画像生成AIとは？Midjourney・Stable Diffusionでできること

「言葉で絵を出してくれるAI」とは何なのか

「画像生成AI」という言葉を最近よく見かけるようになった人は多いはずだ。文章を打ち込むと、それに合った絵や写真のような画像を数十秒で作ってくれるAIのことを指す。まず前提として「生成AI」という言葉を押さえておきたい。生成AIとは、質問に答えるだけでなく、文章・画像・音声といった新しいコンテンツを自分で作り出せるAIの総称だ。ChatGPTやClaudeが文章を作るのに対して、Midjourney(ミッドジャーニー)やStable Diffusion(ステーブル・ディフュージョン)は画像を作る専門のAIだと考えるとわかりやすい。

仕組みをたとえるなら、大量の絵画や写真を見て「犬とはこういう形と色をしているものだ」「夕焼けの空はこんな色合いになる」というパターンを覚え込んだ画家に、口頭で注文を出しているようなものだ。実際にはニューラルネットワークという仕組みで、ノイズ(砂嵐のようなランダムな模様)を少しずつ整えていき、指示された内容に近い絵に変換していく処理が行われている。細かい数式を知らなくても、「指示文からそれっぽい画像を作る道具」という理解で使う分には困らない。

ここで欠かせないのが「プロンプト」という言葉だ。プロンプトとは、AIに対して出す指示文そのもののことを指す。画像生成AIの場合は「猫」「夕焼け」「水彩画風」のように、見た目・雰囲気・構図を言葉で指定する。同じテーマでもプロンプトの書き方次第で仕上がりがまったく変わるため、この後の見出しで具体例を挙げながら説明していく。

Midjourneyは「頼めばすぐ返ってくる」タイプ

Midjourneyは、チャットアプリのDiscord(ディスコード)上、または専用のWebサイト上でプロンプトを打ち込むと画像が返ってくるサービスだ。特徴は仕上がりの美しさにある。輪郭や色彩のまとまりがよく、イラストでも写真風でも「見栄えのする一枚」に仕上がりやすい。そのぶん有料プランが前提になっており、無料でお試しできる範囲は限られている。

具体的なプロンプトの例を挙げてみる。

• a cozy wooden cafe interior, morning sunlight, warm colors, illustration style
• 富士山と桜、水彩画風、朝焼け、静かな雰囲気

英語の方が意図通りの結果になりやすいと言われているが、日本語で入力しても内部で解釈してくれるため、まずは日本語で試して、思った雰囲気と違うときに英語表現へ言い換えてみるとよい。「どんな被写体か」「どんな画風か(水彩画・写真・アニメ調など)」「どんな光や色の雰囲気か」の3つを盛り込むと、狙った方向に近づきやすくなる。

Midjourneyは仕組み上、生成過程や指示文が他の利用者にも見える設定になっていることが多く、社外秘の情報や個人が特定される写真をそのまま指示文に使うのは避けた方がよい。

用途としては、ブログやSNS投稿のアイキャッチ画像、資料に添えるイメージカット、プレゼン用のちょっとした挿絵といった「写真を撮る手間や、イラストを外注する手間を省きたい場面」で使われることが多い。仕上がりの完成度が高いぶん、加工をほとんどせずそのまま使える画像が得られやすいのも選ばれる理由のひとつだ。

Stable Diffusionは「自分の環境で動かせる」タイプ

Stable Diffusionはオープンソース、つまり設計図にあたるプログラムが公開されていて、誰でも中身を確認したり改造したりできる形で配布されている画像生成AIだ。Midjourneyとの一番の違いは、自分のパソコンにインストールして動かせる点にある(処理能力の高いグラフィックボードがあると快適だが、性能次第では動作が重くなる)。あるいはブラウザ上で使えるサービス経由で試すこともできる。

自分の環境で動かせるということは、細かい調整がしやすいということでもある。たとえば「この構図はそのままに、髪の色だけ変えたい」「特定の画風を追加で学習させたモデルを使いたい」といった、Midjourneyよりも踏み込んだカスタマイズができる。反面、環境構築や設定の理解にひと手間かかるため、初めての人にとってはMidjourneyより取っつきにくく感じられる場面もある。

プロンプトの考え方はMidjourneyとおおむね共通していて、被写体・画風・雰囲気を言葉で並べていく。加えて「ネガティブプロンプト」という、逆に画面に入れたくない要素(たとえば低品質, ぼやけ, 手の指の崩れなど)を指定できる機能を持つツールが多く、狙った通りの一枚に近づけるための調整幅が広い。

こうした自由度の高さから、ゲームやアニメーションのコンセプトアートを大量に試作したい制作現場、同じキャラクターを違うポーズで何十枚も欲しい場面、自社サービス専用の画風を作り込みたい場合など、量とカスタマイズ性を重視する用途で選ばれる傾向がある。一方で、手軽にひとまず一枚欲しいだけなら、環境構築が要らないMidjourneyのようなサービス側の方が始めやすい。

実際に触ってみるときの一般的な流れ

どちらのツールも細かい画面の作りは更新されるたびに変わるため、ここでは大まかな流れだけをつかんでおきたい。

1. 公式サイトにアクセスし、案内に沿ってアカウントを作成する(MidjourneyはDiscordのアカウントが必要になる場合が多い)。
2. 無料で試せる範囲があるか、有料プランへの加入が必要かを確認する。
3. プロンプトを入力する欄に、被写体・画風・雰囲気を短い言葉で並べて入力する。
4. 生成結果を確認し、思っていたイメージと違う場合はプロンプトの言葉を足したり削ったりして再度試す。
5. 気に入った画像が出たら、利用規約で定められた範囲内で保存・活用する。

最初の一枚で狙い通りの結果が出ることは少ない。文章で人に絵の注文をするときと同じで、「もう少し明るく」「背景をシンプルに」と言葉を足しながら近づけていく作業だと考えておくと、思い通りにならなくても焦らずに済む。

ここでつまずく人が多いのが、プロンプトを一度にたくさん盛り込みすぎて、AIがどの要素を優先すればよいか判断できなくなるケースだ。「猫」「宇宙」「和風庭園」「サイバーパンク」のように方向性の違う言葉を同時に並べると、どっちつかずの仕上がりになりやすい。慣れないうちは要素を2〜3個までに絞り、狙った雰囲気に近づいてから少しずつ言葉を足していく方が結果を予測しやすい。

使うときに気をつけたいこと

便利な道具である一方、使う前に知っておきたい注意点もいくつかある。まず、生成された画像の著作権の扱いはツールや利用状況によって条件が異なり、商用利用の可否もプランごとに規約が分かれている。この点についてはAIが作った文章や画像は誰のもの？著作権の基本の考え方で基本的な考え方を整理しているので、実際に作品を公開したり販売したりする前に目を通しておくと安心だ。

もうひとつは、実在する人物の顔写真や、既存のキャラクターに酷似した画像を無断で生成・公開しないという配慮だ。技術的に作れてしまうことと、作ってよいことは別の話だと意識しておきたい。

画像生成AIも文章生成AIと同じく、指示の出し方によって結果の質が大きく変わる道具だ。生成AI全体の考え方をもう少し広く体系的に学びたい場合は、『猫でもわかる生成AI』で学ぶ、生成AIとの距離の縮め方も参考になるはずだ。

まとめ

画像生成AIは、文章で指示を出すだけで絵や写真風の画像を作ってくれる技術で、Midjourneyは仕上がりの美しさと手軽さ、Stable Diffusionは自分の環境で動かせる自由度の高さがそれぞれの持ち味になっている。どちらも一発で理想の一枚が出るとは限らず、プロンプトを言い換えながら近づけていく作業が前提だ。まずは無料で試せる範囲で軽く触ってみて、被写体・画風・雰囲気の3点を言葉にする感覚をつかむところから始めてみるとよい。著作権や利用規約の確認だけは、公開や販売の前に済ませておくと安心だ。