Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Prompt visivi avanzati: composizione, illuminazione, prospettiva

Lezione 9 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Prompt visivi avanzati: composizione, illuminazione, prospettiva
  2. Anatomia di un prompt visivo professionale
  3. Padroneggiare la composizione
  4. Padroneggiare l’illuminazione
  5. Padroneggiare la prospettiva
  6. Un generatore di prompt riutilizzabile

Aggiornamento 2 novembre 2026 — modelli immagine. gpt-image-1, per il quale questo corso era stato originariamente scritto, è stato dismesso il 23 ottobre 2026, mentre gpt-image-1.5, gpt-image-1-mini e chatgpt-image-latest verranno ritirati il 1° dicembre 2026. Gli esempi ora utilizzano gpt-image-2.5-sunburst, il modello più preciso per l’editing; gpt-image-2.5-flare è invece più veloce per la generazione standard. Entrambi supportano anche le impostazioni di qualità xhigh e max. I modelli GPT Image restituiscono sempre le immagini in base64: il parametro response_format dei vecchi modelli DALL·E non è più accettato ed è stato rimosso dal codice. Fonte: Image generation (OpenAI).

Prompt visivi avanzati: composizione, illuminazione, prospettiva

Un prompt ben strutturato è ciò che separa un’immagine discreta da una di qualità professionale. La leva non è la lunghezza, ma il vocabolario. GPT Image comprende la terminologia della fotografia, del cinema e delle arti visive. Parlare questa lingua equivale a dare indicazioni a un direttore della fotografia invece che esprimere un desiderio. Questa lezione ti insegna proprio quel vocabolario e come organizzarlo.

Anatomia di un prompt visivo professionale

Un prompt avanzato si scompone in livelli, ognuno dei quali risponde a una domanda distinta: chi o cosa, disposto come, illuminato come, visto da dove, in quale registro, con quali caratteristiche ottiche. Nominare esplicitamente questi livelli nel testo del prompt — «Subject: … Composition: … Lighting: …» — aiuta il modello a evitare di mescolare i registri. L’esempio seguente descrive un architetto nel suo studio: il soggetto occupa il terzo sinistro secondo la regola dei terzi, la luce proviene lateralmente da grandi finestre, la fotocamera è a un’angolazione leggermente bassa con una lunghezza focale di 35 mm, il registro è quello della fotografia documentaria editoriale con toni caldi desaturati, e la profondità di campo lascia lo sfondo in un leggero bokeh. Ciascuna di queste sei frasi rimuove una libertà che il modello altrimenti eserciterebbe a caso.

from openai import OpenAI
import base64

client = OpenAI()

def prompt_multicouche(
    sujet: str,
    composition: str,
    eclairage: str,
    perspective: str,
    style: str,
    details_techniques: str,
    output: str
):
    """Costruisce un prompt multilivello per il massimo controllo."""
    prompt = (
        f"Subject: {sujet}. "
        f"Composition: {composition}. "
        f"Lighting: {eclairage}. "
        f"Perspective: {perspective}. "
        f"Style: {style}. "
        f"Technical details: {details_techniques}."
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Advanced image: {output}")
    return prompt


prompt_utilise = prompt_multicouche(
    sujet="Architect working on blueprints in a bright studio",
    composition="Rule of thirds, subject at left third, depth with multiple planes",
    eclairage="Lateral natural light from large windows, soft shadows",
    perspective="Slightly low angle (subtle low-angle shot), 35mm focal length",
    style="Editorial documentary photography, warm desaturated tones",
    details_techniques="Medium depth of field, sharp foreground, light background bokeh",
    output="architecte_atelier.png"
)

Padroneggiare la composizione

La composizione determina come l’occhio viaggia attraverso un’immagine e tu la controlli nominando regole che il modello riconosce.

Regole di composizione classiche

Il dizionario seguente raccoglie cinque grandi famiglie compositive e le applica a un soggetto volutamente identico — un faro isolato su una scogliera bretone — affinché il confronto si concentri esclusivamente sulla messa in scena. La regola dei terzi posiziona il faro all’intersezione delle linee di forza e produce l’immagine più «naturale»; la simmetria alla Wes Anderson centra l’asse verticale e aggiunge un riflesso nell’acqua; la diagonale crea tensione dall’angolo in basso a sinistra verso quello in alto a destra; la cornice nella cornice ti fa osservare il faro attraverso un arco o una finestra, creando immediata profondità; infine, la composizione minimalista riduce il faro a un minuscolo punto in un vasto spazio negativo, trasformando il soggetto in un pretesto. Cinque immagini dello stesso faro, cinque affermazioni diverse.

from openai import OpenAI
import base64

client = OpenAI()

compositions = {
    "regle_des_tiers": (
        "Rule of thirds composition, subject positioned at the intersection "
        "of power lines (right third, bottom third)"
    ),
    "symetrie": (
        "Perfectly symmetrical composition, central vertical axis, "
        "reflections in water, Wes Anderson style"
    ),
    "diagonale": (
        "Dynamic diagonal composition, power line from "
        "bottom-left corner to top-right corner"
    ),
    "cadre_dans_cadre": (
        "Frame within a frame: subject viewed through an arch, "
        "a window, or a natural framing"
    ),
    "minimaliste": (
        "Minimalist composition, huge negative space, "
        "small isolated subject in a vast environment"
    ),
}

sujet_base = "An isolated lighthouse on a Breton cliff facing the sea"

for nom, composition in compositions.items():
    prompt = f"{sujet_base}, {composition}, landscape photography"

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",
        quality="high",
    )

    path = f"composition_{nom}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Composition {nom} → {path}")

Piani e profondità

La profondità non si richiede in blocco; si costruisce piano per piano. Il prompt seguente descrive un mercato provenzale assegnando esplicitamente contenuto e nitidezza a ciascuno dei tre piani: saponi e lavanda in primo piano, perfettamente nitidi; il venditore e il suo cliente nel piano intermedio, leggermente sfocati; facciate in pietra dorata e platini sullo sfondo, con bokeh pronunciato. La menzione finale di un obiettivo da 50 mm aperto a f/1.8 conferma solo otticamente ciò che la descrizione ha già stabilito: ed è proprio questa ridondanza intenzionale a rendere il risultato affidabile.

from openai import OpenAI
import base64

client = OpenAI()

prompt_profondeur = (
    "Provençal market scene with three distinct planes: "
    "sharp foreground—display of lavender and artisanal soaps, "
    "middle ground—vendor and customer in conversation, slight blur, "
    "background—golden stone facades and plane trees, pronounced bokeh. "
    "Photography with 50mm f/1.8 lens, shallow depth of field."
)

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=prompt_profondeur,
    size="1536x1024",
    quality="high",
)

data = base64.b64decode(response.data[0].b64_json)
with open("marche_profondeur.png", "wb") as f:
    f.write(data)

Padroneggiare l’illuminazione

L’illuminazione è lo strumento più potente per creare atmosfera e il più economico in termini di personaggi impiegati. Sei setup coprono la maggior parte delle esigenze e il ciclo seguente li applica tutti allo stesso ritratto di un violinista concentrato. L’illuminazione Rembrandt, con la sua singola fonte a 45 gradi e il suo triangolo di luce sulla guancia opposta, dona il classico ritratto da studio. La controluce (rim light) posiziona la fonte dietro il soggetto e mantiene solo l’alone del contorno, producendo un’immagine a silhouette. L’illuminazione split taglia il volto in due metà, una illuminata e l’altra in ombra, spostando immediatamente il registro verso il cinematografico. La golden hour porta una luce radente dorata e il suo nostalgico lens flare, i neon urbani introducono fonti rosa e ciano riflesse su superfici bagnate, mentre lo studio high-key offre un’uniformità senza ombre e uno sfondo bianco commerciale. Lo stesso soggetto diventa di volta in volta intimo, misterioso o pronto per la pubblicità.

from openai import OpenAI
import base64

client = OpenAI()

eclairages_avances = {
    "rembrandt": (
        "Rembrandt lighting: single source at 45 degrees, triangular highlight "
        "on opposite cheek, deep dramatic shadows"
    ),
    "rim_light": (
        "Backlighting (rim light): silhouette outlined by a luminous halo, "
        "source directly behind subject, details in shadows"
    ),
    "split": (
        "Split lighting: half face lit, half in shadow, "
        "clear separation, mysterious cinematic atmosphere"
    ),
    "golden_hour": (
        "Golden hour: raking golden light, long warm shadows, "
        "subtle lens flare, soft nostalgic atmosphere"
    ),
    "neon": (
        "Urban neon lighting: multiple pink and cyan sources, "
        "reflections on wet surfaces, nocturnal cyberpunk atmosphere"
    ),
    "studio_high_key": (
        "High-key studio: uniformly bright lighting, minimal shadows, "
        "white background, clean commercial atmosphere"
    ),
}

sujet = "Portrait of a focused violinist"

for nom, eclairage in eclairages_avances.items():
    prompt = f"{sujet}, {eclairage}"

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536",
        quality="high",
    )

    path = f"eclairage_{nom}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Lighting {nom} → {path}")

Padroneggiare la prospettiva

La prospettiva influenza il modo in cui lo spettatore percepisce il soggetto e il suo effetto è quasi sempre psicologico prima che estetico. Una ripresa dall’alto (plongée) guarda verso il basso la scena e sminuisce ciò che osserva; una ripresa dal basso (contre-plongée), con la fotocamera a livello del suolo, ingrandisce il soggetto e gli conferisce potere; una vista aerea perfettamente verticale abolisce il volume e trasforma la realtà in un motivo grafico; la vista «worm’s-eye» spinge la ripresa dal basso all’estremo, facendo convergere tutte le linee di fuga verso il cielo; infine, una vista all’altezza degli occhi con una lunghezza focale di 50 mm riproduce la visione umana e scompare a favore del soggetto. Su grattacieli in vetro e acciaio, la differenza tra queste cinque immagini non risiede nell’edificio, ma nella relazione che stabiliscono con esso. Nota che il ciclo passa al formato verticale per le due riprese dal basso, perché una inquadratura dal basso di un edificio ha bisogno di altezza per respirare.

from openai import OpenAI
import base64

client = OpenAI()

perspectives = {
    "plongee": (
        "High-angle view (top-down), camera overlooking the scene, "
        "domination effect, subject viewed from above at 45 degrees"
    ),
    "contre_plongee": (
        "Low-angle view (bottom-up), camera at ground level looking up, "
        "effect of grandeur and power"
    ),
    "aerienne": (
        "Drone aerial view, perfectly vertical (90 degrees), "
        "graphic composition, textures and patterns visible from above"
    ),
    "worm_eye": (
        "Worm's-eye view, camera placed on ground, extreme perspective "
        "with vanishing lines converging toward the sky"
    ),
    "eye_level": (
        "Eye-level view, natural and immersive, "
        "50mm focal length, like human vision"
    ),
}

sujet = "Modern glass and steel skyscrapers"

for nom, perspective in perspectives.items():
    prompt = f"{sujet}, {perspective}, architectural photography"

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536" if nom in ["contre_plongee", "worm_eye"] else "1536x1024",
        quality="high",
    )

    path = f"perspective_{nom}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Perspective {nom} → {path}")

Un generatore di prompt riutilizzabile

Concatenare a mano sette livelli in ogni script prima o poi ti porterà a dimenticarne uno o a scambiarne due. La classe PromptBuilder risolve il problema esponendo un metodo per livello e restituendo self a ogni chiamata, permettendoti di concatenare le impostazioni in un ordine leggibile e di specificarne solo alcune. Il metodo build() assembla quindi il soggetto e i livelli popolati in un testo pronto da passare a client.images.generate(). L’esempio del caffè sul mare implementa tutti e sette i livelli disponibili — composizione, illuminazione, prospettiva, stile, colori, atmosfera, tecnica — e produce un prompt che nessuna improvvisazione potrebbe rendere così completo.

class PromptBuilder:
    """Builder per prompt visivi strutturati."""

    def __init__(self, sujet: str):
        self.sujet = sujet
        self.layers = {}

    def composition(self, desc: str):
        self.layers["composition"] = desc
        return self

    def eclairage(self, desc: str):
        self.layers["lighting"] = desc
        return self

    def perspective(self, desc: str):
        self.layers["perspective"] = desc
        return self

    def style(self, desc: str):
        self.layers["style"] = desc
        return self

    def couleurs(self, desc: str):
        self.layers["color palette"] = desc
        return self

    def atmosphere(self, desc: str):
        self.layers["atmosphere"] = desc
        return self

    def technique(self, desc: str):
        self.layers["technique"] = desc
        return self

    def build(self) -> str:
        parts = [self.sujet]
        for key, value in self.layers.items():
            parts.append(f"{key}: {value}")
        return ". ".join(parts)


# Utilizzo
prompt = (
    PromptBuilder("Artisanal seaside café, terrace with umbrellas")
    .composition("Rule of thirds, terrace in foreground, sea at horizon")
    .eclairage("Late afternoon, raking golden light, long shadows")
    .perspective("Slight high angle, 28mm wide-angle focal length")
    .style("Lifestyle photography, warm tones, analog film")
    .couleurs("Terracotta, Mediterranean blue, off-white, olive green")
    .atmosphere("Relaxed and Mediterranean, sea breeze")
    .technique("Deep depth of field, sharp from foreground to infinity")
    .build()
)

print(prompt)
# Usa questo prompt con client.images.generate()

Ora prendi possesso di questo toolkit su un singolo soggetto impegnativo: una vecchia biblioteca. Produci cinque immagini con il PromptBuilder, variando sistematicamente composizione, illuminazione e prospettiva, quindi raccoglile in un catalogo HTML. Vedere le cinque immagini affiancate è il modo in cui imparerai quale di questi livelli conta di più nella tua pratica.