Stable Diffusion es un modelo de inteligencia artificial que genera imágenes a partir de una descripción escrita. Usa una técnica llamada difusión latente y se publicó en 2022 con los pesos abiertos, de modo que cualquiera puede descargarlo y ejecutarlo en su propio ordenador. Lo desarrolla y promueve Stability AI.
No tiene nada que ver con la difusión física de sustancias. Es un sistema de redes neuronales que aprende a convertir ruido aleatorio en una imagen coherente. Aquí tienes cómo funciona, qué puedes hacer con él y cómo empezar.
¿Cómo funciona Stable Diffusion?
La idea cabe en dos fases: primero se aprende a destruir imágenes con ruido y después a reconstruirlas. Lo segundo es lo que usas cuando generas.
Ruido y eliminación de ruido
Durante el entrenamiento, el sistema toma millones de imágenes con su texto descriptivo. A cada una le añade ruido poco a poco, como si cubriera la foto de nieve de televisor, hasta que no queda nada reconocible.
Una red neuronal aprende entonces a hacer lo contrario. En cada paso predice qué parte de la imagen es ruido y la resta.
Al generar, el proceso parte de ruido puro. La red lo limpia en decenas de pasos y, en cada uno, la imagen se acerca más a lo que pide el texto.
El espacio latente: por qué es tan eficiente
Trabajar con cada píxel es caro. Por eso los autores del paper de difusión latente propusieron otra vía: comprimir la imagen antes de procesarla.
Un autocodificador reduce la imagen a una representación pequeña, el espacio latente. La difusión ocurre ahí dentro. Al final, un decodificador devuelve el resultado a píxeles.
Un cálculo sencillo, con las proporciones del diseño original, lo muestra:
- Una imagen de 512 × 512 píxeles con 3 canales de color tiene 786.432 valores.
- Su versión latente es de 64 × 64 con 4 canales: 16.384 valores.
- La red trabaja con unas 48 veces menos datos (786.432 ÷ 16.384).
Esa compresión explica por qué Stable Diffusion corre en un ordenador doméstico con tarjeta gráfica y no solo en grandes centros de datos.
El codificador de texto: cómo entiende tu prompt
La red no lee palabras. Un codificador de texto convierte tu descripción en vectores numéricos, y esos vectores guían la limpieza del ruido en cada paso.
Si escribes «taza azul», el codificador aporta una señal que empuja la imagen hacia ese concepto. Los modelos posteriores han cambiado piezas internas, pero el esquema general se mantiene. Si quieres repasar los términos, el glosario de inteligencia artificial ayuda.
¿Qué se puede hacer con Stable Diffusion?
Tres usos cubren la mayoría de los casos.
- Texto a imagen. Escribes una descripción y obtienes una imagen nueva. Es el uso más conocido.
- Imagen a imagen. Das una imagen de partida y un texto. El modelo la transforma y conserva la composición. Un parámetro, la «fuerza» o denoising strength, decide cuánto se aleja del original.
- Inpainting. Pintas una máscara sobre una zona y describes qué debe aparecer ahí. Sirve para quitar un objeto, cambiar una camiseta o rellenar un fondo.
Con herramientas y modelos adicionales también se puede ampliar una imagen más allá de sus bordes (outpainting), controlar la pose o el contorno de una figura, o ajustar el modelo a un estilo propio. Esto último pide algo más de práctica.
Un caso real: un diseñador tiene la foto de un salón vacío. Con imagen a imagen y una fuerza baja, pide «salón nórdico, luz natural, sofá gris». La estructura de la habitación se mantiene y cambia el mobiliario. Si algo no convence, usa inpainting solo en el sofá. Para ver cómo encaja esto en el oficio, mira nuestro repaso de la IA en diseño gráfico.
¿Cómo se usa Stable Diffusion en local o en la web?
En servicios web
Es lo más rápido. Entras en una web que aloja el modelo, escribes el prompt y generas. No instalas nada y no necesitas tarjeta gráfica.
Stability AI ofrece acceso desde su web oficial, y otros servicios de terceros alojan modelos de la familia. Las condiciones de uso y los límites cambian según el servicio, así que revísalos antes de contar con ellos.
En tu ordenador
Es la opción con más control y sin depender de un tercero. Necesitas una tarjeta gráfica con memoria suficiente: cuanta más memoria, más margen para resoluciones altas. Sin tarjeta dedicada, funciona, pero con mucha lentitud.
Hay dos caminos habituales:
- Interfaces gráficas como AUTOMATIC1111 o ComfyUI. No exigen programar. ComfyUI trabaja con nodos, más flexible y más difícil al principio.
- Código con la biblioteca Diffusers de Hugging Face, pensada para quien quiera integrarlo en sus propios proyectos.
Un prompt de ejemplo, paso a paso
Imagina que necesitas una imagen de producto para una tienda de cerámica. Este es un punto de partida. Muchos modelos responden mejor en inglés, así que conviene probar con ese idioma.
Prompt:
product photo of a blue ceramic mug on a wooden table, soft morning window light, shallow depth of field, blurred kitchen background, realistic photography
Prompt negativo:
text, watermark, blurry, deformed, extra handles
Parámetros:
pasos: 30
guidance (CFG): 7
seed: 12345
resolución: la nativa del modelo que usesResultado esperado: una taza azul sobre madera, luz lateral suave y fondo de cocina desenfocado. Puede fallar en detalles: un asa rara, un esmalte poco creíble o una sombra incoherente. Es normal. Cambia la seed y vuelve a probar antes de reescribir todo.
Estos son los parámetros básicos:
- Prompt y prompt negativo. Lo que quieres y lo que quieres evitar.
- Pasos. Cuántas veces se limpia el ruido. Pocos dan imágenes toscas. Muchos añaden tiempo sin mejora clara.
- Guidance (CFG). Cuánto obedece el modelo al texto. Muy alto da imágenes forzadas y saturadas. Muy bajo, imágenes que ignoran el prompt.
- Seed. El número que genera el ruido inicial. Con la misma seed, los mismos ajustes y el mismo software, repites la imagen. Es útil para iterar.
- Sampler. El método de limpieza. Empieza con el que viene por defecto.
- Fuerza (en imagen a imagen). Valores bajos conservan el original. Valores altos lo reinterpretan casi por completo.
Un truco que funciona: cambia una sola cosa por prueba. Si cambias prompt, seed y CFG a la vez, no sabrás qué mejoró el resultado.
¿Es gratis y puedo usarlo con fines comerciales?
Descargar los pesos del modelo suele ser gratis. Ejecutarlo tiene un coste en hardware o en electricidad, y algunos servicios web cobran por usarlo.
Ojo con la etiqueta «código abierto». Los modelos se distribuyen con licencias propias, y no siempre equivalen a una licencia de software libre en sentido estricto. Los primeros modelos salieron con una licencia de uso responsable que prohibía ciertos usos dañinos. Otros modelos posteriores han llegado con condiciones distintas, algunas con límites para uso comercial.
Lee siempre la licencia del modelo concreto que descargues. Es la única fuente fiable para saber qué puedes hacer con él.
Derechos de autor: lo que conviene saber
Aquí no hay respuestas simples. Lo siguiente es información general, no asesoramiento legal.
- Datos de entrenamiento. Estos modelos aprenden de grandes conjuntos de imágenes obtenidas de internet. Hay demandas abiertas de artistas y agencias de imágenes sobre si eso es legítimo. La cuestión sigue sin resolverse del todo.
- Propiedad de lo que generas. En muchos países, la protección por derechos de autor exige una aportación creativa humana. Una imagen generada con un prompt corto puede quedar sin protección clara.
- Riesgos prácticos. Evita imitar a artistas vivos, reproducir marcas o crear imágenes realistas de personas reales sin su permiso.
Si vas a publicar imágenes en un proyecto comercial, consulta a un profesional del derecho de propiedad intelectual de tu país.
¿En qué se diferencia de Midjourney y DALL·E?
La diferencia principal no es la calidad, que varía según el modelo y el momento. Es el modelo de acceso: quién controla el sistema y cuánto puedes tocar.
| Aspecto | Stable Diffusion | Midjourney | DALL·E |
|---|---|---|---|
| Quién lo ofrece | Stability AI, con pesos descargables | Servicio propio, cerrado | OpenAI, cerrado |
| Ejecución en local | Sí | No | No |
| Control técnico | Muy alto: seed, sampler, máscaras, ajuste fino | Medio: parámetros dentro del servicio | Bajo: pides en lenguaje natural |
| Facilidad de inicio | Menor en local; mayor en servicios web | Alta | Alta, sobre todo desde asistentes como ChatGPT |
| Personalización | Puedes ajustarlo con tus propias imágenes | Limitada a lo que permita el servicio | Limitada a lo que permita el servicio |
| Privacidad | En local, tus imágenes no salen de tu equipo | Dependen del servicio | Dependen del servicio |
En resumen: Midjourney y DALL·E te dan resultados vistosos con poco esfuerzo. Stable Diffusion te pide más trabajo a cambio de control, privacidad y la posibilidad de montar tu propio flujo. Si dudas entre los dos servicios cerrados, tenemos una comparativa de Midjourney frente a DALL·E.
¿Por dónde empezar?
Si solo quieres probar qué es capaz de hacer, empieza por un servicio web que aloje Stable Diffusion y repite el prompt de la taza cambiando solo la seed. En una tarde entenderás qué hace cada parámetro. Si después quieres control total, privacidad o integrarlo en tu trabajo, instala una interfaz como ComfyUI o AUTOMATIC1111 en un equipo con tarjeta gráfica potente. Y si buscas más guías sobre este tipo de herramientas, las tienes en la sección de IA generativa.
Preguntas frecuentes
¿Stable Diffusion es lo mismo que ChatGPT?
No. ChatGPT es un asistente basado en un modelo de lenguaje que trabaja sobre todo con texto. Stable Diffusion es un modelo de difusión pensado para generar imágenes. Algunos asistentes incorporan generación de imágenes, pero usan modelos distintos.
¿Necesito saber programar para usarlo?
No. Los servicios web y las interfaces gráficas permiten generar imágenes sin escribir código. Programar solo hace falta si quieres integrarlo en una aplicación propia o automatizar procesos.
¿Puedo entrenarlo con mis propias imágenes?
Sí, mediante técnicas de ajuste fino. Permiten enseñarle un estilo, un personaje o un producto concreto con un conjunto reducido de imágenes. Comprueba que tienes los derechos de las imágenes que uses y que la licencia del modelo lo permite.
¿Por qué mis imágenes salen con manos o texto raros?
El modelo aprende patrones visuales, no reglas anatómicas ni ortografía. Las manos y las letras tienen mucha variación y poca tolerancia al error. Mejoran con inpainting sobre la zona fallida, con prompts negativos y con modelos más recientes, pero no desaparecen del todo.
