Stable Diffusion 3
Stability AI · Imagen
Stable Diffusion 3 es el modelo texto a imagen de pesos abiertos de Stability AI, pensado para escenas con varios sujetos y texto legible dentro de la imagen.
Acerca de Stable Diffusion 3
About
Qué es Stable Diffusion 3
Stable Diffusion 3 es un modelo texto a imagen de pesos abiertos creado por Stability AI. Le das un enunciado escrito y devuelve una imagen. El trabajo se parece al de Midjourney o DALL·E, con una diferencia que decide la compra en muchas empresas: los pesos se descargan, así que el modelo corre en hardware que tú controlas.
Stability presentó la familia SD3 en febrero de 2024 y abrió la versión Medium en junio del mismo año. Medium tiene 2.000 millones de parámetros. Las variantes de 8.000 millones se quedaron en el acceso de pago de sus propias aplicaciones y de su API. Por dentro, el modelo combina un Transformer de difusión multimodal (MMDiT) con un VAE de 16 canales: el texto y los parches de imagen se procesan juntos, en lugar de acoplar un lector de texto a un generador de imágenes.
La mejora frente a versiones anteriores de Stable Diffusion se nota en la fidelidad al enunciado. Las escenas con mucha gente se sostienen, las manos y los objetos pequeños fallan menos, y las cadenas cortas de texto dentro de la imagen suelen salir legibles. Ese último punto arrastró hacia SD3 buena parte del trabajo de carteles y maquetas.
Un límite conviene tenerlo claro desde el principio. Stability retiró los endpoints de SD3 de su propia API en abril de 2025 y trasladó a los usuarios a Stable Diffusion 3.5. Los pesos siguen en Hugging Face y hay proveedores externos que sirven el modelo, pero quien planifique sobre la API oficial de Stability trabaja hoy, en la práctica, con 3.5.
Cómo empezar
- Crea una cuenta en Hugging Face, acepta la licencia en la página de stable-diffusion-3-medium y descarga los pesos o instala la versión de diffusers.
- Elige un entorno. ComfyUI va bien para flujos con nodos, Automatic1111 para quien prefiere formularios, y la librería diffusers para scripts en Python y trabajos por lotes.
- Carga el modelo a unos 1024x1024 y escribe el enunciado como una frase descriptiva. SD3 responde mejor a una frase sobre la escena que a una lista de etiquetas separadas por comas.
- Fija una semilla, genera un lote pequeño y corrige en el enunciado lo que haya salido mal en vez de repetir a ciegas. Guarda los ajustes que funcionaron para poder reproducir el mismo aspecto.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Stable Diffusion 3.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Ilustradores y artistas de concepto
- Estudios con cláusulas de confidencialidad
- Desarrolladores que añaden imágenes a una aplicación
- Aficionados que quieren entender cómo funciona la difusión
Tareas
- Carteles y maquetas de envase
- Bocetos de escenas con varios elementos
- Exploración de estilo antes de un rodaje
- Producción de recursos en serie para juegos y apps
Casos de uso
- Trabajo de estudio bajo acuerdo de confidencialidad
- Equipos que ya trabajan en ComfyUI
- Investigación sobre modelos de imagen
Funciones clave
Arquitectura MMDiT
SD3 reparte la atención entre los tokens de texto y los de imagen en cada bloque, en vez de comprimir el enunciado en un solo vector. El resultado es un mejor seguimiento de instrucciones largas y concretas. Si el enunciado nombra un sujeto, un material y una condición de luz, lo normal es que respete los tres.
Texto legible dentro de la imagen
Las palabras cortas y las etiquetas salen legibles muchas más veces que en SDXL. Los titulares de cartel, los rótulos de tienda y los textos de envase ya son objetivos realistas. Los párrafos largos siguen rompiéndose, así que conviene limitar el texto a unas pocas palabras.
Precisión en escenas cargadas
El modelo maneja varios sujetos sin fundirlos en una masa. Un enunciado que pide dos personas dándose la mano en una cocina con un gato sobre la encimera suele producir todo eso, más o menos en su sitio. La composición todavía se desvía, y una segunda pasada con inpainting lo arregla.
Versión Medium de 2.000 millones de parámetros
Medium es lo bastante pequeño para correr en una sola GPU de consumo y sigue dando resultados de calidad a 1024x1024. Esa combinación lo convirtió en la descarga predeterminada de SD3 para particulares, mientras las versiones de 8.000 millones quedaron tras el acceso de pago.
Pesos abiertos y ajuste fino
Los pesos completos están en Hugging Face y la librería diffusers los carga en unas pocas líneas de Python. El entrenamiento de LoRA, los adaptadores ControlNet y los planificadores personalizados funcionan, y así es como un estudio construye un aspecto coherente sobre el modelo base.
Relaciones de aspecto flexibles
SD3 se entrenó en torno a un megapíxel, así que 1024x1024, 1344x768 y 768x1344 caen dentro de su zona cómoda. Los encuadres verticales y horizontales no necesitan recorte posterior, y la composición se mantiene estable en esas formas.
Ventajas y desventajas
Ventajas
- Los pesos abiertos eliminan la tarifa por imagen, la cola y el filtro de contenido entre tú y el resultado cuando el modelo está en local.
- El renderizado de texto da un salto real, y eso quita un paso de limpieza tedioso del trabajo de carteles y envases.
- Los enunciados con varios sujetos mantienen la estructura, así que los bocetos de escenas complejas necesitan menos intentos.
- La versión Stable Diffusion 3 Medium corre en una GPU de consumo y las herramientas que la rodean (ComfyUI, diffusers, LoRA) están maduras.
Desventajas
- Stability retiró los endpoints de la API de SD3 en abril de 2025, así que la vía oficial alojada sirve hoy 3.5. Quien necesite una API de primera parte actual debe planificar con eso en mente.
- El modelo de 2.000 millones se queda atrás frente a los modelos insignia en detalle fino y fotorealismo, sobre todo en textura de piel y rostros lejanos.
- Ejecutarlo en local implica asumir el coste del hardware, las actualizaciones de controladores y los archivos del modelo, y para un equipo pequeño eso es trabajo real.
- El tramo gratuito de la Community License se corta en 1 millón de dólares de ingresos anuales, así que un negocio en crecimiento acabará necesitando una licencia enterprise de pago.
Preguntas frecuentes
Los pesos se descargan sin coste y la Community License cubre investigación y uso comercial para organizaciones por debajo de 1 millón de dólares de ingresos anuales. Por encima de esa cifra hace falta una licencia enterprise de Stability AI. Las llamadas a una API alojada se facturan por imagen según el proveedor que elijas.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Stable Diffusion 3.
Alternativas a Stable Diffusion 3
Google EmbeddingGemma 2
Google DeepMind · Escritura · Imagen · ProgramaciónGoogle EmbeddingGemma 2 es un modelo abierto de 740 millones de parámetros que convierte texto, código, imágenes, audio y fotogramas de vídeo en vectores de un mismo espacio de 768 dimensiones, y funciona en móviles y portátiles.
Tractionwave
TractionWave · Imagen · MarketingTractionWave genera mapas de calor de atención con IA para anuncios estáticos. Subes un PNG o JPG y obtienes la atención prevista, puntos calientes ordenados y correcciones antes de invertir presupuesto.
Imejis.io
Imejis.io · Imagen · MarketingImejis.io es un estudio de diseño con IA para agentes y equipos de marketing. Describes una imagen con tus palabras y la herramienta escribe el texto, arma la maqueta, la adapta a cada tamaño y exporta el archivo final.