逆引きプロンプトの使い方、一枚の画像から自分の課題を写し取る

気に入った画像を見つけて、最初に思うのは「これも欲しい」。次に思うのは逆引きツールを開くこと。三番目に思うのは、大量の単語を眺めながらぼんやりすることだ――ツールは「金色の光、シネマティックな質感、8K、傑作」とこの画像について教えてくれるが、見れば見るほどこれは当たり前すぎる話で、どんな画像にでもこれらの言葉は当てはめられ、写し取ったところで写し取っていないのと同じだと気づく。

先に結論を言う。逆引きツールは答えを出してくれるが、半分しか出してくれない。残りの半分は自分でやる必要がある。

逆引きツールは実際に何をしているのか

その本質は、画像を画像認識モデルに見せて「あなたは何が見えますか」と尋ねることだ。モデルが答えるのはそのモデルが認識した画面の内容であって、元の作者が当初書いた言葉そのものではない。この間には一段階の「翻訳」が挟まっており、翻訳には必ず情報の欠落が生じる。だから逆引きで出てくる言葉はよく二つの極端に振れる――描写が曖昧すぎる(光、質感といった誰にでも当てはまる言葉)か、描写が具体的すぎて的外れになる(イヤリング一つを髪飾りだと見間違えるなど)かのどちらかだ。

このことを理解したうえで使い方を考えると、はっきりする。逆引きツールが与えてくれるのは下書きであって、答えではない。

実践の手順、一つも省略できない

第一段階、画像を逆引きツールに入れ、元の単語リストを手に入れる。急いで削ったり使ったりせず、まずざっと一通り目を通す。

第二段階、この単語リストをいくつかの次元に分解してそれぞれ照合する。この段階こそが本当に手間を省ける部分で、ここを飛ばしたら逆引きした意味がなくなる。

• 主体の描写:人物の姿勢、服装、表情。この部分は通常ツールがかなり信頼できる結果を出す
• スタイルのタグ:写実、イラスト、フィルム感といったもの。実際の画面と合わないことが多く、自分で画像を見ながら再確認する必要がある
• 光の描写:ツールは形容詞を積み上げがちで、実際に使えるかどうかは画像内の光源の方向と本当に合っているかどうかで決まる
• 色調の傾向:暖色系か寒色系かといった大まかな判断は、ツールと肉眼の印象が逆になっていることがよくある
• 構図の情報:逆引きツールはこの部分にほとんど触れないので、自分で補う必要がある

第三段階、照合し終えたキーワードを重要度に沿って並べ替える。ツールが吐き出す順序は基本的に参考にする価値がない。語順というのは別の話で講ずるべきものがあり、詳しくはプロンプトの重みの設定方法を見てほしい。重みと語順はひとつながりのロジックだ。

第四段階、手元にスタイルの似た画像が複数あるなら、それらすべてを逆引きにかけて共通項を取る――3枚すべてに繰り返し出てくる単語は、そのスタイルの本当に重要な構成要素である可能性が高い。一度しか出てこない単語は、大半が画像認識モデルの勝手な補完なので、削っても惜しくない。

実際に起きた失敗例

以前、あるサイバーパンク風のイラストを逆引きにかけたとき、ツールは自信満々に「サイバーパンク、ネオン」という言葉を出してきた。それをそのまま使ってみたところ、出来上がった画像はひどく野暮ったく、元の画像とはまったく違う雰囲気になってしまった。後になって分かったのは、問題は単語自体にあるのではなく、元の画像が持っていた寒色系の高コントラストな質感を、ツールがまったく触れていなかったということだった。ツールはキーワードを報告することにばかり気を取られ、構図と色調という、本当に雰囲気を決定づける二つの要素を丸ごと見落としていたのだ。逆引きが与えてくれるのは骨格であって、肉付けは自分で見つけるしかない。

これが、逆引きの結果を単純にコピー&ペーストしてもなかなか効果が出ない理由でもある――写し取っているのは他人の画像認識モデルの口から語られた要約であって、元の作者本人の言葉ではない。その間で失われる情報は、いつも人力で補い直す必要がある。

逆引きが一番効果を発揮するとき

逆引きは1対1で複製するためのものではなく、発想の行き詰まりを打破するために使うものだ。手元にアイデアがないとき、構図や配色がとても好みの画像を見かけたら、逆引きにかけていくつかのキーワードを取り出し、それを呼び水にして残りは自分で発想する。この使い方のときに逆引きツールの効率が一番高くなる。特定のスタイルの描き方を本気で学びたい場合、たとえばスタイル変換のような要求では、同じスタイルの複数画像を逆引きにかけて共通項を取るほうが、一枚だけにこだわるよりずっと信頼できる。

逆引きプロンプトは結局のところ補助ツールであって、課題を丸写しするための魔法の道具ではない。ツールが担うのは画像を単語に翻訳することで、その単語を「なぜこの画像が魅力的なのか」に翻訳し直すのは自分の役割だ。この工程は誰にも、ツール自身にも代わってもらえない。