日本語の文字が崩れない画像生成 AI はどれ？ 同じ看板を 5 つのモデルに描かせて比べた

AI で画像を作ると、看板やメニューの日本語が読めない字になることがあります。そこで、同じ看板のお題を 5 つの画像生成 AI に同じ文で頼み、指定した字が正しく描けたかを 1 字ずつ数えました。今回の 1 回ずつの結果では、GPT-Image-2.5 Sunburst・Nano Banana Pro・Nano Banana 2.1・Grok Imagine 2.0 の 4 つが、4 つのお題の 118 字をすべて正しく描きました。Gen-4 Image は 23 字で、正しく読めたのは数字と「月」だけでした。ただし、Gen-4 Image だけは 720×720 画素(ほかの 4 つは 1024×1024 画素)での結果です。

結果の早見

Gen-4 Image の 23 字は、数字 22 字と、「月」の 1 字です。

比べ方

モデル

• 大きさと品質は指定せず、YOBITSUGI AI の既定のままにしました。できた画像を測ると、Gen-4 Image だけが 720×720 画素で、ほかの 4 つは 1024×1024 画素でした。Gen-4 Image は、ほかの 4 つより画素の少ない条件での結果です。画素の数が少ないことが、字の崩れに効いているかどうかは、確かめていません。
• GPT-Image-2.5 Sunburst の品質は、YOBITSUGI AI の既定の medium です。OpenAI の公式の説明では、品質は low・medium・high・xhigh・max・auto から選べます。medium より上の品質は試していません。

お題

4 つとも「看板」にして、字の数と種類を少しずつ増やしました。

• 描かせる字は、文の中でかぎかっこに入れて指定しました。どのお題も、最後に「画像の中の文字は、かぎかっこの中の文字だけにしてください。」と書いています。渡した文の全文は、お題ごとの図の右下にあります。
• 店・催し・公園の名前は、この記事のために考えた架空のものです。

数え方

数え方は、結果を見る前に決めました。あとから足した観点はありません。

• 指定した字を 1 字ずつ見て、「正しい」「崩れ(字はあるが読めない)」「別の字」「抜け」に分けます。表の数字は「正しい」の数です。
• 数えるのは、漢字・ひらがな・カタカナ・数字と、「円」・かっこ・「〜」です。空白は数えません。
• 書体の違い、縦書きと横書き、全角と半角、看板の幅での折り返しは、誤りにしません。
• 迷う字は「崩れ」に入れます。
• 看板の中に足された字と、背景に出た字は、別に記録します。
• 数えたのは編集部(Claude Code を使用)です。等倍の画像と、拡大した画像の両方を見ました。

お題 1: 店の看板(漢字 4 字)

• 4 つのモデルは、4 字とも読める形で描きました。
• Nano Banana Pro と Nano Banana 2.1 の「房」は、上の 1 画目が横の線ではなく、点の形です。ほかの線はそろっていて、「房」と読めます。書体の違いは誤りにしないと先に決めていたので、筆で書いた字の形の違いとして、正しい字に数えました。
• Gen-4 Image の看板は、漢字のような形が 4 つ並んでいますが、読める字はありません。看板の下にも、読めない小さな字が 3 つあります。

古本屋の店先を頼んだこのお題では、5 枚とも、本の表紙や張り紙に字のような模様が出ました。Nano Banana Pro の絵には、張り紙・値札・のぼりなど 10 か所以上あります。ほとんどは読めない字です。

お題 2: メニューの立て看板(5 行・50 字)

• 4 つのモデルは、50 字とも正しく描きました。5 行の順番も、品名と値段の組み合わせも、指定どおりです。
• ひらがな・カタカナ・漢字・数字が混ざる行でも、濁点(ブ・ド・ご)と半濁点(プ)が正しく付いていました。

• Gen-4 Image は、黒板 4 枚に 8 行を描きました。値段は 480・読めない値段・650・720・450 の順に並び、数字 15 字のうち 13 字が正しく読めます。
• 品名の 30 字は、指定した位置に正しい字が 1 つもありません。カタカナやひらがなのような形はありますが、品名としては読めません。「円」は 5 つとも、中の縦の線がない形でした。「580円」に当たる行は、「4」と読めない字と「0」の並びです。

お題 3: 催しの案内の看板(3 行・38 字)

• 4 つのモデルは、38 字とも正しく描きました。「雑貨」「園」のような画数の多い字、かっこ、「〜」も合っています。
• GPT-Image-2.5 Sunburst は、行ごとに字の色を変え、紅葉の飾りを足しました。Grok Imagine 2.0 は、どんぐりと葉の飾りを足しました。飾りは頼んでいませんが、字ではないので数えていません。
• Grok Imagine 2.0 は、3 行をそれぞれかぎかっこで囲んで描きました。字を指定するために文の中で使ったかぎかっこが、看板に入った形です(6 字)。

• Gen-4 Image で正しく読めたのは 10 字です。1 行目は「3」だけ、2 行目は「10月25」「10」「16」の 9 字でした。
• 2 行目は「16」のあとに「5」が足され、「日」と「時」は別の字の形、かっこは抜けています。3 行目の場所は、矢印の形の板に読めない字が 3 つあるだけでした。

お題 4: 手書きの黒板(2 行・26 字)

• 4 つのモデルは、26 字とも正しく描きました。小さい「ょ」、濁点の「で」「じ」、半濁点の「プ」も合っています。
• Nano Banana Pro は、空白の所で折り返して 4 行にしました。折り返しは誤りにしないと先に決めていたので、26 字として数えています。
• Nano Banana 2.1 は、2 行目の右にスープの絵を足しました。
• Grok Imagine 2.0 は、ここでも 2 行をかぎかっこで囲みました(4 字)。

Gen-4 Image の黒板は、漢字のような字だけで、ひらがなとカタカナは見当たりませんでした。

頼んでいない字は足されたか

どのお題も、文の最後に「画像の中の文字は、かぎかっこの中の文字だけにしてください。」と書きました。

• 看板の中: 4 つのモデルのうち、頼んでいない字を足したのは Grok Imagine 2.0 だけです(お題 3・4 のかぎかっこ)。お題 1・2 では、Grok Imagine 2.0 もかぎかっこを描いていません。
• 背景: 背景に字が見当たらなかったのは、GPT-Image-2.5 Sunburst と Grok Imagine 2.0 の、お題 2 とお題 3 の 4 枚でした。残りの絵には、本の表紙・張り紙・奥の看板・のれんなどに、字や字のような模様があります。
• 背景の字の多くは、読めない字です。読めた例は、GPT-Image-2.5 Sunburst のお題 4 の、奥の木の看板の「食堂」です。渡した文には「小さな食堂の店先」とあります。

かかった時間と料金

• 20 枚の合計は 201.3 クレジットでした。
• 時間は、YOBITSUGI AI に頼んでから、画像が保存されるまでの秒数です。最初の 1 枚だけを先に頼み、残りの 19 枚は 4 件ずつ同時に頼みました。
• Gen-4 Image の 150.0 秒(お題 3)と 128.1 秒(お題 4)は、Gen-4 Image への 2 件の依頼が重なった回です。重ならなかったお題 1・2 は、30.0 秒と 24.8 秒でした。重なったことが理由かどうかは、確かめていません。
• GPT-Image-2.5 Sunburst の 2.4 クレジットは、品質が medium のときの数字です。

公式のページに書かれていること

2026年10月14日に、各モデルの公式のページを確かめました。

• OpenAI: 画像生成のガイドは、GPT Image のモデルの限界の 1 つに文字を挙げています。「大きく改善したが、文字の正確な配置と鮮明さでは、まだ苦戦することがある」という内容です。
• Google: Gemini の画像生成の機能を「Nano Banana」と呼んでいます。機能の一覧には、インフォグラフィック・メニュー・図・販促物のための、読める文字の生成が挙げられています。「限界」の項には、よい結果のために使う言語の一覧があり、日本語(ja-JP)が入っています。
• Grok Imagine: 開発者向けのページ(docs.x.ai)の「Image Generation」は、文章から画像を作る機能と、縦横の比・解像度の指定を説明しています。このページには、絵の中の文字についての説明は見当たりませんでした。
• Runway: 開発者向けのモデルの一覧は、Gen-4 Image を「Runway's image generation model.」と説明しています。このページにも、絵の中の文字についての説明はありません。

使い分けの目安

今回の 4 つのお題の範囲で言えることです。

• 字の正しさ: 今回の 118 字では、4 つのモデルに差はありませんでした。違いが出たのは、料金・時間・頼んでいない字です。
• 料金: 1 枚のクレジットがいちばん少なかったのは、GPT-Image-2.5 Sunburst(品質 medium)の 2.4 でした。
• 時間: 4 つのお題とも、いちばん短かったのは Grok Imagine 2.0(12.5〜15.3 秒)でした。ただし、4 枚のうち 2 枚でかぎかっこを描いています。
• Nano Banana の 2 つ: 正しく描けた字の数は同じで、クレジットは Pro が約 3 倍でした。字の数で違いが出るお題は、今回の 4 つにはありませんでした。
• Gen-4 Image: 今回の 4 枚では読める字が少なく、118 字のうち 23 字でした。720×720 画素での結果で、画素の数が少ないことが効いているかどうかは、確かめていません。英語の文で頼むことと、大きさを上げることも、試していません。

編集部の見立てでは、20 枚とも、お題の物(木の看板・立て看板・案内の看板・黒板)が写っていました。

文字を正しく入れたいときの手順

今回の結果と、公式のページで確かめられる範囲の手順です。

気をつけること

• どれも 1 回ずつの結果です。字が正しかったモデルでも、使うたびに確かめてください。
• 今回のお題は、いちばん多いもので 50 字です。もっと長い文章、小さな字、縦書きの指定、人名に使う字は、試していません。
• Gen-4 Image の結果は、720×720 画素で、日本語の文で頼んだときのものです。GPT-Image-2.5 Sunburst の結果は、品質が medium のときのものです。
• Google の公式のページによると、生成した画像には、SynthID という電子透かしが入ります。
• 作った画像を仕事で使うときは、各サービスの利用の決まりを確かめてください。
• 料金は変わることがあります。

まとめ

• 日本語の看板の字は、GPT-Image-2.5 Sunburst・Nano Banana Pro・Nano Banana 2.1・Grok Imagine 2.0 の 4 つが、118 字すべてを 1 回目で正しく描きました。
• 4 つの違いは、料金(1 枚 2.4〜24.3 クレジット)・時間・頼んでいない字でした。
• Gen-4 Image は、今回の 4 枚では 118 字のうち 23 字でした。720×720 画素での結果で、ほかの 4 つとは条件が違います。
• 字が正しく見えても、拡大して 1 字ずつ確かめてから使います。

絵の中の字や数字をコードで描く方法は、Claude Code に絵のセンスはない？ 画像の AI と描き比べて解説で説明しています。