文章から画像を生成するAI――何を作れ、何を示せないのか

「最高」の画像生成ツール一覧は簡単に公開できるが、誠実な内容を保つのは難しい。モデル、価格、インターフェースは急速に変わる。長く残る問いはもっと単純だ。最初の印象的な一枚を、画像、その出所、その影響を制御できることと取り違えずに、どうツールを選べばよいのか。

文章から画像を生成するツールとは何か

光景、着想、視覚的な方向性を言葉で記述する。モデルは、視覚資料と言語資料から学んだパターンを通じてその言葉を解釈し、要求の推定に合う画像を作る。結果は有用で、驚きをもたらすこともある。それでも、学習資料、モデル、インターフェース、周囲の初期設定によって形づくられた、構成された提案である。

生成画像は、優れたスケッチ、ムードボード、イラストになりうる。しかし、それだけでは、描かれた人物、場所、出来事がその形で実在した証拠にはならない。

よく知られた四つの名前、四種類のトレードオフ

Midjourney、DALL·E、Stable Diffusion、Leonardo AIは、それぞれ異なる製品と作業方法を代表するため、参考になる例である。これは恒久的な順位ではない。バージョン、利用条件、価格、制御機能は変わるため、古い勝者一覧を信じるのではなく、自分が必要とする作業に照らして比較すべきだ。

Midjourney

Midjourneyは、視覚的な方向性やバリエーションを素早く探るためによく使われる。最初の鮮烈な結果だけで判断してはならない。構図を保てるか、細部を正確に変更できるか、被写体の一貫性を維持できるか、各版の間で何が起きたかを説明できるかを見る。

DALL·E

DALL·Eは、言語インターフェースから画像制作へいかに自然に移れるかを示す。流暢な指示と洗練された結果は理解しているように感じさせるが、同じものではない。画像の出所、使用した制御手段、それによって裏付けようとする主張を確認する。

Stable Diffusion

Stable Diffusionは、一つの体験ではなく、モデル群や作業方法の総称となりうる。ホスティング型とローカル型では、モデル、設定、拡張機能、依存関係が異なる場合がある。他の人が結果を再現または検証する必要があるなら、その詳細を記録する。

Leonardo AI

Leonardo AIは、画像生成を便利な制作工程としてまとめている。結果を製品、キャンペーン、出版物に使う前に、保持方針、エクスポート、来歴、後から誰が画像を訂正できるかを確認する。

五つの問いで生成ツールを比較する

1. どれだけ制御を保てるか

画像全体を捨てずに一部分だけ編集できるか。構図、被写体、視覚的な判断を保てるか。意味のある修正のたびに最初からやり直す必要があるなら、美しい初回結果の価値は下がる。

2. 来歴について何が分かるか

サービスが示すモデル、情報源の文脈、プロンプト、設定、変換内容を確認する。ラベルだけですべての権利問題に答えることはできないが、記録がなければ、次に見る人には目の前のものを妥当に判断する手段が残らない。

3. 初期設定を確認し、異議を唱えられるか

どのシステムにも初期設定がある。どの人物や場所を描きやすいか、どの様式を普通と見なすか、何を拒み、何を省くか。有用なツールは、滑らかなインターフェースの裏に境界を隠すのではなく、利用者がそれに気づけるようにする。

4. 成果物を持ち出せるか

必要な解像度でダウンロードできるか、プロンプトと設定を保存できるか、別のツールへ移せるかを確認する。可搬性は時間を守り、制作工程が見えないサブスクリプション依存へ変わるのを防ぐ。

5. 本当の費用はいくらか

処理時間、後処理、プライバシー、保存、ライセンスの不確実性、出力確認に必要な注意力も含めて考える。公開後にチームが誤解を招く画像を修復しなければならないなら、安価な生成は高くつく。

生成画像が不適切な道具となる場合

実在する人物、場所、出来事、物理的状態を記録するための画像なら、写真や別の検証可能な情報源から始める。生成画像は、記録らしい視覚表現を模倣できても、その背後の出来事を保存してはいない。創作のための道具に、担えない証拠上の責任を負わせてはならない。

これは想像力を否定する議論ではない。イラスト、コンセプト制作、視覚実験には価値がある。画像に依存する人々が、創作と記録を見分けられるようにしておくべきだ。

人間が主導する、実行可能な手順

ブランドではなく、作業から始める。画像が伝えるべきこと、真実でなければならないこと、創作してよいことを書き出す。プロンプト、モデルまたはサービス、設定、出力、重要な編集をまとめて保存する。そのうえで、画像が証拠の許す範囲を超える主張をしていないか、人が確認する。

区別が重要な場合は、合成画像であることを明記する。原資料へ戻る経路と、公的記録を訂正する方法を残す。システムは選択肢を広げられるが、最終画像に結び付けられた主張には人が責任を負わなければならない。

なぜ今、重要なのか

画像は、検索、ニュース、教室、職場、個人的な会話を、多くの人が検証できる速度より速く移動する。緊急の問いは、どの製品が機能競争に勝つかではない。画像生成システムが、人々に何を見ているのかを理解させ、その限界を知らせ、誤解を招いたときに記録を訂正できるようにするかである。

ここから先へ

生成システムが何を理解でき、何を理解できないかという広い問いについては、生成AIガイドを読んでほしい。プロンプトが理解ではなく指示である理由をさらに詳しく知るには、Lu Hengの現実の層と象徴的権力についてのノートを参照してほしい。新しい文章から画像を生成するAIの読者向けガイドでは、同じ方法を実際の比較へ広げている。作業から始め、記録を残し、自分により大きな主体性を残すツールを選ぶという方法である。