テキスト・トゥ・イメージ
テキスト・トゥ・イメージとは？
テキスト・トゥ・イメージのAIは、書かれた記述を生成画像に変えます。見たいものを言葉で記述すると、AIがその記述に合ったビジュアルを制作します。
ひと目で分かる
- 別名
- T2Iテキスト・トゥ・イメージ生成プロンプト・トゥ・イメージAI画像生成
- 用途
- 書かれた記述からのオリジナル画像の生成映画やメディア制作のためのコンセプトアートとビジュアル開発写真撮影なしでのマーケティング・コマーシャル画像の作成迅速なビジュアル探索とクリエイティブな発想
- 主なツール
- MidjourneyStable diffusion (AUTOMATIC1111, ComfyUI)Dall·e 3 (ChatGPT integration)Adobe fireflyIdeogramMorphic
- 関連用語
- Diffusion modelPrompt engineeringNegative promptText-to-videoImage-to-imageGuidance scale
- How it works in simple terms
- AIは書かれたプロンプトをその意味の数学的表現に変換し、その表現を使って、ランダムノイズから始めて記述に合った一貫した画像へと段階的に形作る画像構築プロセスをガイドします。
- Where you encounter this
- テキスト・トゥ・イメージ生成は、MidjourneyやStable DiffusionのようなAIアート専用プラットフォーム、Photoshop内のAdobe Fireflyのような統合クリエイティブツール、DALL·Eを備えたChatGPTのような消費者向け製品、Morphicのようなプロの制作プラットフォームで見られます。これは最も普及しアクセスしやすいAI生成の形態です。
創ってみませんか？
シーンを演出し、キャラクターをデザインし、長編映像まで仕上げる
シンプルで透明性の高い料金体系、速度制限なし、無限のCanvasで創造性を最大化する、オールインワンのAIクリエイティブプラットフォーム。
他の概念との比較
Compared with related concepts
テキスト・トゥ・イメージとイメージ・トゥ・イメージの生成は、制御と自由のスペクトラム上の異なる地点を表す補完的なワークフローです。テキスト・トゥ・イメージは何もないところ（純粋なプロンプトとモデルのデフォルト）から始まり、最大限のクリエイティブな自由を提供しますが、同時に最大限の予測不可能性も伴います。イメージ・トゥ・イメージは既存のビジュアル構造（写真、スケッチ、過去の生成物）から始まり、それを構図のアンカーとして使いつつ、プロンプトが変換をガイドします。テキスト・トゥ・イメージは、特定のビジュアル構造が不要なときのオープンな探索に向いています。イメージ・トゥ・イメージは、構造的な制御が必要なとき、または強い出発点を反復したいときに向いています。
たとえば…
テキスト・トゥ・イメージ生成は、これまで作られたあらゆる画像を研究してきた、並外れて多作なアーティストに絵を依頼するようなものです。望むものを記述すると、彼らはすぐにバージョンを制作します。ただし、結果の品質と正確さは、ブリーフであなたのビジョンをどれだけ精密かつ包括的に伝えたかに完全に依存します。
プロのヒント
テキスト・トゥ・イメージのプロンプトは階層的に構成しましょう。まず主要な被写体とその最も重要なビジュアル特性から始め、次に構図情報（フレーミング、アングル、距離）を続け、それから設定と環境、次にライティングの質と方向、次にスタイルと媒体、最後にムードや感情のトーンを加えます。この階層的なアプローチは、生成モデルがプロンプト情報を処理する方法を反映しており、相対的な重要性のガイドなしにモデルが重み付けしなければならない、差別化されていない記述子のリストよりも、確実に整合性のある結果を生みます。
種類とバリエーション
拡散モデルのテキスト・トゥ・イメージ生成は、プロンプト条件付けによってガイドされる反復的なノイズ除去を使ってノイズから画像を制作します。これはStable Diffusion、DALL·E 3、Midjourney、そして現代のほとんどの生成ツールが用いる主流のアプローチです。自己回帰型のテキスト・トゥ・イメージ生成は、言語モデルがテキストを生成するのと似た方法で、画像をトークンごとに制作します。GANベースのテキスト・トゥ・イメージ生成は、テキストと画像のペアで訓練された敵対的生成ネットワークを使うもので、拡散モデルに大きく取って代わられた初期のアプローチです。フローベースのモデルは、拡散のノイズ除去ではなく、学習された可逆変換を通じて画像を制作する新興のアプローチです。ハイブリッドアーキテクチャは、複数のアプローチの要素を組み合わせて、それぞれの強みを活かします。
Morphicで最初のシーンを作ってみませんか？
Morphicを試す主な活用シーン
テキスト・トゥ・イメージ生成は、映画、ゲーム、メディア制作におけるコンセプトアートやビジュアル開発、コマーシャルやエディトリアル写真の代替、広告やマーケティング画像、ソーシャルメディアのコンテンツ制作、書籍やエディトリアルのイラスト、キャラクターやワールドのデザイン、製品や建築のビジュアライゼーション、そして迅速なクリエイティブ探索とムードボード作成に使われます。これはほとんどのAI生成ワークフローの入口であり、最も広く採用されているAIクリエイティブツールです。
創ってみませんか？
シーンを演出し、キャラクターをデザインし、長編映像まで仕上げる
シンプルで透明性の高い料金体系、速度制限なし、無限のCanvasで創造性を最大化する、オールインワンのAIクリエイティブプラットフォーム。
FAQ
テキスト・トゥ・イメージのAI生成は、書かれたテキストプロンプトから画像を作成するプロセスです。ユーザーが見たいもの（被写体、構図、スタイル、ムード）を記述すると、AIモデルがその記述に合ったビジュアル出力を合成します。これは最もアクセスしやすく広く使われているAI画像生成の形態です。
ほとんどのテキスト・トゥ・イメージシステムは拡散モデルを使います。テキストプロンプトはテキストエンコーダーによって数学的表現にエンコードされ、その表現を使って、ランダムノイズから始まり段階的に一貫した画像へと形作るノイズ除去プロセスをガイドします。プロンプト条件付けが、記述されたコンテンツ、スタイル、構図と整合する画像へとノイズ除去を誘導します。このプロセスは多数の反復ステップにわたって実行され、各ステップで画像がさらに洗練されます。
効果的なテキスト・トゥ・イメージのプロンプトは、具体的で、階層的に構成され、ビジュアル的に明確です。主要な被写体を明確なビジュアル特性とともに記述し、フレーミングやカメラアングルなどの構図情報を指定し、設定と環境を定義し、ライティングを限定し、芸術的な媒体やスタイルを指定します。曖昧または抽象的な言語は予測不可能な結果を生みます。精密なビジュアル記述は、より確実に正確な出力を生みます。プロンプトをテストして反復することは、ワークフローの通常かつ不可欠な一部です。
ガイダンススケールは、生成画像がテキストプロンプトにどれだけ忠実に従うかを制御するパラメータです。ガイダンススケールの値が高いほど、モデルはプロンプトをより重く重み付けし、プロンプトの記述により厳密に従う結果を生みますが、彩度が過剰になり人工的にシャープになることがあります。値が低いほど、モデルにより多くのクリエイティブな自由を与え、より自然に見える結果を生みますが、細かい点でプロンプトから逸れることがあります。特定のモデルとユースケースに適したガイダンススケールを見つけることは、重要なキャリブレーションのステップです。
シードは、生成プロセスが始まるランダムノイズを初期化する数値です。同じプロンプトと設定で同じシードを使うと同じ画像が得られ、シードを変えると異なるバリエーションが得られます。シードは再現性に役立ちます。一つの要素だけを変えて一貫したバリアントを生成したり、気に入った構図やレイアウトを見つけて、シードを固定したままプロンプトを変えて反復したりするのに使えます。
テキスト・トゥ・イメージ生成は、書かれた記述に基づいて新しい画像をゼロから作成するもので、既存の画像を変更するものではありません。画像編集ツールは既存の写真や画像に作用し、テキスト記述から新しいコンテンツを生成することなくそのプロパティを調整します。インペインティングやアウトペインティングのようなAI搭載の画像編集ツールは、画像を埋めたり拡張したりするのに生成技術を使いますが、プロンプトから完全に生成するのではなく、既存のビジュアルコンテンツに作用します。
ほとんどの商用テキスト・トゥ・イメージプラットフォームは、特定の実在する個人、特に公人の名前による生成を制限または禁止しています。これは、同意、誤情報のリスク、悪用の可能性に関連する安全上・法的な措置です。モデルはプロンプトされれば容姿を生成できる場合がありますが、責任あるプラットフォームはこの能力を制限するためにフィルターとポリシーを適用します。特定の人物を含む商業制作では、ライセンスされた写真や適切に同意を得たリファレンスが、依然として適切なアプローチです。
出力品質は、モデルの学習データの質と幅、テキスト理解の高度さ、プロンプトの具体性と構造、そして使用される推論パラメータ（ステップ数、ガイダンススケール、解像度）によって決まります。モデルの能力を超えて、プロンプトの品質は実務家が制御できる範囲で最大の変数です。同じモデルでも、同じ被写体について曖昧なプロンプトと精密に構成されたプロンプトとでは、劇的に異なる結果を生みます。
