這頁講實際怎麼做的，包括幾個不那麼直覺、但實測後才知道非這樣不可的決定。

模型與流程

用的是 MiniMax H3 的圖生圖（image-to-image）能力，int8 量化版，搭一個把取樣步數壓到 4 步的 turbo LoRA。跑在自己的 RTX 5070 Ti 上，一張約 40 秒。照片不會離開這台機器， 七天後連同結果一起自動刪除。

三種變化要用三組提示詞

年齡編輯其實是三件不同的事，用同一段文字描述會三邊都做不好：

所以程式裡有一張路由表，依照「現在幾歲、想看幾歲」決定套哪一組描述， 以及一個叫 source fidelity 的參數要放多鬆：改骨架要放到 0.40，只改皮膚要壓到 0.80 以上。 壓不夠緊，模型就會直接換一張臉給你。

差 10 歲和差 40 歲不能寫同一句

這是今天才修好的。變老那邊本來就依年齡差分四段寫；變年輕那邊沒有， 不管差幾歲都只寫「法令紋變淺」。結果 70 歲要變 30 歲時，模型很聽話地照做，變淺一點點， 臉還是老的，只有頭髮變黑了。

改成分段之後，差 20 歲以上就不能寫「變淺」，要寫成絕對條件：沒有法令紋、沒有魚尾紋、 沒有眼袋、原圖上每一條皺紋都不存在。模型才會真的重畫那塊皮膚。

強化之後第一次跑出來，八字鬍被一起抹掉了。指令一強，模型會把鬍子當成 「要抹平的東西」。所以又補了一句：鬍子、鬍鬚、眉毛的形狀大小位置粗細都不准動。

表情偶爾會飄，還沒解決

改年齡的時候，模型偶爾會順手把表情也改掉：嚴肅的臉變成微微在笑、眼睛瞇起來。 提示詞裡早就寫了「表情、眼睛、嘴巴都要跟原圖一致」以及「皺紋是刻在皮膚上的，不是笑出來的」， 我也實測過再加一句更強硬的限制（眼睛不准瞇、沒在笑就不准笑），同一個隨機種子跑出來還是一樣。

所以問題不在提示詞，這是模型在目前這個保真度下的行為。真的遇到就重跑一次， 每次的隨機種子不同，結果會不一樣。

兒童變成人為什麼要看臉佔畫面多少

如果照片看得到身體，成長模板要寫「整個身體長大、頭相對變小」； 如果是大頭照，同一段話會讓模型硬生一個身體出來，把小孩的臉印在衣服上變成鬼影（實測發生過）。 所以上傳後會先用人臉偵測算出臉佔畫面的比例，低於 20% 才用全身版。

40 秒花在哪裡

一張約 40 秒，但那 40 秒不是平均分配的。逐節點量下來，把照片與文字指令編碼成模型 看得懂的形式將近 20 秒，是最久的一段；實際取樣只有 4 步，反而最短；把結果解碼回畫面 再花十幾秒。

所以「減少取樣步數」對總時間的幫助遠比直覺小。真正的大頭在編碼與解碼， 以及把模型權重搬進顯示記憶體。16 GB 的顯示卡裝不下原本 30 GB 的模型，每跑一次都得搬。這也是機器閒置後第一張特別慢的原因。

為什麼用通用的圖生圖模型，不用專門的年齡模型

市面上有專門做人臉年齡變換的模型，多半是在人臉資料集上訓練的 GAN。 它們對正臉大頭照的效果很好，但有兩個問題：只吃裁切好的人臉，背景與衣著會被丟掉； 而且訓練資料的人種與年齡分布會直接反映在結果上。

用通用的圖生圖模型加上寫得很細的指令，代價是速度慢、要自己控制 fidelity， 換來的是背景、衣著、構圖全部保留，而且同一套流程可以處理黑白老照片、 側四分之三臉、有帽子有眼鏡的照片。對「把家裡的舊照片拿來看」這個用途， 保留原本的畫面比把臉做得完美有用。

同一張照片跑兩次結果不一樣

每次生成都用不同的隨機種子，所以同一張照片、同一組設定，兩次的結果會有差異。 差異主要在細節與表情，年齡幅度不會亂跑。

這件事可以拿來用：如果某一次的表情或某個細節不理想，直接再跑一次通常就好， 不必先去改照片或調年齡。反過來說，這也表示我們沒辦法保證重現某一張特定的成品。

年齡下限 16 歲是怎麼擋的

擋的位置在後端的路由判斷裡，不是把前端的選項藏起來。 前端的數字欄位可以被繞過，後端不能。把目標年齡填成小於 16 的值， 請求會被拒絕，不會進到生成佇列。

臉部偵測用在兩個地方

上傳時會跑一次 YuNet 臉部偵測，回傳畫面裡最大那張臉的高度佔畫面的比例。 這個數字有兩個用途：判斷照片裡有沒有人（沒有就先提醒你）， 以及決定兒童變成人時要用大頭版還是全身版的成長模板，門檻是 20%。

偵測不準的時候（例如戴帽子的側臉）一律放行，不會擋住你。 寧可讓少數照片做出奇怪的結果，也不要把正常的照片擋在門外。

內容安全

上傳的照片與生成的結果都會過一次自動檢查，判定為不適當的內容會被擋下並隔離， 不會進到生成佇列，也不會出現在任何地方。細節寫在隱私權政策。

回工具頁

站上其他工具

全部跑在同一台家用機器上；資料類工具用的是政府公開資料，每個都有寫清楚限制。