テキストから画像

テキストから画像は、文章による説明を受け取って静止画を返す機能です。元画像は一切使いません。プロンプトがすべての入力であり、モデルは被写体・スタイル・ライティング・構図をゼロから組み立てます。まだ存在しないビジュアルを最短で手に入れる方法であり、プロダクトのコンセプト案、記事のヘッダー画像、絵コンテのカット、広告バリエーション、アプリアイコン、デザイナーに渡す参考ビジュアルなどで広く使われています。

仕上がりを左右するのはプロンプトの書き方です。形容詞を積み重ねるより、被写体・画材や表現手法・ライティング・アスペクト比を明示するほうが出力は大きく動きます。また、1つのプロンプトを延々と磨くより、少量をまとめて生成してよいものを選ぶほうが早道です。画像内に文字を描画する精度は業界全体で依然として弱点なので、出力に含まれる文字はあくまでおまけと考え、重要なコピーはご自身で重ねてください。解像度の選択肢もモデルごとに異なり、大きいサイズを別料金にしているモデルもあります。

E2X でこのカテゴリーを担っているのは、Google の Nano Banana ファミリー（Pro および Lite を含む）と、OpenAI の GPT Image 2 です。呼び出し方はどれも同じで、モデルの slug と入力オブジェクトを jobs エンドポイントに送信し、返ってきた job ID を結果が出るまでポーリングするだけです。モデルの切り替えは文字列を1つ変えるだけ。課金はプリペイド残高からのリクエスト単位なので、同じプロンプトで2つのモデルを比べても、かかるのはちょうど2リクエスト分です。