画像生成のプロンプトを楽して作る！ まずは ChatGPT で試してみよう
はじめに
こんにちは、きまま / Easygoing です。
今日は、ChatGPT を使って画像生成 AI のプロンプトを作る方法を紹介します。
今回の記事は、画像を生成するときにプロンプトをどのように書けば良いか悩んでいる、初心者向けの内容になります。
お題：人なつこいインコ
今回のお題は、人なつこいインコです。
かわいいインコが、人と触れ合う場面を描いてみます。
自動でプロンプトを作る方法は２つ
画像生成AI で自動でプロンプトを作る方法は、大きく分けて次の２つがあります。
キーワード からプロンプトを生成
画像 からプロンプトを生成
いずれの方法も AI を使って自動でプロンプトを作成しますが、それぞれで使う AI が変わってきます。
キーワードからプロンプトを作る
キーワードからプロンプトを作るときに利用するのが、テキストからテキストを生成する 大規模言語モデル（LLM:Large Language Model）と呼ばれる AI です。
代表的な大規模言語モデル（LLM:Large Language Model）
LLM のうち、実用的な性能の AI として、はじめてオープンソースで公開されたのが Google の T5 です。
画像生成 AI では、最大パラメータの T5xxl モデル が Flux.1 / SD3.5 のテキストエンコーダーとしても使われています。
2020年に登場した OpenAI の GPT-3 は、ChatGPT に搭載されてその性能の高さで世界を驚かせました。
2023 年には、Meta が LLaMA をオープンソースで公開していて、こちらはローカルで利用できる高性能な LLM として広く普及しています。
ChatGPT を使ってみよう！
それでは、実際に ChatGPT を使ってプロンプトを作ってみましょう。まずは、次のページにアクセスします。
チャットの入力欄に、キーワードで インコ と 人なつこい の2つを指定して、次のように書いてみます。
画像生成AIで利用するプロンプトを200語程度で書いてください。キーワードは、インコ、人なつこい。英語訳もつけてください。
ChatGPT が、画像生成に ちょうどよい長さ のプロンプトを作成してくれました。
作成された英語訳を、普段使っている 画像生成 AI（この場合は Flux.1[dev] のアニメモデル）に投入すると、とても雰囲気の良いイラストが生成できました。
このように、ChatGPT を使うとキーワードから簡単にプロンプトを作ることができます。
画像からプロンプトを作る！
今度は、画像からプロンプトを作ってみます。
画像からプロンプトを作るときに利用する AI は、文章に加えて画像も理解できる必要があり、こちらは 視覚言語モデル（VLM：Vision Language Model）と呼ばれています。
視覚言語モデル（VLM：Vision Language Model）
視覚言語モデルのうち Open-CLIP-L は OpenAI が開発した CLIP-L と同等の性能を持つオープンソースの AI で、多くの 画像生成AI に搭載されています。
Open-CLIP-L は、世界最大のオープンソースのデータセットの LAION-2B（20億枚）でトレーニングされていて、幅広い画像を理解することができます。
最近は、Open-CLIP-L を略して CLIP-L と呼ぶことも多いので、これからこの note でも Open-CLIP-L を CLIP-L と呼称します。
2023年3月に登場した GPT-4 は GPT-3 の後継になりますが、画像認識能力が加わったので、今の ChatGPT は画像も分析 することができます。
2024年6月に Microsoft から公開された Florence-2 は、詳細なキャプション付きのデータセットで学習したことにより、軽量ながら高い精度 の識別能力を持っています。
実際に使ってみる！
それでは、今度は画像からプロンプトを作成してみます。
ChatGPT では、入力欄の左下の プラス のボタンを押すか、あるいは画面上に直接ドラッグ＆ドロップ することで、画像ファイルをアップロードすることができます。
次の画像をもとに、画像生成AIで利用するプロンプトを200語程度で書いてください。
今回も、入力したイラストによく似たイラストが生成されました。
この方法は、適切な参考画像がある場合とても便利です。
ChatGPT の分析力を試してみる！
それでは、ChatGPT の分析力を試すためにもう少し複雑な画像を入力してみましょう。
今度は、次の note クリエイターページのスクリーンショットを分析してもらいます。
次の web ページのスクリーンショットを分析して 200字程度 の箇条書きで説明して下さい
サイト概要：日本のブログプラットフォーム「note」のクリエイタープロフィールページ
クリエイター情報：「きまま / Easygoing」さんがAI画像生成に特化した記事を公開
記事内容： Adobe Firefly、SDXL、WaveSpeed、Flux 1など最新技術のレビューや分析
画像の特徴：AI生成による高品質なイラストが多数掲載
プラットフォームの特徴：クリエイターが自由にコンテンツを発信し、読者と交流可能
ChatGPT によるキャプションは 画像と文字を的確 に捉えています。
さらに インターネット上から学習した情報も加味して判断 するので、とても正確なキャプションになっています。
ChatGPT は、高性能で万能 な AI モデルです。
ChatGPT の欠点は？
ChatGPT をはじめとしたオンラインの AI モデル は、万能で高い精度でタスクをこなしますが、いくつか欠点もあります。
外部との通信が発生する
不適切な出力 が無いように調整されている
オンラインの AI モデルは、当然ながら使用するときに外部との通信が発生します。
また、オンラインのモデル は特にビジネス用途での利用も考慮されているため、不適切な出力 が無いように調整されています。
ローカルの画像生成の利点の一つが、自由で幅広い表現 ができることなので、出力が調整されている点は、一部のアート作品を創るうえでマイナスになります。
このような欠点は、ローカルの AI モデル を使うと回避することができます。
次回は、ローカルの AI を使用してプロンプトを作る方法を比較してみます！
まとめ：ChatGPT は万能モデル！
大規模言語モデル（LLM）は文章を理解する
視覚言語モデル（VLM）は画像も理解できる
ChatGPT は万能モデル
今回は、対話型 AI として一番広く使われている ChatGPT を紹介しましたが、Google の Gemini や 最近話題の Deepseek R1 の Janus-Pro モデルなども画像認識能力を持っていて、同じように使うことができます。
画像生成は難しそう、あるいは ChartGPT を何に使ったら良いか分からない と感じている場合、まずはこのような感じで気軽に試してみてはいかがでしょうか？
最後までお読みいただきありがとうございます！