作成日付: 2026/04/10
目的
Geminiによる画像生成を実施した際、自分が想像する画像を細部まで生成したいと思い調べてみました。
そこで得た内容についてを下にまとめてみました。
方法
1 Interactions APIなどを使って、対話的に画像生成の精度を上げる
これは、Interactions APIというGeminiのAPIがあり、過去のプロンプトや画像をコンテキストに残した状態で新しくプロンプトによる指示を出せるものになります。
ChatGPTやGeminiなどのチャット画面での対話をイメージしてもらえればよいと思います!
そのため過去に生成された画像をもとに、編集を指示することで、0→1で生成するよりもぶれずに期待通りの画像を生成できます。
2 思考モデルの使用
思考モデルは、内部的に試行錯誤しながら生成する仕組みであり、思考モデルを使用することで内部的に試行錯誤しながら生成することで、結果の精度が向上します。
Gemini3の画像モデルに関してはすべて、推論機能があるため精度は高いとされています。thinkingLevelで思考の量を制御することができ、高ければ高いほど考えてくれますが、コストも高くなります。
3 キーワードをプロンプトにするよりも物語や説明の段落をプロンプトにする
キーワードで画像を生成させるよりも、文章としてプロンプトを渡すほうが期待通りの画像を生成しやすくなります。
Geminiの公式で紹介されている文章でよい例として紹介されている以下のようなものがあります。
文章として、詳細かつ具体的に記述することが重要です。
「銀の葉の模様がエッチングされた、装飾的なエルフのプレート アーマー。ハイカラーとハヤブサの翼の形をした肩当て付き」
https://ai.google.dev/gemini-api/docs/image-generation
ほかにも、以下のような良いパターンと悪いパターンを紹介していました。
ただ指示するのではなく、どのようなものかをより具体的に書くのが大事だと思います。
「高級感のあるミニマリストのスキンケア ブランドのロゴを作成して」は、「ロゴを作成して」よりも効果的です。
https://ai.google.dev/gemini-api/docs/image-generation
4 手順ガイドで生成させる
これは、複雑な画像生成を実施する際に、手順を明示して画像を生成させる方法です。
公式ドキュメントでは以下のようなプロンプトの例を出していました。
「まず、夜明けの静かで霧のかかった森の背景を作成して。次に、前景に苔むした古代の石の祭壇を追加して。最後に、祭壇の上に光る剣を 1 本置いて。」
5 カメラを制御する
自分はこの手法が一番面白いと思いました。この手法は、写真や映画の撮影用語を使用してプロンプトに指示を出す方法です。wide-angle shot、macro shot、low-angle perspectiveなどの用語が紹介されていました。
やはり、画像や動画などを生成するには、その本職の人が一番得意ということを痛感した方法です。
まとめ
画像生成の精度を調査しました。いろいろテクニックが存在することを理解した一方、良いパターンのプロンプトを見ていると、生成したい画像についての言語化が非常に端的で理解しやすいと感じました。つまり正確で端的な説明力これが、精度の高い画像生成の核となるものかなと感じました。