Prompts regionales en ComfyUI: separa varios sujetos con Set Area, RegionalPrompt y Cutoff

Preparas una imagen de 1024x768 con una chica de pelo corto y ropa roja a la izquierda, y un chico con chaqueta azul a la derecha. El resultado pone rojo en la chaqueta derecha y azul en el pelo izquierdo; la ropa y los colores de ambos sujetos se contaminan. No es un problema del seed ni de un modelo poco potente. El codificador de texto CLIP lee la frase completa como contexto: en «red hair, blue jacket», red puede desplazarse a jacket y blue a hair. Los nodes de conditioning regional limitan el prompt dentro del espacio latente, pero el embedding conserva el contexto global. Hay tres rutas: regiones de coordenadas nativas con ConditioningSetArea + Combine, vinculación de atributos con Cutoff y muestreo regional por máscara con Impact Pack Regional. Cada una resuelve un problema distinto y tiene sus límites.

Por qué se mezclan los prompts de varios sujetos

CLIP codifica el contexto global

El codificador de texto CLIP de Stable Diffusion no codifica cada palabra de forma independiente, sino que interpreta toda la frase. En «blue hair, yellow eyes», blue puede influir en eyes porque los tokens interactúan al generar el embedding. ConditioningSetArea limita la condición a una región latente, pero el embedding procede del contexto global, por lo que el azul aún puede llegar a los ojos. Los prompts regionales reducen la mezcla espacial, como el rojo izquierdo que afecta a la derecha, pero no impiden la mezcla de atributos a nivel de tokens.

Tres tipos de mezcla

Tipo	Síntoma típico	Solución
Mezcla espacial	La ropa roja izquierda afecta a la derecha; el azul del primer plano afecta al fondo	Conditioning regional (Set Area / RegionalPrompt)
Mezcla de atributos	En «blue hair, yellow eyes», blue afecta a los ojos	Vinculación de atributos (Cutoff)
Identidad inconsistente	El mismo personaje cambia de cara con otro seed	FaceID / LoRA (no se trata aquí)

Tabla de selección: problema → enfoque → herramienta → uso inadecuado

Problema	Enfoque recomendado	Nodes	Uso inadecuado
Separar personajes izquierda-derecha	Regiones de coordenadas nativas	ConditioningSetArea + ConditioningCombine	Máscaras complejas, porque hay que calcular coordenadas
Mezcla de color o ropa	Vinculación de atributos	Cutoff BasePrompt + Set Region + Regions To Conditioning	Regiones por coordenadas; SDXL requiere pruebas porque el README indica resultados débiles con SDXL 0.9
Regiones de máscara complejas	Muestreo regional por máscara	Impact Pack: RegionalPrompt + CombineRegionalPrompts + RegionalSampler	Requiere Impact Pack y puede causar nodes faltantes
Máscaras simples por bloques	Nodes regionales simplificados	Inspire Pack: Regional Conditioning By Color Mask	Depende de Impact Pack o IPAdapter Plus
Pose incorrecta	Control de pose	ControlNet (OpenPose / Canny / Depth)	No resuelve la mezcla de atributos
Identidad inconsistente	Fijación de identidad	FaceID / ReActor / LoRA	No resuelve los prompts regionales

Una combinación útil sigue este orden: prompts regionales para la posición → OpenPose para la pose → conditioning global con strength 0.3-0.5 para unificar el ambiente. Las posiciones de OpenPose, ControlNet o IPAdapter deben alinearse manualmente con las regiones. Los nodes no saben que la persona OpenPose de la izquierda pertenece a la región de prompt izquierda.

Ruta nativa: ConditioningSetArea + Combine

Parámetros de coordenadas

Parámetro	Significado	Unidad	Rango	Nota
x / y	Coordenada superior izquierda	Píxeles	0 - MAX_RESOLUTION	El origen está arriba a la izquierda
width / height	Anchura y altura de la región	Píxeles	64 - MAX_RESOLUTION, paso 8	La UI usa paso 8 porque el código divide entre 8 al escribir en el latent
strength	Peso del conditioning regional	Flotante	0 - 10, valor 1.0	Los pesos de regiones superpuestas se normalizan durante el muestreo

El paso es 8 porque ConditioningSetArea.append() escribe el área latente como (height // 8, width // 8, y // 8, x // 8). Una imagen 512x512 se convierte en 64x64 en el espacio latente, por lo que las coordenadas deben alinearse a múltiplos de 8. ConditioningSetAreaPercentage acepta valores de 0 a 1 si prefieres porcentajes.

Conexión desde el prompt hasta el sampler

Este ejemplo divide un lienzo 1024x768 entre dos sujetos:

Paso 1: región del prompt izquierdo

• Prompt del sujeto izquierdo → CLIP Text Encode (salida conditioning)
• Conditioning → ConditioningSetArea (x=0, y=0, width=512, height=768, strength=1.0)
• Salida del conditioning con datos de región

Paso 2: región del prompt derecho

• Prompt del sujeto derecho → CLIP Text Encode (salida conditioning)
• Conditioning → ConditioningSetArea (x=512, y=0, width=512, height=768, strength=1.0)
• Salida del conditioning con datos de región

Paso 3: combinar conditionings

• Salida Set Area izquierda → ConditioningCombine (entrada 1)
• Salida Set Area derecha → ConditioningCombine (entrada 2)
• Salida Combine → conditioning positive de KSampler

Paso opcional: conditioning global del fondo

• Prompt de fondo → CLIP Text Encode
• Conditioning → ConditioningSetArea (x=0, y=0, width=1024, height=768, strength=0.3-0.5)
• Combinar con los conditionings regionales a baja strength para unificar el ambiente

Punto clave: strength no es «opacidad», sino el peso de la predicción de ruido. Cuando las regiones se superponen, los pesos se normalizan antes del muestreo, por lo que no necesitas calcular el total.

Regiones superpuestas y ajuste de strength

Cuando las regiones se superponen, strength controla la mezcla de sus conditionings. El muestreo normaliza los pesos automáticamente. Un buen inicio es strength=1.0 para sujetos en primer plano y strength=0.3-0.5 para el fondo global. Reducir el fondo limita la interferencia, pero no la elimina: colores contradictorios en los prompts aún pueden interactuar por el contexto global de CLIP.

Vinculación de atributos: Cutoff

Cuándo usarlo y cómo funciona

El caso típico es blue influyendo en eyes dentro de «blue hair, yellow eyes», porque CLIP codifica toda la frase. Cutoff intenta limitar un atributo a una parte concreta del prompt. Oculta los target tokens, regenera el embedding y usa la dirección resultante para aislar mejor las relaciones entre atributos.

Cutoff no es un prompt regional basado en coordenadas. Trata relaciones entre tokens, no posiciones. Sus nodes son Cutoff BasePrompt, Cutoff Set Region, Cutoff Regions To Conditioning y Cutoff Regions To Conditioning (ADV), bajo conditioning > cutoff.

Advertencia para SDXL: el README informa resultados pobres con SDXL 0.9. Las versiones actuales de SDXL o FLUX necesitan pruebas; Cutoff no es una solución universal estable.

Instalación y uso

Instalación:

• Busca ComfyUI_Cutoff en ComfyUI-Manager
• O clona git clone https://github.com/BlenderNeko/ComfyUI_Cutoff dentro de custom_nodes
• Reinicia ComfyUI después de instalar

Flujo básico:

• Introduce el prompt completo en BasePrompt, por ejemplo «blue hair, yellow eyes»
• Define la vinculación en Set Region, por ejemplo «blue» con «hair»
• Genera conditioning con Regions To Conditioning
• Pasa ese conditioning por Set Area si también necesitas limitar la posición

Límites y precauciones

Cutoff no sirve para dividir por coordenadas. Vincula atributos de tokens, pero no coloca «ropa roja a la izquierda y ropa azul a la derecha». Para resolver ambos problemas, vincula primero los atributos con Cutoff y limita después la región con Set Area.

Su efecto con SDXL es incierto. El README menciona resultados débiles con SDXL 0.9 y las versiones actuales requieren pruebas. Si usas principalmente SDXL, prueba Cutoff con un ejemplo de colores sencillo antes de depender de él.

Muestreo regional por máscara: Impact Pack Regional

Nodes RegionalPrompt y RegionalSampler

Node	Entrada	Salida	Función
RegionalPrompt	mask + advanced_sampler + variation_seed/strength/method	REGIONAL_PROMPTS	Vincula una máscara a un sampler y crea un prompt regional
CombineRegionalPrompts	Varios REGIONAL_PROMPTS	REGIONAL_PROMPTS	Combina varios prompts regionales
RegionalSampler	base_sampler + REGIONAL_PROMPTS + overlap_factor + restore_latent	latent	Aplica muestreo a las regiones en cada paso
RegionalSamplerAdvanced	Entradas de RegionalSampler + control de pasos	latent	Controla por pasos en vez de denoise

Parámetros:

• overlap_factor: controla el rango de transición fuera de la región
• restore_latent: restaura el base latent fuera de la máscara durante el muestreo regional para reducir ruido extra

RegionalSampler aplica muestreo regional en cada paso. En cambio, TwoSamplersForMask realiza muestreo global y después combina por máscara. El primero ofrece control más fino del proceso de cada región.

Instalación y solución de problemas

Instalación:

• Busca ComfyUI Impact Pack en ComfyUI-Manager
• Reinicia ComfyUI y actualiza el navegador después de instalar

Problemas comunes:

• Node rojo o faltante → importar workflows e instalar nodes faltantes
• Error de dependencias de Python → consulta el futuro artículo sobre solución de problemas y mantenimiento de ComfyUI

Ruta simplificada: Inspire Pack Regional Conditioning (opcional)

Si no quieres calcular coordenadas de Set Area, una máscara de bloques de color simplifica el flujo. Inspire Pack ofrece:

Node	Función
Regional Prompt Simple (Inspire)	Entrada simplificada de prompt regional
Regional Prompt By Color Mask (Inspire)	Define regiones con una máscara por colores
Regional Conditioning Simple (Inspire)	Conditioning regional simplificado
Regional Conditioning By Color Mask (Inspire)	Define regiones de conditioning por colores
Regional IPAdapter Mask / By Color Mask / Encoded Mask	Nodes regionales relacionados con IPAdapter

Algunos nodes dependen de Impact Pack o IPAdapter Plus. Revisa las dependencias del README antes de usarlos.

Esta ruta encaja cuando ya tienes una máscara por bloques, como rojo a la izquierda y azul a la derecha, y quieres evitar cálculos manuales de píxeles.

Límites de combinación y riesgos del segundo pase

Combinación con ControlNet, IPAdapter y LoRA

Herramienta	Qué controla	Qué no resuelve
Prompt regional (Set Area / Regional)	Posición y asignación del prompt	Consistencia de identidad; mezcla de atributos, que Set Area no resuelve
ControlNet (OpenPose / Canny / Depth)	Pose y estructura	Mezcla de atributos; asignación de posición
IPAdapter	Influencia de una imagen de referencia en estilo o composición	Aislamiento regional; identidad fija, porque IPAdapter influye en el estilo general
FaceID / LoRA	Consistencia de identidad o estilo	Prompts regionales; mezcla de atributos

El orden práctico es: prompts regionales para la posición → OpenPose para la pose → conditioning global débil para un ambiente común. Debes alinear manualmente OpenPose, ControlNet o IPAdapter con las regiones; no pueden vincular automáticamente «la persona de la izquierda».

Mezcla de colores en el segundo pase, upscale o inpaint

Si el segundo pase, upscale o reparación facial omite el conditioning regional, el modelo puede buscar otra vez consistencia global y mezclar colores de pelo o ropa separados en la primera fase. El ejemplo Area Composition advierte que los colores de pelo pueden unirse si el segundo pase no incluye un prompt regional.

Decide si los pases posteriores deben conservar el conditioning regional o si un Inpaint local es mejor. Si el primer pase usó Set Area, considera redefinir las regiones durante el upscale para que la consistencia global no destruya la separación.

Siguientes pasos y lecturas relacionadas

Los prompts regionales son solo una parte de una composición con varios sujetos. El control de pose, la consistencia de identidad, las imágenes de referencia y la reparación en alta resolución necesitan otras herramientas.

Publicados:

• Importar workflows e instalar nodes faltantes: resuelve la instalación de custom nodes y los nodes ausentes
• Plantillas de prompt para Stable Diffusion: bases para casos donde un prompt no describe bien varios sujetos
• Guía de ComfyUI ControlNet: controla pose y estructura junto con el posicionamiento regional
• Guía de ComfyUI LoRA: mantiene personajes o estilos y distingue mezcla multi-LoRA de mezcla de prompts regionales

Otros artículos cubrirán IPAdapter, FaceID y consistencia facial, entrenamiento de LoRA, reparación en alta resolución e Inpainting. Combinadas con prompts regionales, estas herramientas reducen la incertidumbre en escenas con varios sujetos.