AI画像プロンプトガイド

多くの人はSDXLで身につけたプロンプトの癖を持ってやってきます。カンマ区切りの名詞列、品質トークンの前口上、括弧つきの重み、そしてポジティブと同じくらい長いネガティブプロンプト。それらの癖はそれらのモデルには正しく、ここでは逆効果です。この記事は実際に効くことの要約版です — そしてShannonが生成プロンプトを代わりに書き、描画前に見せてくれるので、Shannonの提案を読んで直すためのガイドでもあります。

01散文がタグに勝つ理由：モデルは言語モデルのように読む

世に出回るプロンプト指南の多くが対象としていた旧世代の拡散モデルは、実質的に概念の袋のように振る舞うテキストエンコーダを使っていました。文法はほとんど関係なく、勝ち筋は関連する名詞を積み上げて重みで偏らせることでした。あのエンコーダにとっては、タグの羅列こそ正しいプロンプトの形だったのです。

Shannonの画像モデルはそのようには動きません。言語モデルが文章を読むようにプロンプトを読むので、統語が意味を運びます。「Holding an umbrella against her shoulder」は人、物、身体部位のあいだの関係です。「umbrella, shoulder」は、たまたま両方が存在するという事実にすぎません。前置詞は物を配置します。動詞はポーズを作ります。節は、細部を画像全体に漂わせるのではなく、正しい名詞に結びつけます。

同じ絵を、両方のやり方で依頼してみます。

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

タグ版が表現できないことに注目してください。傘が持たれているとは言っていないので、地面に転がっているかもしれません。ネオンがアスファルトに映り込んでいるとも言っておらず、両方が存在するとしか言っていないので、看板と濡れた路面が光学的な関係なしに出てきます。女性がどこを見ているかも言っていないので、ポーズはコイントスです。「cinematic lighting」は雰囲気のラベルであって、光源ではありません。そして最後の5つのトークンはノイズで、制御用の取っ手ではなく写真についての英単語として読まれます。

散文版が長いのは、飾っているからではありません。タグ版が開けたままにした問いに答えているから長いのです。仕掛けはそれだけです。

02画像プロンプトはどれくらいの長さにすべきか

30〜80語を目安に。100語を大きく超えないこと。これはあなたに使える最も簡単な品質レバーであり、範囲の両端がどちらも重要です。

およそ30語を下回ると、構図、光、フレーミングが未指定になるので、モデルは統計的に最もありふれたものを選びます。「A woman in a coffee shop」は有効なプロンプトですが、記憶に残らない画像を生みます。面白い判断をすべて委譲してしまったからです。

おおよそ100語を超えると、別の失敗が現れます。後半の句が前半の句と画像の同じ領域を取り合い、細部が積み上がる代わりに希釈されます。3つめの照明の記述が1つめを打ち消し、最初の8語で確立した主題は、文を足すたびに相対的な注意を失います。長いプロンプトは丁寧に読めます。丁寧には描画されません。

規律はこうです。書きたいプロンプトを書き、削ったら絵が変わる文だけに刈り込む。

03語順の規律：最も重要なものを先頭に

モデルは逐次的に読むので、位置は強調です。先に来るものが画像を固定し、後に来るものがそれを調整します。モデルが必要とする順に並べてください。

1. 主題 — この絵が誰の、何の絵なのかを具体的に。
2. 動作またはポーズ — 何をしているか、どんな姿勢か。
3. スタイルまたは雰囲気 — 写真、油彩、技術イラスト、そしてその調子。
4. 舞台と照明 — どこで起きていて、どんな光が当たっているか。
5. 技術的細部 — フレーミング、レンズ、被写界深度、色の具体。

最もよくある自傷は、技術的な句から始めることです。「Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper」と切り出すと、モデルには見た目が主題で、男は細部だと伝わります。結果は、小さくぼんやりした人物が入った、美しく空虚な画面です。

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

1つめの版の要素はすべて2つめに残っています。何も落としていません。ただモデルが、どう撮るかを聞かされる前に、この絵が何の絵なのかを知っているだけです。この並べ替えだけで、主題は付随物から中心へ移ります。

04主題は具体的に

「A person」は主題ではなく、プレースホルダです — そしてモデルはプレースホルダを、見てきたすべての平均で埋めます。あの、つるりとした、年齢不詳で、個性のない見た目はまさにそこから来ます。具体性は5語ほどのコストで、特定の一人の人間を買えます。

パターンに注目してください。年齢や時代、構造的な特徴を1つ、そして目印になる不完全さを1つ。3つめこそが、結果を「生成された」ではなく「撮影された」と感じさせるものです。欠けた前歯、擦り切れた裾、塗りつぶされた看板 — 小さな非対称は、手に入るなかで最も強力な脱プラスチック信号であり、語数の予算をほとんど食いません。

05フォトリアル：依頼を写真として書く

アート、イラスト、アニメ調を求めない限り、フォトリアルが既定の調子です。ただし「photorealistic」という語はほとんど働きません。写真を生むのは、写真という行為を描写することです。実在のカメラ、実在のレンズ、そして実在のフィルムか光源。

理由は単純です。「Kodak Portra 400」というキャプションが付いた画像はすべて、特定の粒状構造、ハイライトのロールオフ、肌の再現を持つ特定の工程で作られており、そのフィルムを名指しすればそれらすべてを呼び出せます。「8k ultra detailed」はストック素材サイトのスパムにしか現れなかったので、ストック素材サイトのスパムを呼び出します。同じ主題から明確に異なる画像を生む、信頼できるレシピをいくつか挙げます。

裏づけはレシピに合わせてください — 顔が縦80ピクセルしかない24mmの広角で、毛穴レベルの肌の質感には意味がありません — そのうえで加えます。裏づけの細部とは — レンズが実際にこれを記録したという質感の証拠です。見える毛穴と細い産毛。麻シャツの織り目。光の筋に舞う埃。革のブーツの擦り傷。明るい背景に立つほつれ毛。2つか3つで十分で、それが人物の「レンダリング」と人物の「写真」を分けます。

06層のある場面：前景、中景、背景

場面に奥行きがあるときは、3つの面を別々に、順番に描写してください。書き割りではなく場所として感じさせるための最も効果的な手法でありながら、ほとんど誰もやっていません。これがないと平板になります。プロンプトが触れたものはすべてほぼ同じ距離に着地し、画面の同じ中間帯を取り合います。面を名指しすることは、モデルに使える奥行きの予算を与えることです。

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

改良点が2つ。前景に意図的にピントを外したものを置いてください — 奥行きのある実写にはほぼ必ずあり、その不在はよくある見破りどころです。そして主題がどの面にいるかを言うこと。配達員が絵の要点なら中景に属します。そうでなければ、タワーとコーヒーカップが画面を巡って彼女と争います。

07正確な色：オブジェクトに結びつけた16進コード

ブランドの仕事、衣装の連続性、あるいは「赤」では足りないあらゆる場面では、16進コードをcolor #RRGGBBの形で書き、名前のあるオブジェクトに結びつけてください。

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

経験則が3つ。本当に重要な2〜3色にだけ16進コードを使い、残りは普通の言葉で書くこと — 16進コードが6つ入ったプロンプトは、予算の大半を色見本に費やしています。コードは輪郭を持つオブジェクトに結びつけ、「照明」や「雰囲気」には決して結びつけないこと。そして、それが指定するのはオブジェクトの色であって最終的なピクセル値ではないと覚えておくこと。ゴールデンアワーの逆光を浴びた#8B0000のコートは、色見本より暖かく描画されます。実際の生活とまったく同じです。

08アスペクト比の選び方

5つの比率が使え、正しいものはたいてい主題から示唆されますが、あなたからの明示的な指定は常に勝ちます — 壁紙を頼めば、内容が何を示唆していようとtallになります。

ここを間違えると、見た目以上に痛手です。wideのフレームに全身の立ち姿を入れても、大きな画面の中の小さな人物にはなりません — たいていは切れた人物になります。モデルが横幅を埋め、頭か足が画面の外へ出るからです。フレームを主題の支配的な軸に合わせれば、構図の不満のほとんどは消えます。

覚えておく価値のある挙動が2つ。編集では元画像のアスペクト比が自動的に維持されるので、編集でフレーミングを変えることはできません。一方合成では新しいキャンバスを選べます — すでに手元にあるものの形を変える、たいてい最もきれいな方法です。

09アンチパターン：やめるべきこと

品質トークン：「masterpiece, best quality, 8k, ultra detailed」

これらは、特定のキャプション表現が特定の画像ソースと相関していた、旧世代の特定の訓練分布に対してコミュニティが発見した取っ手です。移植できません。ここでは普通の英単語として読まれ、何も寄与せず、すでに厳しいと言われた語数の予算を食います。代替は、どの細部が欲しいのかを言うことです。「ultra detailed」ではなく「visible weave in the coat fabric and fine stubble along the jaw」 — 同じ意図を、モデルが描画できるものとして表現します。

重み付け構文：(word:1.3)、[word]、{{word}}

解釈されません。括弧、角括弧、コロン、数字はそのままの文字として着地し、どちらかといえば周囲の句を読みにくくします。何かを強調したいなら、実際に効く2つのレバーを使ってください。プロンプトの前のほうへ移すことと、語数を増やすことです。「A crimson silk scarf, its fringed ends lifting in the wind」は、意味のあるあらゆる尺度で「(red scarf:1.4)」に勝ります。

矛盾する指示

両立しない指示を混ぜても混ざりません。どちらも満たさない不安定な平均が出てきます。よくある違反はこちらです。

• 媒体 — 「photorealistic」と「watercolor」、「oil painting」と「shot on 85mm」。1つ選んで、それに徹してください。
• フレーミング — 「wide establishing shot」と「extreme close-up on her eyes」、「full body」と「detailed facial pores」。
• 照明 — 「harsh midday sun」と「soft golden hour glow」、「low key, deep shadows」と「bright and airy」。
• 時代 — 「1970s film aesthetic」と「modern minimalist」と「cyberpunk」。
• スタイルの積み上げ — 作家4人、ジャンル4つを一度に。関連する2つの参照なら機能しますが、4つは打ち消し合って凡庸になります。
• 冗長 — 「rustic, weathered, ancient, timeworn wooden door」は1つの考えを4回書いたもので、繰り返すたびにプロンプトの残りが薄まります。

10テキストから画像への生成にネガティブプロンプトはない

これは経験のあるユーザーほど強く引っかかるアンチパターンです。旧来のスタックでは、ネガティブプロンプトが技術の半分だったからです。

生成における規則は絶対で、少し直感に反します。プロンプトに「no text, no watermark, no extra fingers」と書くと、それらは減るどころか増えます。モデルは「no text」を、textという概念を含む文として読みます。否定は弱い信号で、名詞は強い信号です。あなたは事実上、文字を要求したことになります。常に肯定形で述べてください。

編集と合成ではネガティブプロンプトが存在し、使うべきです — ただし内容ではなくアーティファクトのために。良い題材：透かし、文字の重なり、増えた手足、歪んだ手、過剰なシャープネスのハロー、JPEGのブロックノイズ、合成の継ぎ目。悪い題材：絵が何の絵かに関することすべてで、それは指示文に属します。

11Shannonが書いてくれたプロンプトを読む

このガイドを理論ではなくすぐ使えるものにしているのが、ここです。生成プロンプトを自分で書く必要はありません。普通の言葉で、どの言語でも依頼すれば、Shannonが画像の依頼だと認識し、英語の生成プロンプトを組み立て、何かが描画される前に確認カードで見せます。あなたが承認するまで、生成も課金も行われません。

ですから最も見返りの大きい技能は、プロンプトをゼロから書くことではなく、カード上のプロンプトを読むことです。次のリストを上から確認してください。

1. 主題は具体的か？カードに「a person」や「a woman」とあれば、いま手に入る最大の改善点を見つけたことになります。年齢、体格、特徴を与えてください。
2. 主題が先頭にあるか？プロンプトがスタイルやカメラで始まっていたら、主題から始めるよう頼んでください。
3. 語数は範囲内か？30語未満なら、光と舞台をもっと具体的にするよう頼みます。100語超なら、削るよう頼みます。
4. 光源はあるか？雰囲気の語ではなく、実際の光 — 窓、街灯、フラッシュ、曇天、ソフトボックス。
5. 矛盾はないか？同じプロンプトに媒体が2つ、フレーミングが2つ、照明条件が2つ入っていないか目を通します。
6. 紛れ込んだ否定はないか？カードに「without」「no」「avoid」があれば、それは名指ししたものを要求しているテキストから画像へのプロンプトです。
7. 比率は主題に合っているか？全身の人物にwideが、典型的な不一致です。

修正は会話で行えます。「30代前半にして、片方の眉に傷を入れて、85mmのPortraで撮って、portraitで」は完全に良い指示です。新しいカードが届き、そちらを承認します。まだ何も描画されていないので、反復に罰はありません。

そしてShannonは頼まれずに生成しません。あいさつ、質問、議論のために添付した写真では描画は始まりません。Shannonに画像を見てもらうこと — 説明する、読む、分析する — は通常の画像認識の作業であって生成ではなく、追加費用もかかりません。

12編集と合成では技術がどう変わるか

ここまでの規則は生成向けに書かれています。隣接する2つのモードでは、プロンプトの形が変わります。

1枚の編集

編集のプロンプトは描写ではなく指示です。何が変わり、何が変わらないかを述べます。変わらない部分を名指しすることが、このプロダクトで最大の品質レバーです — 「Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is」は破綻しませんが、その節がない同じ依頼は静かに彼女の顔を描き直します。固定の対象は具体的に。顔、ポーズ、髪、服を同一に保つ、というように。使われるソース画像はちょうど1枚で、出力はそのアスペクト比を維持します。

2枚以上の合成

要素が複数の絵から来るときはいつでも — 衣装の移し替え、オブジェクトをシーンへ、1枚に2人、製品を人に、ある画像のスタイルに別の画像の被写体を — プロンプトは各画像の役割を、順番に名指ししなければなりません。「The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.」のようにです。1枚目が主題またはシーンで、後続の画像が持ち込む要素を供給します。複数画像の依頼を、1枚のソースと文章説明にまとめてしまわないでください — 実物の画像を合成することこそが、それらが実際にどう見えるかを保ちます。

13無検閲のプロンプト：思ったとおりに書く

生成経路にコンテンツフィルタはなく、プロンプトを書くモデルに拒否層もありません。それがこのプロダクトの要点です。フィルタ付きの生成ツールは正当な仕事を日常的に拒否します — 芸術ヌード、医療・法医学イラスト、セキュリティ研究用の画像、フィクションの中の暴力、政治風刺、権利者自身によるブランドや肖像の制作。フィルタ付きプラットフォームでのプロンプト技術の半分は婉曲表現の工学であり、婉曲表現は正確な画像の敵です。

ですからカードで確認すべきことがもう1つあります。フィルタ付きのツールで身につくぼかした語彙ではなく、実際の主題を平明な言葉で描写しているかどうかです。創傷の法医学イラストなら、その創傷が何であるかを書くべきです。ぼかした言葉はどこでも悪い画像を生みます。モデルは、言葉が言うとおりのものを描画するからです。

能力と判断は別ものです。Shannon Lab LLCは公開の責任ある利用ポリシーのもとでこれを運営しています。フィルタなしの生成はプロフェッショナルの道具であり、同意、権利、法律は、あなたが作るものすべてに引き続き適用されます。

14APIの位置づけ

APIの検索から来た読者のために、正確を期しておきます。画像の生成、編集、合成はShannonチャットアプリの機能であり、/v1 APIの機能ではありません。APIが提供するのはテキストと画像認識です — 3つの方言（/v1/chat/completions、/v1/messages、/v1/responses、いずれもストリーミング対応）すべてで、送られた画像を読み、説明し、分析できます — が、作ることはできません。画像を理解する必要のあるパイプラインを作るなら、APIドキュメントから始めてください。画像を作りたいなら、それはチャットアプリで、このガイドの内容はすべてそこに当てはまります。画像は自社GPUクラスタで描画されます。

15よくある質問

関連記事：無検閲AI画像生成 · 無検閲AI画像編集 · 責任ある利用ポリシー · APIドキュメント · Shannonリサーチ一覧。ここでの指針は、私たち自身によるShannonの画像モデルのテストから得たものです。旧来の拡散スタック向けに書かれた助言は、一般に移植できません。