使用ガイド
gpt-image-2 画像間変換プロンプトレシピ:複数参照画像の融合、被写体の忠実性、4K 出力のためのコピー&ペースト可能なプロンプト
gpt-image-2/image-to-image@ext で画像間変換ワークフローを構築する開発者向けの実用レシピガイド
- モデル
- gpt-image-2
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
画像間変換の失敗のほとんどは、プロンプトが短すぎるからではなく、あらゆる要素を区別のない形容詞の塊に混ぜ込んでしまっているからです。1 つの文の中で、被写体・3 枚の参照画像・新しい背景・解像度の目標を同時に要求すると、モデルはどの語がタスクのどの部分に対応するのか判断できません。
解決策は、節ベースの骨格を採用することです。gpt-image-2/image-to-image@ext に送るプロンプトはどれも、5 つのスロットに分解できます:
- 被写体——出力が何についてのものかを 1 回だけ述べる。具体的な名詞を使う。
- 参照画像の役割——各入力画像が何を提供するかを明示的にラベル付けする。
- 背景とシーン——環境、光の方向、被写界深度。
- 出力制約——構図、比率、テクスチャ、エッジ処理、ディテールの期待値。
- ネガティブ——短く優先順位付けされた禁止事項のリスト。
再利用可能な骨格は次のとおりです:
Subject: <one sentence, concrete nouns>
References: <image tag> = <role>; <image tag> = <role>
Scene: <background, light direction, depth>
Output: <framing, texture, edge treatment, detail constraint>
Avoid: <priority 1>, <priority 2>, <priority 3>
この骨格を信頼できるものに保つ 2 つのルールがあります。第一に、1 つの節には 1 つの意図だけを載せる——アイデンティティ保持と背景差し替えを同じ節に詰め込まないこと。第二に、順序は優先順位を反映する:絶対に間違えてはいけないものを先頭に置くこと。節が衝突したとき、後ろの節が前の節を部分的に上書きすることがあるからです。
長いプロンプトが優れているわけではありません。4 つの節を持ち、各節が明確に帰属しているプロンプトは、形容詞を積み重ねた段落よりも常に優れています。以下のレシピはすべて同じ骨格の変種なので、構造を学び直すことなく、どれか 1 つを取り出して内容を差し替えられます。

レシピ:複数の参照画像を融合する
複数参照画像の融合は予測可能な形で失敗します。役割ラベルがないと、モデルは入力を平均化してしまいます。結果として、誰の顔でもない顔と、あれでもこれでもないスタイルが得られます。解決策は各入力画像に名前を付け、そこから何を取り出すのかを明示することです。
コピー&ペースト可能なパターン
Subject: a standing portrait of the person in <reference_1>
References:
<reference_1> = identity source — face structure, hair, skin tone, body proportions
<reference_2> = wardrobe source — jacket cut, fabric, color
<reference_3> = lighting and grade source — key light direction, contrast, color temperature
Scene: neutral studio, soft shadow to camera left, shallow depth
Output: three-quarter framing, natural skin texture, clean edge separation from background
Avoid: blended facial features, plastic skin, mixed lighting directions
役割ラベルが重要な理由
ここでは 3 つの仕組みが働いています。役割動詞(identity source、wardrobe source、lighting source)は各画像がどの次元を管轄するかをモデルに伝え、相互汚染を防ぎます。明示的な次元——顔の構造、生地、キーライトの方向——は各役割を曖昧な「スタイル」ではなく観察可能な属性に絞り込みます。そしてネガティブ項目 blended facial features は、最もよくある平均化の失敗を直接打ち消します。
実用的な制約
- 役割の数は少なく保つ。3 枚の参照画像に 3 つの異なる役割というのが信頼できる既定値です。参照画像が 1 枚増えるごとに、平均化される顔が 1 つ増えます。
- 2 枚の参照画像が役割で重複する場合(例えば 2 つの衣装ソース)は、優先順位を明記します:
prefer <reference_2> for silhouette, <reference_3> for color。 - スタイル参照画像を融合するときは、スタイルを 1 枚に、内容をもう 1 枚に割り当てます。スタイル同士の融合は往々にしてぼやけた塊を生みます。
- 融合しても平均化したように見える場合、通常の原因はある入力画像に役割がないことです。ラベルのない画像は平均値に吸収されます。
gpt-image-2/image-to-image@ext で同じレシピを役割ラベルなしの版と比較して実行してみてください。違いは通常、まず顔の構造に現れます。

レシピ:被写体の忠実性を保つ
アイデンティティのドリフトは、要求する変換が提供するアンカーよりも強いときに起こります。パターンは、明確に固定する特徴を小さなセットに絞り、それ以外はすべて柔軟に変更可能だと宣言することです。
コピー&ペースト可能なパターン
Subject: the person in <reference_1>, preserving identity
Locked: face shape, eye spacing, nose profile, hairline, skin tone
Flexible: pose, head angle, expression, wardrobe, background
Scene: <new scene description>
Output: natural proportions, realistic skin texture, consistent lighting on face
Avoid: changed facial proportions, smoothed features, mismatched skin tone
これが機能する理由
プロンプトは境界線を引きます。Locked はモデルが保持しなければならない特徴を名指しし、Flexible はそれ以外のすべてを変更してよいと明示します。これによりモデルが元のシーンを過剰に保持するのを防ぎます。Flexible の節がないと、モデルは顔と一緒に元のポーズや背景まで保持してしまうことがよくあります——技術的には忠実ですが、あなたが要求した変換ではありません。
役立つ表現
- 抽象的なアイデンティティ語ではなく、観察可能な幾何学的特徴を優先する。
eye spacingやnose profileは検証可能ですが、same personはそうではありません。 - 変換は被写体の変化ではなくシーンの変化として表現する:
the same person, now in <scene>はtransform this personより信頼できます。 - ポーズが大きく変わるときはロック項目を繰り返す。長いプロンプトはドリフトします。末尾近くで最も重要な 3 つのアンカーを簡潔に再述するのは低コストの保険です。
- 全身作品では比率アンカーを追加する:
head-to-body ratio unchanged。
避けるべきこと
忠実性プロンプトに多くのスタイル形容詞を積み重ねないでください——強いスタイル化は顔を変える要求として解釈されます。スタイル化された出力が必要なら、アイデンティティの節はそのままにし、スタイルの記述を Output の節へ移して、2 つの意図を分離しておきます。

レシピ:被写体を損なわずに背景を差し替える
背景の差し替えは境界で問題が起きます。ハロー、切り抜きエッジ、そして新しいシーンと一致しない照明です。解決策は、変化をそれ専用の節に隔離し、エッジと照明の処理を明示することです。
コピー&ペースト可能なパターン
Subject: the person in <reference_1>, unchanged
Background: replace entirely with <new scene description>
Lighting match: match key light direction and color temperature of the new background onto the subject
Edge treatment: clean separation, no halo, preserve fine hair detail at the boundary
Output: consistent depth of field between subject and background
Avoid: original background remnants, visible cut-out edge, mismatched light direction
機能する 3 つの節
replace entirely は、モデルが元のシーンの断片を保持する抜け穴を塞ぎます。Lighting match は合成を本物らしく見せる鍵です——完璧に切り抜かれた被写体でも、誤ったキーライトの下では貼り付けたように見えてしまいます。Edge treatment はハローを直接扱い、fine hair detail を名指しすることでモデルがエッジを消して解決するのを防ぎます。
シーンに合わせた調整
- 屋外から屋内へ:
shadow direction consistent with the new light sourceを追加し、被写体が屋外の影を引きずらないようにします。 - スタジオから環境へ:
depth of field separationを追加し、被写体が背景と同じ焦点面に浮いて見えないようにします。 - 暗い背景:
rim light consistent with background glowを追加し、平坦なシルエットを避けます。
境界のデバッグ
ハローが見える場合、通常はエッジの節が曖昧すぎることが原因です。clean edges を具体的な組み合わせ no halo, preserve fine hair detail at the boundary に置き換えます。被写体が貼り付けたように見えるなら、照明の節に方向が欠けています。match lighting に頼らず、key light direction を明示的に追加してください。
レシピ:4K 出力でのディテール制御
高解像度出力は自動的に高品質なディテールを意味しません。解像度キーワードだけでは、しばしば過度にシャープ化されたエッジや合成感のある質感が生まれます。品質を実際に制御するのは、テクスチャ、エッジのシャープネス、想定されるノイズをどう記述するかです。
コピー&ペースト可能なパターン
Output: high-resolution render
Texture: natural skin pores, fabric weave visible, no synthetic smoothing
Edges: crisp where focus is sharp, soft falloff in out-of-focus regions
Noise: fine natural grain, no banding in gradients
Avoid: over-sharpened edges, plastic texture, halos around high-contrast edges
解像度語よりテクスチャ語が優れる理由
解像度キーワードはモデルにキャンバスがどれだけ大きいかを伝えます。テクスチャの節は、そのキャンバスを何で埋めるべきかをモデルに伝えます。高解像度では、記述不足の領域がすべて可視化されます——滑らかなグラデーションにはバンディングが現れ、シャープ化のアーティファクトが目立つようになります。natural grain と no banding in gradients を名指しすることで、これらの失敗を未然に防げます。
エッジとノイズの制御
- エッジのシャープネスはフォーカスに結び付けるべきです:
crisp where focus is sharpはモデルが他の場所を柔らかくすることを許容し、全体的にカリカリした印象を避けます。 - ノイズの想定は明記する価値があります。モデルはしばしば過剰にクリーンアップするからです。
Fine natural grainは高解像度出力がレンダリング画像のように見えるのを防ぎます。 - グラデーションのバンディングは大きな平坦領域で最もよくある高解像度アーティファクトです。ネガティブ項目 1 つで大部分を捕捉できます。
- シャープ化語を重ねない。
Ultra sharp, hyper detailed, 8Kを積み重ねると通常ハローが生じます。シャープネスの記述は 1 つ選び、残りはテクスチャの表現に任せましょう。
同じ節を使って、同じ内容を標準解像度と高解像度でテストしてください。高解像度版の方が悪く見えるなら、テクスチャの節にノイズやグラデーションの制約が欠けています。
本当に機能するネガティブリストの書き方
ネガティブ項目は優先順位のリストであり、願望リストではありません。ポジティブプロンプトと矛盾する冗長なネガティブリストは、ネガティブ項目がまったくないより悪いです——モデルは矛盾した指示を受け取り、予測不能な方法で解決してしまいます。
優先順位付けされたパターン
Avoid: <the one failure that ruins the output>, <second-most-likely failure>, <artifact class>
ほとんどのレシピでは、3〜5 項目が現実的な上限です。それぞれが結果をどれだけ台無しにするかで並べます。
自己矛盾を避ける方法
各ネガティブ項目は、すでに述べたポジティブ項目の裏返しであるべきです。ポジティブ項目が natural skin texture と言うなら、対応するネガティブ項目は synthetic smoothing です——ポジティブ項目と矛盾する smooth skin ではありません。テストは簡単です:各ネガティブ項目について、それがどのポジティブ節を守っているかを問います。答えがなければ削除します。
カバーする価値のある一般的なカテゴリ
- アイデンティティの失敗:
changed facial proportions、blended features。 - 境界の失敗:
halo、cut-out edge、original background remnants。 - テクスチャの失敗:
plastic texture、over-sharpened edges、banding in gradients。 - シーンの失敗:
mismatched light direction、floating subject。
省略すべきもの
bad quality や ugly のような汎用的な品質ネガティブ項目は避けてください——操作可能な情報を持たず、具体的な失敗のために取っておくべき注意を消費します。想像できるすべてのアーティファクトを列挙するのも避けましょう。モデルは区別のないリストをノイズとして扱います。
出力に新しい失敗が現れたときは、それがどのポジティブ節を守っているかを指摘できる場合に限り、ネガティブ項目として追加します。そうでなければ、ポジティブプロンプトを修正すべきです。
よくあるプロンプト失敗のトラブルシューティング
ほとんどの失敗は骨格の中のいずれか 1 つの節に対応します。症状を使ってその節を見つけ、プロンプト全体を書き直すのではなく、その節を調整します。
アイデンティティのドリフト
症状:出力間で顔が変わる、または被写体が見た目の似た他人のように見える。
調整すべき節:忠実性レシピの Locked リスト。観察可能な幾何学的アンカー(目間隔、鼻の形、頭身比)を 2〜3 個追加します。それでもドリフトが続くなら、スタイルの節がアイデンティティの節と競合していないかを確認し、スタイルを Output へ移します。
融合の濁り
症状:融合出力が平均化したように見える——誰の顔でもない顔。 調整すべき節:参照画像の役割。各入力画像に明確な役割ラベルが必要です。役割が重複する場合は並び順の記述を追加し、1 枚の参照画像がシルエットで勝ち、もう 1 枚が色で勝つようにします。
ハローと切り抜きエッジ
症状:被写体と背景の間に目に見える光輪や硬い境界がある。
調整すべき節:エッジ処理の節。汎用的な clean edges を no halo, preserve fine hair detail at the boundary に置き換え、ハローの項目をネガティブに追加します。
被写体が貼り付けたように見える
症状:被写体がシーン内で撮影されたのではなく、シーンに合成されたように見える。
調整すべき節:照明の一致。キーライトの方向と色温度を明示し、shadow direction consistent with the new light source を追加します。
テクスチャが平坦またはプラスチック感
症状:表面がレンダリングのように見える、肌が磨かれたように見える、グラデーションに段差が出る。
調整すべき節:テクスチャの節。natural grain、no synthetic smoothing、no banding in gradients をネガティブに追加します。
高解像度出力での過剰シャープ化
症状:高解像度でどのエッジも鋭く、ハローを伴う。
調整すべき節:エッジのシャープネス。シャープネスをフォーカスに結び付け(crisp where focus is sharp)、重ねたシャープ化形容詞を削除します。
2 つの症状が同時に現れたときは、優先順位の高い節——通常はアイデンティティ——を先に修正してください。被写体が不安定なら、下流の修正は保持されないからです。
レシピをワークフローに組み込む
これらのレシピは組み合わせて使えるように設計されています。実用的なパイプラインではそれらを順序付け、各ステップが 1 つのタスクだけを担い、デバッグするプロンプトが 1 つだけになるようにします。
推奨する順序
- まずアイデンティティ。 最初に忠実性レシピを単独で実行して被写体をロックし、その後でシーンの変更を加えます。不安定なアイデンティティは以降のあらゆる比較を無効にします。
- 参照画像を追加する。 衣装と照明の参照画像を、明確な役割ラベル付きで 1 枚ずつ導入します。そうすれば変化を特定の入力に帰属できます。
- シーンを変える。 被写体が安定したら、照明一致とエッジ処理の節を伴って背景レシピを適用します。
- 最後にディテールを調整する。 内容が正しくなってから、テクスチャ・エッジ・ノイズの制約を追加します。ディテールの節は反復コストが低く、過剰に適用しやすいからです。
- ネガティブ項目を最終決定する。 汎用テンプレートではなく、ステップ 1〜4 で実際に観察された失敗に基づいてネガティブリストを構築します。
プロンプトをバージョン管理する
プロンプトはソースコードのように扱いましょう。各レシピの変種を、使用したパラメータ——参照画像セットを含む——を添えた名前付きのコミット済みテキストブロックとして保存します。変更後に出力品質が変わったとき、バージョン管理されたプロンプトなら推測ではなく節の差分を比較できます。2 つの習慣が報われます:バージョン間で骨格構造を完全に同一に保ち差分を読めるようにすること、そしてコミットメッセージにどの節をなぜ変えたかを記録すること。
再現性についての注意
プロンプトがまったく同じでも、画像間変換の出力は変わります。同じ参照画像セットと同じ内容で変種を比較し、単一のサンプルではなく失敗カテゴリで判断してください——たまたま良く見えた 1 回の実行は、3 回とも安定してハローを避けた実行よりも情報量が少ないのです。
骨格から始め、現在のステップに合うレシピを選び、gpt-image-2/image-to-image@ext を通じて 1 節ずつ反復してください。