ChatGPT Images 2.0：OpenAI次世代画像モデルのガイド

ChatGPT Images 2.0の新機能

ChatGPT Images 1.5のリリースで大きな話題になったのは、実行速度の大幅な向上でした。当時の発表では4倍速いとされていました。実測では新規生成ではなく編集処理での速度向上だと確認できました。 

今回の大きな主張は「知性」です。ChatGPT Images 2.0は「考える」画像モデルであり、事実を検索・推論し、粗い入力（メモ、スケッチ、参考画像）から、詳細なプロンプトを多用せずとも洗練されたビジュアルへと変換することが狙いです。

発表の主なトピックは以下のとおりです。

• 生成に対する精度とコントロールの向上
• 多言語・多文字種での強化
• スタイル面の高度化とリアリズム
• 現実世界の知識・推論の強化
• 柔軟なアスペクト比（モバイルからバナーまで）

考えるモデル

新モデルは「考え」、そして「視覚的な思考パートナー」のように振る舞うという主張が大きな見どころです。裏側でエージェントがタスクを丁寧に理解し、生成を実行する前に推論するという発想です。

世界に関する知識は2025年12月時点まで更新され、出力の文脈的な正確さが向上しています。教育用グラフィックや文脈を要する多段ワークフローに適するとされています。

ウェブ検索

学習カットオフと最新情報のギャップを埋めるため、Images 2.0はウェブ検索で関連情報を取得できます。具体的な仕組みは公開情報からは明確ではありませんが、上述の思考エージェントが呼び出すツールとして機能していると理解しています。

1つのプロンプトから複数画像を生成

新モデルは同一プロンプトからの複数画像生成をネイティブにサポートします。APIでは「コンポジション」を促す回避策で可能でしたが、UIでも最大10枚まで生成できます。OpenAIは、これらの出力全体でキャラクターやオブジェクトの一貫性を保つとしています。

ChatGPT Images 2.0を検証

それでは、新モデルが実際に何をできるのか見ていきましょう。今回検証した機能は以下です。

• 編集ワークフロー
• 思考モードとウェブ検索
• スタイルの幅
• ラフなスケッチの仕上げ
• アスペクト比の柔軟性
• 創造性

編集ワークフローの検証

OpenAIの2.0の訴求は反復にあります。粗い入力から、指示追従や密なテキスト描画の改善を通じて洗練されたアセットへ。今回は、1898年の有名な米国切手「Western Cattle in Storm」を題材にこのループを試しました。

以下は、状態がFineの切手の写真です。

編集ワークフローを特に検証するため、思考モードを使わずに次のプロンプトを使用しました。つまりウェブ検索にもアクセスしていません。この点は別で検証しています。

Please create for me a picture of the famous 1898 Western Cattle in Storm stamp issued by the U.S. Post Office as part of the Trans-Mississippi Issue . The name of the stamp is "Western Cattle in Storm" Quality should be Fine to Very Fine -Centering: design shifted right, left margin twice as wide as right margin, perfs nearly touching design on the right side -Perforations: two short teeth on the top edge, slightly uneven spacing along the bottom -Gum: quarter-inch matte hinge remnant in upper-center of back, small paper fragment still -attached -Paper: diagonal gum bend across lower-left quadrant, light yellow toning along top edge -Cancellation: partial black circular datestamp in lower-right corner, moderate coverage over the cattle

結果はこちらです。

テキストのみのプロンプトではうまくいきませんでした。切手とコンディションの詳細な記述にもかかわらず、重要な点で誤りが多く、色も額面表示のレイアウトも違い、オフセンターも漫画的でした。テキストだけで特定の歴史的アーティファクトを再現するのは難題です。

参照画像を渡し、狙いを定めた編集を依頼すると、2.0の真価が発揮されました。具体的には、目打ちの不揃い、ヒンジ跡、斜めのガムしわ、軽い変色、部分的な消印などです。

編集は概ね指定どおりに反映されました。アスペクト比の後退はありましたが、平易な追加入力で修正できました。最終結果は鑑定レベルではありません（「$1」がやや伸びて見え、トウモロコシも異なります）が、ループは機能しました。粗い出発点から軌道修正し、3ターンで使える結果に到達しました。

思考モードとウェブ検索の検証

ウェブ検索機能のテストは注意が必要でした。プロンプトで欲しい情報を与えてしまうと、検索ではなく指示追従のテストになるからです。最もクリーンなテストは、ごく最近で具体的な事象を、ほぼ情報ゼロで依頼し、モデルが空欄を正しく埋められるかを見ることです。

題材は昨日のボストンマラソンにしました。レースは月曜日の4月20日に終了し（ChatGPT Images 2.0の発表前日）、男子のコース記録が2011年以来はじめて更新されました。トレーニングでは持ち得ないが、検索で容易に確認できる具体的な事実（優勝者、国籍、記録、更新幅、文脈）がそろいます。

こちらが、意図的に詳細を省いたプロンプトです。結果を見ると、実際にウェブ検索を行っています！

Create a celebratory poster-style infographic commemorating the course record set at yesterday's Boston Marathon. Include the winner's name, country, finish time, and the margin by which the previous record was broken. Include one or two additional stats or context details that make the achievement meaningful.

結果は視覚的に魅力的で、ボストンマラソンのカラーパレットに沿っているのも良い点です。記載の事実はすべて正確で、こちらでも二重に確認しました。

同じプロンプトで旧モデル（Images 1.5）や、新モデルでも思考モードをオフにした場合の出力と比べると、さらに印象的です。

スタイル面では競えますが、数値に関する問題がいくつかあります。

• ボストンマラソンは130回目の開催だったため、「129 years of tradition」とすべきで、127ではありません。
• 「マラソンで2:04未満を達成したのは史上3人目」という主張も誤りです。これまでに約20人が達成しています。
• Boston Athletic Associationのサイトによれば、後半は1:00:02であり、1:01:05ではありません（それでも史上最速の後半だった可能性はあります）。
• 最も重要なのは、新記録と旧記録の混同です。旧記録は2:03:02、新記録は2:01:52で、差は1分10秒です。
• John Korirは昨年のボストンマラソンでも優勝しているため、もし優勝者が異なっていた場合、名前を正しく出せなかった可能性が高いと考えられます。

最新情報を視覚で提示するには、検索機能が効いてきます。これを使うには、思考モードを有効にする必要があります。

スタイルの幅を検証

OpenAIは、写真、イラスト、マンガ、ピクセルアートなど、スタイルの高度化を強調しています。正直なテストは、単に一枚が良く見えるかではなく、同じ題材を3つの異なるスタイルで描いたときに、それぞれのジャンルとして本物らしく読めるか、あるいは底に同じ「AIっぽさ」が残るかどうかです。

そこで、木製作業台の上のエスプレッソマシンを、写真・マンガ・ピクセルアートの3種で依頼しました。プロンプトと結果は以下のとおりです。

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 35mm street photography, gritty, natural window lighting, Kodak Portra 400, shallow depth of field.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 1990s Japanese manga, black and white ink drawing, screentone shading, bold linework, Katsuhiro Otomo style.

この結果は興味深く、ある意味皮肉でもあります。というのも、1年前にはImage 1がスタジオジブリ風モンタージュで話題になったからです（私たちも試しました）。それ以来、OpenAIは著作権やIPにより慎重になっているようです。

大友克洋の名前を直接出さずにスタイルを記述すると、うまくいきました。なお、新しいチャットを開く必要がありました。同じチャット内では、ブロック回避を試みているとモデルが判断したようです。

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 1990s Japanese manga, black and white ink drawing, screentone shading, bold linework, hyper-detailed mechanical illustration, dramatic high contrast, retro-cyberpunk aesthetic.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 16-bit pixel art, isometric perspective, crisp edges, limited SNES color palette.

3枚とも見事で、指定した非常に細かなスタイルを本物らしく体現していると感じます。写真はとても自然で、他の2つはそれぞれマンガ本やSNESゲームからそのまま抜き出したようです。

また、上のテストでは、柔軟なアスペクト比の活用も目を引きます。写真は16:9の横長、マンガ版は縦長、ピクセルアートは正方形と、各スタイルに合わせて構図を最適化しています。

柔軟なアスペクト比の検証

今回のリリースは3:1から1:3までのアスペクト比と、最大2K解像度をサポートします。重要なのは、縦長・横長を作れるかではなく、形式ごとに賢く再構成できるのか、それとも単にトリミングするだけなのかという点です。

モデルの空間ロジックを明らかにするには、複数軸にわたり譲れない要素（縦長のもの、横長のもの、中央の主題）があるシーンが必要です。

テストとして、まずベースのプロンプトから題材（特定の状況下の宇宙飛行士）を生成し、モバイル壁紙、バナー、正方形での再作成を依頼して、構図の適応を確認しました。

ベースのプロンプト：

A lone astronaut standing on a rocky, desolate hill. To the far left, a massive, blocky futuristic rover is parked. In the sky directly above the astronaut, a gigantic, luminous ringed planet dominates the starry backdrop.

どのように変わるか見てみましょう。

Recreate the original image as a banner

Recreate the original image as a mobile wallpaper

Recreate the original image as a square

いずれのバージョンも、リクエストに合ったアスペクト比を選び、重要要素（宇宙飛行士、ローバー、惑星）をすべて含み、元のプロンプトどおりの配置で、中心に据えています。テスト合格です。

ラフな入力からの仕上げを検証

思考パートナーという位置づけは、ラフなスケッチや箇条書きメモ、参考画像など曖昧・雑多な入力を受け取り、完成度の高いアセットに仕上げる力にかかっています。リリースが真に想定するループであり、最も直接的に試す価値があります。

そこで、湖畔の小屋を非常にラフな鉛筆スケッチでアップロードしました。

あえて難しくするため、多くのディテールを入れ、桟橋を意味するフィンランド語「laituri」を使い、家と小屋という2種類の建物、水面も湖と池の2種類を含め、混同の余地を与えました。

Turn this crude layout into a photorealistic, cinematic landscape of a modern cabin at sunset. Keep elements where I mapped them out. The cabin includes a sauna with smoke coming out of the chimney.

思考モードオフの結果は見栄えは良いものの、完全にフォトリアルではありません。それでも光は合っており、プロンプトの雰囲気はよく出ています。スケッチの要素はほぼすべて確認できますが、いくつか相違があります。

• ボートがない
• 桟橋が湖ではなく池にある
• 太陽の位置が右上ではない

同じプロンプトとスケッチ画像で思考モードを使うと、出力はぐっとリアルになり、小さな不正確さがすべて解消されました。

画像はスケッチの全要素をそれぞれの位置に配置し、とても整っています。ラフなスケッチをフォトリアルに仕上げる場合は、思考モードを使うのが最善というのが主な学びです。

創造性の検証

次のテストでは、新國誠一のコンクリート・ポエトリーを再現できるかを見ました。

有名なこの詩は、雨という漢字が雨に囲まれており、言葉の中に雨を捉えるような作品です。

こちらがプロンプトです。

Please recreate the concrete poetry of Niikuni Seiichi. I want to see "Ame" meaning Rain. But make it different using your creativity.

以下が出力です。

これは興味深い結果です。元の画像をそのまま再現したわけではありませんが、別の魅力的なものになりました。新しい構図では「雨」の漢字は雨に囲まれているのではなく、雨として降ってきます。記号の配置はランダムで、まさに雨粒のようですが、整然としたオリジナルとの良い対比になっています。

ChatGPT Images 2.0の利用方法

アクセス方法は前回と同様です。12月に導入された専用のクリエイティブ・ワークスペース（キャンバス型エディタ、永続アーティファクト、スタイルプリセット）を維持しつつ、基盤モデルが大幅に強化されています。

• Web、モバイルアプリ、Codex：ChatGPT Images 2.0は、Free/Plus/Proユーザー向けにImagesタブで利用可能です（使用制限はプランで変動）。Business/Enterprise向けは初期ロールアウト後に提供されるのが通例です。
• API：開発者はOpenAI APIおよびAzure OpenAI Service経由で、新モデルを画像生成・編集エンドポイントから利用できます。1.5同様、画像出力はトークン課金で、編集時の部分再生成により、毎回の全再生成よりコストを抑えられます。

ChatGPT Images 2.0 vs. Nano Banana 2

ChatGPT Images 2.0が Nano Banana 2と比べてどうか、気になるところでしょう。どちらも新しく、それぞれのエコシステムでデフォルト体験を担い、速度・推論・現実世界の知性を打ち出しています。

ChatGPT Images 2.0とNano Banana 2の使い分け

ChatGPT Images 2.0を使うべき場面…

• 参照ベースの編集ループが必要なとき。 参照画像を受け取り、ターゲットを絞った変更（質感の調整、位置の補正、アスペクト比の修正）を複数ターンで適用します。平易な追加入力で出力をやり直さずに軌道修正でき、トークン節約にもつながります。
• 粗い入力を磨き上げたアセットに変えるとき。 思考モードは曖昧なスケッチや空間指示を解きほぐし、要素を意図どおりに配置した正確かつフォトリアルな構図へとまとめます。
• 画像内の事実の正確さが重要なとき。 ウェブ検索による基盤付けで最新情報を取得し、画像内に正しく反映します。イベントポスター、ニュース系インフォグラフィック、数値や名前の正確性が必須のビジュアルに適します。ウェブ検索を有効にするには思考モードが必要です。

Nano Banana 2を使うべき場面…

• 特定の実在人物・場所をシーンに配置するとき。 Image Search GroundingがGoogleからライブのビジュアル参照を取得し、特定の場所（GPS座標指定も可）を高精度に再現。被写体一貫性のあるキャラクターと単一生成で組み合わせられます。
• 1つのワークフローで複数のキャラクターやオブジェクトの同一性を保つ必要があるとき。 最大5キャラクター、合計14の参照（キャラクター＋オブジェクト）を厳密に一貫させるサポートがあります。絵コンテ、商品写真、複数キャラの物語に有力です。
• Googleエコシステム内で構築するとき。 Nano BananaはGeminiチャット、Google検索、Google広告、Firebase、Vertex AIにネイティブ統合されています。

どちらも、画像内テキストの描画、スタイルの幅、会話的な編集については優れています。

まとめ

「視覚的な思考パートナー」という位置づけは有効です——ただし思考モードがオンのときに限ります。オフだと空間ロジックやフォトリアリズムで苦戦し、オンだと曖昧な入力を、機械的ではなく協働的に感じられる出力へと変えます。思考モードなしでも秀でる領域は、スタイルの本物らしさとアスペクト比の柔軟性です。

ウェブ検索による基盤付けは、Images 1.5からの最大のアップグレードに感じられます。ボストンマラソンのテストではその差が明確で、2.0はすべて正確、1.5は最新性に欠けました。なお、ウェブ検索は思考モードでのみ機能します。

興味深い点として、著作権のガードレールがより厳しくなっていることが挙げられます。特定の企業や人物に紐づくスタイルを再現したい場合は、その本質を抽出して言語化するひと手間が必要です（とはいえ、今ではさほど難しくはありません）。

総じて、本モデルは先代から大幅に強化され、AI画像の生成・編集におけるトップツールとしてのNano Banana 2に強く迫る存在です。 

これらのツールを最大限に活用するには、プロンプトの作り方が重要なスキルです。理論と実践の両面から学べる Understanding Prompt Engineering および Prompt Engineering with the OpenAI API の各コースを強くおすすめします。