Praktyczne zastosowania
Lokalne portrety postaci literackich: jak zachować spójny wygląd
Zaktualizowano: Autor: Andrzej Niemiec10 min czytania
Jak lokalnie generować spójne portrety postaci literackich: ComfyUI, modele dyfuzyjne, wymagania VRAM, licencje i oznaczanie treści AI. Przewodnik na 2026 rok.
Spis treści
- Czy da się generować spójne portrety postaci literackich bez chmury?
- Dlaczego Mina Murray z Drakuli jest trudnym przypadkiem?
- Jak zbudować lokalny warsztat krok po kroku?
- Ile pamięci VRAM potrzebuje lokalny model?
- Lokalnie czy przez chmurowane API? Porównanie
- Jak utrzymać tę samą twarz między ujęciami?
- Jakie modele warte są uwagi w 2026 roku?
- Na co uważać przy licencjach i oznaczaniu treści?
- Od czego zacząć w praktyce?
- Najczęstsze pytania
- Źródła
Czy da się generować spójne portrety postaci literackich bez chmury?
Tak, ale spójność trzeba zbudować samodzielnie. ComfyUI to rozwijany, node-based interfejs do lokalnego uruchamiania modeli dyfuzyjnych, publikowany na licencji GPL-3.0 [1]. Opisy postaci mogą powstać w lokalnym modelu językowym, a gotowy obraz nie opuszcza komputera. Jakość zależy od modelu, ilości pamięci VRAM i sposobu przekazywania cech między ujęciami. Szerszy przegląd ekosystemu zebraliśmy na stronie lokalne modele AI.
Dlaczego Mina Murray z Drakuli jest trudnym przypadkiem?
Bo jej wygląd istnieje tylko w tekście. Powieść Brama Stokera ukazała się w 1897 roku i ma formę epistolarną [2]. Mina jest narratorką i postacią centralną, a w toku fabuły zmienia nazwisko z Murray na Harker [3]. Whitby to rzeczywista lokalizacja literacka: Stoker odwiedził miasto w 1890 roku, a opactwo, port i scena przybycia statku Demeter trafiły do powieści [4]. Dziennik Miny opisuje opactwo, port i cmentarz [5].
Model dyfuzyjny nie czyta powieści. Dostaje prompt, więc cechy bohaterki trzeba wyprowadzić z tekstu i podać mu w jawnej formie. Ten sam problem dotyczy każdej postaci, której wygląd nie został nigdy oficjalnie zilustrowany.
Jak zbudować lokalny warsztat krok po kroku?
Najpierw tekst zamieniasz na zestaw cech, potem tworzysz obraz referencyjny, a na końcu łączysz oba elementy w jednym workflow ComfyUI. Każdy etap działa lokalnie, bez wysyłania rozdziałów do zewnętrznego API. Poniżej kolejność, która porządkuje pracę.
- Ekstrakcja cech. Lokalny model językowy czyta rozdział i zwraca ustrukturyzowany opis: włosy, oczy, ubiór, wyraz twarzy, scena.
- Karta postaci. Z kilku opisów powstaje jedna, zatwierdzona lista cech. To ona jest punktem odniesienia przy każdym ujęciu.
- Obraz referencyjny. Generujesz portret kontrolny i zapisujesz go jako materiał źródłowy dla kolejnych scen.
- Workflow w ComfyUI. Prompt z cechami trafia do modelu bazowego, a spójność podtrzymują węzły IP-Adapter, LoRA lub ControlNet [6].
- Iteracja. Porównujesz kolejne obrazy z kartą postaci i poprawiasz opis, a nie pojedynczy obraz.
Ile pamięci VRAM potrzebuje lokalny model?
Widełki zależą od liczby parametrów i kwantyzacji. Dla modeli 7–8B sensowny punkt startowy to około 8 GB VRAM albo 16 GB RAM, dla 12–14B — 12–16 GB VRAM albo 24 GB RAM. LM Studio zaleca co najmniej 16 GB RAM na komputerze [7]. Ollama uruchamia modele także na CPU, ale przy braku VRAM część modelu trafia do pamięci systemowej i odpowiedzi są wolniejsze [8].
| Model po kwantyzacji | Orientacyjna pamięć |
|---|---|
| 2B–4B | 8–16 GB RAM lub pamięci zunifikowanej |
| 7B–8B | około 8 GB VRAM albo 16 GB RAM |
| 12B–14B | 12–16 GB VRAM albo 24 GB RAM |
| 27B–32B | 24–32 GB VRAM lub RAM |
| 70B | około 40–48 GB przy Q4 |
Stable Diffusion 3.5 Medium wymaga około 9,9 GB VRAM, nie licząc enkoderów tekstu [9][10]. To wartość dla jednego modelu obrazu, a nie uniwersalne minimum dla całego warsztatu. Przy kwantyzacji Q4 plik jest mniejszy kosztem części jakości [7].
Lokalnie czy przez chmurowane API? Porównanie
Lokalny stos i API różnią się kosztem, prywatnością i kontrolą. Poniższa tabela zestawia cztery kryteria, które decydują w praktyce.
| Kryterium | Lokalnie: ComfyUI i własne modele | Chmurowe API obrazów |
|---|---|---|
| Koszt | sprzęt i energia; lokalne modele bez opłat za zapytania [11] | opłata za każde zapytanie |
| Prywatność | teksty i opisy zostają na dysku | fragmenty trafiają do dostawcy |
| Kontrola | wagi promptu, własne węzły, wymiana modeli [1] | ograniczony zestaw parametrów |
| Spójność twarzy | wymaga referencji, LoRA lub IP-Adaptera [12] | zależy od funkcji dostawcy |
Lokalny stos ma wyższy próg wejścia: trzeba dobrać model, sterowniki i workflow. W zamian nie ma limitu zapytań ani zależności od zmiany cennika dostawcy.
Jak utrzymać tę samą twarz między ujęciami?
Nie ma jednego przełącznika. Spójność buduje się obrazem referencyjnym, LoRA, IP-Adapterem lub ControlNetem, a każda z tych metod może powodować dryf twarzy, włosów, proporcji i ubioru [12][13]. W praktyce oznacza to trzy nawyki: stała karta postaci, ten sam model bazowy i kontrola każdego obrazu względem referencji.
Drugi nawyk to porównywanie, nie ocenianie „na oko”. Zapisuj seed, wersję modelu i parametry próbkowania razem z obrazem. Gdy twarz się rozjedzie, wiadomo, który element zmienić.
Jakie modele warte są uwagi w 2026 roku?
Qwen3.5 łączy tekst i obraz oraz obsługę narzędzi [14]. Gemma 4 jest opisywana jako rodzina do rozumowania, agentów, kodu i obrazu [15]. Llama 4 występuje w wariantach Scout i Maverick i obsługuje tekst oraz obraz [16]. DeepSeek-R1 ma wagi na licencji MIT, a warianty destylowane dziedziczą warunki modelu bazowego [17].
Dla polskich tekstów warto sprawdzić Bielik-11B-v3.0-Instruct: 11 mld parametrów, licencja Apache 2.0, twórcy SpeakLeash i ACK Cyfronet AGH [18]. W benchmarku LLMzSzŁ wersja 11B-v2.1 uzyskała 57,52 punktu i była najlepszym testowanym modelem poniżej 15B, ale wynik dotyczy starszej wersji i jednego zestawu zadań [19].
Na co uważać przy licencjach i oznaczaniu treści?
Licencja modelu obrazu bywa ważniejsza niż jakość próbek. Stable Diffusion 3.5 jest objęty Stability AI Community License, z bezpłatnym użyciem komercyjnym zasadniczo poniżej 1 mln USD rocznego przychodu [9][10]. FLUX.1 [dev] ma odrębne ograniczenia i nie należy opisywać go jako po prostu darmowego modelu komercyjnego [20][21].
Od 2 sierpnia 2026 roku obowiązują unijne wymogi przejrzystości z art. 50 AI Act, w tym oznaczanie treści syntetycznych i ujawnianie deepfake’ów, z wyjątkami dla utworów artystycznych [22][23][24]. Portret postaci wygenerowany lokalnie nadal jest treścią syntetyczną.
Od czego zacząć w praktyce?
Wybierz model 7–8B do opisu cech, przygotuj jedną kartę postaci i zbuduj minimalny workflow w ComfyUI. Wygeneruj pięć scen zamiast pięćdziesięciu i sprawdź, gdzie dryf jest największy. Dopiero potem zwiększaj liczbę ujęć. Pomocny bywa też szerszy tekst o tym, dlaczego benchmarki nie wystarczają przy wyborze modelu open source. Jeśli planujesz pracę na większym sprzęcie, zobacz materiał o inferencji LLM na AMD Strix Halo. Praktyczne zastosowania lokalnych modeli poza grafiką opisuje tekst o siedmiu zastosowaniach LLM.
Najczęstsze pytania
Czy ComfyUI działa bez karty graficznej?
ComfyUI uruchamia modele dyfuzyjne lokalnie, ale bez GPU generowanie obrazów jest znacznie wolniejsze. Modele językowe do opisu cech również działają na CPU, choć LM Studio zaleca co najmniej 16 GB RAM [7]. Do regularnej pracy z portretami karta graficzna z 8–16 GB VRAM jest praktycznym minimum.
Czy lokalny model językowy sam opisze postać z powieści?
Opisze, jeśli dostanie odpowiedni fragment tekstu i polecenie zwrócenia ustalonego schematu. Jakość zależy od modelu i języka utworu. Dla polskich książek warto sprawdzić model wyspecjalizowany w polszczyźnie, na przykład Bielik [18].
Czy mogę wykorzystać wygenerowane portrety komercyjnie?
To zależy od licencji modelu obrazu, nie od miejsca generowania. Stable Diffusion 3.5 dopuszcza bezpłatne użycie komercyjne zasadniczo poniżej 1 mln USD rocznego przychodu, a FLUX.1 [dev] ma własne ograniczenia [9][20]. Osobno sprawdź obowiązek oznaczania treści syntetycznych [22].
Ile ujęć wystarczy, żeby ocenić spójność postaci?
Pięć scen w różnych warunkach: portret, profil, scena nocna, scena dzienna i zbliżenie twarzy. Taki zestaw szybko pokazuje dryf włosów i ubioru [13]. Dopiero po akceptacji zestawu warto generować kolejne ujęcia.
Źródła
- Comfy-Org repositories (GitHub)
- Dracula by Bram Stoker (Project Gutenberg)
- Mina Harker (Wikipedia)
- How Dracula Came to Whitby (English Heritage)
- Dracula: Chapter 6 (Carnegie Mellon University)
- ComfyUI Tutorial 2026: Beginner Setup & First Workflow (AI Tool Ranked)
- System Requirements (LM Studio)
- FAQ (Ollama)
- Introducing Stable Diffusion 3.5 (Stability AI)
- stabilityai/stable-diffusion-3.5-medium (Hugging Face)
- Ollama Pricing (Ollama)
- Character Consistency in AI Image Generation (Abrush)
- Character Consistency AI (Fiddl)
- qwen3.5 (Ollama Library)
- gemma4 (Ollama Library)
- llama4 (Ollama Library)
- deepseek-r1:8b (Ollama Library)
- speakleash/Bielik-11B-v3.0-Instruct (Hugging Face)
- LLMzSzŁ: a comprehensive LLM benchmark for Polish (arXiv)
- black-forest-labs/FLUX.1-dev (Hugging Face)
- LICENSE.md · black-forest-labs/FLUX.1-dev (Hugging Face)
- Article 50: Transparency Obligations (AI Act)
- Commission starts enforcing AI Act rules and new transparency requirements on 2 August (European Commission)
- Code of Practice on Transparency of AI-generated Content (European Commission)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji