先日、記事のサムネイル用に「ノートPCの前で困っている30代男性のフラットイラスト」をChatGPTに生成させたら、なぜか全身タイツの人物が宇宙空間に浮いている画像が返ってきた。2回やり直しても方向性がズレ続け、結局30分を溶かした。

結論から言う。GPT Images 2.0（モデル名: gpt-image-2、2026年4月21日リリース）で意図通りの画像が出ないのは、プロンプトの構造が足りていないからだ。従来のDALL-E 3時代の「ざっくり一文」では、このモデルの推論能力を活かしきれない。

GPT Images 2.0で何が変わったのか

OpenAIが2026年4月21日に公開したGPT Images 2.0は、従来のDALL-E 3とは設計思想が根本的に異なる。最大の変更点は、O-seriesの推論エンジンが画像生成プロセスに統合されたことだ。生成前にモデルがプロンプトを「解釈・計画」してから描画に入る。

主要スペックを整理する。

  • テキスト描画精度: ラテン文字・CJK（日中韓）・ヒンディー語で文字レベル精度約99%
  • 最大解像度: 4096×4096（4K）対応
  • 生成速度: 前世代比で約2倍
  • 対応プラン: ChatGPT Plus / Team / Enterprise（2026年5月時点）

テキスト描画精度99%は実用上かなりの精度である。筆者が検証した限り、日本語テキストを画像内に配置する指示でも、フォント崩れや文字化けはほぼ発生しなかった。ただし縦書き指定や10文字以上の長文になると崩れるケースを確認している。

「なんか違う」が起きる原因

GPT Images 2.0の推論統合は強力だが、裏を返せば「曖昧なプロンプトを独自解釈して補完する」ということでもある。DALL-E 3時代はランダム性で外れていたが、GPT Images 2.0は推論で「こういう意味だろう」と勝手に判断して外す。性質が違う。

筆者が50回以上の生成テストで観測した「外れ」パターンは3つに集約される。

1. 被写体の指定が後ろに回っている

プロンプトの先頭に背景や雰囲気を書き、被写体を後半に置くと、モデルは背景を主役と解釈する。「青空の下、広い公園で、犬を散歩させている女性」と書くと、公園の風景画が出て人物が豆粒になる。被写体を先頭に置くのが鉄則だ。

2. スタイル指定の欠落

「イラスト」とだけ書くと、モデルは水彩画・ベクター・アニメ調のどれかをランダムに選ぶ。「フラットデザインのベクターイラスト、太い輪郭線、パステルカラー」のように具体化しないと安定しない。

3. ネガティブ条件の不足

「テキストなし」「背景は単色」「人物は1人だけ」のような除外条件を入れないと、モデルが親切心で要素を足してくる。SIer時代に要件定義書で「やらないこと」を明記しないと勝手に機能が増える現象と構造は同じだ。

狙い通りの画像を出すプロンプト構造

実際にChatGPTで業務メモを要約させたら出力構成がブレて30分悩んだ経験があるが、画像生成でも同じことが起きる。解決策もテキスト生成と同じで、出力フォーマットを具体的に指定することだ。

GPT Images 2.0で安定した出力を得るためのプロンプト構造は以下の7要素フレームワークになる。

【被写体】→【状態・動作】→【場所・背景】→【照明】→【画角・構図】→【スタイル】→【除外条件】

具体例を示す。

30代日本人男性がノートPCの前で頭を抱えている。
デスクの上にコーヒーカップと付箋が散乱。
背景は白い壁のホームオフィス、窓から自然光。
バストアップ、やや俯瞰アングル。
フラットデザインのベクターイラスト、太い輪郭線、
パステルカラー（青・オレンジ・白基調）。
テキストなし、他の人物なし、ロゴなし。

このように7要素を改行で区切って渡すと、モデルの推論エンジンが各要素を独立して処理するため、解釈のブレが大幅に減る。

もう1つ重要なのが反復改善のアプローチだ。一発で完璧を目指さず、まず70%程度の指示で生成し、1ターンに1〜2要素だけ修正を重ねる。「背景をもう少し暗く」「人物の表情をもっと困った感じに」のように、差分だけ伝える方が精度が高い。

テキスト入り画像を正確に出す方法

GPT Images 2.0の最大の進化ポイントがテキスト描画だ。DALL-E 3では日本語テキストを画像に入れるとほぼ確実に文字化けしていたが、GPT Images 2.0ではCJK文字でも実用レベルで描画できる。

ただし条件がある。テキストを正確に出すには以下の3点を明示する必要がある。

  • 文言そのもの: ダブルクォーテーションで囲む（例: "設定完了"）
  • 配置位置: 「画像上部中央に」「左下に」など座標的に指定
  • フォントスタイル: 「白い太字ゴシック体、サイズは画像幅の1/5程度」

筆者の検証では、7文字以内の日本語テキストであればほぼ100%正確に描画された。8文字を超えると脱字や文字の重なりが発生する確率が上がる。長文を入れたい場合は、テキスト部分だけ後からCanvaやFigmaで重ねる方が確実だと判断する。

商用利用の注意点と著作権の現実

2026年5月時点のOpenAI利用規約では、ChatGPTで生成した画像の商用利用は許可されている。生成物の権利はユーザーに帰属する、と明記されている。

しかし法的な保護は別の話だ。

米国著作権局は「significant human involvement（実質的な人間の関与）」がないAI生成物に著作権を認めない方針を取っている。つまりOpenAIとの契約上は「あなたのもの」だが、第三者が同じ画像をコピーして使っても著作権侵害で訴えることが困難な状態にある。

実務上の注意点を挙げる。

  • ブログ・SNS投稿: 問題なし。OpenAI規約で許可済み
  • 商品パッケージ・広告素材: 使用可能だが、他者による模倣を法的に止められない
  • 既存キャラクターに似せた生成: 商標権・著作権侵害のリスクあり。ディズニーキャラや企業ロゴに似た画像は生成しない
  • YouTube動画のサムネイル: YouTubeの規約上、AI生成コンテンツには「改変されたコンテンツ」の申告が必要

妻がSNSで流行のジブリ風画像変換をChatGPTで試していたとき、OpenAIのプライバシーポリシーを読み直したことがある。無料プランではアップロード画像がデフォルトでモデル改善に使われる設定になっている。画像生成で参考写真をアップロードする場合も同じリスクがある。業務用途ならAPI経由（学習利用なし）か、設定画面でData Controlsの「Improve the model for everyone」をオフにすることを推奨する。

検証環境と制限事項

本記事の検証はChatGPT Plus（gpt-image-2モデル、2026年5月時点）、macOS環境のブラウザ版で実施した。APIからの利用ではパラメータ（quality、size、style指定）が異なるため、本記事の指示テンプレートはChatGPT UI前提である。

なお、GPT Images 2.0には1日あたりの生成回数に上限がある（Plus契約で公称値は非公開だが、筆者の体感では1日50〜80枚程度で速度制限がかかる）。大量生成が必要な場合はAPI利用を検討すべきだ。

FAQ

GPT Images 2.0は無料プランでも使える？

2026年5月時点では、ChatGPT Plus / Team / Enterpriseプランのみ対応。無料プランではDALL-E 3ベースの画像生成が利用可能だが、テキスト描画精度や解像度はGPT Images 2.0に劣る。

生成した画像をそのまま名刺やチラシに印刷して問題ないか？

OpenAI利用規約上は商用利用可能。ただし他者が同じデザインを使っても法的に差し止められない点は理解しておくべきだ。ブランドの核となるロゴや重要なビジュアルアイデンティティにはプロのデザイナーを推奨する。

日本語テキストを画像に正確に入れるコツは？

文言をダブルクォーテーションで囲み、配置位置とフォントスタイルを明示する。7文字以内が安定ゾーン。それ以上は後処理でテキストを重ねた方が確実である。

DALL-E 3とGPT Images 2.0はどう使い分ける？

DALL-E 3は指定が少なくてもそれなりの画像を出す「お任せ型」。GPT Images 2.0は詳細指示に忠実に従う「指示遵守型」。ラフなアイデア出しにはDALL-E 3、最終成果物にはGPT Images 2.0、という使い分けが現時点での最適解だと判断する。

参考文献