本稿は 2025 年アドベントカレンダー Day 10 の記事です。

Day 9 の続き：Text 以外のモダリティ

Day 9 では、文章生成（Text2Text）におけるコンテキストエンジニアリングの話をした。AI に文脈を渡すことで、セッションをまたいでも品質を維持できるようになる、という内容だ。

では、文章以外のモダリティではどうだろう？

今日は、画像生成・音楽生成・動画生成について、私が実際に使っているツールと、まだ手を出せていない領域について正直に書いてみたい。

画像生成の変遷（私の場合）

画像生成 AI は、この 1〜2 年で選択肢がかなり増えた。

私の場合、最初は Windows Copilot で画像を生成していた。Microsoft のエコシステムに乗っかれるのが楽だったし、画風も好みだった。ちょっとしたアイキャッチ画像を作るには十分だった。

その後、NanoBanana3Pro が出るまではこれをメインに使っていた。

今は Gemini や NotebookLM を使うことが多い。特に NotebookLM は、ドキュメントを読み込ませた上で「この内容を図解して」と言えるのが便利だ。グラフィクスの品質もかなり上がってきた。

そして最近は AntiGravity というツールを使っている。記事に画像をつけるハードルがぐっと下がった。……と言いたいところだが、現在リミット中なので今日の記事には画像がない。残念。

画像生成 AI が便利になって、一番変わったのは記事に画像をつけるハードルだと思う。

以前は、記事に図を入れようと思ったら、自分で描くか、フリー素材を探すか、有料素材を買うかしかなかった。どれも面倒だった。

今は「こういう図がほしい」と言えば、それっぽいものが出てくる。もちろん、一発で完璧なものは出ないことも多い。でも、叩き台があるだけで全然違う。

文章生成のときと同じだ。ゼロから作るより、たたき台を修正する方が楽。

音楽生成については、Suno AI を使っている。使っている、と言っても、まだ本格的に運用できていない。

正直なところ、音楽制作に割く時間がまだ取れていない。

Suno AI 自体は面白いツールだ。テキストで「こういう雰囲気の曲がほしい」と言えば、それっぽい曲が生成される。BGM として使えそうなものも多い。

ただ、音楽は文章や画像と違って、「ちょっと修正して」が難しい。生成された曲の一部だけ変えたい、というのがやりにくい。この辺りは、まだ発展途上なのかもしれない。

来年はもう少し時間を取って、本格的に触ってみたいと思っている。

そして動画生成。これは完全に「来年やりたいこと」枠だ。

2024 年後半から 2025 年にかけて、動画生成 AI の話題が増えてきた。Sora、Runway、Pika Labs……名前だけは聞いている。でも、まだ自分では触っていない。

音楽生成と組み合わせて、ショート動画を作れたら面白そうだな、と思っている。研修の導入動画とか、ちょっとしたプロモーション動画とか。

ただ、これも時間との戦いだ。本業の合間にどこまでできるか。

Day 9 で書いたコンテキストエンジニアリングの話を思い出してほしい。文章生成では、AI に文脈を渡すことで品質が上がった。過去の記事の設計書を参照させたり、ルールファイルを読み込ませたり。

じゃあ、画像生成でも同じことができるか？

……残念ながら、そのままでは使えない。

たとえば、画像生成で「前回と同じ画風で」と言っても、前回の画像を覚えていないことが多い。「このキャラクターを描いて」と言っても、キャラクターの設定をどう渡せばいいのか、まだ標準的なやり方がない。

音楽生成はもっと難しい。「前回の曲と同じ雰囲気で」と言っても、「雰囲気」を言語化するのが大変だ。BPM やキー、楽器構成……言葉にできる部分はあるけど、「なんとなくこういう感じ」は伝えにくい。

つまり、モダリティごとに、コンテキストの渡し方を考え直す必要があるということだ。

とはいえ、最近のツールを触っていると、Text2Text のプロンプトの書き方に寄ってきている感覚がある。

Gemini の画像生成は、かなり自然言語で指示できるようになった。「青空の下で、白いワンピースを着た女の子が走っている、水彩画風」みたいに書ける。

NotebookLM は、ドキュメントを読み込ませた上で「この内容を図解して」と言える。これはまさに「コンテキストを渡す」発想だ。

音楽生成の Suno AI も、歌詞やジャンルをテキストで指定できる。

テキストでの指示が、他のモダリティにも広がってきている。この流れが進めば、Text2Text で培ったコンテキストエンジニアリングのノウハウが、他のモダリティにも応用できるようになるかもしれない。

来年はこの辺りを探っていきたい。

Day 9 と Day 10 で、生成 AI でのクリエイティブについて書いてきた。

正直、まだ「できていること」より「やりたいこと」の方が多い。でも、それでいいと思っている。

全部完璧にやろうとしたら、何も始められない。まずは一つ、触ってみる。そこから広げていく。

あなたは、どのモダリティから始めてみたいですか？