画像生成AIのプロンプトはどう書く？

プロンプトの言葉選びが大事な理由

画像モデルは、人のようにプロンプトを読んでいるわけではありません。テキストエンコーダーが言葉を数値に変換し、画像生成部はその数値に合う絵を作るように学習されています。学習データのキャプションで特定の種類の画像によく添えられていた言葉は、結果をその種類の画像へ引き寄せます。たとえば golden hour は、暖かく低い角度の日光と一緒に出てくることが非常に多いため、ほとんど照明の設定のように働きます。

ここから2つのことが言えます。1つ目は、抽象的な言葉より具体的な視覚語のほうが強いことです。wet cobblestone street ならモデルは描くものが分かりますが、a sad mood では推測するしかありません。2つ目は、モデルはすべての語に重みをつけるため、very、beautiful、amazing のような埋め草は、情報を足さずに枠だけ使うことです。さらに、多くのツールにはエンコーダーが読むテキスト量の上限があり、上限を超えた語は切り捨てられるか効きが弱くなります。つまり、プロンプトの前半が最も強く影響します。

多くの画像生成AIは、ガイダンスも使います。プロンプトありで作った画像とプロンプトなしで作った画像を比べ、その差の方向に結果を押し出す仕組みです。ガイダンスを高くすると言葉に厳密に従いますが、きつい印象や彩度過多になることがあります。あいまいなプロンプトでガイダンスを上げるより、明確なプロンプトに中程度のガイダンスのほうが、たいていきれいに仕上がるのはそのためです。

使い回せるプロンプトの型

良いプロンプトの多くは、同じ6つの問いに答えています。モデルは先頭の語を重く扱う傾向があるため、この順に書きましょう。

[subject + key details], [action or pose], [setting + time],
[style or medium], [lighting], [camera / lens / framing], [color + mood]

1. 被写体：誰・何か。大事な特徴を2〜3個（年齢層、服装、素材、色）。
2. アクション：被写体が何をしているか。動詞があると、モデルは描くポーズを得られます。
3. 場所：どこで、いつか。1つの場所と1つの時間帯で十分です。
4. スタイルまたは媒体：写真、水彩、3Dレンダリング、インクスケッチ、フラットなベクター、アニメのセル塗り。
5. 照明：雰囲気に最も効くレバー。光源とその方向を書きます。
6. カメラと構図：ショットサイズ、アングル、レンズ、被写界深度、被写体のフレーム内での位置。

毎回6つ全部が必要なわけではありません。商品写真ならアクションは省けますし、抽象的な模様ならカメラは要りません。ただ、生成ボタンを押す前にこのリストを確認すれば、最もありがちな抜け、つまり被写体しか書いていないプロンプトを防げます。

弱い例から強い例へ：書き直しの実例

ありがちな最初の試行がこちらです。被写体と形容詞はありますが、絵がどう見えるべきかは何もありません。

a beautiful cat in a cafe, high quality, 8k, masterpiece

結果は、たいてい中央に置かれたありきたりな猫と、ぼやけた店内になります。8k や masterpiece は、現在の多くのモデルでは細部を増やさず、ストックフォトのような整った見た目に寄せるだけです。下の書き直し版は同じアイデアのまま、6つの問いに答えています。

an orange tabby cat with a white chest, sitting on a wooden windowsill
inside a small cafe, looking out at the rain, late afternoon,
35mm film photograph, soft window light from the left, warm interior lamps
in the background, medium close-up at eye level, shallow depth of field,
muted warm colors, quiet and cozy

2つ目のバージョンもまだ思い通りでなければ、1か所ずつ変えて、他は固定します。5か所を同時に変えると、どの語が変化を生んだのか分からなくなります。

スタイル・照明・レンズ・構図のキーワード

ここに挙げる用語は、写真のキャプション、美術の解説、映画の言葉に多く出てくるため、画像モデルに広く通じます。各行から1〜2個選び、全部は使わないでください。

ネガティブプロンプト：役割と使いどころ

ネガティブプロンプトは、モデルに遠ざけてほしいものを伝える2つ目のテキスト欄です。Stable DiffusionやFLUXベースのツールでは、たいてい別の入力欄か negative_prompt パラメータで、Midjourneyでは --no パラメータを使います。チャット形式の画像ツールにはネガティブ欄そのものがないものもあり、その場合は肯定形で頼みます（no text on the wall ではなく a clean, empty wall）。

ネガティブプロンプトが最も効くのは、具体的で目に見えるものです。

Prompt:   a clean product photo of a ceramic mug on a white table
Negative: text, logo, watermark, extra handles, cluttered background

• 向いている対象：文字や透かし、余分な指、2人目の人物、何度も出てきてしまう特定の物、避けたい色。
• 向いていない対象：ugly, bad, worst quality のような品質語の長いリスト。古いモデルでは多少効きますが、どの画像も同じ見た目に偏らせてしまいます。
• 同じ要素を両方の欄に入れないでください。プロンプトに猫があり、ネガティブにも cat があると、打ち消し合って結果が混乱します。
• メインのプロンプトの中に no と書くのはたいてい逆効果です。a room with no windows は窓に言及しているため、モデルが窓を描くことがあります。

よくある失敗と正直な限界

• 被写体が多すぎる：3人の人物に3種類の服と3つのアクションを指定すると、服が入れ替わったり手が融合したりと、混ざりがちです。まず主役を生成し、他の人物は編集やインペイントで足しましょう。
• 正確な文字の指定：多くのモデルは今も綴りを間違えたり、文字を作り出したりします。特に非ラテン文字で顕著です。文字は短くして引用符で囲むか、後から編集ソフトで足しましょう。
• 手、数、位置：Five apples や the cup to the left of the book は、いつも守られるとは限りません。言葉を足すより、結果を確認して再生成するか編集で直しましょう。
• 矛盾するスタイル語：photorealistic watercolor anime は3方向に引っ張ります。媒体は1つに絞りましょう。
• モデル間でのプロンプトの流用：あるツール向けに調整したプロンプトは、テキストエンコーダーや学習データが違うため、別のツールでは異なる動きをすることがあります。頼る前に数回試してください。

日本語など英語以外のプロンプトも多くのツールで使えますが、主に英語のキャプションで学習したモデルもあります。たとえば cv.cm のAI画像生成は、英語以外のプロンプトをモデルに渡す前に英語へ翻訳します。短く直訳的な表現のほうが、慣用句より確実に訳せます。