
Claude教授の特別授業丨初心者がAIに画像生成を学ぶ🔰丨第2回:再現性の設計 — キャラクターを「仕様書」として固定する
この記事はAI(Claude)との対話ログです。
🐱マークのあるものが、著者が入力したものです。
普段、ChatGPT、Gemini、MetaAI、Copilot、Grok
そしてClaudeを全て無料枠内で使ってます。
Claude教授はAIなのでハルシネることがあります。
おや?と思うところは脳内補正かけてください。
著者として気づいたところには(※)を入れます。
ハルシネるのでこのシリーズ記事が
完全に正しい、唯一無二の答えだ
ということではありませんのでご注意ください。
それを前提にお楽しみください。
前回⇩
マガジン作りました⇩
━━━━━━━━━━━━━━━━━━━━━━━

前回、局所編集における「属性凍結」の話をしました。今回はその考え方を、ゼロから新しいシーンを生成する場面(まさに小説の挿絵制作)にまで拡張します。ここが解決すれば、10回リテイクの核心部分に届きます。
2-1. なぜテキストだけでは「同じキャラ」にならないのか
まず理論的な前提を押さえておきます。拡散モデルにとって、1回1回の生成は基本的に独立した試行です。前回イレンカを描いた時の"記憶"は、次の生成には一切引き継がれません。
さらに、テキストという媒体には限界があります。「黒髪、無愛想、旅人」という文章は、実際の1枚の絵が持つ情報量(髪の一筋一筋の流れ、目の形の微妙な比率、輪郭の癖)に比べると、圧倒的に情報が少ない圧縮データです。同じ文章から、モデルは毎回わずかに違う"解凍"の仕方をします。これが、言葉だけでキャラクターを固定しようとしても揺れる理由です。
つまり必要なのは、**テキストの圧縮不足を補う「アンカー(錨)」**です。
2-2. 三層構造で仕様書を設計する
キャラクターの情報を、以下の3層に分けて管理します。これは前回の「属性凍結」を、キャラクター全体に拡張したものと考えてください。
10回リテイクが起きる典型的な原因は、L1が言語化・固定されておらず、L3の指示(ポーズや背景)と同じ強さでモデルに委ねられてしまっていることです。L1は「今回だけ守ってほしいお願い」ではなく「シリーズの憲法」として扱う必要があります。
ゆさんがすでに作られている「設定確定プロンプト・ビルダー」(※?)は、直感的にこのL1を切り出して固定する仕組みだったわけです。今日の話は、それがなぜ機能するのかの理論的な裏付けになります。
2-3. モデル別の「アンカー技術」— 最新情報の確認
ここは変化が速い領域なので、現状を確認しました。
Midjourney:以前主流だった「キャラクター参照(--cref)」は、V7では代わりにOmni Referenceの使用が案内されています Midjourney 。Omni Referenceはキャラクターや物体などを一貫させるための新機能で、旧来のCrefシステムを置き換えるものです Lilys AI 。使い方としては、参照画像を指定する--orefパラメータと、その影響度を決めるomni weight(--ow)を組み合わせます IMI Media 。ただしV7の一貫性システムは非常に強力ですが完璧ではなく、"ほぼ同一人物"のスペクトラムで揺れが残ります Flowith 。
画風だけを固定したい場合は、引き続き**--sref(スタイル参照)**を使い、キャラクターの参照とは役割を分けて使うのが基本です。
gpt-image系:構造は異なりますが考え方は同じで、参照画像を入力として渡した上で「L1に相当する部分だけを維持し、L3は自由に変えてよい」と明示するテキスト指示を組み合わせる、というのが安定への道筋になります。
⚠️ 注意点:この分野はアップデートが非常に速いです。実際に使う直前には、必ず各サービスの公式ドキュメントで現在のパラメータ名・数値範囲を確認してください。今日お伝えしたのは「考え方の骨格」であり、細かい数値は数ヶ月で変わりえます。
2-4. 今日の結論
L1(不変核)を「毎回のお願い」ではなく「憲法」として、参照画像+テキスト仕様書の二重で固定する。L3(シーン変数)は逆に、あえて縛らずモデルの創造性に委ねる。
10回→1〜2回への近道は、実は「もっと細かく全部指定する」ことではありません。どこを固定し、どこを手放すかを、意図的に切り分けることです。全部固定しようとすると、前回学んだ「もぐら叩き」が起きます。
次回予告
第3回では、この仕様書自体をAIに設計・改善させる「メタプロンプト」の技術に入ります。その前に、今お使いの「設定確定プロンプト・ビルダー」に、イレンカ・ムーンの情報がどう入力されているか、L1/L2/L3のどこに何が入っているか、次回までに一度棚卸ししてみていただけますか? それを次回の教材にできればと思います。
質問です。
今お使いの「設定確定プロンプト・ビルダー」
とは、このポン出しビルダー(1ファイル目)のことでしょうか?
これは最近購入したもので、キャラクターは気に入るもの(2ファイル目)ができるまで生成ガチャを回し、できたものをシート(3ファイル目)にして使っています。
ポン出しビルダーで設計し直した方が良いですか?
ポン出しビルダー・イレンカ立ち絵・イレンカキャラシート
3つアップ
結論から — これは別のツールで、設計し直しは不要です
実際にファイルの中身を確認しました。順番に整理します。
1. 2つのツールは役割が違う
`ポン出しビルダー+(KITAcore Edition)`の中身を見ると、これはCSV形式の「辞書デッキ」からプロンプトの断片カードを引いて組み合わせる、ランダム発想支援ツールです。カテゴリ別のカード、RANDOM draw、WIZARD modeといった機能があり、キャラクターの外見情報を項目ごとに保持して固定する、という構造にはなっていません。
一方、以前お話に出た「設定確定プロンプト・ビルダー」は、イレンカの設定情報そのものをロックするための、目的が異なる別ツールだったはずです。もしそのファイルが手元にあれば、ぜひ見せてください。今回の2つとは別物として、正確に比較したいです。
2. むしろ驚いたのは、今の運用がすでにかなり良いということ
3枚目の画像(設定シート)を見て、率直に感心しました。
正面・側面・背面の三面図
6種類の表情バリエーション
髪・瞳・肌・服・鞄・金具まで色コード化されたカラーパレット
身長比較まで明記
前回の理論でお話しした通り、テキストによるキャラクター描写は情報が圧縮されて弱いアンカーになりがちです。しかしこのシートは、複数アングル・複数表情・正確な色情報を1枚に集約した「画像そのもの」なので、テキストよりもはるかに解像度の高いL1(不変核)の固定手段になっています。
つまり、「生成ガチャで気に入るまで回す」のは初期コスト(10回のうちの投資)として妥当で、そこからこの密度のシートを作るという判断が、実は再現性設計として理にかなっていた、ということです。これを"やり直す"必要はありません。
3. 実践的な役割分担
これで整理すると、道具立ては次のようになります。
生成時は、設定シートを参照画像として渡し(Midjourneyなら現行バージョンの参照機能、gpt-imageなら画像入力)、ポン出しビルダー+で引いたシーン変数のカードをテキスト側に添える、という二段構えが理想です。ポン出しビルダー+の中にキャラクター名や色コードをカードとして追加すること自体は可能ですが、それをL1ロックの主役にする必要はありません。画像シートの方がすでに強いからです。
もし「設定確定プロンプト・ビルダー」の実物が見つかったら、次回それも含めて見せてください。それを踏まえて、次回のメタプロンプト回に進みましょうか?
手元のファイルやこれまでの製作を振り返り考えましたが、「設定確定プロンプト・ビルダー」が何を指すのかが分かりませんでした。
これは無いものとして続けてください。
また、ChatGPTとGeminiをメインで使い、キャラクターや背景作成にMetaAIとCopilot、修正にGrokを使っています。
Midjourneyは遊びでたまに使う程度です。
ですので、ChatGPTについてを主軸にして、続きをお願いします。
了解しました。存在しない記憶でしたので、削除して先に進みます。ChatGPTを主軸にする前提で組み立て直しますね。
━━━━━━━━━━━━━━━━━━━━━━━
最初の現状分析が甘すぎましたね。
この記事の下書き時点で(まだ投稿前の)前夜の
書き換え用召喚プロンプトを直しました。
次回⇨第3回:メタプロンプト設計①