Construyendo un Generador de Fotos Pareadas con ComfyUI y Qwen

Estaba buscando una aplicación o herramienta que permitiera crear una imagen conjunta de dos personas con un control muy específico sobre su composición. El objetivo era tener una interfaz sencilla donde se pudiera subir la foto de una mujer y la de un hombre, seleccionar un lugar y elegir una posición concreta para ambos, antes de generar el resultado final.

Al principio, se identificaron varias plataformas web que intentan cubrir este tipo de necesidades. Herramientas como AI Photo Editor, Mew Design o Pose AI permiten subir dos fotos y generar una escena conjunta con una pose específica.

Sin embargo, el usuario decidió explorar opciones más potentes para ejecutar esta tarea localmente en su hardware. Al investigar sobre ComfyUI y sus nodos, se descubrió que la clave reside en los modelos de IA capaces de manejar múltiples referencias. En concreto, Qwen Image 2.1 ha cambiado el panorama al admitir hasta 10 imágenes de referencia en una sola pasada.

Esto permite un flujo mucho más directo: se pueden cargar las dos fotos de identidad, la foto del escenario y la referencia de la pose directamente como parámetros para el modelo. No es necesario realizar trucos complejos de fusión paso a paso, ya que el modelo puede procesar todas las entradas simultáneamente.

Se exploraron otras herramientas como Fisher Pose, pero se encontró una limitación importante: su modo Free Pose solo funciona para un solo personaje, lo que lo hace inadecuado para este caso de dos personas. También se analizó el control estructural con Union Control, aunque la solución final se decantó por la capacidad de Qwen Image 2.1.

Dada esta arquitectura, la recomendación es construir un flujo de trabajo personalizado en ComfyUI que aproveche estas capacidades nativas del modelo. Con una tarjeta gráfica como una RTX 3090 y el soporte para versiones recientes de ComfyUI, se puede ejecutar todo localmente sin depender de APIs externas.

El resultado final es una herramienta donde las cuatro entradas —identidad A, identidad B, escenario y pose— fluyen directamente hacia el modelo Qwen Image 2.1 Multi-Ref, generando la composición exacta solicitada con un rendimiento optimizado localmente.