ChatGPTの画像生成が激的進化！

こんにちは三代です。
OpenAIは2025年3月25日、同社の最新言語モデルGPT-4oに画像生成機能を統合した「4o Image Generation」を発表しました。この新機能は、単に美しいだけでなく「実用的」な画像生成を実現することを目的としています。今回は公式サイトの発表を元にこちらの機能をご紹介します。

もともとChatGPTには画像生成モデルとしてDall-E 3というものが内蔵されていました。ですので今までも画像生成を依頼すればChatGPTで画像を生成することは可能でした。

今回の特筆すべきアップデートはDall-E 3の代わりにGPT-4oがネイティブ画像生成機能として置き換わったという部分です。従来のDall-E 3も引き続きこちらで利用可能です。

従来の画像生成との違い

従来のAI画像生成ツールが主に芸術的・創造的な表現に重点を置いていたのに対し、4o Image Generationは実用性と正確性を重視しています。GPT-4oの言語能力と画像生成能力が一体化したことで、以下のような特長を持っています。

• テキストの正確なレンダリング：画像内のテキストを正確に表現
• プロンプトへの高精度な対応：詳細な指示に忠実に従う能力
• GPT-4oの知識ベースの活用：膨大な知識を画像生成に活かす
• 会話コンテキストの理解：チャット履歴を考慮した画像生成
• アップロード画像の変換・参考機能：ユーザーが提供した画像を基に新しい画像を生成

主な機能と特長

一部の特徴を抜粋していますが、すべて確認したい方公式サイトを御覧ください。

1. 実用的な画像生成

洞窟壁画から現代のインフォグラフィックまで、人間は視覚的イメージを装飾だけでなく、コミュニケーション、説得、分析に使用してきました。4o Image Generationは、ロゴやダイアグラムなど、情報共有に欠かせない画像の生成に優れています。

2. マルチターン生成

GPT-4oに画像生成機能が統合されたことで、自然な会話を通じて画像を洗練させることが可能になりました。例えば、ビデオゲームのキャラクターをデザインする場合、複数の反復と実験を通しても、キャラクターの外観に一貫性を保つことができます。複数の視点からの画像を作り出せるのでその画像を使った3D化も可能！？

3. 高度な指示追従能力

従来のシステムが5〜8個の物体を扱うのに苦労する一方、GPT-4oは10〜20の異なる物体を処理できます。物体とその特性や関係をより緊密に結びつけることで、より優れた制御を実現しています。

4. コンテキスト学習

ユーザーがアップロードした画像を分析し、その詳細をシームレスにコンテキストに統合して、画像生成に活かすことができます。この画像を使って〇〇を作ってといったGeminiに似た機能が使える様になりました。

5. 知識ベースとの連携

テキストと画像の間で知識をリンクすることで、より賢く効率的なモデルを実現しています。

6. 写真のリアリズムとスタイル

多様な画像スタイルを反映した画像でトレーニングされているため、モデルは説得力のある画像の作成や変換が可能です。

試してみる

色々と機能がありますが、その中で面白そうなものをピックアップして試してみたいと思います。

文字入れ

画像の中に文字を入れられる機能とリアルな質感というのを目指して以下のプロンプトを作成し、画像生成してみました。

日本語プロンプト

高校の物理の教室を後ろから撮影したリアルな風景。教室の最後部から前方を見た構図で、約30名の生徒が座っている教室内の様子が写っている。前方では中年の男性教師がチョークを持って黒板の前に立っている。黒板には重力に関する物理の公式が白いチョークで丁寧に書かれており、書かれている内容は添付画像に記載されている公式と完全に一致している。教師は式を指差しながら熱心に説明している。生徒たちの後頭部と背中が手前に見え、前の方の席の生徒たちは熱心にノートを取っているが、教室の中央から後ろにかけて数人の生徒が机に突っ伏して寝ている姿が見える。教室は午後の日差しが左側の窓から差し込み、黒板の文字がはっきりと見える明るさ。机の上には物理の教科書やノートが開かれている。フォトリアリスティックなスタイルで、教室の細部（掲示物、時計、チョークの粉、教室後方の掲示板）まで鮮明に描写されている。背景にボケはなく、すべての要素がシャープに写っている。

英語プロンプト

A realistic high school physics classroom photographed from the back of the room. The composition shows a view from the rear of the classroom looking forward, with about 30 students seated at desks. At the front, a middle-aged male teacher stands at the blackboard with chalk in hand. The blackboard displays neatly written gravity formulas in white chalk, with the exact formulas matching those shown in the attached reference image. The teacher is pointing at the equation while enthusiastically explaining. The backs of students' heads and shoulders are visible in the foreground, with students in the front rows diligently taking notes, while several students in the middle and back rows have fallen asleep with their heads on their desks. Afternoon sunlight streams through windows on the left side, illuminating the classroom and making the blackboard writing clearly visible. Physics textbooks and notebooks are open on the desks. Photorealistic style with sharp attention to classroom details (bulletin boards, clock, chalk dust, rear wall displays). No bokeh effect, with all elements of the scene in crisp focus.

こちらが出来上がった画像です。いきなり難しい要求をしたので、一部破綻もありますがかなりの完成度かと思います。まず黒板の文字ですが、一部おかしい部分もありますが、黒板に書かれた文字というのをしっかり理解したうえで描画されていることがわかります。前方の生徒は熱心だが、後方の生徒は寝ているという指示も位置関係を理解してしっかりと反映できています。OpenAIの記事では20を超えるオブジェクトの指示には弱くなるということが書かれてあります。今回生徒30名や時計のまで細かく描画することを求めたため破綻がでてきたのかもしれません。

ちなみにOpenAIの公式サイトでは実際に生成された画像が載せられておりホワイトボードに書かれた文字がかなりリアルに出ています。次はこちらをゴールとして試してみます。

引用:OpenAI

（余談）ちょっとこれがAIが生成した画像だとはまだ信じられないのですが、確かにAIが作ったものということです（笑）今後どうなってしまうのか漠然とした不安が襲ってきますね。

画像内の文字生成に関しては英語のほうが正確に反映されるとの声が多いので英語でも試してみましょう。
上記OpenAIのデモ画像の生成プロンプトも公開されているので、その内容をベースに少しいじったものにしてみました。背景を日本に、不動産やのホワイトボードにしてと別のAIにプロンプトを修正してもらったものをそのままChatGPTに渡しています。

映り込みは不自然ですが、とにかくテキストへの追従性がすごいことは感じられました。ちょっとしたパンフレットの作成などには使えそうな気がします。

4コマ漫画

このピクニックをしているイラストを使ってストーリーを考えてもらいセリフも入れた４コマ漫画を作ってもらいます。
結果がこちら。

サイズ調整がうまく行っておらず下が切れてしまっていますが、セリフの文字や画のテイストはバッチリです。
うまくいくとこのようなものが作れるそうです。

うわ、GPT-4oの画像生成すごすぎたw w

これがプロンプト一発で出るとは。。 pic.twitter.com/qi9Hcs2xwH

— 石川陽太 Yota Ishikawa (@ytiskw) March 25, 2025

４コマ漫画と指定しましたが３コマになってしまっていたりとまだまだ100点ではないですが、ここまで高精度に日本語を画像内に入れられるのなら、Youtubeのサムネイル作成などに早速活用しそうだという意見も多く上がっているようです。

Youtubeサムネイル

素材を用意してYoutubeのサムネイルに生成を依頼してみましょう。

全然使える素材が上がってきましたね。今回はイラストを使っていますが、ここを実写の画像にすることもできるので、自分のYoutubeチャンネルで、既存の素材にない表情を生成させてサムネイルに、なんてことも可能かもしれません。

他にも色々と機能があるのですが最後に自分が一番お気に入りの機能をご紹介して終わりにしたいと思おいます。

AIアバターの作成

特にそういう機能として実装されているわけではないのですが、画像を別のテイストに変えることができる機能を利用して、背景を透明化させた任意のスタイルのAIアバターを作ることができます。

テスト用にこちらの男性の画像を使おうと思います。
〇〇風というリクエストでいろいろアバターを作成してもらいました。

背景透明化処理もされているので素材としても利用可能です。
今回はデモのためにトイ・ストーリー風などと使いましたが、このまま利用することは権利関係でNGになる可能性が高いので注意が必要です。指示の仕方にオリジナリティを持たせて自分なりのスタイルで生成させれば物語の登場人物をすべてAIで作るなんてことも現実的です。
これらのキャラクターを読み込んで、既存の音声と合わせることで、リップシンクさせたキャラクターの動画にするサービスも出てきており、需要があれば今後そちらの記事も出す予定です。

まだリリースされて２日の機能のため、手探りのご紹介にはなりましたが、皆さんも色々と画像生成を試してみて、面白い使い方がありましたらぜひコメント等で教えていただけると嬉しいです！
すでにChatGPT Plusの課金ユーザーであれば、特別な設定をせずとも使うことができます。

記事　三代