AI画像はなぜ数を間違えるのか、うまくいく群衆の頼み方

「窓辺にろうそくを三本」と書いたのに四本出てきた。「ちょうど三本」にすると二本、次は五本。壊れているわけではありません。数えることは画像モデルが構造上苦手とする作業で、理由が分かれば、それと戦うのをやめて、避けて通れるようになります。

なぜ数がずれるのか

画像モデルは、物をひとつずつ描いてから合計を確かめるわけではありません。キャンバス全体を一度に仕上げ、各領域を「この言葉に合う画像が普通どう見えるか」に引き寄せます。「三」という言葉は数十ある言葉の中の弱い後押しにすぎず、学習画像では「ろうそく」という言葉のそばに本数が書かれていることはほとんどありませんでした。

一つや二つの小さな数は、よくあるパターン(ひとつの被写体、ひと組)なので一番簡単です。それを超えると、モデルは算数ではなく質感とリズムに頼ります。窓の列は、間隔が正しく見えれば正しく見えるのであって、七つあるから正しいわけではありません。だからモデルが守れない数字よりも、「いくつか」のほうがうまくいきます。

気にすべき場面と気にしなくていい場面

シーンを二種類に分けましょう。群衆、森、果物かごでは誰も数えないので、二つずれても目立ちません。商品写真、図解、アイコンセット、ボードゲームでは、見る人はすぐ数え、数が違うとミスに見えます。労力は後者にだけ使いましょう。

思い通りの数にする五つの方法

1. 少なめに頼み、グループに名前を付ける

モデルは数字だけよりも「ひと組」や「三つ組」のほうが得意です。算数ではなくひとつの概念だからです。「高いもの、中くらいのもの、低いものの三つ組のろうそく」と書けば、それぞれに個性が生まれ、合計よりも個性のほうが保ちやすくなります。

2. 各アイテムを位置で説明する

数の代わりに、それぞれに場所を与えます。モデルは左と右、手前と奥が得意で、文がすでに窓辺の左、中央、右を埋めていれば、四本目を足すのは難しくなります。

3. 小さく作ってから組み立てる

五つのアイコンや六枚のカードのように正確さが必要なセットは、パーツごとに別の画像として生成し、自分のエディタで並べましょう。レンダリングは少し増えますが、どれも被写体がひとつだけの作業で、最も安く成功させやすいものです。下書きはStill Liteで、1回€0.30から。採用分だけStillで仕上げます。

4. 群衆はわざとあいまいにする

背景の人や物は、数ではなく密度で表現します。「まばらな人混み」「点在している」「肩を寄せ合うほど」。密度は質感なのでモデルが得意です。数字を入れても、目に見える間違いの材料を与えるだけです。

5. 引き直さず、あとから直す

余分な物がひとつあるだけで他は良い画像なら、もう一度サイコロを振らないでください。そのレンダリングを参照画像として添付し、同じシーンを「四本目のろうそくなしで」と頼みます。パレットと配置は保たれ、変えるのはひとつだけなので、新規生成よりずっと分の良い賭けです。

スタジオにできないこと

スタジオのどの機能も、正確な数を約束することはできません。現時点では他の画像生成ツールでも同じです。品質を上げるとディテールは鋭くなりますが、算数を覚えるわけではありません。ページ上の数字が必須条件なら、別々の画像からセットを組むか、最終レイアウトを自分で作り、レンダリングは見た目にだけ使ってください。読める文字も似た理由で失敗します。詳しくは手と文字のガイドをどうぞ。

手早い手順

1. 01誰かが数えるかどうか決める。数えないなら気にしない。
2. 02数えるなら、位置でアイテムを説明し、それぞれに形容詞を付ける。
3. 03安い下書きを少量生成し、数が違うものはひと目で却下する。
4. 04惜しい失敗は、やり直さず参照画像から直す。
5. 05正確なセットはパーツを別々に生成し、自分で組み立てる。

引き直しの税の記事の習慣と組み合わせれば、無駄なレンダリングの大半が消えます。数の間違いは最も高くつく引き直しのひとつだからです。各モデルの現在の価格は、Generateを押す前にモデル一覧で確認できます。