テキストから画像生成(Text-to-Image)

ざっくり言うと

「青空の下で本を読む白猫を水彩風で」と打ち込むと、それっぽい絵が数秒〜数十秒で出てくる。あの仕組みの総称です。

Text-to-Image は、「テキスト(文字)」を入力として「画像」を出力する生成AIの一カテゴリを指す言葉です。生成AIの中でも、文章を作る ChatGPT のような系統とは別ルートで、画像を作る側のジャンルにあたります。

代表的なサービス・モデルとしては、以下のようなものがあります(順不同)。

サービス / モデル	提供元	ざっくり特徴
GPT Image models	OpenAI	APIやChatGPTの画像生成で使われる現行系。モデル名や上限は公式ドキュメントで確認
Midjourney	Midjourney, Inc.	独自路線。アーティスティックな画作りで人気
Stable Diffusion	Stability AI	オープンに公開されているモデル系列(SD3 等)
Adobe Firefly	Adobe	Adobe 製品群と連携。商用利用を意識した設計
Gemini / Nano Banana 系の画像生成モデル	Google	Gemini API や Google の画像生成機能で案内される現行系。対応モデルは公式ドキュメントで確認

最近の Text-to-Image の多くは、拡散モデル(Diffusion Model) という仕組みをベースにしています。難しい数式は置いておいて、考え方だけ超訳すると次のような流れです。

この「ノイズから整えていく」発想は、Stable Diffusion や過去の DALL·E / Imagen 系など、多くの画像生成モデルの説明で登場します。ただし、現行モデルの細かいアーキテクチャや学習方法は各社で違い、非公開の部分もあります。

「文字が崩れる」「指が増える」はよく知られた弱点で、各社モデルのアップデートで改善が進んでいますが、完璧ではない前提で使うのが安全です。

特に「フリー素材だと欲しい構図がない」「ストックフォトを買うほどでもないけど、テキストだけのスライドは寂しい」という日常的なシーンで、かなり作業が楽になります。

注意

便利な反面、気をつけないとトラブルになりやすい技術でもあります。

著作権・肖像権:実在する作家・スタジオ・有名人の名前を指定すると、権利や利用規約の面でトラブルになることがあります。商用利用の前に、各サービスの利用規約と商用利用ポリシーを必ず確認してください
誤情報・なりすまし:本物そっくりの画像を作れるため、フェイクニュースや、なりすまし用の素材として悪用されるケースがあります。自分が「作る側」になるときも、誤解を招かない使い方を意識する必要があります
商用利用の可否:無料プランだと商用利用 NG、有料プランから可、というサービスもあります。プラン別に条件が変わることが多いので、料金ページの細かい文字までチェックしましょう

特に「Adobe Firefly」のように、商用利用を意識して学習データを整備しているサービスもあれば、利用規約の運用が頻繁に更新されるサービスもあります。仕事で本格的に使う前に、必ず最新の公式情報で裏取りをしてください。

今日やること

最初の一歩はとてもシンプルです。

どれか1つ無料枠のあるサービスを開く(ChatGPT の画像生成機能、Adobe Firefly の Web 版など、その時点で無料で触れるものを選ぶ)
日本語でいいので、絵の中身を1〜2文で書く:例「夕焼けの海辺を散歩する柴犬、あたたかい絵本風」
出てきた画像を見て、足りない部分を追加で書く:例「もう少し空をオレンジ強めに、人は写さないで」

これだけで「プロンプトを書く → 画像が出る → 直す」という Text-to-Image の基本サイクルを一周できます。慣れてきたら、画風(水彩・3D・写真風)・構図(俯瞰・アップ)・色味などを足していくと、思い通りに近づきます。

関連用語として、「描いてほしくない要素」を指定するネガティブプロンプトや、テキスト・画像・音声をまたいで扱うマルチモーダル、ベースとなる生成AI の記事もあわせて読むと、画像生成まわりの全体像がかなり見えてきます。