使用ガイド
flux-2-klein-9b EC商品画像生成プロンプトレシピ
文字レンダリングと高忠実度ディテールのためのコピー可能なプロンプト構造、および hiapi API 経由の curl と Python リクエスト
このページの内容
プロンプトの長さより構造が重要な理由
多くの失敗した商品レンダリングは、形容詞が足りないからではありません。プロンプトが主体・カメラ・光・文字要件を、区別しにくい一団の語に混ぜ込んでいるからです。出力がおかしいとき、どの文が原因か判断できず、結局は全体を書き直し、うまく効いていた部分まで失ってしまいます。
構造化されたプロンプトはこの問題を解決します。記述の各部分に明確な所属があるからです。毎回ひとつのスロットだけを変えて再レンダリングします。ラベルの文字が崩れたら文字スロットを変えます。ボトルが磨りガラスではなくプラスチックに見えるなら材質記述を変えます。その他はすべてそのままにするので、反復コストは低く、良い結果は再現可能になります。
長いプロンプトが自動的に忠実度を高めるわけではありません。ある長さを超えると、余分な形容詞どうしが競合し始めます。同じ段落に「glossy」と「matte」が両方あり、異なる2つの光の方向が現れ、3つとも成立する背景色調が並びます。モデルはそれらを平均するしかなく、平均化されたプロンプトは平凡な画像を生みます。スロットが明確に分離された短いプロンプトは、モデルに曖昧さのない指示を与えます。
本ガイドでは全体を通して5スロットのレシピ形式を使います:
- 主体——商品とその決定的な物理属性
- 構図——フレーミング、アングル、配置、背景
- 光——方向、質感、影の表現
- 文字——正確な文言、位置、階層
- ネガティブ——抑制したいアーティファクトの短いリスト
以下の各節で、特定のスロット向けのコピー可能な文字列を示します。それらを組み立てて hiapi API 上で flux-2-klein-9b/text-to-image を通して実行し、各反復ではひとつのスロットだけを調整します。
レシピの骨組み:主体・構図・光・文字・ネガティブ
テンプレートは次のとおりです。角括弧の部分は提案ではなく、埋めるべきフィールドと捉えてください。
Subject: [製品名], [主な素材], [表面仕上げ], [差別化できるひとつのディテール]
Composition: [レンズタイプ] of [主体の配置], [背景の説明], [カメラアングル]
Light: [方向] [質感] light, [影の説明]
Text: the words "[正確な文言]" in [フォントスタイル], positioned [位置], sized [相対的な大きさ]
Negatives: [アーティファクト], [アーティファクト], [アーティファクト]
スキンケア商品の記入例:
Subject: amber glass dropper bottle, frosted glass body, matte black cap, a thin label band near the base
Composition: product hero shot, bottle centered on a light stone surface, soft neutral background with slight gradient, eye-level camera angle
Light: large softbox from the upper left, gentle falloff toward the right, soft contact shadow under the bottle
Text: the words "DAILY SERUM" in a clean geometric sans-serif, positioned on the label band, sized to span most of the label width
Negatives: warped lettering, duplicate labels, harsh specular hotspots
この骨組みを確実に機能させる2つのルールがあります。第一に、順序よりも分離が重要です——これらのラベル(Subject:、Light:)はあなた自身が編集する際の規律を保つためのもので、プロンプトが安定したら外してもかまいません。第二に、各スロットには具体的な記述語を少数だけ残します。ひとつのスロットに2行以上必要なら、おそらく2枚の異なる画像を記述しています。
内容スロットごとに15〜40語を目安にしてください。この範囲なら商品の物理的現実を固定するのに十分で、モデルが競合する解釈をでっち上げる余地も残しません。
画像内の文字をはっきり読みやすくするレシピ
文字レンダリングはプロンプトの規律の価値が最もよく表れる領域です。3つの習慣が効果を大きく高めます:正確な文言を引用すること、配置位置を示すこと、文字数を少なく保つこと。
一度だけ、正確に引用する
望む文言を引用符で囲み、一度だけ述べます。同じ文字列を別のスロットで繰り返すと、モデルが2回レンダリングしようとします。
Text: the words "AURORA" in a bold condensed sans-serif, centered on the front panel, large enough to dominate the upper third
階層を明示する
文字要素が2つあるときは、どちらが主でどちらが副かを示し、相対的な大きさを記述します。
Text: primary line "COLD BREW" in a heavy serif, centered; secondary line "single origin" in a smaller light sans-serif directly beneath it, roughly one quarter the height of the primary line
位置を物理的特徴に固定する
「中央」では弱すぎます。「前面ラベルの中央、上端とキャップの首輪の間に」なら、モデルに使える幾何情報を与えます。
Text: the words "SPF 30" in a rounded sans-serif, positioned in the lower right corner of the label, small relative to the product
文字を短く保つ
1〜4語なら安定してレンダリングされます。完全な文、製品の訴求文、成分リストは、可読性が溶けた字形へと崩れる典型です。パッケージにどうしても段落の文字が必要なら、まずきれいな商品画像を生成し、後から本物の組版を合成してください——モデルはレイアウトエンジンではありません。
ECラベルに適した有効なパターン
- 短いブランド識別:
the words "NORD" in an uppercase geometric sans-serif, tracking wide, centered on the bottle shoulder - 容量や体積:
the words "250ml" in a small regular sans-serif, bottom edge of the label, right-aligned - カテゴリ語:
the words "BODY LOTION" in a medium-weight sans-serif, one line, spanning the label width
レンダリング結果に文字化けが出たら、まず文字列を短くし、それから他の変更を検討してください。長さが最もよくある失敗軸です。
高忠実度の商品ディテールのレシピ
忠実度は形容詞の密度ではなく、物理的な具体性から生まれます。3つのスロットが主な役割を担います:材質、表面仕上げ、フレーミング。
材質
物質名と、目に見える結果を1〜2つ挙げます。
Subject: ceramic mug, thick stoneware body, slight irregularity along the rim, speckled clay visible through the glaze
これを a beautiful high-quality mug と比較してみてください。後者はモデルにレンダリング可能な情報を何も与えていません。
表面仕上げ
表面仕上げはレンダリングが最もよく失敗する箇所です。「光沢」や「高級感」は実行可能な指示ではないからです。光が表面でどう振る舞うかを記述します。
Subject: stainless steel thermos, brushed horizontal grain, satin finish that spreads highlights into wide soft bands rather than sharp points
Subject: glass perfume bottle, clear thick-walled glass, polished facets that produce crisp edges and a visible refraction through the body
フレーミング
写真用語を借ります。これによりモデルに一貫したレンズ空間モデルを与えられます。
product hero shot, eye-level, centered, shallow depth of field with the background falling off softlythree-quarter angle, slightly above eye level, product occupying the lower two thirds of the frameflat lay, directly overhead, product aligned to the frame edges with even margins
本当に役立つ質感の記述語
商品が実際にそうである場合にのみ、これらの語を使ってください:brushed、frosted、matte、satin、polished、woven、knurled、embossed、anodized。それぞれが特定の光の応答に対応しており、それが漠然とした賛辞より優れている理由です。
ディテール重視の主体記述行の完全例:
Subject: matte ceramic candle jar, unglazed exterior with fine grain, smooth glazed interior lip, thin wooden lid resting slightly ajar
ここに最上級の形容詞はないことに注目してください。すべての語が幾何か光を制約しています。

重み付けと短いネガティブリスト
語の強調と弱化
あるスロットが無視されるとき、レバーは2つあります:その語をプロンプトのより前の位置へ移すか、重みを付けるかです。重み付けの構文はツールによって異なるため、本番負荷で特定の記法に依存する前に、hiapi API 上の flux-2-klein-9b/text-to-image が何を受け付けるかを確認してください。実際には、並べ替えが最も移植性の高い修正です——スロット冒頭付近の語は末尾に埋もれた語より影響が大きいからです。
重み付けは本当の衝突に使うものであり、日常的な強調に使うものではありません。ラベルの文字がいつも縮むなら、主体内のすべての語ではなく文字スロットに重みを付けます。
ネガティブリストを証拠に基づかせる
ネガティブリストはパッチのリストであり、願望リストではありません。空から始めます。レンダリングします。特定のアーティファクトが見えたら、追加します。もう見えなくなったら、削除を検討します。
商品画像作業の実用的な初期セット:
Negatives: warped lettering, duplicate text, extra fingers, distorted reflections
ほとんどのECプロンプトでは、これが実質的な有用上限です。長すぎるネガティブリストには2つの問題があります。第一に、本来商品記述に使えるプロンプトの予算を消費します。第二に、blurry や low quality のような広範なネガティブ語が、実際に欲しい正当な柔らかいボケ背景や繊細な表面テクスチャからモデルを遠ざける可能性があります。
アーティファクトのカテゴリ別にネガティブ語を追加します:
- 文字の失敗:
warped lettering、duplicate text、misspelled labels - 構造の失敗:
asymmetric bottle、floating product、missing lid - 光の失敗:
harsh specular hotspots、double shadows - 背景の失敗:
cluttered background、visible seams
数回のレンダリングごとにリストを見直してください。ある項目が長い間出てこなければ削除し、語数を別の場所に使います。
hiapi API での実行:curl と Python
モデル ID は flux-2-klein-9b/text-to-image です。2つのクライアントは同じリクエスト形状を送ります:モデル識別子と、組み立てたプロンプトを含むパラメータオブジェクトです。API key と base URL はあなたの hiapi アカウントの値に置き換えてください。
curl
curl -X POST "$HIAPI_BASE_URL/v1/images/generations" \
-H "Authorization: Bearer $HIAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "flux-2-klein-9b/text-to-image",
"prompt": "Subject: amber glass dropper bottle, frosted glass body, matte black cap, thin label band near the base. Composition: product hero shot, bottle centered on a light stone surface, soft neutral gradient background, eye-level camera angle. Light: large softbox from the upper left, gentle falloff toward the right, soft contact shadow. Text: the words \"DAILY SERUM\" in a clean geometric sans-serif, on the label band, spanning most of the label width. Negatives: warped lettering, duplicate labels, harsh specular hotspots."
}'
Python
import os
import requests
payload = {
"model": "flux-2-klein-9b/text-to-image",
"prompt": (
"Subject: amber glass dropper bottle, frosted glass body, matte black cap, "
"thin label band near the base. "
"Composition: product hero shot, bottle centered on a light stone surface, "
"soft neutral gradient background, eye-level camera angle. "
"Light: large softbox from the upper left, gentle falloff toward the right, "
"soft contact shadow. "
"Text: the words \"DAILY SERUM\" in a clean geometric sans-serif, on the label band, "
"spanning most of the label width. "
"Negatives: warped lettering, duplicate labels, harsh specular hotspots."
),
}
response = requests.post(
f"{os.environ['HIAPI_BASE_URL']}/v1/images/generations",
headers={
"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}",
"Content-Type": "application/json",
},
json=payload,
timeout=120,
)
response.raise_for_status()
print(response.json())
ペイロードの調整
プロンプトはスロット変数から構築した単一の組み立て済み文字列として保ってください——API ドキュメントが明示的にサポートしない限り、スロットごとに1フィールドを送らないでください。コードでは各スロットを独立した変数として保存してから連結すれば、レシピの残りに触れずに SKU ごとに背景やラベル文言を変えられます。正確なエンドポイントパスと、あなたのアカウントで受け付けられるパラメータは API リファレンスで確認してください。統合で必要なら、出力サイズやランダムシードの制御もそこで追加できます。

エンドツーエンドのEC商品画像例
以下は、袋入り焙煎コーヒーを発売しようとしているコーヒーブランド向けの、完全で再利用可能な例です。すべてのスロットが埋まり、ネガティブリストは短く、文字も安定レンダリングできる程度に短くなっています。
Subject: matte kraft paper coffee bag with a flat bottom, folded top with a tin tie, fine paper grain visible, a rectangular label panel on the front
Composition: product hero shot, bag standing slightly right of center on a dark walnut surface, muted warm background, three-quarter angle slightly above eye level
Light: soft window light from the left, gentle gradient across the bag face, long soft shadow falling right
Text: the words "NIGHT ROAST" in a bold condensed serif on the label panel, centered; the words "250g" in a small sans-serif beneath it
Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots
先に示した同じリクエスト形状で、プロンプト文字列だけを差し替えて送ります:
prompt = " ".join([
"Subject: matte kraft paper coffee bag with a flat bottom, folded top with a tin tie,",
"fine paper grain visible, a rectangular label panel on the front.",
"Composition: product hero shot, bag standing slightly right of center on a dark walnut surface,",
"muted warm background, three-quarter angle slightly above eye level.",
"Light: soft window light from the left, gentle gradient across the bag face, long soft shadow falling right.",
"Text: the words \"NIGHT ROAST\" in a bold condensed serif on the label panel, centered;",
"the words \"250g\" in a small sans-serif beneath it.",
"Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots.",
])
payload = {"model": "flux-2-klein-9b/text-to-image", "prompt": prompt}
最初のレンダリングはチェックリストとして読みます。文字ははっきり読め、綴りも正しいか? そうでなければ文言を短くするかフォント記述を簡素化します。紙のテクスチャは出ているか? 袋がプラスチックに見えるなら材質スロットを強化し、表面仕上げの記述語を追加します。影の方向は一致しているか? 影が2つ見えるなら光スロットに衝突があります——光源をひとつ削除します。
各反復では変更をひとつだけにし、目標スロットを改善しつつ他を悪化させないバージョンを保持します。採用した各プロンプトは出力と一緒に保存し、ある SKU のレシピが失われないようにします。
反復:初回レンダリングから一貫した画像セットへ
1枚の良いレンダリングはデモにすぎません。ECカタログが必要とするのは一貫した画像セットです。目標は主体・光のロジック・文字処理を固定しながら構図を変えることです。
同一性スロットを凍結する
画像セット全体で Subject と Light をバイト単位で一致させてください。それらは商品が何であり、どう照らされるかを定義します。ショット間でそれらを変えることが、セット全体を別々のブランド由来に見せる原因になります。コードではそれらを定数としてロックし、その上にバリエーションだけを構築します。
構図を意図的に変える
2〜3種類の構図文字列をあらかじめ書き、SKU 間で再利用します:
product hero shot, centered, eye-level, neutral gradient backgroundthree-quarter angle from above, product in the lower two thirds, surface visibleflat lay, directly overhead, even margins on all sides
固定された構図語彙をローテーションさせると、ランダムではなく意図的に設計されたように見える画像セットが生まれます。
バリエーションごとに文字スロットだけを差し替える
製品ラインがパッケージを共有しているなら、SKU 間で変わるのは通常文字スロットだけです。それをパラメータ化し、他はすべてそのままにします。ここは最も失敗しやすいスロットなので、セット全体を生成する前に単一構図で単独テストします。
変更を差分として追跡する
プロンプトをバージョン管理下に置きます。各コミットはひとつのスロットだけを変更し、それが生んだレンダリングを添えます。後続のバリエーションで回帰——たとえばラベルが突然崩れる——が起きたとき、レシピ全体を再導出するのではなく、特定のスロット編集まで遡れます。
チューニングをいつ止めるか知る
あるスロットへの3回連続の編集で目に見える改善がないなら、問題はおそらくプロンプトの外にあります:リクエスト自体か、現在のフレーミングでモデルが解析できない物理的ディテールです。そのディテールをプロンプトから外して後処理するか、それが負担にならないよう構図を変えます。
定数と構図語彙が安定すれば、製品セット全体の生成は、毎回プロンプトを書き直す作業ではなく、文字と構図の文字列に対するループになります。レシピの骨組みを固定しておけば、カタログはそれに沿って拡張できます。