Qwen Image 3.0 image-to-image プロンプトレシピ：コピー＆ペーストできるプロンプトと実際の出力

Qwen Image 3.0 の image-to-image エンドポイントは、あなたの被写体をゼロから再生成するのではなく、提供された写真を編集しつつ、被写体の形状・色・比率をできるだけ安定して保ちます。これにより、非常に具体的でよくあるタスクに最適です。すなわち、クリーンな製品画像を複数のシーン・バリエーションに変換し、そのたびに製品自体を撮り直したり再プロンプトしたりする必要がありません。

私たちは2つの被写体——セラミックのハンドドリップコーヒードリッパーとランニングシューズのペア——で直接テストしました。それぞれ最初に text-to-image を1回実行して開始画像を作り、その後それぞれ2回 image-to-image 編集を行いました。以下の各プロンプトは私たちが実際に送信した完全な原文であり、各画像も実際の出力そのままで、編集は加えていません。

Qwen Image 3.0 の image-to-image は実際にどう写真を編集するのか

qwen-image-3.0/image-to-image エンドポイントは prompt に加えて、参考写真として1〜3個の image_urls、およびアスペクト比／解像度設定を受け取ります。独立した「強度」や「マスク」パラメータはなく、モデルはプロンプトだけを頼りに何を変え、何を変えないかを判断します。

実際には、これはプロンプトが同時に2つの役割を果たす必要があることを意味します：

• 望む新しいシーン、照明、追加物を記述する。
• 何を変えずに保つべきか——形状、色、位置、比率——を明確に再確認する。

2つ目の部分を省略すると、モデルが被写体を再解釈する自由度があなたの予想を超えてしまいます。以下の各 image-to-image プロンプトが「[被写体]の正確な形状・色・比率を変えずに保つ」（または同等の表現）を明記しているのは、まさにこの理由です。

レシピ 1：クリーンなスタジオのベース画像（text-to-image）

モデル：qwen-image-3.0/text-to-image · 入力：{"aspect_ratio": "1:1", "resolution": "1K"} · コスト：$0.0358

プロンプト：「プロフェッショナルな製品写真。マットなクリームホワイトのセラミック製ハンドドリップコーヒードリッパー、淡い木目調のリング付き。継ぎ目のない純白のスタジオ背景の中央に配置。柔らかなトップ拡散光、硬い影なし、正面からのアイレベルアングル、超シャープなフォーカス、商業カタログスタイル。」

これは以降のドリッパー編集すべての基準となる参考写真です。フラットな照明と無地の背景が、image-to-image ステップにとって最もクリーンな出発点となります。

レシピ 2：生活シーンの中へ移す（image-to-image）

モデル：qwen-image-3.0/image-to-image · 入力：{"image_urls": ["coffee-dripper-before.jpg"], "aspect_ratio": "1:1", "resolution": "1K"} · コスト：$0.0398

プロンプト：「セラミックのハンドドリップコーヒードリッパーを、日差しが入る窓辺の淡いオーク材のキッチンカウンターの上に移してください。柔らかく温かな朝の光が右側に穏やかな指向性の影を落とし、背景には柔らかくぼやけた折り畳まれたリネンのタオル。ドリッパーの正確な形状・色・比率は変えずに保ってください。」

ドリッパーの輪郭と釉薬の色は正しく保たれ、背景・照明・影の方向だけがプロンプトの範囲通りに変化しました。

レシピ 3：製品を失わずにスタイル化された小道具を加える（image-to-image）

モデル：qwen-image-3.0/image-to-image · 入力：{"image_urls": ["coffee-dripper-before.jpg"], "aspect_ratio": "1:1", "resolution": "1K"} · コスト：$0.0398

プロンプト：「セラミックのハンドドリップコーヒードリッパーの形状・色・位置は変えずに保ち、同じ純白のスタジオ背景と照明のままで。白いセラミックのコーヒーカップに淹れたてのコーヒーを注ぎ、立ち上る湯気が見えるようにして、ドリッパーのすぐ左側に置いてください。さらに手前のカウンターに少量のロースト済みコーヒー豆を丸ごと散らしてください。」

この画像はレシピ 2 と同じベース写真を再利用していますが、シーン置換ではなく追加物を求めています——スタジオ背景と照明は変わらず、新しいカップとコーヒー豆が説得力をもって合成されています。

レシピ 4：2枚目のクリーンなベース画像（text-to-image）

モデル：qwen-image-3.0/text-to-image · 入力：{"aspect_ratio": "4:3", "resolution": "1K"} · コスト：$0.0358

プロンプト：「プロフェッショナルな製品写真。白いロートップのランニングシューズ1足、側面にグレーのメッシュパネル、4分の3アングルからの視点。継ぎ目のない淡いグレーのスタジオ背景に配置。柔らかく均一なスタジオ照明、ソールの下にわずかな接地影、シャープな商業カタログフォーカス。」

レシピ 1 と同じロジックで、アスペクト比だけが異なります——4:3 はシューズの周囲により多くの空間を残し、レシピ 5 の屋外シーンに活用できます。

レシピ 5：ゴールデンアワーの屋外シーン（image-to-image）

モデル：qwen-image-3.0/image-to-image · 入力：{"image_urls": ["sneaker-before.jpg"], "aspect_ratio": "4:3", "resolution": "1K"} · コスト：$0.0398

プロンプト：「白いランニングシューズを、秋の落ち葉が散る土の小道に移してください。ゴールデンアワーの日差しが左から斜めに差し込み、長く温かな影と柔らかなレンズフレアを落とし、背景はぼやけた森。シューズの正確な形状・色・比率は変えずに保ってください。」

シューズのメッシュパネルと比率は、まったく異なる照明設定でも見事に保たれています——平坦なスタジオ光を低角度で温かな指向性光に置き換えるのは、モデルが本当に幾何構造を保っているのか、それとも単に再プロンプトしているだけなのかを試す良いストレステストです。

レシピ 6：タグに印刷された文字を加える（image-to-image）

モデル：qwen-image-3.0/image-to-image · 入力：{"image_urls": ["sneaker-before.jpg"], "aspect_ratio": "4:3", "resolution": "1K"} · コスト：$0.0398

プロンプト：「白いランニングシューズは完全に変えずに保ち、形状・色・位置は元のままで、同じ淡いグレーのスタジオ背景と照明のままで。小さな長方形の白い紙製タグをシューレースに結び付け、その上にシンプルなサンセリフ書体で中央揃えの黒い文字『LIMITED EDITION』を印刷してください。」

この実行ではタグの文字は正しく綴られ、中央に配置されました——ただし、これは良い結果として受け止め、保証とは考えないでください。製品写真、パッケージモックアップ、ラベル上で AI がレンダリングした文字は、公開前に人の目で校正する必要があります。誤った1文字や傾いたベースラインは、ちらっと見ただけでは見落としやすく、公開後に恥ずかしい思いをすることになります。

これら6回の生成の実際のコスト

1K 解像度では、qwen-image-3.0/text-to-image は1枚あたり固定 $0.0358 です。image-to-image は同じ基本料金に加えて、参考画像の少額な料金が加算されます——参考写真1枚あたり $0.004、参考画像数は1〜3枚です。上記の各レシピはいずれも参考画像を1枚だけ使用しているため、各編集は $0.0358 + $0.004 = $0.0398 となります。

つまり、完全なセット——ベース画像2枚 + 編集4回——の合計コストは $0.2308 です。すべてのモデルの現在の画像あたり価格については、料金が変動する可能性があるため、HiAPI の料金ページを直接ご確認ください。

よくある質問

qwen-image-3.0 の text-to-image と image-to-image の違いは何ですか？ text-to-image はプロンプトのみに基づいて新しい画像を生成します。image-to-image は既存の写真を1〜3枚 image_urls として受け取り、プロンプトを添えて、それを基に編集します——複数の写真で特定の製品、キャラクター、物体の一貫性を保つ必要がある場合に非常に便利です。

Qwen Image 3.0 の image-to-image 編集1回のコストはいくらですか？ 1K 解像度では、基本料金 $0.0358 に参考画像1枚あたり $0.004 を加算します（参考画像は1〜3枚まで可能）。参考写真1枚の場合（本ガイドの各レシピのように）、1回の生成で $0.0398 です。

1回の編集で複数の参考画像を使用できますか？ はい——1リクエストあたり最大3個の image_urls を使用できます。ここでは各レシピで参考画像を1枚だけ使用しています。クリーンな元写真1枚があれば、シーン変化の中で製品を安定させるのに十分だからです。

image-to-image は製品自体を変えますか、それとも周囲のシーンだけを変えますか？ それはプロンプトの要求次第です。製品を変えたくない場合は、明確にそう述べてください——上記の4回の編集ではいずれも「[被写体]の正確な形状・色・比率を変えずに保つ」という表現を使用し、実際に効果がありました。

EC 写真にはどの解像度を使うべきですか？ 1K 解像度は今回のテストの各レシピにとって十分クリーンでシャープであり、コストはより大きな解像度のほんの一部です。印刷や大幅なトリミング用により大きなソースファイルが必要な場合、Qwen Image 3.0 は 2K にも対応しています。

1回限りの撮影ではなく完全な製品カタログを構築する場合は、Qwen Image 3.0 Pro を EC 製品画像に活用する方法でバッチ EC 編集をどう扱っているかをご覧ください——または、ご自身の参考写真でimage-to-image エンドポイントをぜひお試しください。