Duas pessoas na mesma imagem de IA: como descrever cada uma sem elas se misturarem

Resposta rápida

Pra gerar duas pessoas na mesma imagem sem a IA misturar as características de uma na outra, o segredo é nomear cada personagem e prender cada atributo (roupa, cabelo, altura) ao nome dela, em vez de descrever as duas juntas numa frase só. Separe também a posição de cada uma na cena (à esquerda, à direita, em primeiro plano) e evite adjetivo compartilhado quando quiser roupas ou traços diferentes. Se o aplicativo aceitar imagem de referência por pessoa (é o caso do Gemini), suba uma foto de cada personagem em vez de descrever tudo só em texto: a referência carrega a identidade, e o texto carrega o resto da cena. Quando mesmo assim uma característica vazar de um personagem pro outro, o caminho mais confiável não é regerar a cena inteira de novo: é gerar cada pessoa sozinha primeiro, conferir se ficou como você queria, e só depois pedir pra IA compor as duas juntas numa cena.

Por que a IA mistura as características de duas pessoas na mesma imagem?

O nome técnico do problema é vazamento de atributo (attribute bleeding, ou attribute binding quando o assunto é a pesquisa acadêmica). Os modelos de geração de imagem não “leem” o prompt como uma lista organizada de regras. Eles calculam, palavra por palavra, o quanto cada trecho do texto deve influenciar cada região da imagem, e quando duas pessoas estão descritas perto uma da outra no mesmo parágrafo, essa influência vaza. O exemplo clássico: você pede “um homem com óculos e uma mulher sem óculos” e a IA devolve as duas pessoas de óculos, porque o atributo “óculos” se espalhou pro personagem errado.

Isso não é falha rara. Uma pesquisa da Isolated Diffusion (arXiv, 2024), testada com 75 avaliadores humanos, mediu quantas vezes um modelo de base (SDXL) acertava a combinação certa de atributos quando o prompt pedia mais de uma pessoa com características diferentes: só 5,07% das imagens foram aprovadas como corretas. Quando os pesquisadores aplicaram uma técnica que isola cada personagem antes de juntar os dois na cena, a aprovação subiu pra cerca de 40%, e 82,93% dos avaliadores preferiram a versão corrigida à original com mistura. Ou seja: nem os modelos mais avançados resolvem isso sozinhos na maioria das vezes. Quem escreve o prompt precisa ajudar.

Como descrever cada pessoa pra IA não confundir quem é quem?

A técnica que mais funciona na prática é rotular. Em vez de escrever tudo num parágrafo corrido, separe a descrição por pessoa, com o nome (ou um rótulo curto) repetido antes de cada bloco de atributos:

Marcos: homem de 40 anos, terno azul-marinho, cabelo curto castanho, em pé à esquerda da cena, olhando pra câmera. Júlia: mulher de 30 anos, vestido vermelho, cabelo longo loiro, sentada à direita, olhando pra Marcos.

Repare em três coisas que essa estrutura resolve de uma vez:

1. O nome ancora o atributo. “Terno azul-marinho” aparece logo depois de “Marcos”, então a chance de a IA jogar esse terno na Júlia cai bastante.
2. A posição espacial reduz a mistura. Dizer onde cada um está (“à esquerda”, “à direita”, “em primeiro plano”, “ao fundo”) dá à IA uma referência geométrica pra manter os dois separados, além da referência textual.
3. Adjetivo compartilhado só quando é intencional. Se você quer as duas pessoas de terno, tudo bem escrever isso uma vez só pros dois. Mas se quer roupas diferentes, nunca escreva “os dois bem vestidos” sem detalhar quem usa o quê. Frase vaga é o principal gatilho de vazamento.

O guia oficial de prompt do Google DeepMind pros modelos de imagem Gemini recomenda exatamente essa lógica de rotulagem: atribuir um nome distinto a cada personagem no prompt, pra o modelo conseguir “seguir” aquele nome e manter a aparência dele consistente conforme a cena é construída. E o guia de prompt da OpenAI pros modelos GPT Image segue o mesmo princípio pro lado da estrutura: em pedidos complexos, quebrar o texto em blocos rotulados por papel, em vez de escrever tudo como um parágrafo só, ajuda o modelo a não perder a referência de quem é quem.

Dá pra usar foto de referência de cada pessoa em vez de descrever tudo em texto?

Sim, e quando o aplicativo permite, essa é a forma mais confiável de todas. No Gemini (o modelo de imagem conhecido como Nano Banana), você pode subir uma foto de referência pra cada personagem e dizer, no prompt, algo como “a pessoa da primeira imagem é a Júlia, a pessoa da segunda imagem é o Marcos, coloque as duas na mesma cena, cada uma mantendo o rosto e a roupa da própria referência”. A lógica muda: a imagem carrega a identidade (rosto, corpo, roupa), e o texto só precisa descrever a cena, a pose e a interação entre elas. Isso tira boa parte do trabalho que seria descrever cada detalhe físico em palavras, que é justamente onde o vazamento de atributo mais acontece.

Vale um limite prático: mesmo com referência de foto, quanto mais pessoas você tenta colocar juntas na mesma cena, maior a chance de alguma característica escorregar. Prompt guides mais recentes do próprio Nano Banana falam em manter até cinco personagens com identidade reconhecível numa cena só, mas na prática, pra quem está começando, o resultado fica bem mais estável com duas ou três pessoas por vez.

E se eu já gerei e as características se misturaram, dá pra corrigir sem refazer a cena inteira?

Dá, e é aqui que entra a técnica que rendeu o melhor resultado na pesquisa da Isolated Diffusion: isolar antes de juntar. Em vez de tentar acertar duas pessoas complexas numa única geração, faça em duas etapas:

1. Gere (ou edite, se estiver usando referência) cada pessoa sozinha primeiro, numa imagem própria, e confira se ficou exatamente como você queria: roupa certa, cabelo certo, rosto certo.
2. Só depois, peça pra IA compor as duas imagens numa cena só, descrevendo a interação entre elas (quem está olhando pra quem, quem está mais à frente, o que estão fazendo juntas).

Esse caminho de duas etapas custa mais tempo do que escrever um prompt só e torcer, mas evita o retrabalho de regerar a cena inteira várias vezes até acertar por sorte, porque cada pessoa já chega pronta na etapa de composição. Se depois da composição ainda sobrar um detalhe errado (por exemplo, a cor do sapato trocou de uma pessoa pra outra), muitos aplicativos de edição por IA permitem corrigir só aquela região específica da imagem, sem precisar gerar a cena de novo do zero.

Isso funciona igual no ChatGPT (GPT Image) e no Gemini?

O princípio é o mesmo nos dois: nomear, rotular, separar espacialmente e evitar frase vaga com adjetivo compartilhado. A diferença prática está na referência de foto. O Gemini aceita upload de referência por personagem de forma mais direta dentro do prompt, então é a ferramenta mais indicada quando você já tem uma foto de cada pessoa e quer preservar o rosto de cada uma. Já no ChatGPT com GPT Image, o guia oficial da OpenAI foca mais em estrutura de texto (blocos curtos, rotulados por papel, em vez de um parágrafo corrido), então o trabalho de descrever bem cada personagem em palavras pesa um pouco mais. Nos dois casos, o erro mais comum continua sendo o mesmo: escrever a cena toda como uma única frase longa, misturando os atributos das duas pessoas no mesmo trecho de texto.

Perguntas frequentes

Por que a IA sempre parece “copiar” a roupa de uma pessoa pra outra? Porque as duas descrições estão próximas demais no texto e compartilham palavras parecidas. Separar em blocos rotulados por nome, como mostrado acima, é o jeito mais direto de parar isso.

Preciso escrever um prompt gigante pra descrever duas pessoas bem? Não. O prompt fica mais curto quando você usa referência de foto por pessoa (a imagem já carrega boa parte da descrição). Sem referência, um prompt bem estruturado em blocos costuma ser mais eficaz do que um parágrafo longo e genérico.

Isso muda se eu quiser mais de duas pessoas na mesma cena? Sim, o problema piora com cada pessoa nova. A recomendação prática é a mesma, só que redobrada: rotular cada uma, e se possível, gerar em etapas (pessoa por pessoa) em vez de tentar tudo de uma vez.

Vale a pena aprender essas técnicas de prompt visual mesmo sem trabalhar com design? Vale, porque a mesma lógica de descrever com precisão (nomear, separar, evitar ambiguidade) é a base de qualquer prompt bem escrito, não só de imagem. Quem pratica prompt de imagem tende a escrever prompt de texto mais claro também, porque aprende a enxergar onde a frase ficou ambígua.

Leia também

Se você ainda está travado em manter o MESMO personagem igual em várias imagens diferentes (antes de chegar no problema de colocar dois personagens juntos), o passo anterior é como manter o mesmo personagem em várias imagens de IA sem o rosto mudar. Pra entender como dizer à IA o que ela NÃO deve fazer na imagem (útil quando um atributo insiste em vazar mesmo depois da rotulagem), veja prompt negativo: como dizer para a IA o que ela não deve fazer na imagem. E se o problema for a expressão ou a pose de cada personagem saindo estranha, o guia certo é expressão e pose no prompt de imagem.

Essas técnicas de prompt fazem parte do que a gente ensina, na prática, dentro da CPDF (Comunidade Profissionais do Futuro - por Danilo Gato): não só a teoria de como a IA generativa de imagem funciona, mas o passo a passo aplicado pra quem precisa produzir imagem com IA no dia a dia de trabalho.