ビジュアルパンのプロンプト：train of thought や deadline のような英語の慣用句を一枚のコンセプト写真にする

雑誌の挿絵や広告でよく見かける図がある。文字を添えなくても、一目でどの慣用句を言っているか分かるものだ。英語では visual pun や visual metaphor と呼ばれ、たとえば train of thought を本物の一列の列車として描いたり、deadline を本物の一本の線として描いたりする。

この種の図をAIで作る場合、難しいのは「似ているかどうか」ではなく「読み取れるかどうか」だ。モデルは物を綺麗に描くのは得意だが、どの細部がその言葉の意味を担っているのかは分からない。サイト内には最近、GPT Image 2.5のコンセプト撮影事例がまとまって収録され、プロンプトの書き方がかなり統一されているので、これを分解してみる。

一、まず慣用句を「今まさに起きている」動作に翻訳する

慣用句そのものは抽象的で、モデルは "beating around the bush" を直接描くことができない。まずそれを具体的な場面に翻訳する必要がある。誰が、どこで、何をしているのか。

庭木の周りを叩いて回る鍵のやり方はこうだ。光る銅の鍵が灌木の中央に立ち、ある人物が木槌を持って灌木の縁を回りながら地面を叩いており、地面にはすでに一周ぶんの小さな穴が残っている。目標はすぐそこにあるのに、その人物は一歩も中に踏み込まない。「回りくどくする」が文字通りの意味から画面に変わる瞬間だ。穴は「一周つながっていて途切れていない」ことが重要で、この細部が彼がすでに何周したかを物語る。

ゴールライン上の時計の障壁は deadline を dead と line に分解している。トラックのゴールの白線上に時計が一列に並び、最後の二つの間の隙間が今まさに閉じかけていて、フォルダーを抱えたサラリーマンが疲れ切った様子でその隙間に向かって突進している。プロンプトでは、これらの時計が中身の詰まった重量のあるものであり、越えるべき障壁であって空中に浮いた装飾ではないことを特に強調している。この一文が抜けると、モデルはシール絵のような時計を並べて返してくる可能性が高い。

翻訳する際には小さな原則がある。「まだ終わっていない」瞬間を選ぶことだ。隙間が今まさに閉じている、人物が今まさに回っている——画面に緊張感があるからこそ、観客はそれを読み取ろうとする。

二、意味を担うその細部は、譬れない制約として書く

一枚のパンの図では、通常一つか二つの細部だけが「語っている」もので、残りは背景だ。プロンプトはその語っている部分を、交渉の余地のない規定として書かなければならない。

陶土の頭像の中の思考の小さな列車の核心は車両にある。3両のオープン車両それぞれに家、小さな木、白い茶碗という別々のものが積まれている。思考が一つずつ外へ出て行くという意味は、すべて「各車両の積み荷が違う」ことに支えられている。原文は "Each wagon carries something different, so the thought objects read plainly as they leave" と書いており、なぜこう配置すべきかをモデルに一緒に伝えている。

六本の足それぞれが同時に働く蜜蜂は busy as a bee に対応する。前足はキーボードを叩き、中足は封筒を整理し、後ろ足はベルを支えている。三つのことがそれぞれ別の場所を占めている。プロンプトにはさらに「常に六本足の昆虫であり、余分な足はなく、二匹目の蜂もいない」という一文が加えられている。モデルは「忙しさ」を表現しようとすると、足を余分に描いたり蜂を増やしたりしがちで、そうなるとパンは単なる乱描きになってしまうからだ。

ふいごが吹き開ける歯車箱は blow the lid off（内幕を明かす）について語っている。白い箱の蓋がふいごによって吹き上げられ、中には絡み合った鉄の歯車がぎっしり詰まっているが、「一つも箱から落ちていない」。隠されていたからこそ、開けたときに衝撃がある。この制約は歯車をどれだけ精密に描くかよりずっと重要だ。

三、文字を全て禁止し、画面自身に語らせる

このまとまりの事例では、ほぼどれにも長い「文字なし」の宣言がある。紙幣は無地、機械にはラベルがない、時計の文字盤には目盛りだけで数字がない、土の上には看板がない。理由は実際的なものだ。コンセプト図に文字が現れると、読者は字を読もうとしてしまい、画面を読まなくなる。さらにモデルは文字を書くとミスをしやすく、スペルを一つ間違えただけで一枚の絵全体が台無しになる。

書き方としては、末尾に "no text" と一文加えるだけでは足りない。文字が現れそうな物を一つひとつ名指しすることだ。紙幣、機械のパネル、時計の文字盤、槌の頭、地面。名指しが具体的であるほど、見落としは少なくなる。文字そのものを正しく書かせる方法については、モデルに文字を正しく書かせるにはの記事がちょうど逆の発想になっているので、対照して使える。

このまとまりのプロンプトにはもう一つ繰り返し現れる習慣がある。手が写る箇所には必ず「各手は五本指で、見えているか解剖学的に筋が通っている」こと、そして四本指がどう握っているか、親指がどこにあるかを明記している。パンの図における手は通常かなり具体的な動作をしており、手が崩れるとその動作が読み取れなくなる。手のより詳しい書き方はAIで手がいつも崩れる問題を参照。

四、語呂合わせ系のネタには「文脈を示す道具」をしっかり与える

一部のパンは動作に頼らず、一つの単語が持つ二つの意味に頼っている。ベレー帽をかぶってグラスを合わせるトーストがそれだ。toast は食パンのトーストであり、乾杯の挨拶でもある。このプロンプトは短いが、道具は一つも省かれていない。一枚のトーストが黒いベレー帽をかぶり、もう一枚に向かってワイングラスを掲げて乾杯しており、テーブルにはフランスの三色の小さな旗が立っている。

ベレー帽と小さな旗は単なる装飾ではなく、「フレンチトースト」という意味をしっかり固定し、同時に「乾杯」という動作に場面を与えている。語呂合わせのネタの道具は多すぎるくらいでいい。読者が推測する手間が一つ減るたびに、会心の一分が増える。

五、そのまま使えるビジュアルパンのテンプレート

A conceptual editorial photograph that visualizes the idiom "[IDIOM]" without any text. [MAIN SUBJECT] is [CONCRETE ACTION THAT ACTS OUT THE IDIOM], caught at the moment when [UNFINISHED TENSION, e.g. a gap is closing / the lid is just lifting]. The detail that carries the meaning: [KEY DETAIL], and it must stay [HARD CONSTRAINT, e.g. solid and heavy / fully contained / one single insect]. Supporting props: [1-2 CONTEXT PROPS]. Soft [LIGHT TYPE] light, a restrained palette of [3-4 COLORS]. Nothing carries a label or inscription: [LIST EVERY OBJECT THAT MIGHT SHOW TEXT] stay blank. Any visible hand shows exactly five fingers. 16:9 wide composition with clear margin on every side.

日本語訳：文字が一切現れない、慣用句「［習語］」を描き出した一枚のコンセプチュアル・エディトリアル写真。［主体］が［習語を演じた具体的な動作］をしており、［まだ終わっていない張力、例えば隙間が今閉じかけている／蓋がちょうど持ち上げられた］その瞬間で定格している。意味を担う細部は［キーとなる細部］で、それは［硬い制約、例えば中身が詰まって重い／完全に中に収まっている／常に一匹の昆虫だけ］を保たなければならない。補助道具：［1〜2個の文脈を示す道具］。柔らかい［光の種類］、抑えた［3〜4色］の配色。すべての物にラベルや刻字はなく：［文字が現れうる物を一つずつ列挙］は無地のままにする。画面に写る手はすべて五本指である。16:9の横長構図で、四辺に余白を残す。

六、よくある失敗のポイント

1. 慣用句の選び方が渋すぎる。画面がどれだけ正確でも、読者がその言葉を知らなければ無駄になる。deadline、train of thought、busy bee のように誰もが知っているものを優先的に選ぶべきだ。
2. 一枚の図に二つの慣用句を詰め込んでしまう。意味がぶつかり合い、どちらも読み取れなくなる。
3. 重要な細部を形容詞で書いてしまう。「たくさんの歯車」より「歯車が箱にぎっしり詰まっていて、一つも落ちていない」のほうがいい。後者こそ検証可能な表現だ。
4. "no text" としか書かない。モデルは時計の文字盤、紙幣、パッケージにひそかに文字を書き足してしまう。一つひとつ名指しする必要がある。