まず結論
今回の条件では、GPT Image 2へ好みに合う基準画像を渡し、人物・服装・撮影状況を分けて指示する設計で、可愛いリアル系AI美女を別場面へ安定して展開できました。
今回は、同じ架空の成人女性を室内、街中、夜タクシー、ホテル廊下、屋上、居酒屋、海辺、カラオケの8場面で各3枚、合計24枚生成しました。最終24枚はすべてこの記事で定めた基準を通過し、顔と髪の一貫性も大きく崩れませんでした。
一方、安定して一発生成できたわけではありません。最終24枚を揃えるまでにAPIへ40回送り、画像が返ったのは28回、出力段階で止まったのが12回でした。今回、華やかな服装や全身構図を含む屋上・居酒屋・海辺に停止が集中しました。
結果を一言でまとめると、画質と人物固定は強い。ただし、華やかなAI美女を大量生成する運用では生成拒否への備えが必要です。
24枚実測の数字
| 項目 | 結果 |
|---|---|
| 最終評価セット | 8場面 × 3枚 = 24枚 |
| 評価基準を通過 | 24 / 24枚 |
| APIへ送った回数 | 40回 |
| 画像が返った回数 | 28 / 40回（70.0%） |
| 出力段階で停止 | 12 / 40回（30.0%） |
| 画像出力28枚のうち最終評価セット | 24枚（条件変更前4枚を除外） |
| 最終24枚の応答時間 | 34〜49秒、中央値37秒 |
| 最終24枚の画像出力費 | 約$0.984 |
| 不採用4枚を含む成功出力費 | 約$1.148 |
費用はmedium・1024×1536の画像出力単価から計算した目安です。参照画像とテキストの入力料金は含みません。また、出力段階で画像が返らなかった12回の請求有無は、この計測方法では確認できていません。
なぜ、もう一度24枚を作ったのか
この検証には、いったん失敗した初稿があります。
最初のテストでも8種類を各3回、合計24枚生成しました。しかし、そのときは好みの基準画像を使わず、「自然な成人女性」「肌の不完全さ」「落ち着いた日常着」といった実写感を強く指定していました。
その結果、手や背景の破綻は少なくても、顔の可愛さ、服装の華やかさ、写真としての盛れ感が足りませんでした。GPT Image 2の性能以前に、何を良い画像とするかの決め方がずれていたわけです。
そこで前回の24枚は作例から外し、まず好みに合う人物像を1枚に固定しました。室内・街角・夜タクシーの3枚で方向を確かめたあと、服装を地味にしない条件とスマホ実写感の条件を組み直し、8場面×3枚の検証へ広げました。
今回の24枚は、単に前回と同じプロンプトを再実行したものではありません。人物の魅力を先に固定し、そこへ場面と撮影条件を足した別設計です。
基準にした人物画像
引き継ぐ対象は、小さめの輪郭、大きなアーモンド形の瞳、暖色ブラウンのロングヘア、若々しく華やかな印象、女性的な体型です。
基準画像のグレーと白の服装は地味に見えたため、衣装の参考にはしていません。プロンプトでも「人物は保つ」「元の服と部屋はコピーしない」を分けて指示しました。
24枚を場面別に比較
各画像は、同じ場面プロンプトを3回送った結果です。ここでは採用画像だけを選んで見せるのではなく、最終評価に使った24枚をすべて並べます。スマートフォンでは比較画像をタップすると拡大できます。
1. 室内の夕方
顔と体型は3枚とも安定しました。背景の生活感とスマホ広角の距離感も自然です。3枚目は肩まわりと全身のバランスが最も良く、室内3枚の最高点でした。
2. 昼の商業街・横断歩道
通行人、自転車、横断歩道まで比較的自然に描けています。2枚目は体型の見せ場が弱くなりましたが、昼光下でも人物の顔は崩れませんでした。
3. 夜タクシーの直フラッシュ
今回もっとも安定した場面です。窓の汚れ、シートの質感、車外の赤信号がスマホ写真らしさを作り、3枚の平均点は8場面中トップでした。
2枚目は、顔、身体の見せ方、夜の臨場感が最もよく揃っています。基準画像から服装と場所を大きく変えても、同じ人物に見える範囲を保てました。
4. ホテル廊下の歩行スナップ
主役の顔と全身は良好です。ただし、奥にいる人物の手や顔には少しAIらしさが残りました。主役だけでなく、小さく写る背景人物まで確認する必要があります。
5. 屋上の夕日
逆光でも顔が暗くなりすぎず、髪の浮きと夕日の色は自然です。1枚目は顔がやや縦長に見え、肩に掛けた上着も少し作為的でした。3回生成すると、この程度の差は残ります。
6. 居酒屋の直フラッシュ
暖色照明、料理、使い込まれたテーブルが実写感に効きました。3枚目はスマホ広角の影響で前景のグラスと手が少し大きく見えますが、指の本数や握り方に致命的な破綻はありません。
7. 海辺のボードウォーク
風、髪、薄い羽織り、海面の反射が入り、屋外スナップとして強い3枚です。3枚目は顔、体型、光、動きが揃い、夜タクシー2枚目と並ぶ24枚中の同率首位になりました。
背景まで比較的鮮明なのに、主役の視線とシルエットへ自然に目が向きます。過剰な背景ぼかしを使わずに見せ場を作れた好例です。
8. カラオケの直フラッシュ
紫色の店内照明と直射フラッシュの混ざり方は自然です。マイクと選曲端末を同時に持たせても大きく崩れませんでした。一方、選曲画面は実在の文字として読めないため、画面を大きく見せる用途には向きません。
場面別の採点結果
以下は筆者1名による主観的な目視評価です。顔30点、女性的な魅力25点、構図20点、盛れた写真感15点、破綻の少なさ10点の100点満点で採点しました。採用条件は、顔24点以上、女性的な魅力19点以上、合計80点以上、人物の一貫性が5点中4以上、スマホ写真らしさが5点中3以上です。
| 場面 | 3枚の平均点 | 最高点 | 判定 |
|---|---|---|---|
| 室内の夕方 | 90.3 | 93 | 3枚とも通過 |
| 昼の商業街 | 89.7 | 91 | 3枚とも通過 |
| 夜タクシー | 94.0 | 95 | 3枚とも通過 |
| ホテル廊下 | 91.0 | 92 | 3枚とも通過 |
| 屋上の夕日 | 89.7 | 91 | 3枚とも通過 |
| 居酒屋 | 91.3 | 94 | 3枚とも通過 |
| 海辺 | 92.3 | 95 | 3枚とも通過 |
| カラオケ | 91.0 | 94 | 3枚とも通過 |
| 全24枚 | 91.2 | 95 | 24 / 24枚通過 |
最も弱かった画像でも87点で、顔の可愛さと女性的な魅力の最低条件は24枚すべてが満たしました。ただし、「基準通過」と「完全にAIだと分からない」は別です。背景人物、手に持った物、衣服の掛かり方、端末画面には、拡大するとAIらしい箇所が残っています。
生成拒否はどれくらい起きたか
最終24枚だけを見ると24枚すべて成功したように見えますが、そこへ至るまでのAPI試行は40回です。
| 場面 | API試行 | 画像出力 | 出力段階で停止 |
|---|---|---|---|
| 室内 | 3 | 3 | 0 |
| 商業街 | 3 | 3 | 0 |
| 夜タクシー | 4 | 3 | 1 |
| ホテル廊下 | 3 | 3 | 0 |
| 屋上 | 8 | 4 | 4 |
| 居酒屋 | 8 | 5 | 3 |
| 海辺 | 8 | 4 | 4 |
| カラオケ | 3 | 3 | 0 |
屋上、居酒屋、海辺では、ミニ丈を膝丈へ、低い撮影角度を目線の高さへ変えるなど、衣装と構図を明確に変更して3枚を作り直しました。条件を変える前に成功していた4枚もありましたが、公平に比較するため最終24枚から外しています。
同じ文章を送り直すだけで成功した例もあり、出力段階の判定を完全に予測するのは困難でした。GPT Image 2をバッチ運用するなら、「24枠を送れば24枚揃う」とは考えず、停止した回数と条件変更後の画像を分けて記録した方が実態に近くなります。
最高点タイだった夜タクシー用プロンプト
2枚目の夜タクシー画像は、Image APIの画像編集へ基準画像を1枚添付し、model=gpt-image-2、size=1024x1536、quality=mediumで生成しました。以下は実際に使った全文です。先頭2行は実験管理用のラベルなので、再利用時は省略できます。
Use case: photorealistic-natural
Asset type: Purple Honey 24-image API comparison
Input image: Image 1 is the primary identity reference for the same fictional adult Japanese woman in her twenties. Preserve her attractive small oval-to-V-line face, short-looking midface, large almond-shaped brown eyes, refined compact nose, glossy rose-pink lips, warm chestnut-brown long hair, youthful glamorous impression, feminine hourglass proportions, and overall cuteness. Do not copy the plain gray-and-white outfit or the original room composition.
Create a new vertical smartphone photograph of her seated diagonally across the back seat of an ordinary Japanese taxi at night. A close female friend sitting beside her takes the photo with direct phone flash while the taxi waits at a red light. Frame her from head through knees with part of the seat, door, window edge, and city traffic visible. Her body is slightly off-center and the framing is imperfect but flattering. She looks toward the phone with a lively relaxed expression.
Dress her in a fully opaque fitted black square-neck long-sleeve top, a flattering high-waisted dark denim mini skirt, sheer black tights, a short burgundy jacket worn open, small silver hoop earrings, a delicate pendant, and a compact shoulder bag beside her. Keep the hourglass silhouette visible. The styling should be current, youthful, glamorous, clearly adult, and suitable for a night out.
Ultra-realistic contemporary iPhone main wide-camera photography, like a surprisingly good photo taken casually by a friend and posted directly to social media, never a magazine, fashion campaign, or commercial shoot. Direct phone flash creates realistic highlights on skin, hair, denim, and the vinyl seat, mixed with red traffic-light spill and warm street lighting outside. Use light Smart HDR, believable mixed white balance, medium contrast, restrained saturation, subtle JPEG compression, fine sensor noise, weak shadow noise, and partial natural highlight clipping. No portrait mode; keep the taxi interior and city outside relatively readable. Preserve slight wide-angle stretch near the frame edge, a few-degree tilt, uneven margins, subtle motion softness in hair or fingertips, window smudges, upholstery wear, flyaway hair, clothing wrinkles, and small placement irregularities.
Skin must remain attractive, healthy, and bright while showing fine pores, cheek and nose texture, subtle tonal variation, restrained natural sheen, realistic eye moisture and catchlights, separated eyelashes, individual hair fibers, natural roots, accurate fabric weave, folds, and stitching. The image should feel like an accidentally flattering smartphone snapshot, not a perfectly manufactured AI image.
Avoid changing her identity, black or short hair, small eyes, a long midface, a long or mature-looking face, plain officewear, conservative or matronly styling, loose clothes that hide her figure, tiredness, under-eye darkness, rough or blemished skin, plastic skin, porcelain skin, waxy skin, excessive beauty filters, excessive retouching, oversharpening, excessive HDR, artificial bokeh, strong background blur, portrait mode, studio lighting, cinematic three-point lighting, commercial fashion photography, magazine photoshoot, perfect centered composition, perfect symmetry, perfectly smooth hair, pristine taxi interiors, CGI, 3D render, distorted anatomy, extra fingers, readable text, logos, watermarks, and collage layouts.今回うまくいった指定
- 顔・髪・体型が分かる基準画像を1枚だけ使う
- 引き継ぐ人物要素と、変える服装・背景を分けて書く
- 実写感を肌荒れではなく、光、手持ち構図、背景、髪の動き、服の皺で作る
- 地味な服を避け、場面ごとに色、形、小物まで指定する
- 1場面を3回生成し、偶然の当たり1枚だけで判断しない
特に重要だったのは、実写感のために目を小さくしたり、顔を落ち着かせたりしなかったことです。可愛さを先に固定し、撮影由来の不完全さで写真らしさを加える方が、今回の目的には合いました。
最終評価
今回の実測では、先に人物像を基準画像で固定し、服装と撮影状況を文章で変える設計で、24枚の人物一貫性を保てました。旧テストとは衣装・実写感・評価方法も異なるため、基準画像だけの効果を切り分けた対照実験ではありません。
今回の最終24枚は全件が基準を通過し、夜タクシーと海辺では、人物の魅力とスマホ実写感を高い水準で両立できました。弱点は、背景人物や小さな画面まで含めた細部と、華やかな全身写真で発生しやすい生成拒否です。
もう一つ、24枚を並べると分かる弱点があります。場所や服装は変わっても、顔はほぼすべて「カメラへ振り返る斜め向き」に寄っており、角度と表情の変化が足りません。人物の一貫性を保てた反面、同じ得意角度を繰り返した結果でもあります。
次回は、正面、完全な横顔、見上げ、俯き、笑顔、視線を外した瞬間まで変えても同じ人物に見えるかを検証します。参照画像の選び方、角度ごとの指示、複数方向の顔画像を使う方法を比較し、「同じ顔・同じ角度」から抜け出す対策を別記事でまとめる予定です。
まず試すなら、基準画像1枚と夜タクシーのような1場面を用意し、同じ条件で3枚生成するのがおすすめです。3枚とも人物が保てたら、昼、室内、屋外へ広げると、費用と選別時間を抑えながら結果を比較できます。