ChatGPTの画像生成AIが大幅にアップデート！ さよならDALL-E3？【GPT 4o】
3/26にChatGPTの画像生成AIが大きくアップデートされました！
これまで、ChatGPTではDALL-E3という画像生成AIが使われていたのですが、これが「4o Image Generation」という、GPT 4oのネイティブなモデルに変わっています。
＊参考：OpenAI公式HPより
https://openai.com/index/introducing-4o-image-generation/
私がこれまでnoteで画像生成に使ってきているのは、ほとんどがChatGPT経由でのDALL-E3であったりするため、この変化は実は割と死活問題だったりします。
ということで、ChatGPTの画像生成AIがどう変わったのか、それでもDALL-E3を使うにはどうしたら良いのかについて、今回は触れていきますね。
ChatGPTの画像生成って具体的に何が変わったの？
一言でいえば、「実用的かつ高精度な画像が生成できる」ように変わっています。
これまでの画像生成AIは「情報を伝える力」が弱かった側面があって、特に文字情報は弱くて、日本語はいわゆる異世界文字的な感じになりがちでした。
もちろんMidjourneyでは日本語テキストを入れられたりもしますが、それでもあまり上手くいかないですし、そもそもあくまでおまけ的な要素でした。
ChatGPTの今回のアップデートでは、この「伝える力の機能」がかなり強化されています。
特に、テキスト描画や意味のある画像生成に強くなっています。具体的には下記みたいな用途ですね。
図解
漫画的な表現
ロゴ
プレゼン資料のビジュアル
ブログのアイキャッチ
また、キャラクターの一貫性がかなり高いのも、今までよりも強化された点ですね。
これまでのDALL-E3でも、やり方次第である程度一貫性保持できてはいましたが、より再現性が高くなっていて、スタイルや画風、ポージングなどを変えても保持できるようになっています。
それでは、実際の生成事例を見ていきましょう。
今回生成した画像は、ChatGPT 4o、あるいはSora(https://sora.com/)を使って生成しています（現在、Soraの画像生成もChatGPTと同じモデルです）。
①ブログのアイキャッチ
「ブログ記事の書き方！」を文字として入れるように指示してアイキャッチを作ったのが下記です。
こんな感じで、テキストが正確に入れられます。
もちろん、文字の長さによってはそこそこ失敗はしますが、それでも、このレベルで文字入れは今まで全く出来なかったんですよね。
画像も雑なプロンプトで作ってもこのレベルなので、そのままアイキャッチとして使っても違和感ないなって思います。
また、更にこの画像の文字だけ変更することもできます。
「ChatGPTの画像生成AIアップデート」に変換したのが下記です。
このように画像全体はかなり高い一貫性を保持したまま、テキストが指示通りに変わります。
こういうのが簡単に変えられるのは、後で加工する手間が無くなるので便利そうですね。
（＊まあ、文字だけならCanvaなどで自分で変えたら良いんじゃないかという話はありますが…）
②図解
また図解も上手く作れるようになっています。
これもDALL-E3では全然意味不明なものしかできなかったので、かなり進歩の大きいところですね。
他の生成AI(Napkin.aiやClaude)に比べても、作れる幅が広そうな印象です。
下記は生成AIの作り方の図解です。
大分簡素化されていますが、テキスト以外にもアイコンや矢印も含めて、図解らしく作れていますね。
さらに、もちろん日本語も入れられます。
下記が「子猫が鍋に入るまで」を図解した生成例です。
まあ、これを図解にする必要性があるのかはおいといて、結構かわいい感じの画風にも出来ます。
テキストの生成も画像と一緒で、プロンプト次第で文字の印象も大きく変えられそうですね。
③文字中心の生成物
これも結構雑なプロンプトで作れます。
実際の例としては、「ウェブブラウザに表示されたnoteのスクリーンショット風画像」を挙げておきます。
これは漢字がおかしいのでAI製だと分かりますが、文字さえまともなら、このレベルで作られると、本物だと思う人も出てくるかもしれませんね。
④漫画
さらに漫画も作れるようになりましたね。
今までもコマ割りの画像自体は作れていたのですが、文字も含めて意味をなしていなかったり、４コマ漫画を作りたくとも４コマにすらならないとかがあったんですよね。
今回のアップデートで、４コマ漫画も適当なプロンプトで一回で作ることも出来ますし、一回キャラクターを作るという工程を嚙ましてから、４コマ漫画にするということも出来ます。
ここでは、後者で生成した事例を簡単に挙げていきますね。
①まずは主役となるキャラクターの画像を生成していきます。
今回は幻想的な感じにしています。
②この画像を選択して追加指示によって、４コマ漫画化していきます。
下記は、「このスタイルのまま、ほのぼのした４コマ漫画にして」くらいの簡易的なプロンプトで作っています。
それでも、元のキャラクターや背景を上手く捉えつつ、結構癒されるテイストで作ってくれますね。
あとは文字も入れるように指示していけば、もう少し実用性のある4コマ漫画も作れます。
下記は、リファレンスのキャラクターそのままにして「noteに関する解説の４コマ漫画」を作った例です。
全体的な雰囲気や統一性、説明の流れ、内容も割と良い感じに作れているので、解説用の漫画作成には十分かなと思います。
ただ、漢字が破綻しやすい傾向がここでも出てきています。
ここから文字だけChatGPT内で再修正も可能なのですが、基本的に上手くいかないので、素直に別ソフトで修正した方が良いかと思います。
このように、4コマ漫画くらいなら多少問題はありつつも何とか作れそうな勢いで、これまでに比べると相当な進歩だと思います。
一方で、恐らくは長大な生成物になってきたり、人物多かったり装飾が細かいコマとかは破綻していくパターンとなりそうなので、その辺が次の課題になってくるんでしょうね。
逆にモデルが変わって困ることは？
もちろんデメリットも幾つかあります。
①生成に時間が掛かる
まず何と言っても生成時間が長い。
リリース直後で混雑しているのもあるかもしれませんが、それを差し引いても遅そうな印象です。
時間帯次第ですが、1回の生成に数分単位で掛かります。
②生成物に危うさがある場合も
Xとか見ていれば分かる通り、ジブリ風の画像が出回ったり、かなり画風の自由度が高くなっています。
逆に言うと、かなり生成物の緩さというか危うさを感じます。
正直、OpenAIって今までこういうのに対してすごく厳しくて、人物とかはプロンプト段階で弾いてきていたので、かなり意外な方向転換だなと思っています。
まあGrokみたいな本当にフリーダムなやつもあったので、OpenAIもあまり気にしない方向に舵を取っているのかもしれませんが。
ただそうなったときに、依拠性は勿論そうですが、出力物に対しての「著作権や肖像権など」が問題ないかは、自分で判断していくことが今まで以上に重要になってくるでしょうね。
③編集を繰り返すと黄色くなる？
また理由は分からないですが、画像を参照して編集を繰り返す（Soraだとremix機能になります）と、下記のように、ちょっと黄色味を帯びてくることがあります。
また、繰り返すたびにどんどん一貫性も低下してくる傾向があるので、この辺は要改善ポイントかなと思います。
④イラストの雰囲気がDALL-E3と違う
生成物のクオリティー面になるのですが、リアル系はこれまでのDALL-E3とは比較にならないくらいに向上していて、イラスト系も生成物の幅が広いですし、品質自体はかなり高いです。
イラスト系の具体例は下記とかです。
このように、特に画風を指定しないと、シンプルめでいわゆるマスターピース顔に近い感じになります。
「品質が高いなら何も問題ないじゃないか」と思われるかもしれませんが、結構DALL-E3ユーザー（私だけではないはず？）にとっては重要なところです。
なぜならDALL-E3を使っている理由って、気軽に使えるのもありますが、イラストとしての生成物に他とは違う独自性がある点にあったりします。
これも例示していきましょう。
例えば、下記みたいな画像です。これはDALL E3で作成しています。
この画風の感じって、他の画像生成AIでは上手く出せないのです。
実際に、これを頑張って、新しいChatGPTで再現しようと試みているやつが下記になります。
こんな感じで、全体的なイメージは合わせられるのですが、画風が違いますよね。
私はDALL-E3の方が画風好みなので、ここを試行錯誤である程度合わせられるのか、合わせきれない場合どうしようかなと言うのが結構悩んでいるところです。
合わせられない理由はいくつかあって、そもそも生成方式が違うとか、学習段階から違うのではないかとかあるのですが、他にプロンプトの効きが結構違うのもあるんじゃないかと思っています。
何というかプロンプトの精度がかなり高いんですが、高すぎるが故の弊害があるんですよね。
もっと分かりやすく言うと、例えば「水彩風(water color)」とかはプロンプト内にとりあえず入れていたとしても、これまでは画風の主体になってしまうほどは存在感が強くなかったんですよね。
でも、今回のモデルだと存在感が強く出てくるケースがあって、そうすると全体のバランスが大きく崩れちゃうんですよね…。
なので、DALL-E3の画風を再現困難っていうところが課題です。
とは言え画風を再現できないにしろ、プロンプトを作りこめば色々作れそうな感じはあります。
例えば下記みたいな画像は作れるので、この感じは悪くないかなと思っています。
なので、当面は試行錯誤していく予定です。
それでもDALL-E3が好きな人へ：使い続ける2つの方法
ここまで新バージョンのモデルを見てきましたが、別に旧バージョンのDALL-E3が使えなくなったわけではないです。
使う方法としては、少なくとも2つあります。
１つはBing image creatorで使うパターンです。
サイズやプロンプト文字数の制約は厳しめですが、これまで通りDALL-E3が使うことが可能です。
もう一つはChatGPT内の、GPTsの中から使う方法です。
GPTsの中から、「DALL-E」を選べば今まで通り使うことが出来ます。
（下記画像の左上のアイコンになります）
なので、当面はDALL-E3は使えそうです。
ただいつまで使えるのかはOpenAIの方針次第なので、GPT4みたいにレガシーモデルとして長く残り続けるのか、GPT3.5みたいに早めに葬られるのかは定かではありません…。
さすがにBingがあるから、残るとは思うのですが。
今回は長くなってしまいましたが、こんなところで終わりにしたいと思います。
もし参考になったら、スキしてくれると嬉しいです。
それではまた。
◯関連リンク
