¿Cómo crear assets de videojuego consistentes con Qwen-Image 2.1?

Por Actualizado el 16 min de lectura

Qwen-Image 2.1 dibuja una hoja entera de assets de juego en una imagen: cuatro vistas de un sujeto, una familia de objetos o un conjunto de props, sobre un fondo transparente real. Esta guía da el método usado para más de 1000 archivos: ajustes, forma del prompt, recorte, texturas sin costuras y las hojas como referencia para modelos de vídeo.

Una hoja, no una imagen por asset

En lugar de pedirle al modelo una imagen por sprite, pídele una hoja: una sola imagen de 4 megapíxeles organizada en cuadrícula, cuyas celdas recortas después con un script.

  • Un sujeto, un personaje por ejemplo, es una hoja de cuatro vistas de la misma figura.
  • Una familia de objetos es una hoja de ocho a doce objetos distintos.
  • Un objeto importante, como un arma, es una hoja de varias vistas de ese objeto.

Una hoja aporta tres cosas.

  • Consistencia. Las cuatro vistas salen del mismo render: mismos colores, mismo traje, misma arma, misma luz. Cuatro renders separados dan cuatro personajes distintos.
  • Un solo estilo compartido por todos los objetos de una familia.
  • Rendimiento. Una hoja tarda de cuatro a cinco minutos y da de cuatro a doce sprites.
Sprite sheet de una joven exploradora generada por Qwen-Image 2.1: cuatro vistas del mismo personaje en una fila sobre fondo transparente
Un render, cuatro vistas: de frente, tres cuartos, perfil y de espaldas. 2432 × 1664, 20 pasos, CFG 3 con APG y FreSca. El prompt completo figura más abajo.

Las hojas no sirven solo para juegos. El turnaround de un personaje funciona como imagen de referencia para la maqueta de una app, un cómic o un storyboard. Es también el tipo de imagen de referencia que los modelos imagen a vídeo como Seedance, MiniMax Hailuo o Wan 2.2 aceptan como punto de partida.

Todo lo que sigue se comprobó al producir un conjunto de más de 1000 archivos: personajes, objetos, efectos, props y texturas para un mismo juego. Los ajustes siguen la guía de ajustes de Qwen-Image 2.1.

Ajustes y el grafo de ComfyUI

Usa el modelo base en vez del Turbo, con CFG 3 y un prompt negativo, con APG y FreSca en la ruta del modelo. No hay ningún reescritor de prompts en el grafo: el prompt entra tal como está escrito.

NodoAjuste
UNETLoaderqwen_image_2.1_int8_convrot.safetensors
CLIPLoaderqwen3vl_8b_int8_convrot.safetensors, tipo qwen_image
VAELoaderqwen_image_2.1_vae_bf16.safetensors
QwenImage21Cachedevice auto, dtype int8
APGeta 1.0, norm threshold 10.0, momentum 0.3
FreScascale low 1.0, scale high 2.0, frequency cutoff 8
TextEncodeQwenImage21prompt y prompt negativo, resolución 1024
EmptyLatentImage2432 × 1664 para una hoja, 1024 × 1024 para una textura
KSampler20 pasos, CFG 3.0, euler, simple, denoise 1.0
VAEDecode, SaveImageel PNG sale en RGBA, ver la sección siguiente

La ruta del modelo encadena UNETLoader, después QwenImage21Cache, APG, FreSca y el KSampler. Tiempos medidos en la máquina que produjo el conjunto:

TrabajoTiempo
Hoja, 2432 × 1664, 20 pasos230 a 320 s
Textura, 1024 × 1024, texto a imagenunos 80 s
Pasada imagen a imagen, 1024 × 1024unos 40 s

La guía de ajustes registra una tarjeta de 12 GB que renderiza una imagen de 4 megapíxeles de este tamaño con un pico de 11,5 GB sobre los pesos int8, así que una hoja debería caber, siempre que nada más ocupe la tarjeta.

Dos trampas si manejas ComfyUI a través de su API. En el JSON enviado a /prompt, una imagen de referencia se pasa como clave plana: "images.image_1": [node, 0]. La forma anidada, "images": {"image_1": …}, se acepta sin error, y la referencia se ignora en silencio. Y comprueba siempre que el PNG que recibes está en modo RGBA. Un prompt mal enmarcado da un fondo opaco; lanza un error antes que recortarlo.

Transparencia nativa

Qwen-Image 2.1 produce un canal alfa por sí solo, siempre que el prompt vaya enmarcado por dos frases.

  • Inicio: This is an RGBA image with transparency.
  • Final: The image has alpha channel and the background is transparent.

El resultado es un PNG RGBA real. Alrededor del 1 % de los píxeles son semitransparentes y no hay halo de color. Esto sustituye al viejo fondo magenta que había que eliminar por croma, que dejaba bordes y obligaba a limpiar la contaminación de color.

Añade a la frase final: no ground, no cast shadows, no frames, no text, no labels. Sin eso, al modelo le gusta poner una sombra o un trozo de suelo bajo cada sujeto, y eso rompe el recorte.

Los cuatro sprites de la hoja de la exploradora separados por el canal alfa y mostrados sobre un tablero de ajedrez
La misma hoja recortada en cuatro sprites por el canal alfa, sobre un tablero de ajedrez. Sin halo, sin sombra, nada que limpiar.

Cómo escribir el prompt de una hoja

Como nada reescribe el prompt por ti, tiene que ser largo y preciso: los prompts del conjunto van de 2500 a 3000 caracteres, y uno corto da una hoja pobre cuyas vistas se parecen entre sí.

El orden de abajo es el que funcionó. Mantenlo.

  1. La frase RGBA de apertura.
  2. El sujeto y la cuadrícula. «A game character turnaround sheet of one single character, description, drawn four times at exactly the same scale in a strict row of 4 equal cells with generous empty space between the cells, read left to right.»
  3. Las celdas, una a una, numeradas. «cell 1, … ; cell 2, … ; cell 3, … ; cell 4, …» En una cuadrícula de 4 por 2, nombra también las filas: «Top row: cell 1, … Bottom row: cell 5, …»
  4. La cláusula de identidad. «Same character in every cell: identical colours, proportions, costume, weapon and lighting.»
  5. El bloque de estilo, el mismo para todo el conjunto.
  6. La frase RGBA de cierre.

El prompt completo de la hoja de la exploradora de arriba:

This is an RGBA image with transparency. A game character turnaround sheet of one single character, a young woman ranger in her twenties with light brown skin, a long dark braid over one shoulder, a hooded forest-green cloak, a brown leather jerkin over a cream linen shirt, dark trousers, tall laced boots, a straight one-handed sword with a plain steel crossguard and a leather-wrapped grip held low in her right hand with the point toward the ground, and a small round wooden buckler strapped to her left forearm, drawn four times at exactly the same scale in a strict row of 4 equal cells with generous empty space between the cells, read left to right: cell 1, standing at rest, seen straight from the front, both feet on the same line, face fully visible; cell 2, standing at rest, turned 45 degrees to her right so we see the front and her right side, the sword arm nearest the viewer; cell 3, standing at rest in strict profile, facing right, one eye visible, the braid down her back, the sword in front of her; cell 4, standing at rest seen directly from behind, the back of the hood, the cloak and the braid, the sword hanging point down along her right leg so that exactly one blade shows beside the cloak, no face. Same character in every cell: identical colours, proportions, costume, weapon and lighting. Style: hand-painted game illustration, visible brush strokes, rich material detail, crisp silhouettes, soft frontal light from slightly above, a thin cool rim light, no outline, no motion blur. The image has alpha channel and the background is transparent, no ground, no cast shadows, no frames, no text, no labels.

Reglas aprendidas en las pruebas:

  • Describe el material, no solo el objeto. «a battle axe: a long straight ash-wood haft and one broad crescent steel blade with a bearded lower edge, the head wedged and riveted, the edge bright and nicked».
  • Describe cada vista por lo que ve la cámara, no por su nombre. «seen from a three-quarter back angle, turned 135 degrees so we see its back and its left side, the face hidden» funciona. «back three-quarter view» a secas funciona mucho menos.
  • La vista cenital, si la añades, necesita insistencia: cámara apuntando directamente hacia abajo, solo la parte superior de la cabeza y los hombros visibles, sin cara, «like a token on a tactical board game map».
  • Di lo que no debe estar cuando el modelo se desvía. A un sujeto sin extremidades le salen garras y boca en las celdas de ataque si el texto es genérico. Escribe «no arms, no legs, no teeth».
  • Escribe las celdas de acción, si las añades, para cada sujeto. Un texto común, «the subject attacks», da poses flojas en todo un reparto. Cada sujeto tiene su propia preparación y su propio golpe: una maza levantada, un mordisco, una bocanada de fuego, un tentáculo.
  • Vigila las palabras que cambian el renderizado. «bold simplified, strong contrast, clean silhouette» para un icono de inventario produjo un pictograma en blanco y negro. Para un icono en color, escribe «in full colour, painted with exactly the same rich materials as cell 1».
  • Un solo bloque de estilo para todo el conjunto mantiene sujetos, objetos y props en el mismo mundo. El bloque de este conjunto está en el prompt de arriba: ilustración de juego pintada a mano, pinceladas visibles, detalle de materiales, siluetas nítidas, luz frontal suave desde un poco arriba, una luz de recorte fría, sin línea de contorno, sin desenfoque de movimiento.

El prompt negativo del conjunto:

artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature, labels, captions, letters, numbers, cast shadow, ground, floor, gradient background, frame, border lines, photo, 3d render

La hoja de la exploradora renderizada a partir de un prompt de menos de 400 caracteres: las cuatro vistas aguantan pero el traje se desvía
La misma exploradora a partir de un prompt de menos de 400 caracteres, misma seed y mismos ajustes. Las cuatro vistas aguantan, pero el traje se desvía: mangas cortas, otro jubón, la trenza desaparecida en la vista de espaldas. Es la longitud la que aporta la información que el modelo necesita.

Plantillas de hojas

Todas las hojas miden 2432 × 1664 píxeles.

Sujeto único: una fila de 4, un personaje

CeldaVista
1en reposo, de frente
2en reposo, tres cuartos de frente
3en reposo, perfil estricto
4en reposo, de espaldas

Cuatro vistas en una fila es la disposición que aguantó en todas las pruebas: celdas altas, una figura grande y el arma bien dibujada en cada vista. Una cuadrícula de 4 por 2 con una vista cenital y dos celdas de acción también funciona, pero esas cuatro celdas extra son donde las hojas fallan: una segunda hoja de espada en la vista de espaldas, una espada mal colocada vista desde arriba, una mano rara en el golpe. Añádelas cuando las necesites y compruébalas una a una.

Familia de objetos: 4 por 3 o 4 por 2, objetos distintos

Una línea por celda: «Cell 5, row 2 column 1: description.» Los objetos largos llevan «lying horizontally across the cell, pointing to the right» (tumbado en horizontal a lo ancho de la celda, apuntando a la derecha) para que llenen su celda. Termina con: «Exactly one object per cell, N objects in all, no duplicates, no object crossing into another cell, each object drawn large enough to fill most of its cell.»

Doce objetos por hoja es el máximo usado en el conjunto. Más allá, las celdas se quedan pequeñas.

Hoja de doce objetos de mazmorra generada por Qwen-Image 2.1 en una cuadrícula de 4 por 3 sobre fondo transparente: llave, antorcha, poción, bolsa, hacha, escudo, pergamino, farol, espada, pan, brújula, cuerda
Doce objetos, un render, un estilo. Cada celda se nombra con su fila y su columna en el prompt.

El prompt completo de esta hoja:

This is an RGBA image with transparency. A game item sheet of twelve different dungeon objects, each drawn large in its own cell of a strict 4 by 3 grid of equal cells with generous empty space between the cells, read left to right then top to bottom. Cell 1, row 1 column 1: an iron key with a looped bow and two square teeth, lying horizontally across the cell, pointing to the right. Cell 2, row 1 column 2: a wooden torch, a split oak stick wrapped in tarred cloth, the flame burning upward. Cell 3, row 1 column 3: a small red health potion, a round glass flask with a cork stopper and a wax seal. Cell 4, row 1 column 4: a leather coin pouch, drawstring closed, bulging, two gold coins showing at the mouth. Cell 5, row 2 column 1: a battle axe, a long straight ash-wood haft and one broad crescent steel blade with a bearded lower edge, the head wedged and riveted, the edge bright and nicked, lying horizontally across the cell, pointing to the right. Cell 6, row 2 column 2: a round wooden shield with an iron rim and a central iron boss, three planks visible, seen straight on. Cell 7, row 2 column 3: a rolled parchment scroll tied with a red ribbon, lying horizontally across the cell, pointing to the right. Cell 8, row 2 column 4: a lantern, a square iron frame with four glass panes and a ring handle, a candle glowing inside. Cell 9, row 3 column 1: a short sword with a plain crossguard, a leather-wrapped grip and a round pommel, lying horizontally across the cell, pointing to the right. Cell 10, row 3 column 2: a loaf of dark rye bread with a cracked crust. Cell 11, row 3 column 3: a brass compass in an open round case, the needle visible. Cell 12, row 3 column 4: a coil of hemp rope with a frayed end. Exactly one object per cell, twelve objects in all, no duplicates, no object crossing into another cell, each object drawn large enough to fill most of its cell. Style: hand-painted game illustration, visible brush strokes, rich material detail, crisp silhouettes, soft frontal light from slightly above, a thin cool rim light, no outline, no motion blur. The image has alpha channel and the background is transparent, no ground, no cast shadows, no frames, no text, no labels.

Props y efectos: 4 por 2 o 4 por 3

Props: «dungeon fixtures seen straight on from the front», con luz uniforme. Efectos: «glowing, with soft luminous edges». Proyectiles: «flying to the right».

Un objeto en varias vistas: una fila de 4

El mismo objeto en las cuatro celdas: la vista base de frente, tumbado en el suelo visto desde arriba, un icono de inventario en color, un icono de acción a dos tonos. Las vistas del objeto lanzado pueden añadirse en una segunda fila; una primera serie con un alfanje y un hacha dio un escorzo convincente, incluida el hacha vista de canto, pero un arma lanzada vista de frente es la celda que más a menudo falla. Esta plantilla es la más reciente del conjunto y sigue en revisión.

Hoja de un frasco de poción en cuatro vistas generada por Qwen-Image 2.1: de pie, en el suelo, icono de inventario e icono de acción
Un frasco, cuatro vistas. Los iconos ocupan las celdas 3 y 4. Una sombra tenue se coló bajo las dos primeras celdas pese a la frase de cierre.

La misma receta en otros estilos

La cuadrícula, los textos de las celdas y el marco RGBA no dependen del estilo. Solo cambia el bloque de estilo. Las hojas de abajo salen del prompt de la exploradora con el bloque de estilo sustituido por uno de estos:

  • Pixel art. Style: 16-bit pixel art, a visible pixel grid, flat colours with two or three shades per material, hard pixel edges, a one-pixel dark outline, no anti-aliasing, no gradients.
  • Anime. Style: anime cel shading, clean dark line art, flat colours with one hard shadow tone, small bright highlights, a saturated palette, soft frontal light.
  • Vector plano. Style: flat vector illustration, simple geometric shapes, no gradients, no texture, a limited palette of six colours, thick uniform outlines, soft frontal light.
  • Low poly. Style: low poly 3D render look, visible flat triangular facets, matte materials, no texture detail, soft studio light from the front and above.

Para el bloque low poly, quita «3d render» del prompt negativo, o las dos instrucciones entran en conflicto.

La sprite sheet de la exploradora renderizada por Qwen-Image 2.1 en estilo pixel art de 16 bits
Bloque pixel art. Misma cuadrícula, mismos textos de celda, misma seed.
La sprite sheet de la exploradora renderizada por Qwen-Image 2.1 en estilo anime con cel shading
Bloque anime.
La sprite sheet de la exploradora renderizada por Qwen-Image 2.1 en estilo vector plano
Bloque vector plano.
La sprite sheet de la exploradora renderizada por Qwen-Image 2.1 con aspecto 3D low poly
Bloque low poly, con «3d render» quitado del prompt negativo.

En las cuatro hojas de arriba el personaje, su traje y sus poses se mantuvieron de un bloque a otro; solo cambió el acabado. Elige un bloque para todo el conjunto. Los sprites hechos con bloques distintos no encajan juntos.

Recortar la hoja en sprites

El recorte se hace sobre el canal alfa, en cuatro pasos.

  1. Divide la imagen en celdas iguales.
  2. En cada celda, toma la caja delimitadora de los píxeles cuyo alfa supera 32, con un margen de 4 píxeles.
  3. Pon a cero el alfa por debajo de 24, lo que elimina el halo.
  4. Trata como vacía una celda con menos de 100 píxeles opacos.

Después coloca cada sprite según su uso.

  • Sprite de sujeto: en un lienzo con la proporción de la imagen de referencia del juego, con los pies en el borde inferior.
  • Objeto: centrado en el lienzo.
  • Icono de inventario: un cuadrado de 192 píxeles. Un objeto más largo que 1,6 veces su anchura se gira 45 grados, con la punta hacia arriba a la derecha.
  • Puerta, reja: estirada de borde a borde, alfa forzado a 255. Las puertas salen de dos a cuatro veces más oscuras de lo deseado, así que iguala su luminosidad a una referencia.

Si un sujeto invade la celda vecina, el recorte lo trunca. Por eso el prompt pide «generous empty space between the cells».

Texturas sin costuras

El modelo no produce un tile perfecto ni aunque se le pida, así que el método de abajo, conservado tras varios fracasos, repara la costura después.

  1. Texto a imagen a 1024 × 1024 con «A seamless tileable texture, top-down flat orthographic close-up of … Even diffuse lighting, no vignette, no perspective.»
  2. Desplaza la imagen media anchura y media altura. La costura pasa ahora por el centro, en forma de cruz.
  3. Imagen a imagen con fuerza 0.55 sobre la imagen desplazada, con el nodo QwenImageImg2Img.
  4. Conserva solo una cruz central suavizada de esa pasada, 96 píxeles a cada lado de la costura con un desenfoque gaussiano de 32 píxeles, pegada sobre el original desplazado. Los bordes siguen siendo el interior intacto del primer render.
  5. Vuelve a desplazar en sentido contrario.
  6. Fundido en espejo de 24 píxeles a cada lado del borde para anular el último salto de color, y por tanto de relieve.
  7. Deriva el mapa de normales y la rugosidad de la imagen final.

Medida de control: la diferencia media entre bordes opuestos dividida por el gradiente medio dentro del tile. A 1,0 la costura no se distingue de cualquier píxel vecino.

Una textura de suelo de piedra de Qwen-Image 2.1 repetida 2 por 2: el render en bruto muestra una costura visible en forma de cruz, la versión reparada no
La misma textura repetida 2 por 2. Izquierda: el render en bruto, la costura es una cruz. Derecha: tras la pasada imagen a imagen desplazada y el fundido en espejo.

Lo que no funcionó:

  • Una pasada imagen a imagen completa sin máscara: el modelo recrea una costura en sus propios bordes.
  • Dos pasadas alternas: el resultado empeora, 2,07 y después 2,43 en la textura de suelo.
  • Repintar una textura existente de baja resolución en imagen a imagen: un resultado a rayas. Empieza de nuevo desde texto a imagen.

Pide patrones grandes, cinco o seis hiladas de bloques por tile. Los patrones pequeños hacen evidente la repetición.

Rehacer, comprobar, iterar

  • Una hoja es determinista para un prompt y una seed dados. Guarda el PNG en bruto y el texto del prompt a su lado.
  • Rehaz un sujeto rehaciendo su hoja entera con otra seed, nunca una sola celda. Conserva la hoja vieja: más adelante se puede rescatar de ella una pose mejor.
  • Separa el dibujo del recorte. El recorte y la colocación se pueden volver a ejecutar desde las hojas en bruto sin llamar a ComfyUI.
  • Haz el lote reanudable. Una hoja que ya está en disco no se vuelve a dibujar, así que una ejecución de tres horas sobrevive a una interrupción.

Tres comprobaciones merecen la pena antes de que los sprites entren en el juego.

  • Revisa sobre fondo claro o un tablero de ajedrez, no sobre gris oscuro. Un fondo oscuro esconde franjas de color y halos.
  • Mira a tamaño de juego, no solo ampliado. Un icono tiene que seguir siendo legible a 32 píxeles.
  • Haz una captura dentro del juego para contrastar los sprites con las superficies. Los sprites en HD sobre muros de píxeles grandes chocan. Entonces hay que rehacer las superficies al mismo nivel.

Límites conocidos

  • Los objetos a veces salen demasiado fotográficos, el metal y el vidrio sobre todo. Corrígelo caso por caso en el texto.
  • Las celdas de acción son la parte menos fiable. Compruébalas sujeto por sujeto.
  • Los tonos se desvían de una hoja a la siguiente: los muros se vuelven azules, las puertas salen oscuras. Fija el color en el texto y corrígelo después si hace falta.
  • El modelo puede fusionar o duplicar celdas en una cuadrícula cargada. Quédate en doce celdas como máximo y nombra cada celda con su fila y su columna.
  • El texto y los símbolos sobre los objetos, runas o inscripciones, no son fiables. Déjalos fuera o añádelos después.
  • Licencia. Los pesos están bajo la Qwen Research License: solo investigación y evaluación. Los assets incluidos en un juego comercial necesitan antes una licencia de Qwen, y un servicio alojado tiene sus propias condiciones.

Los ajustes del conjunto en una tabla:

AjusteValor
ModeloQwen-Image 2.1 base, int8
Pasos, CFG20, 3.0 con prompt negativo
Samplereuler, simple
GuidanceAPG 1.0, 10.0, 0.3 y después FreSca 1.0, 2.0, 8
Hoja2432 × 1664, una fila de 4 o cuadrícula de 4 por 3
Textura1024 × 1024, seed fija
Pasada de costuraimagen a imagen a 0.55, banda de 96 píxeles
Fundido de bordes24 píxeles

Preguntas frecuentes

¿Puede Qwen-Image 2.1 crear PNG transparentes?

Sí, sin ningún posprocesado. Abre el prompt con «This is an RGBA image with transparency.» y ciérralo con «The image has alpha channel and the background is transparent.» El PNG tiene un canal alfa real, alrededor del 1 % de píxeles semitransparentes y ningún halo de color. Añade «no ground, no cast shadows» o el modelo dibuja un suelo bajo el sujeto.

¿Cuántos sprites caben en una hoja?

Cuatro para un personaje o cualquier otro sujeto único, en una fila a 2432 × 1664 píxeles: de frente, tres cuartos, perfil y de espaldas. Hasta doce para una familia de objetos, en una cuadrícula de 4 por 3. Más allá de doce las celdas se quedan pequeñas y el modelo empieza a fusionarlas o duplicarlas. Nombra cada celda con su fila y su columna, y pide espacio vacío generoso entre las celdas para que el recorte no trunque nada.

¿Puedo usar estas hojas para vídeo o en un juego comercial?

Una hoja de turnaround es el tipo de imagen de referencia que los modelos imagen a vídeo como Seedance, MiniMax Hailuo o Wan 2.2 aceptan como punto de partida. Para un juego comercial, comprueba primero la licencia: los pesos de Qwen-Image 2.1 están bajo la Qwen Research License, que solo cubre investigación y evaluación. El uso comercial necesita una licencia aparte de Qwen.