Midjourney V8.2、DALL-E、FLUX.1｜リアルな写真と読める文字を作るのはどれ？

カフェの新メニューのポスターを作ろうとして、AIに「湯気が立つラテの写真」と頼んだとします。出てきた画像はとてもきれいなのに、カップに書かれた店名の文字がぐにゃりと崩れている。こんな経験はありませんか。実はこの「リアルさ」と「文字の正確さ」は別々の能力で、画像生成AIのサービスごとに得意・不得意がはっきり分かれます。

そもそも、どうやって絵を作っているのか

画像生成AIは、写真を検索して持ってくるのではありません。画面いっぱいに広がる砂嵐のような状態から始めて、あなたの言葉に近づくように少しずつザラザラを取り除いていく。この作業を何十回も繰り返して、最後に一枚の絵が現れます。この仕組みは「拡散モデル」と呼ばれ、MidjourneyやDALL-E、FLUXもこの考え方を土台にしています。

違うのは、何を重点的に学んできたかです。大量の写真と説明文の組み合わせを見て、「光がどう当たるか」「指はどう曲がるか」「文字はどう並ぶか」といったパターンをそれぞれのサービスが身につけています。だから同じ「ラテの写真」という指示でも、出てくる絵の雰囲気や文字の正確さが変わるのです。

3つのサービスの得意分野

Midjourneyは、映画のワンシーンのような美しさで知られています。肌の質感や布のシワ、夕方の光の柔らかさなど、写真として見ても違和感の少ない絵を作るのが得意です。人物のポートレートや商品の雰囲気づくりに向いています。

DALL-Eは、ChatGPTのチャット画面からそのまま頼めるのが特徴です。「もっと明るく」「背景をもう少し広く」といった会話のやり取りで調整できます。複雑な情景や比喩的な表現をくみ取るのが得意で、日本語で長い説明を書いても意図を拾ってくれます。

FLUXは、人の手や指の形を正確に描くこと、そして画像の中に文字を正しく入れることに強みがあります。看板やロゴ、Tシャツのプリントなど、文字が崩れると困る場面で力を発揮します。

• Midjourney：光や肌の質感、映画的な雰囲気を重視したいときに
• DALL-E：日本語で気軽に頼み、会話しながら直したいときに
• FLUX：手や指、看板の文字を正確に描きたいときに

文字が崩れる理由と、確認のしかた

文字がぐにゃりと崩れるのは、AIが文字を「意味」としてではなく「模様」として学んでいるからです。日本語の漢字やカタカナは形が複雑で、とくに崩れやすい傾向があります。FLUXのように文字を重点的に学んだサービスでも、長い文章や小さな文字では誤りが残ることがあります。

ポスターやチラシに使うなら、画像の中の文字はそのまま信用せず、別のソフトで文字を入れ直すのが安全です。AIに文字まで完璧に任せるより、背景の写真だけを作らせて、文字は自分で載せる。この分担のほうが、結果的にきれいに仕上がります。

指や手の描写で見分ける

人の手や指は、画像生成AIがもっとも苦手としてきた部分です。指が6本あったり、関節が不自然に曲がったりすることがあります。ただし、これはサービスやバージョンによって改善が進んでおり、FLUXのように手の再現を重点的に学んだものでは、この問題が大きく減っています。逆に、指の本数だけを見て「これはAIが作った」と決めつけるのは危険です。写真の加工や合成でも同じような乱れは起こります。

大切なのは、一つの特徴だけで判断しないことです。光の当たり方、影の向き、背景のつながりなど、複数の点を合わせて見ていくと、不自然さに気づきやすくなります。

結局、どれを選べばいいのか

目的によって答えは変わります。人物の雰囲気や光の美しさを最優先するならMidjourney。日本語で気軽に試しながら調整したいならDALL-E。手や文字の正確さが重要な場面ならFLUX。まずは同じ指示を2つ以上のサービスに出して、自分の目で見比べてみるのが一番確実です。

どのサービスも、出てきた画像をそのまま使うのではなく、指の形や文字を自分の目で確認する習慣が欠かせません。AIはあくまで下書きを作る相棒で、最後に選ぶのはあなたです。