テキストから画像生成(Text-to-Image)

ざっくり言うと

イメージ

素材集から既存の画像を選んでくる機能ではありません。渡した条件をもとに、その場で新しく画像を作ります。

参考にしたい画像を一緒に渡せる製品もあります。乱数や設定を固定できる仕組みなら、同じ結果をもう一度出せる場合もあるでしょう。

出てきた絵が世界に1枚だけとは限らず、既存の作品に似ないことも保証されません。ここは頭の片隅に置いておいてください。

正確には

Text-to-Imageは、文字を入力して画像を出力する生成AIのグループを指す言葉です。文章を書かせるAIとは、入口と出口の種類が違います。

とはいえ、いまの製品やAPIには、会話・画像の読み取り・画像の編集を同じ流れで扱えるものもあります。「画像専用の別世界」と身構えなくても大丈夫です。

代表的なサービスとモデル

よく名前が挙がるものを、順不同で並べます。

ゴールはどれも「文章から画像」で同じです。ただし、得意な絵柄・使える機能・利用規約・料金は各社で違います。

まずはどれか1つ触ってみましょう。物足りなくなってから、別のサービスを試しても遅くはありません。

AIが絵を作る手順（拡散モデル）

Text-to-Imageで広く使われてきた方式のひとつが、拡散モデル（Diffusion Model）です。いまのサービスがすべて同じ方式とは限りません。

DDPMやLatent Diffusionの原著論文で示された考え方をかみくだくと、次の流れです。

1. ノイズだらけの状態を用意します。画像そのもの、または画像を圧縮して数値の並びにしたもの（潜在表現）が対象です
2. そこから、文章で言われた絵に近づくように、ノイズを少しずつ整えていきます
3. これを何ステップも繰り返すうちに、絵が浮かび上がってきます

白い紙に線を描き足していくのではありません。ノイズを整えながら絵へ近づいていく、ふだんの絵の描き方とは逆向きの手順です。

Latent Diffusionでは、画面の画素を直接いじりません。圧縮した潜在空間でノイズを整えてから、最後に画像へ戻します。

この「ノイズから整えていく」という説明は、Stable Diffusionなどの解説でよく登場します。ただ、いまのモデルの細かい構造や学習方法は各社で異なり、公開されていない部分もあります。製品名だけで、内部の方式を決めつけないでください。

AIにまかせられること、自分の目で確かめること

品質は、使うモデルと頼み方によって変わります。公式ガイドの中には、文字の表現や高精細な出力を強みとして挙げているモデルもあります。

一律に「文字や手は苦手」と決めつけなくても大丈夫です。公開する前に、目的にとって大事な箇所を等倍で見て確かめてください。

使う場面

個人事業主の活用例

特に助かるのは、ほしい構図を言葉で試したいときや、デザイナーへ渡すラフを用意したいときです。案出しの部分を、AIに手伝ってもらえます。

そのまま最終素材として使えるかどうかは別の話です。品質・権利・利用条件は、使う前に必ず確認してください。

注意点

トラブルになりやすいところ

Googleは対象の生成画像にSynthIDを、AdobeはFirefly出力にContent Credentialsを付けると案内しています。こうした来歴の情報や透かしは、生成や編集の手掛かりです。

ただし、画像の内容が正しいことまで証明してくれるわけではありません。第三者の権利を侵害していないことを示すものでもないのです。

Adobeは自社のFireflyモデルについて、学習に使ったのは許諾済みのAdobe Stockコンテンツや、著作権が失効したパブリックドメインのコンテンツなどだと説明しています。そのうえで、商用利用を意識したモデルだとしています。

「commercially safe」という提供元の説明だけで、個々の出力に必要な権利確認が不要になるわけではありません。Firefly内の提携先モデルまで同じ条件とも限らないので、仕事で使う前に選んだモデルへ適用される公式の条件を確認してください。

関連用語

• ネガティブプロンプト — 「これは描かないで」と、絵に入れたくないものを伝える指示です。
• プロンプト — 何をしてほしいかをAIへ伝える指示文です。画像生成では、絵の中身を書いた文章がこれにあたります。
• マルチモーダル — テキスト・画像・音声をまたいで扱えるAIの性質を指す言葉です。
• 生成AI — 文章や画像を新しく作り出すAIを、まとめて呼ぶときの言葉です。

あわせて読むと、画像生成まわりの話がひとつにつながってきます。

やってみよう