Vertex AI で Imagen を使用するには、何を生成または編集するのかを示すテキストを指定する必要があります。この説明はプロンプトと呼ばれます。Vertex AI の生成 AI とのコミュニケーションは、主にこのプロンプトで行われます。
このガイドでは、テキストから画像へのプロンプトの一部を変更すると異なる結果が生成される方法と、作成できる画像の例について説明します。このガイドでは、テキスト プロンプトと反復処理を使用して画像を編集する方法についても説明します。
プロダクトの使用に関する情報
Vertex AI の Imagen に関連する使用基準とコンテンツ制限については、使用上のガイドラインをご覧ください。
コンテンツ フィルタリング - 入力テキスト、アップロードされた画像、生成された画像
生成された画像は、望ましくないコンテンツや有害なコンテンツがフィルタされます。同様に、Vertex AI の Imagen が受け取るすべての入力は、不適切なコンテンツがないかチェックされます。これには、入力テキスト プロンプトと、画像編集の場合はアップロードされた写真が含まれます。詳細については、Imagen の責任ある AI と使用上のガイドラインをご覧ください。
Vertex AI での Imagen の不正使用の疑いがある場合や、生成された出力に不適切な内容や不正確な情報が含まれている場合は、Google Cloudで不正行為が疑われる場合の報告フォームを使用して報告することもできます。
プロンプト作成の基本（主題、コンテキスト、スタイル）
適切なプロンプトを作成する方法は常に同じではありませんが、いくつかのキーワードと修飾子を追加することで最終目標に近づくことができます。プロンプトを長くしたり複雑にしたりする必要はありません。ほとんどの場合に適切なプロンプトは記述的で明確なものです。
まず、主題、コンテキスト、スタイルについて考えることをおすすめします。
主題: プロンプトについて最初に考えるべきなのは主題、すなわち画像の主体となる物体、人物、動物、風景などです。
コンテキストと背景: その主題が配置される背景やコンテキストも同様に重要です。主題をさまざまな背景に置いてみてください。たとえば、スタジオの白い背景、屋外、屋内の環境などです。
スタイル: 最後に、希望する画像のスタイルを追加します。スタイルは、概括的なもの（絵画、写真、スケッチ）でも、特定化されたもの（パステル画、木炭画、アイソメトリック 3D）でもかまいません。
プロンプトの最初のバージョンを作成したら、目的の画像が得られるまで詳細を追加してプロンプトを調整します。反復処理が重要です。まずコアアイデアを定義し、生成された画像がビジョンに近づくまで、そのコアアイデアを絞り込んで拡張します。
|
|
|
Imagen 3 プロンプトの作成
Imagen 3 は、プロンプトが短くても長くても詳細な画像にアイデアを変換できます。反復的なプロンプトを通じてビジョンを絞り込み、完璧な結果が得られるまで詳細を追加します。
|
短いプロンプトを使用すると、画像をすばやく生成できます。 
|
長いプロンプトを使用すると、具体的な詳細を追加して画像を作成できます。 
|
Imagen 3 プロンプトの作成に関するその他のヒント:
- わかりやすい表現を使用する: 具体的な形容詞や副詞を使用して、Imagen 3 の明確な画像を描きます。
- コンテキストを提供する: 必要に応じて、AI の理解を助けるために背景情報を含めます。
- 特定のアーティストやスタイルを参照する: 特定の美学を念頭に置いている場合は、特定のアーティストや芸術運動を参照すると役に立ちます。
- プロンプト エンジニアリング ツールを使用する: プロンプトを改良して最適な結果を得るために、プロンプト エンジニアリング ツールやリソースを検討してください。
- 個人写真やグループ写真の顔の細部を補正する:
- 写真の焦点として顔の詳細を指定します（たとえば、プロンプトで「ポートレート」という単語を使用します）。
- 詳細を改善するには、Imagen 3 Fast ではなく、Imagen 3 などの大規模なモデルを使用することを検討してください。
画像内のテキストを生成する
Imagen 3 の画像にテキストを追加する機能により、創造的な画像生成が可能になります。この機能を最大限に活用するには、次のガイダンスを使用します。
- 安心して反復処理する: 目的の外観が得られるまで画像を再生成しなければならない場合があります。Imagen のテキスト統合は現在も進化しており、複数回試行することで最良の結果が得られることもあります。
- 短くする: 生成を最適化するには、テキストを 25 文字以下に制限します。
複数のフレーズ: 2 ～ 3 つの異なるフレーズをテストして、追加情報を提供します。クリーンな構成にするために、フレーズを 3 つを超えないようにします。
プロンプト: タイトルとして太字のフォントで「Summerland」というテキストが書かれたポスター。このテキストの下には「Summer never felt so good」というスローガンが書かれています ガイド付き配置: Imagen は指示どおりにテキストを配置しようとしますが、場合によっては変動が生じることがあります。この機能は継続的に改善されています。
Inspire フォント スタイル: 一般的なフォント スタイルを指定して、Imagen の選択に微妙な影響を与えます。正確なフォント レプリケーションに依存せず、クリエイティブな解釈を想定してください。
フォントサイズ: フォントサイズまたはサイズの一般的な指標（小、中、大 など）を指定して、フォントサイズの生成に影響を与えます。
プロンプトのパラメータ化
出力結果をより適切に制御するには、Imagen API または Vertex AI SDK for Python を使用するときに、Imagen への入力をパラメータ化すると便利です。たとえば、お客様がビジネスのロゴを生成できるようにし、ロゴが常に単色の背景で生成されるようにしたいとします。また、クライアントがメニューから選択できるオプションを制限することもできます。
この例では、次のようなパラメータ化されたプロンプトを作成できます。
A {logo_style} logo for a {company_area} company on a solid color background. Include the text {company_name}.カスタム ユーザー インターフェースでは、ユーザーはメニューを使用してパラメータを入力できます。選択した値が、Imagen が受け取るプロンプトに入力されます。
次に例を示します。
プロンプト:
A minimalist logo for a health care company on a solid color background. Include the text Journey.
プロンプト:
A modern logo for a software company on a solid color background. Include the text Silo.
プロンプト:
A traditional logo for a baking company on a solid color background. Include the text Seed.
スタイル: 写真
- プロンプトに「...の写真」が含まれる
このスタイルを使用するには、写真を探していることを Vertex AI の Imagen に明確に伝えるキーワードを最初に使用します。プロンプトに「...の写真」と記述します。例を示します。
|
|
|
画像の出展: 各画像は、対応するテキスト プロンプトと Imagen 3 モデルを使用して生成されました。
スタイル: イラストとアート
- プロンプトには、「...のpainting」、「...のsketch」という表現を含めます。
アートのスタイルは、鉛筆のスケッチなどのモノクロ スタイルから、ハイパーリアルなデジタルアートまで、多岐にわたります。たとえば、次の画像では、同じプロンプトを異なるスタイルで使用します。
「高層ビルを背景にした、角張ったスポーティな電動セダンの[art style or creation technique]」
|
|
|
|
|
|
画像の出展: 各画像は、対応するテキスト プロンプトを使用して Imagen 2 モデルで生成されました。
高度なプロンプト作成手法
以下の例を使用すると、属性（写真の記述子、形状と素材、歴史的な芸術運動、画質の修飾子）に基づいて、より具体的なプロンプトを作成できます。
写真の修飾子
次の例では、写真に固有のいくつかの修飾子とパラメータを見ることができます。
カメラの近接性 - クローズアップ、遠くから撮影
プロンプト: コーヒー豆のクローズアップ写真 
プロンプト: 散らかったキッチンに置かれた
コーヒー豆の小さな袋のズームアウト写真カメラの位置 - 空中、下から
プロンプト: 高層ビルがそびえる都会の航空写真 
プロンプト: 下から撮影した青空と林冠の写真 照明 - 自然、ドラマチック、暖かい、寒い
プロンプト: モダンなアームチェアのスタジオ写真、自然光 
プロンプト: モダンなアームチェアのスタジオ写真、ドラマチックな照明 カメラの設定 - モーション ブラー、ソフト フォーカス、ボケ、ポートレート
プロンプト: 高層ビルがそびえる都会を社内から撮影したモーション ブラーのある写真 
プロンプト: 都会の橋を夜間に撮影したソフト フォーカスの写真 レンズの種類 - 35 mm、50 mm、魚眼、広角、マクロ
プロンプト: 葉の写真、マクロレンズ 
プロンプト: 街路写真、ニューヨーク市、魚眼レンズ フィルムの種類 - モノクロ、ポラロイド
プロンプト: サングラスをかけた犬のポラロイド ポートレート 
プロンプト: サングラスをかけた犬のモノクロ写真
画像の出展: 各画像は、対応するテキスト プロンプトと Imagen 3 モデルを使用して生成されました。
形状と素材
- プロンプトには、「... で作られた ...」、「... の形の ...」という表現を含めます。
このテクノロジーの強みの 1 つは、他の方法では困難または不可能な画像を作成できることです。たとえば、さまざまな素材やテクスチャで会社のロゴを再現できます。
|
|
|
画像の出展: 各画像は、対応するテキスト プロンプトと Imagen 3 モデルを使用して生成されました。
歴史的美術品のリファレンス
- プロンプトには、「... スタイルの ...」という表現を含めます。
特定のスタイルは、長年の間に象徴的な存在になりました。歴史的絵画やアートのスタイルを試すためのアイデアのいくつかを、以下に紹介します。
「[art period or movement] スタイルの画像を生成: 風力発電所」
|
|
|
画像の出展: 各画像は、対応するテキスト プロンプトと Imagen 3 モデルを使用して生成されました。
画像品質の修飾子
特定のキーワードから、高品質のアセットを探していることをモデルが認識できます。品質の修飾子の例を次に示します。
- 一般的な修飾子 - 高品質、美しい、図案化された
- 写真 - 4K、HDR、スタジオ写真
- アート、イラスト - プロが作成した、詳細な
以下に、品質の修飾子を使用しない場合のプロンプトと、同じプロンプトで品質の修飾子を使用したいくつかの例を示します。
|
プロカメラマンが撮影したトウモロコシの茎の写真 |
画像の出展: 各画像は、対応するテキスト プロンプトと Imagen 3 モデルを使用して生成されました。
アスペクト比
Imagen 3 の画像生成では、5 つの異なる画像アスペクト比を設定できます。
- スクエア（1:1、デフォルト）- 標準の正方形の写真。このアスペクト比の一般的な用途としては、ソーシャル メディアの投稿などがあります。
全画面（4:3） - このアスペクト比は、メディアや映画でよく使用されます。また、古い（ワイドスクリーンではない）テレビやミディアム フォーマット カメラでも使用されています。1:1 と比べると、横方向に広いシーンをキャプチャできるため、写真撮影に適したアスペクト比です。
プロンプト: ピアノを弾いているミュージシャンの手のアップ、モノクロ フィルム、ヴィンテージ（4:3 のアスペクト比） 
プロンプト: 高級レストランのフライドポテトのプロのスタジオ写真, フード雑誌のスタイル（アスペクト比 4:3） 縦向き全画面（3:4） - 全画面のアスペクト比を 90 度回転したもの。1:1 のアスペクト比と比べると、縦方向に広がるシーンをキャプチャできます。
プロンプト: ハイキングをする女性, 水たまりに映るブーツのクローズアップ, 背景に大きな山, 広告スタイル, ドラマチックなアングル（3:4 のアスペクト比） 
プロンプト: 神秘的な渓谷を流れる川の空撮（アスペクト比 3:4） ワイドスクリーン（16:9）- 4:3 に代わって、テレビ、モニター、スマートフォンの画面（横向き）で最も一般的なアスペクト比。風景など、広い背景を撮影する場合に使用します。
プロンプト: 全身白の服を着た男性がビーチに座っている, クローズアップ, ゴールデン アワーの照明（アスペクト比 16:9） 縦向き（9:16）- 比率はワイドスクリーンですが、回転しています。これは、ショート動画アプリ（YouTube ショートなど）で普及している比較的新しいアスペクト比です。建物、木、滝など、縦方向に長い対象に使用します。
プロンプト: 巨大な高層ビルのデジタル レンダリング, モダン, 壮大, 壮大な背景に美しい夕日（9:16 のアスペクト比）
ネガティブ プロンプト
前の例では、Imagen に何を作成させるのかを示すプロンプトの記述に重点を置きましたが、製品が画像の生成や編集を行うとき助けになるよう、元のプロンプトとともに否定的なプロンプトを指定することもできます。 このような否定的なプロンプトは、画像から除外する要素を指定でき、強力なツールになります。単純に、含めたくないものを記述します。
推奨 - 含めたくないものをわかりやすく記述します。たとえば、「壁、フレーム」のように指定します。
非推奨 - 手順を示す言葉や、「なし」や「しない」などの言葉は避けます。たとえば、「壁なし」や「壁を表示しない」などの文言の使用は避けてください。
|
否定的なプロンプト: 緑、植物、森、木 |
|
否定的なプロンプト: 雪、霜 |
フォトリアリスティックな画像
画像生成モデルのさまざまなバージョンによって、芸術的な出力とフォトリアリスティックな出力が混在する場合があります。プロンプトで次の表現を使用することで、生成する主題に応じてよりフォトリアリスティックな出力を生成できます。
| ユースケース | レンズの種類 | レンズ焦点距離 | 補足情報 |
|---|---|---|---|
| 人（縦向き） | プライム、ズーム | 24～35mm | モノクロ フィルム、フィルム ノワール、被写界深度、デュオトーン（2 色について言及） |
| 食品、虫、植物（物体、静物） | マクロ | 60～105mm | 高精細、正確なフォーカス、照明の制御 |
| スポーツ、野生動物（モーション） | 望遠ズーム | 100～400mm | 高速シャッター スピード、アクションまたは動作のトラッキング |
| 天体、風景（広角） | 広角 | 10～24mm | 長い露光時間、シャープ フォーカス、長時間露光、滑らかな水や雲 |
ポートレート
| ユースケース | レンズの種類 | レンズ焦点距離 | 補足情報 |
|---|---|---|---|
| 人（縦向き） | プライム、ズーム | 24～35mm | モノクロ フィルム、フィルム ノワール、被写界深度、デュオトーン（2 色について言及） |
このテーブルから複数のキーワードを使用して、Imagen により次のポートレートを生成できます。
|
|
|
|
プロンプト: 女性、35mm の縦向き、青とグレーのデュオトーン
モデル: Imagen 3（imagen-3.0-generate-002）
|
|
|
|
プロンプト: 女性、35mm 縦向き、フィルム ノワール
モデル: Imagen 3（imagen-3.0-generate-002）
オブジェクト
| ユースケース | レンズの種類 | レンズ焦点距離 | 補足情報 |
|---|---|---|---|
| 食品、虫、植物（物体、静物） | マクロ | 60～105mm | 高精細、正確なフォーカス、照明の制御 |
このテーブルから複数のキーワードを使用して、Imagen により次のオブジェクト画像を生成できます。
|
|
|
|
プロンプト: 花類、リーフ、60mm
モデル: Imagen 3（imagen-3.0-generate-002）
|
|
|
|
プロンプト: パスタのプレート、100mm マクロレンズ
モデル: Imagen 3（imagen-3.0-generate-002）
モーション
| ユースケース | レンズの種類 | レンズ焦点距離 | 補足情報 |
|---|---|---|---|
| スポーツ、野生動物（モーション） | 望遠ズーム | 100～400mm | 高速シャッター スピード、アクションまたは動作のトラッキング |
このテーブルから複数のキーワードを使用して、Imagen により次の動画を生成できます。
|
|
|
|
プロンプト: 勝利のタッチダウン、高速シャッター スピード、動作トラッキング
モデル: Imagen 3（imagen-3.0-generate-002）
|
|
|
|
プロンプト: 森の中を走るシカ、高速シャッター スピード、動作トラッキング
モデル: Imagen 3（imagen-3.0-generate-002）
広角
| ユースケース | レンズの種類 | レンズ焦点距離 | 補足情報 |
|---|---|---|---|
| 天体、風景（広角） | 広角 | 10～24mm | 長い露光時間、シャープ フォーカス、長時間露光、滑らかな水や雲 |
このテーブル内の複数のキーワードを使用して、Imagen により次の広角画像を生成できます。
|
|
|
|
プロンプト: 広大な山並み、風景、広角 10mm
モデル: Imagen 3（imagen-3.0-generate-002）
|
|
|
|
プロンプト: 月の写真、天体写真、広角 10mm
モデル: Imagen 3（imagen-3.0-generate-002）
次のステップ
Imagen や Vertex AI のその他の生成 AI プロダクトに関する次の記事を読む。
- Vertex AI で Imagen 3 を使い始めるためのデベロッパー ガイド
- クリエイターとともにクリエイターのために構築された、新しい生成メディアのモデルとツール
- Gemini の新機能: カスタム Gem と Imagen 3 による画像生成の改善
- Google DeepMind: Imagen 3 - 最も高い品質水準の Text-to-Image モデル