Mulheres De Cabelo Curto

Guia prático para trabalhar com mulheres de cabelo curto em geração de imagens

Quando eu comecei a mexer com modelos de no final de 2023, a maioria dos tutoriais focava em cabelos longos. Cabelo curto era quase um afterthought nos prompts. Eu simplesmente nunca vi uma referência boa pra isso. Resolveu virar um problema real meu porque eu precisava gerar retratos femininos com cortes curtos pra um projeto editorial, e cada tentativa vinha com aquele padrão: a IA transformava tudo em cabelos meio cacheados até os ombros ou criava transições estranhas do nada. O que eu descobri depois de semanas testando foi que o problema não era o modelo em si — era a forma como os tokens de cabelo curto eram distribuídos no treinamento. A maioria dos modelos mainstream tem uma quantidade desproporcional de imagens com cabelos longos. O resultado é que mesmo quando você pede explicitamente, o modelo tende a puxar pro médio-longo por padrão.

Configuração básica para mulheres de cabelo curto

O prompt base que funcionou consistentemente pra mim foi: short hair woman, pixie cut, chin-length bob, side swept bangs, natural texture, portrait photography, soft lighting. Não adianta colocar só "cabelo curto" e esperar milagre. Você precisa especificar o comprimento exato. "Chin-length" e "pixie cut" são tokens que o modelo reconhece muito melhor do que a tradução genérica. Se você tá usando Stable Diffusion 1.5 ou 2.1, o segredo é ajustar o negative prompt. Adicione long hair, medium hair, hair between shoulders, flowing hair. Isso reduz significativamente a probabilidade do modelo puxar pra cabelos mais compridos. No SDXL, o efeito é menos pronunciado porque o modelo entende melhor variações de prompt, mas ainda faz diferença.

Problema real que eu encontrei e como resolvi

Num projeto específico, eu precisava gerar retratos de mulheres negras com cabelo curto texturizado — tipo um cropped natural, bem rente mas com volume definido. O que acontecia era absurdo: o modelo criava cabelo curto mas liso, completamente sem textura, num tom que não combinava nem com a pele. Eu passei umas três semanas ajustando pesos e sampling steps antes de descobrir que o problema era duplo. Primeiro, o modelo base não tinha sido treinado o suficiente com representações de cabelo texturizado curto. Segundo, o CFG scale estava alto demais (eu usava 7-8 padrão), o que literalmente esmagava os detalhes finos de textura. A solução foi usar um checkpoint finetuned focado em diversidade étnica — o Realistic Vision V6.0 — com CFG 4.5, steps 30, e sampler DPM++ 2M Karras. Além disso, apliquei um embedding específico de textura capilar que encontrei no CivitAI. O resultado mudou completamente: em vez de cabelos lisos e plásticos, eu comecei a ver volume definido, pontos de luz reais nas texturas, e transições naturais entre a pele do pescoço e a linha do cabelo. O processo que antes levava 2 horas de ajustes manuais agora roda em cerca de 15 minutos com seed fixo.

Insights que ninguém conta

Aqui vai algo que os guias não mencionam: o weighting de prompt funciona de forma assimétrica para cabelos curtos. Quando você coloca (short hair:1.3), o modelo tende a exagerar e criar cortes extremamente curtos, quase raspados, porque o traço de "curto" se move muito rápido na latent space. O sweet spot pra maioria dos modelos é algo como (short hair:1.1) ou até (short hair:1.05). Menos é mais aqui. O outro ponto contra-intuitivo é que adicionar detalhes de estilo — como "fade haircut", "undercut", "crew cut" — na verdade aumenta a chance do modelo confundir o gênero do retrato em modelos mais antigos. Em SD 1.5 especialmente, esses termos têm correlação forte com representações masculinas no dataset. Se você quer manter a feminilidade clara, use termos como soft pixie, textured crop, finger waves em vez de cortes mais agresivos.

Downloads e recursos úteis

Os principais checkpoints que eu recomendo pra trabalhar com mulheres de cabelo curto são: Realistic Vision V6.0 B1 — disponível no CivitAI. É o que entrega a melhor representação de texturas capilares curtas sem precisar de ajustes extras. Tamanho: ~4.2 GB. Recomendado para uso com SD 1.5.

Juggernaut XL Version 9 — também no CivitAI. Para SDXL, é o que melhor equilibra realismo e variedade de cortes curtos. Tamanho: ~6.8 GB. Para embeddings, o EasyNegative v2 funciona bem pra limpar artefatos de cabelo, e o BadHandv4 ajuda se você notar distorções perto da linha do pescoço — algo comum quando o cabelo curto cria muita área de pele exposta que o modelo às vezes confunde.

Onde isso simplesmente não funciona

Tem casos em que nenhuma configuração vai resolver. Modelos baseados em LoRAs genéricos de "short hair" muitas vezes produzem resultados ruins quando aplicados a rostos com proporções não padronizadas — queixas mais largas, nariz mais proeminente, etc. O LoRA foi treinado predominantemente em rostos com traços europeus padrão, e a generalização pra outras estruturas faciais é péssima. Nesses cenários, o caminho é treinar um LoRA próprio com 15-20 imagens suas, ou simplesmente usar inpainting local pra corrigir a região do cabelo pós-geração. Também não espere resultados consistentes com img2img quando o input já tiver cabelo médio. A latent representation de cabelo médio é muito diferente de cabelo curto, e o denoising process simplesmente não consegue "encolher" o cabelo de forma credível. Nesses casos, vá direto pro text2img com um prompt bem detalhado desde o início.

Parâmetros que eu uso no dia a dia

Seed: fixo por sessão, varia só se o resultado precisar de ajuste estrutural
Steps: 28-32 (mais que isso não melhora textura de cabelo, só tempo de render)
CFG: 4.5-5.5 para Realistic Vision, 5-7 para Juggernaut XL
Sampler: DPM++ 2M Karras ou Euler a
Resolution: 512x768 pro SD 1.5, 832x1216 pro SDXL
Hires fix: ligar só se precisar de resolução maior que o nativo, senão perde detalhe fino no cabelo Isso cobre o básico. Se você tiver dúvidas específicas sobre algum modelo ou cenário, deixa nos comentários.