый результат, чем генерация видео с нуля.
Диффузия (diffusion). Основной метод современной генерации. Модель начинает со случайного шума и постепенно убирает лишнее, проявляя картинку. Подробнее в статье как работает генерация изображений.
Латентное пространство (latent space). Сжатое внутреннее представление изображения, с которым модель работает вместо миллионов пикселей. Нужно ради скорости: считать в нём в разы дешевле.
Токен (в контексте промпта). Кусочек текста, на которые модель разбивает ваш промпт при обработке. Примерно слово или часть слова. Не путать с токенами как внутренней валютой сервиса.
Галлюцинация (hallucination). Ситуация, когда модель уверенно генерирует что-то бессмысленное или несуществующее: лишние пальцы, нечитаемый текст, невозможную геометрию.
Параметры генерации
Seed (зерно). Число, задающее стартовый шум. Один seed плюс один промпт равно один и тот же результат. Инструмент воспроизводимости: фиксируете удачный кадр или перебираете варианты.
CFG / Guidance scale. Насколько строго модель держится промпта. Низкое значение это свобода и креатив, высокое это точность, слишком высокое это пережжённая неестественная картинка. Оптимум обычно посередине.
Steps (шаги). Сколько раз модель проходит цикл очистки шума. Больше шагов это чуть больше деталей, но дольше и дороже. После определённого числа разница почти незаметна, поэтому гнать шаги до максимума смысла нет.
Разрешение (resolution). Размер картинки в пикселях. Выше разрешение это больше деталей и выше цена генерации. Черновики выгодно делать в низком разрешении, финал в высоком.
Соотношение сторон (aspect ratio). Пропорции кадра: 16:9 для горизонтали, 9:16 для вертикали и рилсов, 1:1 для квадрата. Задавайте нужное сразу, обрезка готового кадра портит композицию.
Sampler (сэмплер). Алгоритм, по которому идёт очистка шума. Разные сэмплеры дают немного разный результат и скорость. В большинстве сервисов скрыт под капотом, продвинутые платформы дают выбор.
Batch (батч). Количество картинок за одну генерацию. Удобно, когда нужно быстро получить несколько вариантов одного промпта и выбрать лучший.
Работа с изображением
Инпейнт (inpainting). Перегенерация выделенной части картинки. Выделяете проблемную зону (например, кисть руки) и просите перерисовать только её. Главный инструмент против артефактов.
Аутпейнт (outpainting). Достраивание изображения за его пределами. Расширяет кадр, дорисовывая логичное продолжение. Полезно для смены кадрирования или формата.
Апскейл (upscale). Увеличение разрешения с достройкой деталей. Не просто растягивание, а дорисовка мелочей, чтобы картинка оставалась резкой в большом размере. Финальный этап.
Референс (reference). Изображение-образец, которое вы даёте модели, чтобы задать внешность персонажа, стиль или композицию. Точнее любого текстового описания. Основа работы с консистентностью персонажа.
Маска (mask). Выделенная область изображения, с которой работает модель. Используется в инпейнте: маска говорит, что перерисовать, а что оставить.
Апскейлер лица (face restore). Отдельная обработка, которая улучшает лицо на картинке: убирает искажения, добавляет чёткость. Полезно, когда всё хорошо, а лицо чуть поплыло.
Артефакт (artifact). Любое нежелательное искажение на картинке: лишние пальцы, кривой текст, странная геометрия, шум. Следствие того, что модель повторяет узоры, не понимая содержания.
Консистентность (consistency). Сохранение одного и того же персонажа, стиля или объекта между разными кадрами. Достигается референсами, а не описанием. Главная сложность в сериях и видео.
Продвинутое
LoRA. Небольшая надстройка к модели, обучающая её конкретному стилю, персонажу или объекту. Лёгкая и быстрая, в отличие от переобучения всей модели. Так делают, например, генерацию одного и того же героя.
ControlNet. Способ задать точную структуру кадра через дополнительный вход: позу человека, контур объекта, карту глубины. Даёт контроль над композицией, которого промптом не добиться.
Чекпоинт (checkpoint). Сохранённая версия обученной модели. Разные чекпоинты специализируются на разном: фотореализм, аниме, живопись. Термин из мира открытых моделей.
Эмбеддинг (embedding). Представление текста или картинки в виде набора чисел, понятного модели. Через эмбеддинги модель связывает слова со смыслами. Технический термин, но встречается часто.
Диффузионный шаг (denoising step). Одна итерация очистки шума. Из множества таких шагов складывается вся генерация. Смотрите также Steps выше.
VAE. Компонент, который сжимает картинку в латентное пространство и разворачивает обратно. От него зависит цветопередача и мелкие детали финального изображения.
Fine-tuning (дообучение). Дополнительное обучение готовой модели на своих данных, чтобы она лучше делала конкретную задачу. Тяжелее и дороже, чем LoRA, но даёт более глубокий результат.
Prompt engineering. Навык составления промптов так, чтобы получать нужный результат. Не магия, а понимание, какие формулировки модель считывает точно. Разбор в статье как писать промпты для видео.
Термины видео
Кадр (frame). Одно неподвижное изображение. Видео это последовательность кадров. Модель генерирует их согласованно, чтобы движение было плавным.
FPS (кадров в секунду). Сколько кадров показывается за секунду. Больше FPS это более плавное движение. Стандарт для большинства роликов 24 до 30.
Отрезок / клип (clip). Один непрерывный кусок сгенерированного видео, обычно от 5 до 15 секунд. Длинное видео собирается из нескольких отрезков.
Липсинк (lip sync). Синхронизация движения губ с речью. Нужен для говорящих аватаров. Требует модели с нативным звуком, качество на русском пока хуже, чем на английском.
Нативный звук (native audio). Звук, который модель генерирует вместе с видео, а не накладывается сверху. Даёт совпадение губ и речи. Обычно удваивает цену генерации.
Движение камеры (camera movement). Как ведёт себя виртуальная камера: наезд, отъезд, облёт, панорама. Задаётся в промпте специальными терминами. Словарь в статье про промпты для видео.
Last-frame chaining. Приём для длинных сцен: последний кадр одного отрезка становится первым кадром следующего. Персонаж и обстановка переходят автоматически, склейка выходит незаметной.
Motion blur (смаз движения). Размытие быстро движущихся объектов, как на реальном видео. Добавляет достоверности динамичным сценам. Задаётся в промпте.
Стартовый и конечный кадр (start / end frame). Изображения, которые вы задаёте как первый и последний кадр ролика. Модель придумывает движение между ними. Удобно для точного контроля.
Коротко
Большинство этих терминов описывают либо параметры (seed, CFG, steps, разрешение), либо операции с картинкой (инпейнт, апскейл, референс), либо устройство генерации (диффузия, латентное пространство). Понимать их полезно не ради терминологии, а чтобы точнее управлять результатом и не переплачивать за лишние попытки.
Если какой-то термин хочется разобрать глубже, у нас есть отдельные статьи: как работает генерация, как писать промпты и консистентность персонажа.
