GPT Image 2（ChatGPT画像生成）プロンプトガイド：対話形式での画像編集の使い方

夜中に機能を三回目まで直していて一番つらいのは、修正そのものより、毎回前二回分の文脈をゼロから説明し直すことだったりする。ChatGPTの画像生成・編集機能——コミュニティでは普通GPT Image 2と呼んでいる——が一番楽なのはまさにそこで、前のターンで何を直したかを覚えていてくれるので、二回目は「もう少し左に寄せて」と言うだけでよく、説明文をまるごと書き直す必要がない。この記事はそれがどれだけ優れているかを語るものではなく、実践的な話に絞る——gpt image 2のプロンプトをどう組み立てれば効率が一番いいか。

対話形式で連続的に修正する、複数ターンでの直し方

一回目は主体・シーン・スタイルをまとめてしっかり説明する。二回目以降は「変化した部分」だけを伝えればよく、変わっていない部分を繰り返す必要はない。たとえば一回目で写真が一枚出来上がったとして、二回目に表情を調整したいなら「表情を笑顔に変えて、他はそのまま」とだけ言えばいい。モデルはこの文脈を引き継いでくれるので、服装や背景をもう一度全部打ち直す必要はない。これはコードを直すときと同じ理屈で――すでに動いている部分には触れず、変わった一行だけをdiffする。

よくある失敗は焦って一度に五つも六つも修正要求を投げて、一回で全部直してくれると期待してしまうことだ。実際に試すと、修正項目が三つを超えたあたりから的中率が明らかに落ちる。二、三回に分けて毎回一つか二つずつ直し、都度確認してから次に進むほうがいい。小刻みなコミットと同じ考え方で、問題が起きてもどのステップが原因かたどりやすい。

もう一つ陥りやすい罠が、途中で話題を変えることだ。前のターンでは人物の表情を直していたのに、今回いきなり全く関係ない商品写真に切り替えると、モデルは前の文脈をまだ有効な制約として扱ってしまい、結果として両方とも中途半端になる。新しいテーマに移りたいときは、素直に新しい会話を始めたほうが同じ文脈に無理やり続けるより手間がかからないし、あとでどの発言がスタイルを狂わせたのか調べる手間も省ける。

この顔参照による再現の実例は、まさに複数ターンの対話で少しずつ近づけていった結果だ。まず構図を決め、そのあと一回ごとに顔立ちの細部を調整していく。一発で決まる確率は実はそれほど高くなく、段階を踏んだほうが安定する。同じロジックの実例は写真編集のカテゴリーでもっと見つかる。

自然文の説明 vs パラメータの羅列、このモデルはどちらが好みか

パラメータ式のプロンプトに慣れている人ほど、上流で犯しがちなミスがある――GPT Image 2をキーワードを積み上げるタイプのモデルだと思い込んで、「4K, cinematic, photorealistic, high contrast」のような単語を並べてしまうことだ。実際にはこのモデルは人間の言葉のほうを好み、シーンで何が起きていて人物が何をしているかを直接描写するほうが、形容詞を積み上げるより効く。たとえば「上品な通勤スタイルの写真、都会的、クールなトーン」と書くより、「エレベーターの扉が開いた瞬間、通勤着の彼女が振り返る、背景はオフィスビルのロビー」と書いたほうがいい。後者は情報密度が高く、モデルが「上品さ」とはどの種類のことなのかを推測する必要がない。

このエレベーター写真の実例のプロンプトは「何が起きているか」を軸に書かれていて、形容詞を積み上げていない分、構図や表情のほうがむしろ正確に出ている。この考え方は、サイト内のプロンプト万能構成公式で触れている「主体をまず具体的に」という話と同じことだ。

部分置換とスタイル変換、直したい場所をそのまま伝える

画像編集において、GPT Image 2の対話的な性質が一番活きるのは部分修正だ。画像全体を作り直す必要はなく、「背景の要素を消して、他はそのまま」「この部分だけコラージュ風に変えて」と直接伝えればいい。モデルは「他は変えない」という暗黙の要求をちゃんと理解し、言及していない部分まで勝手に変えてしまうことはない。スタイル変換も同じで、欲しい効果と維持したい境界線を直接伝えるほうが、長いスタイルキーワードの羅列より精度が高い。

この破れ紙コラージュの実例が示しているのはまさに部分的なスタイル変換の効果だ。ぎざぎざの縁と下地の画面との移行部分は、プロンプトの中で明確に保持を指示している箇所になる。具体的な背景変更の書き方はChatGPT画像編集コマンド大全にもっとまとまった指示のリストがある。

動作の置き換えも同じ発想だ――物理的な合理性は保ったまま、主体だけを差し替える。

この動作置き換えの実例は人物を差し替えつつ、よじ登る姿勢の物理的な妥当性はそのまま保たれている。この種のクリエイティブなアイデア系の要求では、プロンプトに「動作の物理的な連続性を保つ」という一文を積極的に入れておくと、入れない場合よりずっと安定して効果が出る。

作画系モデルとの立ち位置の違い

GPT Image 2はどちらかというと「会話できる画像編集アシスタント」に近く、出発点は既存の画像か明確なシーン描写で、対話を重ねながら望む効果に少しずつ近づけていくタイプだ。一方Nano Banana Proのようなモデルは、一回で構造化された長いプロンプトを最後まで走らせるタイプに寄っている。特に画面に長めの文字を入れたい場合や、複数の参照画像で一貫性を保ちたい場合は、構造化した書き方のほうが効率がいい。簡単に言えば、対話しながら少しずつ直したいなら前者、一発の長いプロンプトで精密なレイアウトを狙うなら後者で、どちらか一方がもう一方を代替するものではない。具体的な違いはGPT Image 2とNano Banana Proの比較実測、より高速なNano Bananaとの比較はこちらの記事を参照してほしい。

このタイポグラフィ実験の実例は、GPT Image 2がデザイン系の要求を処理する一例だ。フォントと人物の空間的な重なり方は、対話を重ねながら位置を少しずつ調整して決めたもので、一発で決まったわけではない。この種のデザイン素材系の要求も、複数回の修正を重ねることで満足のいくレイアウトに近づけていける。

chatgpt画像編集の使い方、実践的なアドバイスをいくつか

日本語のプロンプトはそのまま入力でき、英語に訳してから入力する必要がない点はかなり手間が省ける。編集する前に今回のターンで直すのはどこなのかをはっきりさせておき、新しい要求と古い要求を一つの文に混ぜないこと。効果に納得できないときは、説明があいまいだったのか、それともこの種の要求自体が別のモデルを試すべきものだったのかを振り返るといい――どんな要求も一つのモデルにこだわり続けるのが正解とは限らない。参照画像はアップロードできるならなるべくアップロードしたほうがよく、文章だけで「これに似た感じで」と伝えるより格段に精度が上がる。モデルが構図や配色を直接読み取れるので、文章による二次的な変換を経由しなくて済む。プロンプトで避けるべき地雷についてはネガティブプロンプトガイドでも触れており、こちらにも同様に当てはまる。

この対話形式の流れをすぐ試してみたいなら、トップページimage.faxianai.comで実例を参考にフィールドを変えて試せる。モデルごとの立ち位置の違いをより網羅的に知りたいならモデル百科、比較データ全般は比較専題を見てほしい。