メインコンテンツへスキップ
見出し画像

【Ideogram4.0】2Dアニメ画像でNano Banana, GPT-Images2.0を超えられるか試してみた(プロンプト付き)

    こんにちは、かみもとです。

    前回の記事ではVRAM 12GBでIdeogram4.0を動かせるか試してみましたが、VRAM 12GBでも十分生成することができました。

    上記記事では標準のプロンプトをそのまま使っていましたが、やはり実用に耐えうるのか、本当にNano Bananaを超えているのかも検証したいところ。

    そこで今回は、Ideogram 4.0・Nano Banana・GPT-Images2.0(ChatGPT)で日本語出力を比較したいと思います。

    なお、Ideogram 4.0は t2i(text to image)なので、画像内のキャラクターは他の2つとは異なる点に注意です。

    Ideogram4.0生成環境

    • OS: Windows 11 Pro

    • CPU: Core i2 12100F

    • MEM: DDR4 48GB

    • GPU: RTX4070 12GB

    ワークフローはComfyUIの標準のものを使っています。CFGなどの設定は以下の通りです。

    画像
    CFG設定

    生成結果:GPT-Images 2.0

    まずはChatGPTのGPT-Images 2.0。ChatGPTで画像生成した結果です。以下の画像を添付して「映画のポスター風」に生成されたものです。

    添付のキャラの恋愛映画のジャケット。高校の制服。アスペクト比は9:16の縦長。泣いている1シーン。

    プロンプト

    生成結果は以下の通りです。

    画像
    GPT-Images2.0(ChatGPT)の生成結果

    日本語完璧ですね!縦書きも横書きもいけます。フォントもデザインも秀逸。このまま映画のポスターにできそうです。

    プロンプトのかなりシンプルなのですが、ここまで作り込めるのはすごい。

    今回は、これをベース画像とします。この画像に似せるようにして、Nano BananaやIdeogram 4.0に指示をさせます。


    生成結果:Nano Banana

    次にNano Banana。Nano Bananaへのプロンプトについては迷いましたが、おそらくChatGPTと同じプロンプトだと全然違う画像になることが想像されたので、Ideogram 4.0と同じように「jsonで配置を指定」させました。

    同じ画像を添付させ、以下のプロンプトで画像を生成させます。

    {
      "high_level_description": "Anime-style movie poster featuring ONLY ONE single crying schoolgirl under cherry blossoms, glowing horizontal typography.",
      "style_description": {
        "aesthetics": "Modern anime, cinematic, romance, solo focus.",
        "lighting": "Soft diffused, glowing text.",
        "photo": "Shallow depth, sharp focus.",
        "medium": "Digital 2D poster.",
        "color_palette": ["#2A2D43", "#FFB7C5", "#FFFFFF", "#1E1E28", "#E8A2B4"]
      },
      "compositional_deconstruction": {
        "background": "Blurred cherry blossoms, falling petals.",
        "elements": [
          {
            "type": "obj",
            "bbox": [50, 50, 950, 850],
            "desc": "ONLY ONE single teenage girl, solo focus, crying in a school uniform.",
            "color_palette": ["#2A2D43", "#FFE3E0", "#5B4B52", "#FFFFFF"]
          },
          {
            "type": "obj",
            "bbox": [50, 50, 150, 450],
            "desc": "Top-left horizontal text: 'ずっと、君の隣にいたかった。'",
            "color_palette": ["#FFFFFF", "#FFB7C5"]
          },
          {
            "type": "obj",
            "bbox": [300, 500, 400, 950],
            "desc": "Mid-right horizontal text: '恋をしたのは、あなただけ。'",
            "color_palette": ["#FFFFFF", "#E8A2B4"]
          },
          {
            "type": "obj",
            "bbox": [520, 40, 620, 450],
            "desc": "Mid-left horizontal text: '切なくて、愛おしい 青春ラブストーリー'.",
            "color_palette": ["#FFFFFF", "#FFB7C5"]
          },
          {
            "type": "obj",
            "bbox": [650, 80, 800, 920],
            "desc": "Large glowing pink main title: '桜の季節に君と泣いた'.",
            "color_palette": ["#FFB7C5", "#FFFFFF"]
          },
          {
            "type": "obj",
            "bbox": [850, 100, 950, 900],
            "desc": "Bottom horizontal text: Cast, credits, release date.",
            "color_palette": ["#FFFFFF"]
          }
        ]
      }
    }

    このプロンプト自体はGeminiにChatGPTの画像を入力し、Ideogram 4.0のプロンプト例を入力して生成してもらいました。

    生成結果は以下の通りです。

    画像
    Nano Banana生成結果

    日本語は問題なさそうです。一昔前ならこれでも感動ものだったと思います。ただ、GPT-Images 2.0を見てしまった後だとデザイン面で1段劣化している感は否めません。

    なおかつ、参照画像を入力したのに、全然似ていない(一貫性がない)のも気になる点です。

    ちなみに、参照画像なしに生成すると以下のようになります。

    画像
    Nano Banana生成結果(参照画像なし)

    生成結果:Ideogram 4.0

    それでは真打のIdeogram 4.0です。t2iなので参照画像なし。プロンプトはNano Bananaに入力したものと同じです。

    画像
    Ideogram 4.0生成結果

    すごく写実的なのは参照画像がないのと、実写に強いモデルのせいかもしれませんが、ぱっと見はいい感じになっています。テキストフォントもNano Bananaよりはおしゃれ感あります。

    ただ、日本語についてはまだまだという感じ。生成AIで文字が描けるようになった頃のレベル。主だった間違いは以下。

    画像
    「隣」が文字化け

    中国語っぽい気もしますが、Geminiに聞いたら存在しないとのこと。

    画像
    「いたかった」→「いいたかった」

    何度か試しましたが、同じ日本語が繰り返されることも多い印象です。

    画像
    「桜」の文字の下に変な記号

    変な記号はありますが、「桜」の文字だけ大きめに配置されているデザインは良い感じです。

    画像
    キャスティング?適当な文字の羅列

    ここまで来ると文字が小さすぎて描画しきれないのだと思います。何かしらキャスティングを列挙したい雰囲気は伝わりますが。

    ちなみにGPT-Images 2.0だとちゃんと日本語で出てます。

    画像
    GPT-Images 2.0のキャスティング描画

    Nano Bananaも雰囲気合ってますが、文字化け、変な文字が入っています。

    画像
    Nano Bababaのキャスティング。カラーコードっぽいのも入ってる。


    ここまで比較してみましたが、日本語についてはNano Bananaはまだ超えられていないですね。デザインは超えている感じします。

    画像
    3モデル横並び。GPT-Images2.0が圧倒的


    改善検討

    日本語はやはり難しい(ひらがな、カタカナ、漢字)ので、英語で再度描画させてみます。

    画像
    GPT-Images 2.0 生成結果(英語)

    やはりデザイン秀逸。というか、アルファベット26文字だけで表現できるので、やはり英語は生成しやすいのがよく分かりますよね。

    画像
    Nano Banana生成結果:英語

    英語になるとNano Bananaのデザインもよく見えてきます。ただ、やはり2Dアニメの画風が若干古いんですよねぇ。。

    画像
    ideogram 4.0 生成結果:英語

    英語だと良い感じに出力されます。パリッと感というかシャキッと感がなくて、全体的に90年代風な画風なんですけれど。

    ただ、キャスティング(クレジット)表記は適当になってしまっています。カタカナとか文字化け漢字など。ここはプロンプトで明確に指示しなかったのでIdeogram 4.0が想像して描いてしまった部分となります。文字は全てプロンプトで指定した方が良い感じです。

    画風に関しては私が色々プロンプトを変更した限りではあまり変わりませんでした。一応、Dual Model CFG Guiderというノードのcfg値を小さくするとのっぺり2Dになり、大きくすると線画2Dっぽくなります。cfg=7くらいにしてしまうとガビガビになります。

    画像
    cfg設定値

    この辺りは ai-toolkit というツールで Ideogram 4.0 の LoRA 学習ができるらしいので、またトライしてみたいと思います。kohya_ssさんのsd-scriptsが対応してくれると使い方知っているので楽なんですけどね。


    まとめ

    • Ideogram 4.0とGPT-Images 2.0、Nano Bananaを同一シーン画像で比較

    • 圧倒的なGPT-Images 2.0には勝てないが、Nano Bananaにはデザイン面で勝てる可能性を感じた

    • 日本語はやはり難しい

    やはり日本語(ひらがな、カタカナ、漢字)の難しさはなかなか乗り越えられる感じではないことが分かりました。文字は生成AIで描画させるのではなく、Photoshopやイラレみたいなツールで追加する方がやりやすいんでしょうね。そういう意味ではGPT-Images 2.0は凄すぎる・・・。


    最後まで読んでいただき、ありがとうございました!

    もしこの記事が「参考になった」「開発のヒントになった」と感じていただけたら、画面下の【スキ(ハートマーク)】を押していただけると、検証の苦労が吹き飛ぶほど励みになります!

    今後も生成AIの技術検証をガシガシ公開していきますので、フォローもぜひよろしくお願いします!

     
     
    かみもと ひろた(神下紘汰)。ソフトウェアエンジニア+R&Dエンジニア。Codex + Claude使い(Geminiはオマケ)。コスパの良いRTX4070のローカル環境で画像生成・音声生成・LLMを実行させたり、アプリ開発したり、最新技術のフォローアップをしたりします。

    あなたへのおすすめ