失敗案例：同一張照片，為什麼結果差這麼多

這頁的每一組對照都是真的跑出來的，兩邊用完全同一張照片，只差一個設定。 其中一組還推翻了我們自己原本的假設 —— 也一併寫在下面，沒有修飾。

案例一：照片裡沒有人，卻選了人像動作

左右兩邊都是同一張灰貓鵲站在樹枝上的照片（CC0）。左邊選「人像 → 靜靜呼吸」， 右邊選「動物 → 靜靜呼吸」。

左邊那支請看到最後：一張人臉從畫面下方浮出來，愈長愈大，最後佔滿整個畫面， 而那隻鳥還站在他的臉上。右邊同一張照片，鳥就只是安靜地呼吸、動一動。

為什麼會這樣。人像動作送給模型的指令長這樣： 「The person stands still and looks straight ahead. They blink naturally…」。 模型讀到 the person，但畫面裡找不到人 —— 它不會因此放棄， 而是想辦法讓畫面「符合」這句話，於是自己生一個人出來。

我們第一次遇到這件事，是有人上傳一張鳥的照片選了人像動作， 成品前幾格還是鳥，接著一個男人的臉從畫面右邊長出來，對著鏡頭微笑了三秒。 上面那支是後來用授權乾淨的素材重現的 —— 一次就重現成功，不是偶發狀況。

怎麼修。動物組的指令整段不出現 person，全部改用 the animal， 結尾再加一句 No people appear。同一張照片、同一個模型，只是換了主詞，就正常了。 現在上傳時還會做一次人臉偵測，選錯時先提醒你 —— 但你仍然可以堅持照原樣做。

案例二：我們原本以為「原圖太小會壞掉」，實測發現沒有

幾乎每一篇這類工具的教學都會告訴你「原圖要夠清楚」。我們也這樣寫過， 所以決定驗證一次：把林肯 1863 年那張肖像壓到 96 像素寬（大概是一個 App 圖示的大小） 再放大回原尺寸，糊到細節全失，然後跟原始高解析度檔用同一個「微笑點頭」對照。

結果是：幾乎看不出差別。兩邊都笑得自然，五官沒有漂移，也沒有崩壞。 這個模型對輸入解析度的寬容度，比我們原本假設的高很多 —— 它顯然是先理解「這是一張人臉、五官大概在哪」，再重新生成細節， 而不是逐像素去推。

所以我們把原本寫在教學裡的「原圖太小就會壞掉」改掉了。 真正會讓成品失敗的是語意層面的不符（照片裡沒有人卻選人像動作、畫面裡有兩個主角、 臉被東西擋住），而不是畫質。手機翻拍的老照片、從通訊軟體存下來的小圖， 其實都比想像中能用。

把這一段留在網站上，是因為它比「照片要清楚」這種正確但沒用的建議更有價值。 測過才知道哪些常識是真的。

其他確實會出問題的狀況

畫面慢慢推近

模型的老毛病。反直覺的是，在指令裡寫「不要 zoom」「static shot」會讓它推得更兇 —— 我們量過背景位移量：不提鏡頭 6.6、寫 static shot 20.6、寫完整鎖鏡頭句子 39.2。 所以現在的指令一個字都不提鏡頭。你遇到的話，換一張構圖鬆一點的照片會改善。

手長歪、多一根手指

「揮手打招呼」最容易發生，因為手在原圖裡根本不存在，是模型憑空生出來的。 大頭照請避開這個動作，用半身照。

兩個人一起抽動

畫面裡有兩個以上的人時，模型不知道要讓誰動，常常整排一起輕微抽動， 或把相鄰兩張臉的特徵混在一起。把主角裁出來再上傳。

臉被擋住

口罩、手、麥克風擋在臉前面時，模型會把遮擋物當成臉的一部分去變形。 這是少數真的救不了的狀況，換一張照片吧。

背景的字扭曲

背景有招牌或文字時，模型會把它們當成紋理一起動。換乾淨背景的照片。

這些案例的素材全部是公有領域或 CC0 照片，詳細出處列在示範作品頁。 你上傳的照片不會被拿來做任何示範。