
【ゼロからはじめる】SD1.5のプロンプトをChatGPT・Gemini・ローカルAIに書かせてみた!
こんにちは。
前回は、Hassakuのまま画像サイズを変えて、素のSD1.5とも比べました。
縦長の512×768にすると、白衣の子が少し出やすくなりました。
目標はこの子を生成することです。

そして前回の結果がこれです。

・・・
白衣は出るようになりましたが、髪型や目の感じは、まだ目標の子とは違います。
そこで今回は、サイズは縦長のままで、プロンプトを変えてみたいと思います。
プロンプトは自分で書き直すだけでなく、ChatGPT、Gemini、それからローカルAIにも書いてもらいました。
そして今回、プロンプトの書き手を変えて出た「この子」がこちらです。

ここからは、この結果に至るまでの過程です。
設定は前回のまま
モデルはHassaku (SD1.5) v1.3で、サイズは前回決めた縦長の512×768です。
Steps 20、CFG 7、euler / normal も前回と同じです。
1つの条件につき、Seedを20260920〜20260924に変えて5枚出しました。
その中から、一番目標に近い1枚を選んで載せています。Seedは条件ごとに揃えていません。
比べる元になるのは、前回まで使ってきたタグのプロンプトです。
ポジティブ(出したいもの)。
1girl, solo, grey hair, bob cut, blunt bangs, hair over eyes, short twin braids,
black ribbon, grey eyes, half-closed eyes, sleepy, blush, white lab coat,
oversized coat, black t-shirt, white socks, black loafers, chibi, flat color,
monochrome palette, simple background, white background, standing, looking at viewerネガティブ(出したくないもの)。
lowres, bad anatomy, bad hands, extra fingers, worst quality, low quality,
blurry, colorful, saturatedChatGPTとGeminiには、同じ文章で頼みました。
ChatGPTに聞く

この子をStable Diffusion 1.5で出したいです。SD1.5用のプロンプトを、positiveとnegativeに分けて英語で書いてください。ChatGPTは、髪・顔・服・画風のまとまりごとに改行したプロンプトを返してくれました。
「chibi proportions, large head」のように、体のバランスまで書いてあります。
ポジティブ。
masterpiece, best quality, high quality, anime style, full body, standing, front view, centered composition, white background,
1girl, solo, young girl, petite, chibi proportions, small body, large head,
short gray hair, ash gray hair, messy bob cut, long bangs, blunt bangs, side locks, twin braids, low twin braids, braided hair, black ribbon, black hair ribbons,
gray eyes, half-lidded eyes, sleepy eyes, tired expression, emotionless expression, small mouth, closed mouth, pale skin, light blush, slight dark circles under eyes,
white lab coat, oversized lab coat, long white coat, wide sleeves, open coat, black oversized t-shirt, long black shirt, bare thighs, white thighhighs, white knee socks, black loafers, platform loafers,
simple character design, clean lineart, slightly thick outlines, hand-drawn lineart, soft flat coloring, minimal shading, monochrome color palette, muted colors, simple shading, cute, understated, minimalisticネガティブ。
worst quality, low quality, normal quality, lowres, blurry, jpeg artifacts, noisy, grainy,
realistic, photorealistic, 3d, render, CGI, western cartoon, painterly, oil painting, watercolor, heavy shading, dramatic lighting, strong contrast, glossy skin,
adult, mature woman, tall, muscular, curvy, large breasts, exaggerated breasts, wide hips,
long hair, ponytail, twintails, high twin tails, straight long hair, colored hair, blonde hair, blue hair, pink hair,
smile, open mouth, teeth, tongue, angry, crying, surprised expression, energetic expression,
glasses, hat, cat ears, animal ears, earrings, necklace, bag, handbag, backpack, holding object,
dress, skirt, shorts, pants, jeans, uniform, necktie, bowtie, colored lab coat,
barefoot, sneakers, boots, high heels,
bad anatomy, bad proportions, malformed hands, poorly drawn hands, extra fingers, missing fingers, fused fingers, extra arms, extra legs, missing limbs, deformed, disfigured, asymmetrical eyes, crossed eyes,
multiple girls, 2girls, multiple people, background scenery, room, furniture, text, logo, watermark, signatureそのまま貼って出しました。

デフォルメ寄りで、白衣と三つ編み、白いハイソックスまで出ています。
ただ、5枚のうち4枚は黒髪になりました。
Geminiに聞く

Geminiは、先に「灰色のボブ」「三つ編み」「オーバーサイズの白衣」と画像の特徴を並べてから、プロンプトを書いてくれました。
ChatGPTと違って、ほとんどのタグに「:1.3」のような強調が付いています。
ポジティブ。
(masterpiece:1.3), (best quality:1.3), (anime lineart style:1.4), (flat colors:1.4), (chibi:1.3), 1girl, young female, (light grey short hair:1.2), messy bob, (two small pigtails with black ribbons:1.3), grey eyes, (apathetic expression:1.2), emotionless, (soft cheek blush:1.2), (wearing an oversized open white lab coat:1.4), (long black t-shirt:1.3), white knee-high socks, (black loafers:1.3), standing pose, full body, (simple white background:1.3), clean background, (minimalist composition:1.2)ネガティブ。
(worst quality:1.4), (low quality:1.4), (normal quality:1.2), (bad anatomy:1.3), (bad hands:1.3), (watermark:1.3), (signature:1.3), text, error, blurry, (cropped:1.2), deformed limbs, extra fingers, missing limbs, (photorealistic:1.4), (3d:1.4), (complex background:1.3), gradient colors, heavy shading, (vibrant colors:1.3), open mouth, smiling, happy, long hair, buttoned lab coat, extra clothing layers
線画っぽい絵柄になって、白衣とローファーが出ました。
髪は三つ編みではなくツインテールになり、黒髪の子も出ました。
ローカルのHermes Agentにスキルを作ってもらう
最後は、自分のPCで動くAIです。
Hermes Agentを使いました。
Hermes Agentは、Nous Researchが公開しているAIエージェントで、チャットで頼むと、ファイルを読んだり調べものをしたりしてくれます。
その中に「スキル」という仕組みがあって、手順書をファイルにしておくと、必要なときにAIがそれを読んで作業してくれるそうです。
AIの本体は、Ollamaで動かしているQwen3.5(9.7B)にしました。画像も読めるモデルです。
そこで、SD1.5のプロンプトの書き方をスキルにしてもらい、そのスキルで画像からプロンプトを書いてもらうことにしました。
資料を集める
スキルの元になる資料は、自分で検索して4つ選びました。
SD1.5のモデルカード:Hugging Face(元の配布元が公開をやめたあとのミラー)
強調の書き方:AUTOMATIC1111のWiki(Attention/emphasis と Negative prompt の節)
タグの付け方:Danbooruのhowto:tag
Hassakuのおすすめ設定:Hassakuのモデルページ
ページの中身をテキストで保存して、1つのフォルダに入れました。
スキルを作ってもらう
ターミナルでHermesを起動して、こう頼みました。
(資料のフォルダ) にある4つのファイル(SD1.5の公式モデルカード、プロンプトの強調の書き方、Danbooruのタグの付け方、Hassakuのモデルページ)を読んで、Stable Diffusion 1.5 用のプロンプトを書くためのスキルを作ってください。スキル名は sd15-prompting にしてください。キャラクターの画像を見せたら、そのキャラクターを SD1.5(モデルは Hassaku)で出すための positive / negative プロンプトを書けるようにしたいです。ファイルの保存はこちらでやるので、SKILL.md の全文(先頭の --- で囲んだ name と description を含む)を出力してください。約4分で、スキルの本文が返ってきました。
「画像から特徴を拾う → Danbooruのタグにする → 強調を付ける → Hassakuのおすすめ設定を足す」という手順になっています。
ただ、中身を読むと、気になるところもありました。
書き方の例として、実在するアニメの作品名に、存在しないキャラクターの名前を組み合わせたプロンプトが載っていました。
私の環境では、ローカルのAIにはファイルの書き込みや画面の操作をさせない設定にしています。
なので、返ってきた本文をそのまま、Hermesのスキルのフォルダに自分で保存しました。
画像からプロンプトを書いてもらう
保存したスキルを指定して、立ち絵の画像を渡しました。
約1分半で回答が返ってきました。
顔や服の特徴まで拾っていて、ちゃんと画像を見て書いているのがわかりました。
一方で、黒いTシャツを「crop top(丈の短いトップス)」と書いたり、立ち絵には無いピンクの差し色や屋外の背景を入れたりもしていました。
ポジティブ。
(masterpiece, best quality),
(copyright:original),
(full body, standing upright, front view),
(gray hair:1.2, pigtails, black ribbons on hair, bangs framing face),
(white lab coat long loose-fitting:1.1, patch pockets, wide sleeves:1.1),
(black crop top underneath:1.0),
(light gray thigh-high socks:1.0),
(black chunky platform loafers:1.0),
(large expressive dark gray eyes, pink blush on cheeks:1.1),
(small relaxed pupils, half-lidded sleepy expression:1.2),
(neutral small mouth, soft blush cheeks),
(simple clean minimal anime art style:1.4),
(pink and black accents, white dominant theme),
(outdoors plain background, bright lighting)ネガティブ。
(worst quality, low_quality), [monochrome, bad anatomy, extra fingers, missing limbs, disfigured face]Clip Skipを2にするようにも勧められましたが、今回は設定を変えずに出しました。

5枚とも白衣が出て、1枚を除いて髪はグレーのおさげになりました。
ただ、髪を結ぶところや靴にピンクが入った子が多く、背景はどれもグレーでした。
それでも、服はここまででいちばん近いと思います。
結果を見せてスキルを直してもらう
ここから、スキルを育ててみました。
--imageで添付できる画像は1枚なので、目標の立ち絵と出た5枚を1枚に並べました。

この画像を添付して、使ったプロンプトと一緒にこう頼みました。
スキル sd15-prompting で作ったプロンプトで生成しました。添付した画像の左端が目標の子、右の5枚が生成した結果です。
使ったプロンプト(positive):(上のポジティブ)
使ったプロンプト(negative):(上のネガティブ)
目標と結果を見比べて、ずれているところを挙げてください。そのうえで、次から同じずれが起きないように、スキルに足す部分を出力してください。保存はこちらでやります。約2分半で返ってきました。
挙がったずれは、「目が開きすぎ」「リボンが濃いピンクになった」「髪が整いすぎ」「背景がグレーになった」「ポケットに手を入れている」などです。
画像を見比べたうえでの指摘になっていて、実際の結果とも合っていました。
スキルに足す部分として返ってきたのは、ずれごとの注意と、ネガティブに入れる言葉の一覧でした。
#### Negative Prompt で防げる事象 ####
- `opened eyes, wide eyes`, `wide pupils`: 目が開きすぎ・大きすぎる場合。
- `pink bows on hair`: リボンがピンクになってしまう場合の防衛策。
- `sleek smooth hair`, `perfectly styled hair`: 髪を整えすぎるのを防ぐため。
- `extra accessories`, `decorative elements`: 付加した装飾品を防ぐ。
- `colorful inner layer`: 粉色など派手な内層色を避ける。これをスキルの末尾に貼り付けて、最初と同じ頼み方でもう一度プロンプトを書いてもらいました。
ポジティブ。
(masterpiece, best quality),
(original),
(full body, front view),
(character: gray-haired girl with pigtails),
(small black bows on hair, wispy bangs framing face),
(half-lidded sleepy eyes, small pupils),
(pink blush cheeks, simple slightly downturned mouth),
(relaxed expression, neutral expression),
(wearing white lab coat, long trench coat, mid-thigh length, wide lapels, open front),
(two large patch pockets on coat, flared sleeves),
(simple black t-shirt underneath, crop top style),
(thigh-high white socks, knee-high stockings, smooth snug fit),
(chunky black platform loafers, thick soles, rounded toe shoes),
(hands hanging loosely at sides, relaxed posture),
(slightly chubby platform slip-on shoes),
(plain white background, minimal background details),
(clean minimalist style, subtle shading, soft color palette),ネガティブ。
(worst quality, low quality:1.4),
(mono color, monochrome, text signature logo on image:1.3),
(opened eyes, wide eyes, wide pupils:1.2),
(pink bows on hair, red ribbons:1.2),
(sleek smooth hair, perfectly styled hair:1.1),
(extra accessories, decorative elements:1.1),
(colorful inner layer, pink dress, sailor collar:1.1),
(deformed hands, missing limbs, extra limbs),
(bad anatomy, bad proportions),
(disfigured, mutated):1.3背景は白、リボンは黒と、指摘したずれはプロンプトに反映されていました。
一方で、服には「crop top style」が残りました。
このプロンプトで5枚出すと、ほとんどが露出度の高い絵になり、記事には載せられませんでした。
ネガティブに「nsfw, nude, underwear」などを自分で足して出し直しても、ほとんど変わりませんでした。
Hassakuのモデルページを読み返すと、「Model focus are nsfw images」と書かれていました。
丈の短いトップスの指定が、このモデルの得意な方向に強く引っぱられたのかもしれません。
スキルを作るのに約4分、プロンプトを書く・見比べて直すは、それぞれ1分半〜2分半ほどでした。
結果のまとめ
プロンプトは、書き手ごとに癖がはっきり出ました。
ChatGPTは体のバランスまで細かく書き、Geminiは強調を多めに付け、Hermesは眠そうな目や靴の厚底まで細かく拾っていました。
結果を見せると、画像を見比べてずれも挙げてくれました。
ただ、その指摘で直したスキルのプロンプトでは、記事に載せられない絵になってしまいました。
今日わかったこと2つ
同じ立ち絵を見せても、ChatGPT・Gemini・Hermesでプロンプトの書き方がまったく違い、出る髪型や絵柄も変わった
ローカルのAIでも、画像を添付すれば目標と結果を見比べてくれた。ただ、その指摘で直したスキルが、よい結果につながるとは限らなかった
次は、文章ではなく目標の子の画像そのものを手がかりにする、IP-Adapterを試してみたいと思います。
おまけ:プロンプトを口語にする
おまけとして、プロンプトを単語の羅列ではなく、ふつうの文章にしてもみました。
変えたのはポジティブだけで、ネガティブは元のままです。
まず日本語の文章です。
グレーのボブヘアで、前髪が目にかかっている女の子。左右に短い三つ編みがあり、黒いリボンを付けている。眠そうな半目で、頬が少し赤い。大きな白衣を着ていて、中は黒いTシャツ。白い靴下に黒いローファー。デフォルメされた小さな体で、白い背景に立ってこちらを見ている。
長い髪、フリルの服、手には文字の書かれた紙。
5枚とも長い髪で、白衣は1枚も出ませんでした。
日本語の文章は、ほとんど効いていないようです。
同じ内容を英語の文章にしました。
A small chibi girl with a grey bob haircut and heavy bangs that cover her eyes. She has short twin braids tied with black ribbons. Her grey eyes are sleepy and half-closed, and her cheeks are slightly pink. She wears an oversized white lab coat over a black t-shirt, with white socks and black loafers. She is standing on a plain white background, looking at the viewer.
英語にすると、グレーの髪と白衣が戻ってきました。
三つ編みと黒いリボンまで出ています。
タグで書いたときと比べても、あまり見劣りしない気がします。
今回使ったワークフローです。前回と同じ7ノードで、Empty Latent Imageは512×768です。モデル本体は含まれていません。
【次の記事】
【おすすめ記事】