Encontraste un tutorial. A los doce minutos te pedía Python 3.10 —esa versión exacta—, después Git, después un checkpoint de 6.5 GB alojado en un servidor que estrangula las descargas anónimas. Cuarenta minutos más tarde la consola escupió torch.OutOfMemoryError: CUDA out of memory y cerraste la laptop.
O te ahorraste el trámite y fuiste directo a la versión honesta: en tu máquina no hay ninguna tarjeta NVIDIA. Tienes una MacBook, o una laptop del trabajo con gráficos integrados, y todas las guías dan por sentado lo contrario sin decirlo.
Los dos caminos terminan en la misma pregunta: ¿se puede usar esto directamente en el navegador? Sí. Pero los generadores en la nube te quitan casi todas las perillas a las que esos tutoriales dedican su tiempo, y saber cuáles importaban de verdad es la diferencia entre buenos resultados online y echarle la culpa a la herramienta. Todo lo que viene abajo funciona en cualquier generador de difusión alojado, incluido el nuestro.
Por qué la instalación local frena a casi todos
El obstáculo es el presupuesto de hardware, no la habilidad:
| Lo que necesitas | La realidad |
|---|---|
| VRAM, modelos de la era SD 1.5 | ~4 GB se puede, 6 GB se trabaja cómodo |
| VRAM, modelos de la era SDXL | 8 GB cómodo; 6 GB solo con flags de ahorro de memoria y mucha paciencia |
| Disco, por checkpoint | 2–7 GB cada uno, y vas a querer más de uno |
| Disco, todo lo demás | LoRAs de 50–200 MB cada una, un VAE, upscalers y la propia WebUI |
| Generación solo con CPU | Minutos por imagen, no segundos |
| Apple Silicon | Funciona, pero un retrato es una pausa para el café, no una iteración |
Después llegan los errores que no tienen nada que ver con el arte: una compilación de torch que no coincide, un VAE ausente que convierte cada salida en un cuadrado negro, una extensión que rompe la interfaz tras una actualización. Cualquiera que publique imágenes hechas en local se pasó un fin de semana entero con la plomería antes de la primera foto. Buen negocio si quieres un laboratorio, mal negocio si quieres una imagen.
Qué significa de verdad "Stable Diffusion online"
Cuatro cosas distintas usan esa etiqueta, y no se parecen en nada:
| Opción | Qué obtienes | La trampa |
|---|---|---|
| Notebook (estilo Colab) | La WebUI completa sobre una GPU prestada | Los planes gratis restringen las WebUI populares, el uso adulto viola los términos, la sesión muere y vuelves a montar todo |
| GPU en la nube alquilada | Control real, cualquier checkpoint | Se paga por hora: el reloj corre mientras lees documentación |
| Apps y APIs oficiales | Limpias, rápidas, confiables | Filtradas por política; los prompts sugestivos se rechazan |
| Generador adulto dedicado | Una sola caja de texto, resultado inmediato | No eliges el checkpoint ni los ajustes |
Si tu meta es probar veinte checkpoints y entrenar una LoRA, alquila una GPU. Si tu meta son imágenes de personajes ficticios adultos sin perder un fin de semana en la instalación, la última fila es la respuesta honesta, y es la que optimiza el resto de esta guía.
Los ajustes que pierdes y cuáles vas a extrañar
Los tutoriales viven obsesionados con los deslizadores. Casi todos se estancan rápido. Lo que cada uno te daba en realidad:
| Ajuste | Qué hace | ¿Lo extrañarás online? |
|---|---|---|
| Steps (pasos) | Pasadas de denoising. 25–35 es la meseta en casi todos los modelos; 80 no es "más detallado", solo más lento | No |
| Escala CFG | Cuánto obedece el modelo al prompt. Muy baja queda blanda y vaga, muy alta queda crujiente y sobresaturada | Casi nunca |
| Sampler | La ruta del solucionador. DPM++ 2M Karras es el default de todo el mundo porque gana casi todas las pruebas a ciegas | No |
| Resolución | Los modelos modernos entrenan cerca de 1024 px. Pide 512 y sale papilla; pide 2048 y salen dos cabezas | No: el servicio elige una relación de aspecto ya entrenada |
| Clip skip | Se salta una capa del codificador de texto; afila el estilo en modelos de linaje anime | No |
| Seed (semilla) | Reproducibilidad: misma semilla más mismo prompt igual misma imagen | Un poco |
| Prompt negativo | Resta conceptos: el único control genuinamente útil | Sí. La pérdida real |
El prompt negativo merece párrafo propio. Cualquier servicio decente ya trae un negativo estándar aplicado por detrás: esa limpieza de anatomía y artefactos que de otro modo tendrías que copiar de un hilo de foro. Lo que pierdes es la resta por imagen: "esta vez sin lentes", "que no sea rubia".
Compénsalo de dos maneras, y las dos son mejor prompting de todos modos. Describe la alternativa positiva en lugar de la ausencia: no "sin lentes" sino "rostro despejado, cabello peinado hacia atrás". Y elimina los problemas de forma física, no verbal: en vez de pelear contra los dedos a base de negativos, pon las manos donde el encuadre las pueda manejar ("manos entrelazadas a la espalda", "una mano rodeando una copa de vino"), o recorta más cerca para que queden fuera de cuadro.
Cómo llevar un prompt local a una sola caja de texto
Este es un prompt cualquiera al estilo A1111, del tipo que copias de la página de un modelo:
masterpiece, best quality, ultra detailed, 1girl, solo, (red hair:1.3), green eyes, black dress,
<lora:filmGrain_v2:0.7>, bedroom, night, bokeh Negativo: bad hands, extra fingers, watermark, text, lowres, blurry Steps 30 · DPM++ 2M Karras · CFG 7 · 832x1216 · Clip skip 2
Pegado en un generador de un solo campo rinde por debajo de lo esperado, y no porque el modelo alojado sea más débil, sino porque dos tercios de ese texto ahora son inertes o directamente contraproducentes. La versión adaptada:
retrato cinematográfico de medio cuerpo, mujer adulta de cabello rojo intenso y ojos verdes, vestido negro de satén con tirantes finos, sentada al borde de una cama deshecha, dormitorio en penumbra de noche, una sola lámpara cálida detrás de ella, grano fino de película, poca profundidad de campo, foco nítido en los ojos
Qué cambió y por qué importa cada cosa:
1girl, solo→ "mujer adulta". Las etiquetas booru son nativas de los checkpoints de linaje anime y casi no significan nada en los fotorrealistas. Más importante todavía:1girles ambiguo en cuanto a la edad, así que declara siempre de forma explícita que es adulta. El lenguaje vago sobre la edad hace que el prompt se rechace en cualquier plataforma y, cuando no se rechaza, produce caras vagas.(red hair:1.3)→ ponerlo al frente. La sintaxis de pesos puede no interpretarse en absoluto. Las palabras cercanas al inicio pesan más, así que lo que odiarías perder va en las primeras diez palabras.- Etiqueta de LoRA → una descripción.
<lora:filmGrain_v2:0.7>es texto literal para un pipeline alojado. Nombra el efecto —"grano fino de película"— y el modelo base lo aproxima. - Negativos → positivos. "bad hands, extra fingers" se convirtió en una pose que mantiene las manos legibles. De "watermark, text" ya se encarga el negativo integrado.
- "masterpiece, best quality" → palabras de oficio. No existe una perilla de calidad. "Una sola lámpara cálida, poca profundidad de campo, foco nítido en los ojos" cambia una imagen; "ultra detailed" casi nunca.
Tres hábitos más que conviene abandonar. Sesenta etiquetas booru se diluyen entre sí: la atención es un presupuesto finito, y quince palabras fuertes le ganan a sesenta débiles. Pensar en 512×512 ya quedó atrás; pide un encuadre vertical de retrato, y si quieres ver una cara pide medio cuerpo, porque una cara que ocupa el 8 % del cuadro recibe el 8 % del detalle. Nombrar checkpoints ("estilo juggernaut", "epicrealism") no hace nada cuando no controlas el modelo: describe el look en su lugar, "fotografía editorial, luz de día fría, textura de piel natural".
Para la estructura bloque por bloque, nuestra guía del generador de imágenes NSFW entra más a fondo, y vale la pena recorrer la galería antes de gastar un intento gratis: hacer ingeniería inversa de algo que ya funcionó le gana a escribir desde cero.
Cuando no quieres una caja de prompt en absoluto
Hay un caso que Stable Diffusion en local nunca resolvió bien: cuando no quieres componer una imagen, quieres una foto que encaje en un momento.
Intimora tiene seis personajes, y pedirle una foto a una de ellas en medio de la conversación es un mecanismo distinto a escribir un prompt: la imagen sigue la escena en la que realmente estás en lugar de devolverte una selfie al azar. Pídesela a Valeria, que dirige un club privado de socios y una galería de arte en Milán, durante una visita nocturna a la galería, y ese escenario se traslada a la foto. Pídesela a Ayaka, decana universitaria, en su oficina, y obtienes eso en vez de un retrato genérico.
Cómo funciona ese mecanismo está explicado en novia IA que envía fotos, el lado conversacional en chat IA sin censura, y las comparativas plataforma por plataforma en mejores apps de novia IA.
El límite
Todo lo que hay aquí son personajes ficticios generados a partir de descripciones de texto, solo adultos, declarado de forma explícita en el prompt.
No hay campo para subir archivos, no hay img2img, no hay inpainting sobre una fotografía y no se genera el parecido de una persona real. Eso no es una función que todavía no hayamos construido: es una categoría en la que no operamos, y cualquier herramienta que la anuncie te está entregando un problema legal disfrazado de prestación. Escribe al personaje hasta hacerla existir con palabras. El resultado sale mejor de todos modos, porque una descripción es algo sobre lo que el modelo sí puede actuar.
FAQ
¿Un generador en el navegador es realmente Stable Diffusion? Los generadores adultos alojados corren modelos de difusión del mismo ecosistema abierto, pero tú no eliges el checkpoint ni el sampler: recibes una única configuración preajustada y con criterio propio, no un laboratorio. Si necesitas concretamente el checkpoint X con CFG 4.5, alquila una GPU; nada alojado va a igualar eso.
¿Puedo correr Stable Diffusion sin ninguna tarjeta gráfica? En local, sí: la inferencia solo con CPU funciona y tarda minutos por imagen, y Apple Silicon vía MPS se queda entre decenas de segundos y varios minutos. Cualquiera de las dos sirve para una imagen de prueba y es un suplicio para el ciclo de diez intentos que de verdad produce un buen resultado.
¿Tengo que instalar algo o registrarme para probarlo online? No. El modo invitado en /generate toma un prompt y devuelve una imagen sin descargas, sin correo y sin tarjeta. El contador de la página te muestra cuántas imágenes gratis te quedan antes de que se te pida nada.
¿Por qué mi prompt local se ve peor en un generador alojado? Casi siempre porque todavía arrastra sintaxis local: etiquetas de LoRA, corchetes de peso, spam de etiquetas de calidad, etiquetas booru dirigidas a otra familia de modelos. Quítalo todo y reescribe como descripción llana: plano, sujeto, vestuario, escenario, luz. La reescritura suele superar al original.
¿Puedo subir una imagen de referencia o usar img2img? No, solo texto a imagen. Es deliberado y no algo a medio terminar: los flujos que parten de una foto son justo donde ocurre el abuso con personas reales, así que no los ofrecemos.
¿Cómo funcionan los límites de contenido si no puedo cambiar el modelo yo mismo? Los prompts explícitos que describen personajes ficticios adultos son exactamente aquello para lo que está hecho el generador. Los límites duros son absolutos, no importa cómo lo formules: nada que involucre menores y ninguna persona real identificable. Todo lo demás es tu prompt y lo escribes tú.