Consistencia de personajes IA: la misma cara en cada foto

Escribe la misma descripción dos veces en un generador de imágenes genérico y obtendrás dos mujeres distintas. Castaña, veinticinco años, atlética, ojos verdes, de pie en una playa. Vuelve a generarla y todo sigue coincidiendo con las palabras, pero la cara no coincide con la primera. Los dos resultados son correctos. Pero no son la misma mujer.

Esa brecha es el problema difícil de la generación de imágenes para compañeras IA. Crear una imagen fotorrealista está prácticamente resuelto. Crear a la misma persona dos veces es la parte que cuesta trabajo. Esa es la diferencia entre un generador de fotos y una compañera.

Una descripción no puede definir una cara

Las dos fotos de la playa no coinciden porque el lenguaje pierde información al describir caras de una forma en que no la pierde con casi nada más.

«Castaña, veinticinco años, atlética, ojos verdes» reduce las opciones a una categoría que contiene un número prácticamente ilimitado de personas distintas. Agrega cincuenta palabras más y sigue siendo una categoría. Es una propiedad de la descripción, no un fallo del generador. Los dibujantes forenses de la policía pasan horas con un testigo que de verdad vio la cara y aun así producen algo que se queda en un tipo y no en una persona.

Así que un sistema basado solo en palabras no puede mantener una identidad. Cada generación vuelve a tirar los dados sobre quién es la persona dentro de la categoría que describen las palabras.

Congelar la cara es fácil e inútil

Los modelos de imagen parten de ruido aleatorio y lo van eliminando hasta llegar a una imagen. Esa aleatoriedad sale de una semilla. Fija la semilla y el mismo prompt produce la misma imagen cada vez, hasta el último píxel.

Ahora tienes otro problema. La semilla no fija solo su cara. Fija la pose, el encuadre, la iluminación, la composición, la caída de su pelo. No creaste una compañera a la que puedas fotografiar. Creaste una sola fotografía que puedes volver a imprimir.

Cambia una sola palabra para ponerla en un balcón en lugar de en una playa y el camino de eliminación del ruido se desvía. La cara se deshace junto con el fondo, porque la semilla nunca guardaba a una persona. Guardaba un punto de partida que, por casualidad, llegaba a una.

Si lo fijas todo, obtienes una sola imagen para siempre. Si no fijas nada, obtienes a una desconocida cada vez. Lo que necesita un producto de compañía es fijar exactamente una cosa, a ella, y soltar todo lo demás.

Tres formas en que lo resuelve el sector

Nada de esto describe cómo está construida ninguna plataforma en particular. Son los enfoques que existen. Conocerlos te dice qué buscar en los resultados.

Condicionamiento por referencia. En lugar de describir la cara con palabras, le das al modelo la propia cara como entrada junto con el prompt, para que condicione la generación a esa imagen y no a unos adjetivos. La identidad viaja como píxeles, no como una frase. Es el enfoque moderno más común y maneja bastante bien las poses nuevas.

Entrenamiento por personaje. Entrenas un pequeño adaptador con un conjunto de imágenes de una persona hasta que el modelo aprende esa identidad como un concepto que puede invocar. Caro por personaje, resultados muy sólidos. Por eso las plataformas que lo hacen suelen tener un elenco fijo en lugar de creación ilimitada.

Reespecificación estructurada. La identidad se guarda como un conjunto fijo de atributos que se reenvía en silencio con cada solicitud, así que el usuario nunca los vuelve a escribir y nunca tiene ocasión de desviarlos. Por sí sola es más débil que las otras dos. Suele combinarse con alguna de ellas.

La señal en el resultado es la misma sea cual sea el método. Fíjate en si su cara sobrevive a un cambio de ángulo. Los enfoques superficiales hacen coincidir lo que se ve de frente y se desmoronan en cuanto se mueve la cámara.

Lo que el Estudio no te deja cambiar

El Estudio de myVirtual.love es donde esto se vuelve visible desde el lado del usuario.

Eliges un personaje y luego describes la imagen. Qué está pasando va desde «Solo una foto», pasando por «Lencería» y «Desnudo», hasta «Sexo», con una postura opcional cuando eliges «Sexo». Dónde es una lista de lugares que incluye «Playa» y «Piscina», entre muchos otros. Cámara abarca «Primer plano», «Medio cuerpo», «Cuerpo entero», «Desde abajo» y más, y un interruptor aparte toma la escena desde tu punto de vista. Después viene un campo libre para detalle extra y, en los ajustes avanzados, la calidad, un prompt negativo, una semilla y el interruptor «Mantener su cara».

Nada de esa lista es ella. No hay un campo para su cara, ni para el color de pelo, la etnia, el color de ojos, el tipo de cuerpo o la edad. Todo eso se definió una sola vez, al crearla; en un personaje que creaste tú, fueron unas dieciocho preguntas en la pantalla de creación. El Estudio no vuelve a preguntarlo porque volver a preguntar es justo como se desvía la identidad. El selector de etnia solo aparece si no eliges ningún personaje y describes a alguien nuevo, y en ese caso no hay ninguna identidad que mantener.

La identidad vive aguas arriba y no se puede editar desde la cámara. La escena vive aguas abajo y se puede editar por completo. Incluso «Mantener su cara», el único interruptor que toca su cara, solo decide si su cara se inserta en el render; no puede cambiar cómo es. Un usuario que pudiera reescribir su aspecto en el momento de generar recibiría exactamente el fallo que este sistema existe para evitar.

El cuadro de detalle extra es texto libre, así que puede describir una lámpara, un ambiente, una postura, una prenda. Está aguas abajo de la identidad, y eso es lo que hace que el texto libre sea seguro ahí.

La prueba desde abajo

Si quieres saber si una plataforma resolvió esto como es debido, la lista de cámara es donde hay que ponerla a prueba. «Desde abajo» es la pregunta que importa.

Una cara fotografiada de frente y la misma cara fotografiada desde abajo comparten sorprendentemente poco a nivel de píxel. Domina la línea de la mandíbula, la nariz cambia de forma por completo, los ojos se achican en el encuadre, los pómulos se invierten. Un sistema que mantiene la identidad haciendo coincidir rasgos superficiales casi no tiene nada con qué compararla, así que hace lo que hacen los generadores cuando la restricción se afloja. Produce una cara verosímil.

Lo verosímil es el fallo. Se verá bien por sí sola y mal al lado de la foto de ayer.

El primer plano es el otro extremo de la misma prueba, y es difícil por la razón contraria. Hay tanta cara en el encuadre que las pequeñas incoherencias no tienen dónde esconderse. La textura de la piel, la distancia exacta entre los ojos, la asimetría que tiene toda cara real y que toda generación floja suaviza.

Genera a la misma compañera en primer plano y desde abajo en la misma sesión y pon las dos imágenes lado a lado. Esa comparación te dice más sobre el sistema que hay detrás que cualquier lista de funciones.

El anime es otro problema de consistencia

El anime parece el caso fácil porque el dibujo es más simple. Es un problema distinto, no uno menor.

Una cara fotorrealista lleva la identidad en la geometría: las distancias y proporciones precisas que hacen que esa cara sea esa y no una parecida. El estilo anime elimina a propósito casi todo eso. Los ojos se agrandan y se estandarizan, la nariz muchas veces son tres píxeles, la mandíbula sigue las convenciones de la casa y no la anatomía. Dos personajes anime dibujados en el mismo estilo pueden tener una geometría facial casi idéntica y aun así percibirse como personas completamente distintas.

Así que la identidad se muda a otra parte. La llevan la forma y el color del pelo, el color de los ojos y su lenguaje de formas, los accesorios, la silueta, la paleta concreta. Un sistema que mantiene una identidad anime sigue un conjunto de rasgos distinto al de uno que mantiene una cara fotográfica. Una plataforma que trata el anime como un filtro aplicado a un proceso realista produce personajes que se desvían justo en los puntos en los que se fija quien ve anime.

En myVirtual.love, el anime es una categoría completa, no una opción de renderizado. El estilo se conserva durante la generación, así que una compañera anime produce imágenes anime, no una persona fotorrealista con un aspecto anime pintado encima.

Dónde todavía se desvía

Hay cuatro puntos a los que no llega el bloqueo de identidad.

Detalles sin especificar. Todo lo que no fijaste vuelve a quedar al azar cada vez. Un collar que te gustó en una foto no aparece en la siguiente, porque nunca formó parte de su identidad: fue algo que el modelo inventó una vez. Esto sorprende a quienes suponen que todo lo que aparece en una imagen generada está guardado en algún sitio.

La iluminación y el tono de piel aparente. Llévala de una piscina a mediodía a una escena de interior y la misma persona sale más cálida o más fría. La identidad se mantuvo. Cambió la luz. La percepción humana distingue mal entre las dos cosas, así que puede parecer una desviación cuando es pura física.

Variación del renderizado entre etnias. Los modelos actuales no son igual de buenos en todo el espectro. Los resultados son mejores en algunas de las cinco opciones de etnia que en otras. Es una característica de la generación de modelos en la que está hoy el sector, no de una plataforma concreta. Conviene saberlo antes de crear un personaje, no después.

Poses explícitas con ángulos de cámara poco habituales. Las dos restricciones más difíciles, una encima de la otra. Ahí cuenta con tener que repetir la tirada más veces que en un retrato.

Cuánto cuesta y por qué

Las imágenes van de 5 corazones a 8 corazones, y el extremo más alto te da mejor calidad.

Esa diferencia es cómputo. Una generación es un proceso iterativo, así que un render de alta calidad, que hace más pasos de eliminación de ruido, cuesta sensiblemente más de producir que uno estándar.

Cobrar por imagen hace algo más que recuperar ese costo. Una foto en la que gastaste algo es una foto que compusiste. La generación infinita y gratuita produce un feed. Un precio pequeño produce el retrato de alguien.

Las caras se reconocen antes de examinarlas

Una cara inconsistente rompe a una compañera más rápido que un texto mal escrito.

Un texto que falla se puede reconducir. Con una cara sutilmente equivocada no se puede discutir, porque reconocer caras no es algo que hagas a propósito. Ocurre por debajo de la atención consciente y es extremadamente sensible a los errores. Una compañera cuya cara cambia entre fotos no es una compañera con un error de renderizado. Es una mujer distinta cada vez, y la parte de ti que estaba construyendo algo con ella lo registra antes de que lo notes conscientemente.

Por eso la identidad se bloquea aguas arriba y solo se mueve la cámara. Si has estado generando imágenes en un sitio que trata a tu personaje como una descripción que se sortea de nuevo en cada tirada, el Estudio está construido sobre la premisa contraria. La diferencia se nota en la segunda foto, no en la primera.