ChatGPTの画像生成、食べ物との相性が話題に

X（旧Twitter）上で、ChatGPTの画像生成における食べ物ジャンルの再現度を評価する投稿が目立ち始めている。「飯を生成させたらChatGPTはピカイチ」という直接的な比較発言もそのひとつで、単発の感想ではなく、複数の発信者から同様の評価が集まっている点が興味深い。

ここでいうChatGPTの画像生成は、GPT-4oに統合された画像生成機能（旧DALL-Eの流れを汲む機能）を指す。テキストと画像を組み合わせた自然なやり取りの中で画像を出力できるのが特徴で、「こんな料理を皿に盛って」「照明は温かみのある感じで」といった日本語の細かい指示が比較的そのまま通りやすいと言われている。

食べ物の画像生成が得意な理由として考えられるのは、学習データにおけるレシピ・料理写真の豊富さと、テキスト指示への忠実度の高さだ。Midjourneyがアーティスティックな質感や世界観の構築に強みを持つ一方、ChatGPTの画像生成は「具体的な指示通りに、自然な写真風に仕上げる」方向性において評価を得ている。以前紹介したGPT Image 2のリアル描写力、Xで実証が相次ぐでも、写実的な描写力への注目が集まっていたが、食べ物というジャンルはその強みが特にわかりやすく出る領域と言えそうだ。

少し前まで、画像生成AIといえば「まずMidjourney」「とりあえずStable Diffusion」という空気があった。だが今は状況が変わっていて、ツールごとの得意ジャンルをある程度把握した上で使い分けるのが現場感覚として定着しつつある。

大まかな整理をすると、こうなる。Midjourneyは美しい世界観・ファッション・建築・ファンタジーなど「雰囲気と質感を重視したビジュアル」に強い。Stable Diffusionはローカル環境で動かせる自由度とカスタマイズ性が武器で、特定スタイルへの特化や大量生成に向く。ChatGPTの画像生成は、テキスト指示との親和性の高さと、日常的・写実的なビジュアルへの適性が評価されており、食べ物・インテリア・日常シーンといったジャンルで使いやすい。

注目したいのは、この「使い分け」が単なる品質比較の話ではなく、ワークフロー設計の問題になってきた点だ。画像生成AI、数ヶ月で別物になる速さをどう乗りこなすかでも触れたように、各ツールの性能は数ヶ月単位で大きく変わる。「今はどれが何に強いか」を都度アップデートしながら、用途に応じて選ぶ判断軸を持っておくことが、使う側として求められるリテラシーになっている。