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となったのは、動作速度の向上でした。当時の発表では 4 倍高速とされ、私たちも検証を試みましたが、その効果は新規生成ではなく編集時に表れるものでした。

今回の大命題は「インテリジェンス」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、荒い入力（メモ、スケッチ、参考画像）から、詳細なプロンプトを要さずとも洗練されたビジュアルを描き出すことを目指しています。

発表で強調されている主なポイントは以下のとおりです。

• 生成過程の精度とコントロール性の向上
• 多言語・多文字体系でのパフォーマンス強化
• スタイル表現の洗練とリアリズムの向上
• 現実世界の知識と推論の強化
• 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」、「ビジュアル思考パートナー」のように振る舞う、というのが最大の主張のひとつです。裏側ではエージェントが生成実行の前に、タスクを深く理解し推論する処理を行う、という考え方です。

世界知識の更新は 2025 年 12 月までカバーされ、出力の文脈適合性が高まりました。これにより、教育用グラフィックや、文脈を要する多段のワークフローに強みを発揮するとされています。

ウェブ検索

カットオフと最新情報のギャップを埋めるために、Images 2.0 はウェブ検索で関連情報を取得できます。仕組みの詳細はリリースノートからは明確ではありませんが、前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

同一プロンプトから複数画像をネイティブに生成できるようになりました。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、これら出力間でキャラクターやオブジェクトの一貫性を保つと約束しています。

ChatGPT Images 2.0 をテスト

では、新モデルの実力を見ていきましょう。以下の機能をテストしました。

• 編集ワークフロー
• 思考モードとウェブ検索
• スタイル表現の幅
• ラフスケッチのブラッシュアップ
• 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 の訴求はイテレーションに重きがあります。粗い入力から磨き上げたアセットへ——指示順守と高密度の文字描画が向上したという主張です。ここでは、1898年に発行された米国の有名な切手「Western Cattle in Storm」を題材に、このループを検証しました。

こちらは状態「Fine」の切手の写真です。

編集ワークフローを狙って検証するため、思考モードなしで以下のプロンプトを使用しました。思考モードを使わないため、ウェブ検索にもアクセスしません（ウェブ検索は別途テスト）。

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上手くいきませんでした。切手の詳細や状態の等級を丁寧に記述しましたが、重要な点で多くが誤り（色、額面表示の配置、オフセンターの表現などが漫画的）でした。文章だけから特定の歴史的実物を忠実に再現するのは、やはり難題です。

一方、参考画像を与え、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、斜めのガムの折れ、軽い変色、部分的な消印などです。

編集はおおむね所望の位置に適用されました。アスペクト比に乱れが出ましたが、平易な追記で修正できました。最終結果は鑑定級とは言えませんが（「$1」がやや引き伸ばされ、トウモロコシも異なる）、ループは機能しました。荒削りな出発、軌道修正、3ターンで実用的な成果物に到達です。

多言語テキスト描画の検証

非ラテン系文字のテキスト描画は、画像モデルの長年の弱点でしたが、OpenAI はここを主要改善点として挙げています。日本語、韓国語、中国語、ヒンディー語、ベンガル語での高忠実度なテキスト生成をうたい、単なる翻訳にとどまらず、レイアウトの整合や自然なタイポグラフィまで含めて対応するとしています。

公平なテストとして、これらの文字体系で本文量のあるポスターやインフォグラフィックを依頼し、ネイティブ話者に確認してもらう方法を取りました。ここでは、架空の地元コーヒー店が季節限定の桜ラテを宣伝する、モダンな日本のライフスタイルポスターを依頼しました。

「居心地の良い日本のカフェの窓辺を描いた、モダンなグラフィックデザインスタイルのライフスタイルポスター。大きな窓から差し込む自然な光と、小さな観葉植物。ポスターの中央には、以下の日本語テキストが大きく、はっきりと読みやすく配置されている。フォントは現代的でクリーンなゴシック体（sans-serif）。

テキスト内容：
『桜フェア開催中。
心休まる場所で、
春の訪れを。
さくらラテ 650円』

テキストの下には、小さな文字で『HAVE A GOOD DAY』という英語のサブタイトルがあり、一番下にはロゴマークと『CAFE YUTORI』というローマ字の店名がある。全体的に暖かく、洗練されたレイアウト。」

出力は次のようになりました。

日本語話者の同僚（Sven に感謝！）によると、以前のモデルで見られた文字化けは大幅に減り、自然で読みやすいとの評価でした。

思考モードでは、左下の小さな黒板の文言のように、プロンプトにない文を補うこともありました。内容は文脈に合っており、重複もなく、「季節限定のやさしい味。ほっと一息——春を運ぶ一杯をどうぞ」といった趣旨に読み取れます。

思考モードとウェブ検索の検証

ウェブ検索機能の検証では注意が必要です。プロンプトで求める情報を与えてしまうと、検索ではなく指示順守のテストになってしまうからです。最もクリーンなテストは、極めて最近かつ具体的な事象について、ほとんど情報を与えず、モデルが正しく空所を埋められるかを見ることです。

そこで、前日のボストンマラソンを題材にしました。レースは月曜の 4 月 20 日に終了し（ChatGPT Images 2.0 の発表前日）、男子のコースレコードが 2011 年以来初めて更新されました。これは（優勝者、国籍、記録、差、文脈）といった具体的な事実のセットで、学習時点の知識には含まれない一方、検索で容易に確認できます。

詳細をあえて伏せたプロンプトがこちら。結果では、モデルが実際にウェブ検索している様子が確認できます。

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.

見た目は非常に魅力的で、ボストンマラソンの配色に沿っている点も良いアクセントです。記載された事実はすべて正確であることを二重に確認しました。

旧モデル（Images 1.5）はウェブ検索ができないため、間違った回答になることは確実でした。同じプロンプトで一応テストしたところ、結果は次のとおりです。

スタイル面では健闘していますが、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第130回開催であり、「127年の伝統」ではなく「129年の伝統」と表記すべきでした。
• 「マラソンで 2:04 を切ったのは史上 3 人目」という主張も誤りです。実際には約 20 人が達成しています。
• Boston Athletic Association のサイトによれば、後半のタイムは 1:00:02 であり、1:01:05 ではありません（とはいえ、後半最速だった可能性はあります）。
• 最も重要なのは、新旧記録の取り違えです。旧記録は 2:03:02、新記録は 2:01:52 で、その差は 1 分 10 秒。また、2:03:02 自体の扱いも正確ではありませんでした。

最新情報をビジュアルで示す場合、検索機能の有無が結果に直結します。これを使うには、思考モードをオンにする必要があります。

スタイル表現の幅を検証

OpenAI は写真、イラスト、マンガ、ピクセルアートなどのスタイル表現で実力向上をうたっています。肝心なのは、単発で「良さそう」に見えるかではなく、同一の被写体を 3 つの異なるスタイルで表現したとき、それぞれのジャンルとして本物らしく読めるか、あるいはすべてが同じ AI 的な質感に回収されてしまうかです。

そこで、木製作業台に置かれたエスプレッソマシンを、写真・マンガ・ピクセルアートの 3 スタイルで依頼しました。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.

これは興味深い結果です。Image 1 が 1 年前にスタジオジブリ風モンタージュで注目を集めたこと（私たちもやりました）を思うと、やや皮肉でもあります。OpenAI は著作権や IP により慎重になっているようです。

ただし、大友克洋のスタイルを固有名を挙げずに描写すると機能しました。なお、同一チャット内では回避を試みていると判断されたのかブロックが続いたため、新しいチャットを開いたところ成功しました。

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 枚はいずれも出来が良く、求めたスタイルを本物らしく体現していると感じました。写真は非常に自然で、他の 2 つはそれぞれマンガ本や SNES 時代のゲームからそのまま持ってきたようです。

さらに注目したいのは、柔軟なアスペクト比がそれぞれに最適化されている点です。写真は 16:9 の横長、マンガは縦長、ピクセルアートは正方形になっています。

柔軟なアスペクト比の検証

本リリースは 3:1 から 1:3 のアスペクト比と、最大 2K の解像度に対応します。重要なのは、縦横の出力ができるかどうかではなく、モデルがフォーマットごとに賢く再構図するのか、単にトリミングするのか、という点です。

モデルの空間ロジックをあぶり出すには、複数の軸にわたる不可欠要素（縦長のもの、横に広いもの、中央の被写体）を含むシーンが適しています。

そこで、基礎プロンプトから被写体（特定の状況の宇宙飛行士）を生成し、それをモバイル壁紙、バナー、正方形で再生成して、構図の適応を観察しました。

基礎プロンプト：

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す。

Recreate the original image as a banner

Recreate the original image as a mobile wallpaper

Recreate the original image as a square

いずれも依頼に適したアスペクト比が選ばれ、重要な要素（宇宙飛行士、ローバー、惑星）を含み、基礎プロンプトで指定した配置を保ちながら、中心を意識したレイアウトになっています。テスト合格です。

粗い入力から磨き上げた出力へ

「思考パートナー」的な位置づけは、粗い・雑多な入力——ラフスケッチ、箇条書き、少数の参考——を引き取り、完成度の高いアセットへと仕上げる力にかかっています。これは本リリースの中核であり、最も直接的に試す価値がある部分です。

そこで、湖畔のキャビンを描いた非常にラフな鉛筆スケッチをアップロードしました。

あえて難しくするため、細かなディテールを多く含め、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 種の建物、湖と池という 2 種の水面が混在する紛らわしい構成にしました。

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.

思考モードなしの結果は見栄えは悪くないものの、フォトリアルというほどではありません。それでもライティングはよく合っており、プロンプトの雰囲気はよく捉えています。スケッチの要素はほぼすべて確認できますが、いくつかの点が誤っています。

• 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

同じスケッチを思考モードで試すと、出力はより写真的になり、細かな不一致も解消されました。

スケッチの全要素が所定の位置に収まり、とても整った仕上がりです。ラフスケッチをフォトリアルへ仕立てる際は、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、新宮誠一のコンクリート・ポエトリーを再解釈できるかを見ました。

この有名な作品は、雨を意味する漢字を雨に囲ませることで、言葉で雨を捉えている——そんな表現だと私たちは解釈しています。

使用したプロンプトはこちらです。

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

そして、出力がこちらです。

これは興味深い結果です。元作品を再現したわけではありませんが、別の形で示唆に富む表現になりました。新しい構図では、「雨」という漢字が雨に囲まれているのではなく、雨として降ってくるのです。記号の配置は、まさに雨粒のようにランダム性を帯び、整然とした原作との対比が心地よく感じられます。

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作業空間（キャンバス型エディタ、永続的なアーティファクト、スタイルプリセット）を維持しつつ、下層のモデルを大幅に強化しています。

• 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、使用上限はプランに応じてスケールします。ビジネスおよびエンタープライズ向けの提供は、初期ロールアウト後に順次行われるのが通例です。
• API：開発者は OpenAI API および Azure OpenAI Service の画像生成・編集エンドポイント経由で新モデルを利用できます。1.5 と同様、画像出力はトークン課金で、編集時の部分的な再生成により、毎回の全面再生成に比べてコストを抑えられます。

ChatGPT Images 2.0 と Nano Banana 2 の比較

ChatGPT Images 2.0 がNano Banana 2 とどう比べられるのか、気になる方もいるでしょう。いずれも最新で、各エコシステムのデフォルト体験を担い、速度・推論・現実世界の知識を強調しています。

ChatGPT Images 2.0 と Nano Banana 2 を使い分けるなら

ChatGPT Images 2.0 を使うべき状況：

• 参照画像に基づく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）を重ねられます。平易な追記で出力を確実に舵取りでき、最初からやり直す必要がないため、トークンの節約にもなります。
• 粗い入力から完成度の高いアセットを作るとき。思考モードにより、曖昧なスケッチや空間的指示を、正確でフォトリアルな構図に落とし込み、要素を意図どおりに配置します。
• 画像内の事実の正確性が重要なとき。ウェブ検索による根拠付けでライブ情報を取得し、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、数値や固有名の正確さが必須の用途に信頼が置けます。ウェブ検索には思考モードが必要である点をお忘れなく。

Nano Banana 2 を使うべき状況：

• 特定の実在人物やロケーションをシーンに配置したいとき。Image Search Grounding により 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）を正確に再現しつつ、被写体一貫性のあるキャラクターと一度の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維持したいとき。最大 5 キャラクター、合計 14 件（キャラクター + オブジェクト）の参照に厳格な一貫性で対応。ストーリーボード、製品写真、マルチキャラクターの物語に適します。
• 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。

画像内テキスト描画、スタイル表現の幅、会話型の編集体験については、どちらも十分に良好です。

まとめ

「ビジュアル思考パートナー」という位置づけは成立します——ただし思考モードがオンのときに限ります。オフでは空間ロジックやフォトリアリズムで苦戦し、オンにすると曖昧な入力を協働的な手触りのある出力へと変えます。思考モードがなくても強みが見られたのは、スタイルの本物感とアスペクト比の柔軟性です。

ウェブ検索による根拠付けは、Images 1.5 からの最大の進化に感じられます。ボストンマラソンのテストでは、2.0 はすべての事実を正しく反映し、1.5 は最新性の不足が露呈しました。なお、ウェブ検索が機能するのも思考モード使用時に限られます。

もうひとつの興味深い発見は、著作権のガードレールが強化され、その効果が見て取れることです。特定の企業や人物を想起させるスタイルを再現したい場合は、そのエッセンスを抽出して言語化する一手間が必要になります（とはいえ、現在ではそれも容易でしょう）。

総じて、2.0 は前世代から大きく前進し、AI 画像生成・編集における Nano Banana 2 の「第一選択」の地位に挑む存在です。

こうしたツールを最大限に活用するには、プロンプトの作法が不可欠です。理論と実践の両面から学べるUnderstanding Prompt Engineering と Prompt Engineering with the OpenAI API の受講を強くおすすめします。