Jak pisać prompty do zdjęć z twarzą, żeby nie zmieniała twarzy: 5 klatek z jednego zdjęcia (Nano Banana, Gemini, ChatGPT) 

Twarz zmienia się nie dlatego, że model jest słaby, tylko dlatego, że prompt działa na całym obrazie naraz. Kiedy Gemini, ChatGPT albo dowolny inny generator dostaje instrukcję typu „zrób zdjęcie w pracowni”, przepisuje rysy, bo opisał scenę, a nie tożsamość. Sposób na 5 klatek z jednego zdjęcia to trzy rzeczy: postać zdefiniowana w pierwszym prompcie, jawne zakaz przepisania rysów w każdym kolejnym i generowanie po jednym obrazie zamiast całej serii naraz. Poniżej pełna procedura z promptami gotowymi do skopiowania.

Skąd bierze się zmieniona twarz

Warto zacząć od uczciwego zastrzeżenia, bo Google sam je formułuje wprost: „Character features: While the model excels at character consistency, it may not always get it right. We're working to make this consistency even more reliable.” To znaczy dwie rzeczy naraz. Spójność postaci działa znacznie lepiej niż w starszych generatorach, ale nie jest gwarantowana. Nie ma przełącznika, który ją włącza.

Druga rzecz jest ważniejsza praktycznie. Gdy model renderuje scenę, twarz jest jednym z wielu elementów opisu, a nie osobnym wejściem. Im więcej opisujesz otoczenia, tym więcej pola zostawiasz domysłowi, i dwa zdjęcia tej samej osoby w różnych wnętrzach potrafią mieć różne kształty nosa.

Do tego dochodzą rzeczy, na które źródła wskazują wprost. Proporcje kadru bywają problemem: „The model struggles with maintaining aspect ratios - while you can prompt for desired dimensions, the output may not always support your requests.” Stylizacja potrafi być niespójna między ujęciami tej samej serii: „the model's stylization can sometimes be inconsistent or produce unexpected results.” A przy Personal Intelligence dochodzi jeszcze jeden efekt - system sam wybiera zdjęcie z galerii i nie zawsze trafia: „Gemini might not always pick the exact photo or detail you had in mind on the first try.”

Sześć elementów promptu, od których zaczniesz

Google publikuje prosty schemat opisu, który działa niezależnie od modelu. Wstęp do niego brzmi: „You can get great results with Gemini from simple one or two-sentence inputs. However, to achieve the best results and unlock more nuanced creative control, consider including the following elements in your prompt”. Lista ma sześć pozycji:

• Subject - kto lub co jest na zdjęciu, konkretnie
• Composition - jak zakratkowany jest kadr, czyli na przykład „extreme close-up, wide shot, low angle shot, portrait”
• Action - co się dzieje, na przykład „mid-stride running through a field”
• Location - gdzie, na przykład „a sun-drenched meadow at golden hour”
• Style - estetyka całości, na przykład „film noir, watercolor painting, photorealistic”
• Editing Instructions - przy edycji konkretnej fotografii, wprost i bez metafor

W praktyce przy zdjęciach z twarzą pierwsza pozycja robi największą robotę. Subject to jedyne miejsce, w którym opisujesz człowieka, a nie scenę. Jeśli chcesz podejść do tego od strony ogólnej, siedem elementów dobrego promptu pokazuje, jak ten schemat uogólnia się poza obrazy.

Zakaz, który robi największą różnicę

Sama definicja postaci nie wystarczy. W każdym prompcie, który zmienia scenę, potrzebujesz jednego zdania, które mówi wprost: nie ruszaj twarzy. Google używa tego w dwóch wariantach. Przy zmianie oświetlenia:

„Generate an image with an intense chiaroscuro effect. The man should retain his original features and expression. Introduce harsh, directional light, appearing to come from above and slightly to the left, casting deep, defined shadows across the face.”

Przy zmianie kadru:

„change aspect ratio to 1:1 by reducing background. The character, remains exactly locked in its current position”

Przy serii z kilkoma osobami dochodzi trzeci wariant, w którym zakaz obejmuje całą grupę:

„The identity of all five people and their attire and the dog must stay consistent throughout but they can and should be seen from different angles and distances as is most natural and suitable to the scene.”

Ten ostatni fragment warto przeczytać dwa razy, bo zawiera instrukcję, której nie formułujemy intuicyjnie: kadr i kąt mają się zmieniać, a tożsamość nie. Większość suchych kadrów, które wychodzą, to wynik zakazania zbyt dużej liczby rzeczy naraz.

Warsztat: 5 klatek z jednego zdjęcia

Uruchom jedną rozmowę, nie pięć nowych. Wgraj zdjęcie referencyjne - Google opisuje to najprościej: „Just give Gemini a photo to work with, and tell it what you'd like to change to add your unique touch.”

Klatka 1 - definicja postaci. To jest prompt, który tworzy punkt odniesienia dla czterech pozostałych. Nie opisujesz tu stroju scenicznego, tylko człowieka i jeden ustalony styl. Google pokazuje ten mechanizm wprost: „By establishing a clearly defined character with specific details in the first prompt, you can use follow-up prompts to place that same character in entirely new contexts. Here, Gemini preserves key features of the character like facial features, distinctive appearance and clothing.”

Przykładowy prompt bazowy:

„Portret fotograficzny, 35mm soft blur, vibrant colors, soft light. Mężczyzna po czterdziestce, krótkie ciemne włosy, szara koszulka, neutralne tło. The man should retain his original features and expression.”

Klatki 2-5 - stały prefiks, zmieniona scena. Google publikuje serię czterech wariantów tej samej postaci (łódka, kawiarnia, hotel, zamek), w których pierwsze zdanie jest identyczne za każdym razem: „35mm soft blur, vibrant colors, soft light.” Zmienia się wyłącznie scena. Trzymanie prefiksu jest tu praktyką, którą widać w przykładach, choć dokumentacja nazywa ją wprost dopiero w kontekście serii.

Klatka 2, kawiarnia:

„35mm soft blur, vibrant colors, soft light. Siedzi przy stoliku w kawiarni, kubek w ręku, ciepłe światło zimowego popołudnia. The man should retain his original features and expression. Keep the grey t-shirt.”

Klatka 3, pracownia:

„35mm soft blur, vibrant colors, soft light. Stoi przy biurku z laptopem, industrialne wnętrze, chłodne światło z okna. The man should retain his original features and expression. Keep the grey t-shirt.”

Klatka 4, plener:

„35mm soft blur, vibrant colors, soft light. Idzie polną ścieżką, złota godzina, lekki wiatr. The man should retain his original features and expression. Keep the grey t-shirt.”

Klatka 5, silny zbliżenie - to jedyna klatka, w której zakaz musisz wzmocnić, bo przy zbliżeniu każdy wygenerowany detal twarzy jest bardziej widoczny:

„Extreme close-up, portrait, 35mm soft blur, vibrant colors, soft light. Twarz zajmuje kadr, widać rzęsę włosów, neutralne tło. The man should retain his original features and expression - do not restyle, do not sharpen, do not change the face shape.”

Jedna klatka na raz - to nie kaprys, tylko zalecenie

Jeśli planujesz większą serię, prompt musi to powiedzieć wprost. Google podaje gotową formułę: „Keep the attire and identity consistent of all 3 characters, but their expressions and angles should vary throughout all 6 images. Make sure to only have one of each character in each image. Generate 6 images one at a time. Each image should be a separate output in 16:9 format.”

Z tej formuły wynikają dwie rzeczy. Zmienny jest wyraz twarzy i kąt, a nie tożsamość - model dostaje zgodę na zmianę minuty i na spojrzenie w bok. A „one at a time” oznacza, że każda klatka powstaje z tej samej rozmowy, nie z osobnego wywołania. Seria generowana naraz jest pierwszym miejscem, w którym twarz zaczyna się rozjeżdżać.

Który model do twarzy

Tabela poniżej to różnice, które wprost podaje Google. Tam, gdzie dokumentacja nie mówi, zostawiam pustkę - brak odpowiedzi jest tu informacją.

Model	Rola	Co deklaruje przy postaciach
Nano Banana 2 (Gemini 3.1 Flash Image)	„The generalist workhorse”	„Maintain character resemblance of up to five characters and the fidelity of up to 14 objects in a single workflow… without altering the appearance of your inputs.”
Nano Banana Pro (Gemini 3 Pro Image)	„Optimized for complex, professional use cases”	„using up to 14 images and maintaining the consistency and resemblance of up to 5 people”
Nano Banana (Gemini 2.5 Flash Image)	„Our legacy model”	nie opisuje osobno
Nano Banana 2 Lite	„our fastest, most cost-efficient image model”	„strong character consistency”

Dwie uwagi o liczbach, bo łatwo je zrozumieć źle. Limit pięciu postaci dotyczy rozpoznawalnych ludzi w jednym przebiegu, a limit czternastu dotyczy obiektów łącznie - to nie jest czternaście twarzy. Google opisuje to dwoma różnymi słowami w dwóch komunikatach, ale liczby są te same. Druga uwaga: pięć osób to maksimum deklarowane, nie gwarancja. Przy jednej osobie masz zapas.

Rozdzielczości też bywają mylące. Nano Banana Pro oferuje „2K and 4K resolution”, a Nano Banana 2 zakres „from 512px to 4K”, z dodanym w lutym 2026 rozdzielczeniem 512 px obok dotychczasowych 1K, 2K i 4K. Do zdjęć z twarzą wybór rozdzielczości jest drugorzędny wobec opisanych wyżej zakazów - większa rozdzielczość uwidoczni błąd, którego nie naprawi.

Po stronie OpenAI: co daje API, a czego tu nie ma

W przypadku ChatGPT uczciwie trzeba rozdzielić dwie rzeczy, bo materiał źródłowy obejmuje tylko jedną z nich. Dokumentacja API mówi o dwóch modelach: „The API lets you generate and edit images from text prompts using gpt-image-2.5-sunburst and gpt-image-2.5-flare. Choose Sunburst for workflows where editing precision matters most, and Flare for fast, high-quality everyday image generation.” Do pracy z twarzą rekomendacja z dokumentacji jest jednoznaczna: wariant o wyższej precyzji edycji.

Mechanizm jest tu inny niż w Gemini i warto to zrozumieć, zanim zaczniesz. Dokumentacja opisuje edycję wieloetapową: „Iteratively make high fidelity edits to images with prompting”, oraz przyjmowanie plików jako wejścia: „Accept image File IDs as input images, not just bytes”. Jest też warunek, o którym łatwo zapomnieć: „If you force edit without providing an image in context, the call will return an error. Leave action at auto to have the model decide when to generate or edit.” Czyli zdjęcie referencyjne musi być w kontekście wywołania - inaczej nie ma edycji, tylko generowanie od zera, i twarz będzie inna.

Przed pierwszym użyciem dochodzi kwestia organizacyjna: „you may need to complete the API Organization Verification from your developer console before using GPT Image models”. Analogicznie po stronie Google klucz do AI Studio jest płatny: „A paid api key is required to use the model on Google AI Studio.”

Tu kończy się uczciwa część artykułu. Materiały, na których opieram te wskazówki, obejmują dokumentację API OpenAI, a nie opis działania funkcji obrazkowej w aplikacji czatowej. Nie mam więc podstaw, żeby pisać o tym, ile zdjęć wejściowych przyjmuje czat albo jak dokładnie trzyma twarz w interfejsie - jeśli zależy Ci na konkretach z czatu, trzeba je sprawdzić osobno.

Kiedy twarz i tak się zmieni

Są sytuacje, w których żadna formuła nie pomoże, i lepiej o tym wiedzieć przed zmarnowanym wieczorem. Google podaje cztery ograniczenia, które warto zapisać sobie przed serią zdjęć:

• spójność postaci „may not always get it right” - model ją poprawia, ale nie gwarantuje;
• proporcje kadru - model „struggles with maintaining aspect ratios”;
• stylizacja bywa niespójna między klatkami;
• tekst na obrazie: „may occasionally misspell words or struggle with complex typography”.

Do tego dochodzi decyzja, którą warto zrobić świadomie. W aplikacji Gemini dostępne są poziomy rozumowania, o których Google pisze: „Adjust thinking levels (Minimal (default) vs. High/Dynamic) to allow the model to reason through complex prompts before rendering, significantly improving output quality and prompt adherence.” Dla serii z twarzą wyższy poziom ma sens wtedy, gdy prompt jest długi i wielowarstwowy - przy krótkich, powtarzalnych klatkach różnica jest mniejsza niż przy dwóch zdaniach z pięcioma zakazami naraz.

Praktyczna zasada jest taka: jedna osoba, jedna sesja, jeden format wyjściowy, pięć promptów o tym samym prefiksie. Gdy któraś klatka nie wychodzi, nie generuj serii od nowa - popraw pojedynczy kadr. Google opisuje to jako zwykłą rozmowę: „If the result isn't quite right, you can simply tell Gemini what was incorrect and try again.” Edycja punktowa, bez przepisywania sceny, jest tu bezpieczniejsza niż regeneracja.

Dostępność i znak wodny, bo to wpływa na zastosowanie biznesowe

Dwie rzeczy, które przy planowaniu kampanii albo sesji zdjęciowej łatwo pominąć.

Pierwsza to dostępność funkcji. Personal Intelligence, czyli personalizacja na podstawie Twoich zdjęć, jest wdrażana „over the next few days to eligible Google AI Plus, Pro and Ultra subscribers in the U.S.”, a Pro w AI Mode był „available in the U.S. for Google AI Pro and Ultra subscribers”. Konta darmowe dostają „limited free quotas, after which they will revert to the original Nano Banana model”. Jeśli budujesz na tym proces w firmie, dostępność poza USA sprawdź na własnym koncie, zanim oprzesz na tym cały plan zdjęciowy.

Druga to znak wodny. Wszystkie media generowane przez narzędzia Google zawierają niewidoczny SynthID: „all media generated by Google's tools are embedded with our imperceptible SynthID digital watermark”. Widoczny znak pozostaje przy kontach darmowych i subskrypcjach Pro, a usuwany jest dla Google AI Ultra i w AI Studio - przy materiałach komercyjnych to różnica do wkalkulowania przed hurtem. Więcej o stronach prawnych pisałem osobno.

Przy wizerunku dochodzi kwestia, o której mówi sam producent: „The Gemini app does not directly train its models on your private Google Photos library”, a połączenie aplikacji z Gemini „remains an opt-in experience”. To dwa zdania, nie gwarancja prawna - przy zdjęciach pracowników, klientów albo dzieci zakładam osobną rozmowę o podstawie przetwarzania i o tym, gdzie te pliki mogą trafić. Zasada jest ta sama co przy liczeniu realnego kosztu wdrożenia procesu: licz to, co wchodzi do firmy, nie tylko to, co wychodzi.

Krótka checklista przed serią

Zanim napiszesz piąty prompt, przejdź tę listę.

1. Jedno zdjęcie referencyjne, jedna osoba, jedna sesja.
2. Pierwszy prompt definiuje postać i zawiera zakaz przepisania rysów.
3. Ten sam prefiks stylistyczny w każdej kolejnej klatce.
4. Zakaz tożsamości powtórzony w każdym prompcie, nie tylko w pierwszym.
5. Zmieniamy kadr i scena, nie zmieniamy twarzy ani stroju.
6. Jedna klatka na raz, jeden format wyjściowy.
7. Poprawka pojedynczej klatki zamiast regeneracji serii.

To wariant sprawdzony przy jednej osobie. Przy całych zespołach dochodzi limit pięciu rozpoznawalnych postaci w jednym przebiegu i praktyka jest inna - wtedy postaci buduje się osobno i składa dopiero w kompozycji. Opisuję to osobno, z podziałem na katalog produktowy, wnętrza i warianty marki. O granicach prompt engineeringu pisałem osobno.

Jeśli chcesz to zrobić porządnie w firmie - jako proces, a nie jako jednorazowy eksperyment - napisz do mnie. Odpowiadam zwykle tego samego dnia, a zakres i wycenę dostajesz na piśmie.