画像生成 AI は下書きを安い AI、清書だけ高い AI で得？ 合格までの総額を比べた

画像生成 AI で、安い AI に下書きを何案か作らせ、選んだ 1 案を高い AI で清書すると、合格する絵を安く手に入れられるのでしょうか。下書きを Kling Image 3.0、清書を Nano Banana Pro にして画像 8 お題で試したところ、この組み合わせでは得になりませんでした。Nano Banana Pro だけで作り直した方が 8 お題とも合格し、総額は 219.1 クレジットと、下書き → 清書(合格 5 お題・427.0)の約半分でした。清書は下書きの構図を保ったまま崩れた字を直しましたが、下書きの形の崩れも 3 お題で引き継ぎました。

結果の早見

比べ方

4 つの作り方

• ① 高いモデルだけ: Nano Banana Pro に日本語の文を渡し、合格するまで同じ文で作り直します。上限は 3 回です。
• ② 安い下書き → 高い清書: Kling Image 3.0 で 4 案を作り、編集部が 1 案を選びます。その絵を参考の画像として Nano Banana Pro に渡し、元の文に「下書きの配置を保って描き直す」一段落を足して清書します。清書の上限は 2 回です。
• ③ 安いモデルだけ: Kling Image 3.0 で、上限 6 回まで作り直します。1〜4 回目は、② の 4 案をそのまま数えました。
• ④ 中くらいの値段のモデルだけ: GPT-Image-2.5 Sunburst に日本語の文を渡し、上限 3 回まで作り直します。① とモデルだけが違います。④ は、作り始めた後に足しました(下の囲み)。

モデルと値段

「安い」「高い」は、YOBITSUGI AI でこれまでの記事に作った記録の、1 回の額から決めました。

• 下書きには、はじめ GPT-Image-2.5 Flare を使う計画でした。最初の 1 枚が OpenAI 側の残高切れで作れず、代わりに選んだ Civitai の Juggernaut XL も残高不足で作れませんでした。そこで、記録で 1 枚 4.9 の Kling Image 3.0 に替えました。
• 1 回目をまとめて流したとき、道具が作れなかった 2 件を流し直し、Flare の 1 枚はこのときできました(T1 の日本語の文・品質は道具の既定の medium)。2.4 クレジットで、Sunburst と同じでした。下書きはすでに Kling Image 3.0 で流していたので替えず、この 1 枚は比べに入れていません。
• OpenAI の料金の表でも、Flare と Sunburst の 100 万トークンあたりの値段は同じです。OpenAI のガイドは、下書きには品質 low を使い、仕上げでは高い品質の設定を比べるよう書いています。
• Google は、Nano Banana Pro を最も複雑な作業向けの上位のモデル、Nano Banana 2.1 を速さと費用の効率を重んじるモデルとして説明しています。Nano Banana 2.1 の公式の料金は、1K の画像 1 枚 0.0336 ドルです。今回、Nano Banana 2.1 は作っていません。
• 2 つの Grok Imagine Video は、公式の料金で 4 倍、今回の記録で 4.4 倍の差です。

お題と合格の基準

• 合格は、そのお題の項目がすべて ○ のときです。判定は編集部(Claude Code を使用)が、絵を拡大して行いました。字は 1 字でも違えば × です。
• ② の案の選び方も先に決めました。配置の項目(黒板が中央・物の位置など)を多く守った案を選び、同じなら全項目の ○ の数、それも同じなら番号の若い案です。
• 時間は、記録に残った生成の秒の合計です。② で案を選ぶ時間は入れていません。

合格までの回数と総額

• ① で作り直したのは T2 だけです。1 回目は、取っ手のあるカップを描きました(湯のみの項目が ×)。
• ② の清書は 11 枚で、T5・T7・T8 は 2 回とも不合格でした。下書きの崩れが残ったためです(次の節)。
• ③ の Kling Image 3.0 は、日本語の字の 2 お題(T1・T5)と三面図(T7)で、6 回とも合格しませんでした。T4 と T6 は 1 回目で合格し、1 お題 4.9 クレジットです。
• ③ の T8 は、5 回目を初めは合格としていました。校閲で、右の柱に花の印と字のような列が見つかり、項目 a を × に直しました。上限の 6 回目は作っていないので、③ の合格は 4 お題です。
• ④ は T1 を除く 7 お題が合格し、そのうち 6 お題は 1 回目でした。

• ② の総額 427.0 のうち、156.8 は下書き 32 枚の分です。清書 11 枚の 270.2 だけでも、① の 219.1 より多くかかりました。
• 1 合格あたり(総額 ÷ 合格の数)は、① 27.4、② 85.4、③ 39.2、④ 3.5 でした。総額は記録の値を足してから小数 1 桁にしたので、図のお題ごとの数を足した値と 0.1 違うことがあります。
• 生成の秒の合計は、① 172 秒、② 1,274 秒です。② は 4 案を同時に作れば 506 秒ですが、そこに案を選ぶ時間が加わります。

② が ① より安くなる条件: 1 お題あたり、② は下書き 4 案(19.6)と清書の回数分、① は作り直しの回数分を払います。清書と ① は同じモデルで 1 枚約 24.5 なので、4 案は約 0.8 枚分です。② が安くなるのは、清書の回数が ① の回数より 1 回以上少ないときだけです。清書が 1 回で合格するとしても、① が平均 1.8 回より多くかかる(1 回目で合格しにくい)お題でないと、② の方が高くつきます。今回の ① は平均 1.1 回(8 お題で 9 枚)で、② の清書は 11 枚かかりました。② が安く済んだのは、① が 2 回かかった T2(① 48.5・② 44.1)だけです。

下書きが清書より安いほど、また清書のモデルが高いほど、この境は 1 回に近づきます。下書きの単価を Flare の 1 枚(2.4)に置き換えると、4 案は 9.8 で、境は 1.4 回です。清書の回数が今回と同じなら ② の総額は 348.3 で、まだ ① より多くなります(下書きの絵が変われば清書の結果も変わるので、目安です)。

清書で何が変わったか

崩れた字は直った

• T1 は、Kling Image 3.0 の 4 案とも見出しが崩れ、値段の「円」も「元」になっていました。選んだ案 4 を渡すと、清書では見出しの 7 字と 3 品の字・値段がすべて正しくなり、黒板の位置と鉢植えもそのままでした。
• T5 も、題の 14 字と見出し 3 つが正しくなりました。

構図と色はほぼそのまま

• 色の差は、2 枚を 8×8 の区画に分け、区画ごとの平均の色の ΔE2000(人の目の感じ方に合わせた色の差の数)を平均した値です。8 お題の清書 1 回目は 0.4〜7.6 で、同じ下書きと ① の 1 回目の差(4.8〜23.4)より小さくなりました。
• 形の近さは、2 枚の縁の位置の相関です。清書は 0.89〜1.00 で、① の 1 回目との 0.22〜0.91 より高く出ました。下書きで決めた構図は、清書でほぼそのまま残ります。
• T6 の 7.6 は、芝生の色が明るくなった分です。
• 点に入れない変化もありました。T1 は黒板の黒い金属の枠が木の枠になり、T4 は黒い箸が白木の箸に、T5 は 2 の枠に服が足されました。

下書きの崩れも引き継いだ

• T5 は、1 の枠「間をあけて干す」で服が重なった下書きを選んだため、清書でも 2 回とも重なりました。
• T7 は、4 案ともマフラーの端が正面のおなかの前にあり、清書でも 2 回とも残りました。① と ④ は、1 回目で背中側に描いています。
• T8 は、傘の縁の白い帯が、清書でも薄く残りました。
• 清書の文で「形の崩れはまねない」と頼みましたが、編集部の見立てでは、下書きの配置を保つ指示の方が強く効きました。下書きで ○ だった項目が清書で × になった例は、8 お題で 1 つもありません。
• T5 は、決めた選び方で案 1 を選びました。案 2 は、配置の項目に入れた「背景が白で主な色が水色と黄色」が外れたためです。案 2 は、1 の枠の服の間があいていました。全部の項目で選べば、結果が変わった可能性があります。

中くらいの値段のモデルだけ(④)

• GPT-Image-2.5 Sunburst は 1 枚 1.9〜2.4 で、Kling Image 3.0 の下書きより安いモデルです。7 お題が合格し、11 枚で 24.7 クレジットでした。
• T1 の字は 3 回とも正しく、外れたのは奥にもう 1 つ描いた鉢植えだけです。T8 の 1 回目は、右の明かりの板に字のような薄い模様があり、2 回目で合格しました。
• T7 は線の無い 3D の絵になりました。絵柄は基準に入れていないので合格ですが、ほかの作り方は線で描いた平らな絵でした。
• 連載「同じお題で AI を比べる」のGPT-Image-2.5 と Nano Banana Pro、どっちがいい？ 同じ 10 のお題で描き比べたでも、2 つのモデルの守れた項目は近く、1 枚の料金は平均 2.2 と 24.3 クレジットでした。

動画: lite で動きを確かめてから本番

動画は 2 お題です。最初の場面の画像を GPT-Image-2.5 Sunburst で 1 枚ずつ作り(各 1.9)、どの作り方にも同じ画像を渡しました。長さは 4 秒です。

• ① 高いモデルだけ: Grok Imagine Video 1.5 で作ります。外れたら、外れた項目ごとに決めておいた直しの 1 文を足して作り直します。上限は 2 回です。
• ② lite で確かめて本番: Grok Imagine Video 1.5 lite で、同じ決まりで最大 3 回確かめます。lite で合格した文で、Grok Imagine Video 1.5 を 1 回作ります。
• ③ lite だけ: ② の lite のどれかが合格したら、そこまでの額で合格とします。

数え方は、0.5 秒ごとのコマを見て、項目ごとに ○ と × を付けました。音は聞かず、有無と大きさだけを測りました。

V1 紙飛行機

• 紙飛行機は 5 本とも左から右へ飛び、3 秒ごろに本の上で止まりました。本の数と紙飛行機の形も保たれ、外れたのは「カメラが動かない」だけです。
• lite は、1 回目(文 v1)でカメラが 8.2% ずれ、直しの 1 文を足した 2 回目(文 v2)で 0.0% になって合格しました。
• 同じ文 v2 で Grok Imagine Video 1.5 を作ると、カメラは 14.4% ずれました。lite で確かめた文が、本番でも通るとは限らない例です。
• ① も、1 回目 6.3%・2 回目 2.9% で、上限の 2 回で合格しませんでした。
• 総額は、① 199.5、② 145.2(lite 2 本 45.5 + 本番 99.7)で、どちらも不合格です。lite だけ(③)なら 45.5 で合格でした。作る時間は、lite が 20.7〜20.9 秒、Grok Imagine Video 1.5 が 26.9〜27.6 秒です。
• 音は 5 本とも入っていましたが、平均の大きさは -61.7〜-71.9 dB で、ほとんど無音です。

V2 ケーキへ回りこむカメラ

• Grok Imagine Video 1.5 は前へ進んでケーキに寄りましたが、正面のまま回りこみませんでした。
• lite は少し右へ回りました(ケーキの側面の見える幅が、切り口の 0.17 倍から 0.24 倍)。ただし 4 分の 1 周には届かず、最後のケーキの幅が画面の 29% で、3 分の 1 に足りませんでした。
• どちらも 1 項目ずつ外れました。この記事の予算(1,200 クレジット)の残りが 21.5 になったため、V2 は作り直しも本番も作っていません。
• 音は 2 本とも入っていて、平均の大きさは -21.0 dB と -29.7 dB でした。

今回の V1 では、lite と Grok Imagine Video 1.5 は、飛ぶ向き・着地・物の数で同じ結果でした。違ったのはカメラの止まり方で、同じ文でも 1 本ごとに 0.0〜14.4% と揺れました。動きの向きを安く確かめるのに lite は使えましたが、カメラのぶれは本番のモデルで確かめる必要がありました。

使い分け

• 案は配置だけでなく、全部の項目で選ぶ: 清書は下書きの形の崩れを引き継ぎます。T5 のように、配置を優先して形の崩れた案を選ぶと、清書でも直りません。
• 字だけが崩れる下書きは、清書に向く: T1 と T5 は、字以外の配置が保たれたまま、字が正しくなりました。

下書き → 清書を試すときの手順

今回の結果から、② を試すときの手順をまとめます。

連載の第 1 回画像生成 AI の色指定と質感を統一するには？ ルールで縛る 5 つの方法を試したでは、見本の画像を 1 枚渡すと、色と質感がそろうことを確かめました。② の清書でも、渡した下書きの配置と色がそのまま移りました。

気をつけること

• 8 お題・1 回ずつの結果です。 同じ文で作り直したときの違いは、上限の回数の中でしか見ていません。動画は V1 が 5 本、V2 が 2 本です。
• 判定の境で数が動きます。 T1 の鉢植え・T3 の目盛り・T8 の字のような模様・動画のカメラは、上の囲みに書いたとおり、境を変えると合格の数が変わります。それでも ② の総額が ① を上回ることは変わりませんでした。
• 下書きのモデルには英語で渡しました。 日本語の文で渡したときの結果は確かめていません。
• 案を選ぶのは人の手間です。 今回は編集部が 4 案を見比べ、その時間は数えていません。
• 参考の画像は、自分で作った絵か使ってよい絵にします。 ほかの人の作品を下書きとして渡すと、その形や色が清書にそのまま移ります。仕事で使う前に、各社の利用の決まりも確かめてください。

まとめ

• 今回の画像 8 お題とこの組み合わせでは、Nano Banana Pro だけで作り直す方が、Kling Image 3.0 の下書きを清書するより総額が約半分で、合格も多くなりました。
• 清書は下書きの構図と色をほぼ保ち、崩れた字は直しました。形の崩れは引き継ぐので、案は全部の項目で選んでください。
• 途中で足した GPT-Image-2.5 Sunburst だけで作り直す方法は、8 お題のうち 7 つが合格し、総額 24.7 でした。
• 動画は、lite で確かめた文でも、本番でカメラが動くことがありました。

渡した文(全文)

記事の中の文は、YOBITSUGI AI の道具にそのまま渡した文です。作り直しでは、同じ文をもう一度渡しました。

画像: 日本語の文(① と ④、清書の元)

① は Nano Banana Pro(provider gemini・best)、④ は GPT-Image-2.5 Sunburst(provider openai・best・品質は道具の既定の medium)に、同じ文を渡しました。比べに入れていない Flare の 1 枚(provider openai・best なし)には、T1 の文を渡しました。大きさはお題ごとに下のとおりで、ほかの設定は既定のままです。合格の基準 a〜f は、この節の終わりの開いて読む補足に載せました。

T1 黒板のメニュー(1024×1024)

架空の小さなカフェの店先に立てた、黒板のメニューの写真。黒板には白いチョークの手書きの字で、いちばん上に「本日のおすすめ」、その下に3行で「かぼちゃのスープ 480円」「きのこのキッシュ 650円」「りんごのタルト 420円」と書く。これ以外の字・数字・ロゴは入れない。黒板は画面の中央に立て、まわりは昼の石畳の歩道。黒板の右下に、小さな鉢植えを1つ置く。

T2 湯のみを持つ手(1024×1024)

木の机の上で、架空の人の両手が、白い無地の湯のみを包むように持っている手元のアップの写真。湯のみから湯気が上がる。顔は写さない。湯のみと手は画面の左寄りに置き、画面の右3分の1は、ぼけた背景だけにする(後で字を載せる余白)。湯のみには字・模様・ロゴを入れない。

T3 腕時計(1024×1024)

架空の腕時計の商品写真。明るい灰色の無地の背景に、腕時計を1本、文字盤を正面に向けて置く。文字盤は紺色で、白い棒の目盛りが12個だけ(数字・字・ロゴは入れない)。針は時・分・秒の3本で、10時10分を指す。ベルトは茶色の革。時計は画面の中央に置き、下に薄い影を落とす。

T4 和の朝ごはん(1024×1024)

架空の和の朝ごはんを、真上から撮った写真。木のお盆の上に、ご飯の茶碗を左手前、みそ汁のお椀を右手前、焼き鮭の皿を左奥、卵焼きの皿を右奥、ほうれん草のおひたしの小鉢を奥の中央に置く。箸を1膳、お盆の手前に横向きに置く。これ以外の料理・飲み物は置かない。

T5 図解(1536×1024)

「洗濯物を早く乾かす3つのコツ」という題の、横長の図解のイラスト。題は上に大きく入れる。その下に3つの枠を左から右へ横に並べ、それぞれに番号と見出しと絵を入れる。1「間をあけて干す」(ハンガーの服の間があいている絵)、2「風を当てる」(扇風機の風が服に当たる絵)、3「厚い物は外側に」(物干しの外側にバスタオル、内側に薄いシャツの絵)。字は、この題と3つの見出しと番号だけにする。背景は白で、水色と黄色を主に使う。

T6 ピクニック(1024×1024)

芝生の公園で、架空の5人が、赤と白のチェックのシートの上に輪になって座っている様子を、真上から見たイラスト。シートの中央に、ふたを開けたバスケットを1つ置く。シートの右側の芝生に、茶色の犬が1匹寝ている。画面の上3分の1は芝生だけにする(後で字を載せる余白)。字は入れない。

T7 マスコットの三面図(1536×1024)

架空のマスコットのキャラクターの三面図。丸い体のペンギンで、体は水色、おなかは白、くちばしと足は黄色。首に赤いマフラーを巻き、マフラーの端は1本だけ背中側に垂れている。白い背景に、左から正面・横・後ろの3つを同じ大きさで並べる。字・寸法の線・ロゴは入れない。

T8 雨の夜の商店街(1536×1024)

雨の夜の、架空の商店街の写真。濡れた石畳の道がまっすぐ奥へ続き、両側に小さな店が並ぶ。店の看板と窓には字・数字・ロゴを入れず、無地の明かりの板にする。道の中央に、赤い傘をさした人が1人、背中を向けて奥へ歩いている。ほかに人はいない。路面に店の明かりが映り込む。

清書で足した一段落

清書は、上の日本語の文の後ろに空行を 1 つはさんでこの段落を足し、選んだ下書きを参考の画像として 1 枚渡しました(Nano Banana Pro・provider gemini・best・大きさはお題と同じ)。

添付の画像は、この絵の下書きです。物の位置・大きさ・向き・カメラの角度・色の配置は下書きのまま保ち、細部を高い品質で描き直してください。下書きの字の誤りや形の崩れはまねず、上の条件をすべて守ってください。

下書きと ③: 英語の文(Kling Image 3.0)

Kling Image 3.0(provider kling・設定は既定・大きさはお題と同じ)に渡した文です。日本語の文と同じ中身を英語に直し、T1・T5 の字だけは日本語のまま入れました。

Photo of a chalkboard menu standing in front of a small fictional cafe. White chalk handwriting on the chalkboard: the heading "本日のおすすめ" at the top, and three lines below: "かぼちゃのスープ 480円", "きのこのキッシュ 650円", "りんごのタルト 420円". No other text, numbers or logos. The chalkboard stands in the center of the frame, stone-paved sidewalk around it, daytime. One small potted plant at the lower right of the chalkboard.

Close-up photo of the two hands of a fictional person holding a plain white Japanese teacup on a wooden desk, wrapping it with both hands. Steam rising from the cup. No face. The cup and hands are on the left side of the frame, and the right third of the frame is only blurred background, empty space for text. No text, pattern or logo on the cup.

Product photo of a fictional wristwatch. One wristwatch on a plain light gray background, dial facing the camera. Navy blue dial with only 12 white bar hour markers, no numbers, no text, no logo. Three hands, hour, minute and second, showing 10:10. Brown leather strap. The watch is in the center of the frame with a soft shadow below.

Top-down photo of a fictional Japanese breakfast on a wooden tray: a rice bowl at the front left, a bowl of miso soup at the front right, a plate of grilled salmon at the back left, a plate of Japanese rolled omelette at the back right, a small bowl of boiled spinach at the back center. One pair of chopsticks placed horizontally at the front of the tray. No other dishes or drinks.

Wide infographic illustration with the large title "洗濯物を早く乾かす3つのコツ" at the top. Below the title, three panels side by side from left to right, each with a number, a heading and a picture: 1 "間をあけて干す" (clothes on hangers with space between them), 2 "風を当てる" (an electric fan blowing air at the clothes), 3 "厚い物は外側に" (a bath towel on the outside of a drying rack and thin shirts inside). Only the title, three headings and numbers as text. White background, mainly light blue and yellow.

Top-down illustration of five fictional people sitting in a circle on a red and white checkered picnic blanket on the grass in a park. An open picnic basket in the center of the blanket. A brown dog sleeping on the grass on the right side of the blanket. The top third of the image is only grass, empty space for text. No text.

Character turnaround sheet of a fictional mascot: a round penguin with a light blue body, white belly, yellow beak and feet, and a red scarf around the neck with one scarf end hanging down the back. White background. Front view, side view and back view from left to right, all the same size. No text, no dimension lines, no logo.

Photo of a fictional shopping street on a rainy night. A wet cobblestone road goes straight into the distance, with small shops on both sides. Shop signs and windows have no text, numbers or logos, only plain glowing light panels. One person with a red umbrella walking away from the camera in the center of the road. No other people. Shop lights reflecting on the wet road.

動画

最初の場面の画像は、GPT-Image-2.5 Sunburst(provider openai・best・1536×1024)で作りました。動画は provider grok・長さ 4 秒で、最初の場面の画像を image に渡しました。lite は quality に lite を指定しています。解像度は道具の既定(720p)のままで、できた動画は 1168×768 でした。作り直しで足した 1 文は、下の文 v2 の最後の 1 文です。

V1 紙飛行機: 最初の場面の画像の文

架空の部屋の、木の机の上を横から見た写真。机の左端に、白い紙飛行機が1機、先を右に向けて置いてある。机の右側に、本が3冊重ねてある。背景は明るい窓のある白い壁。人は写さない。字は入れない。

V1 紙飛行機: 動画の文 v1(① 1 回目・② lite 1 回目)

机の左端の白い紙飛行機が、ひとりでに浮き上がり、机の上を左から右へまっすぐ飛ぶ。最後は、右側に重ねた本の上に静かに着地して止まる。カメラは動かさない。ほかの物は動かさない。

V1 紙飛行機: 動画の文 v2(① 2 回目・② lite 2 回目・② 本番)。v1 で f だけが外れたので、f の直しの 1 文を足しました。

机の左端の白い紙飛行機が、ひとりでに浮き上がり、机の上を左から右へまっすぐ飛ぶ。最後は、右側に重ねた本の上に静かに着地して止まる。カメラは動かさない。ほかの物は動かさない。カメラは三脚で固定したように、まったく動かさない。

V2 ケーキへ回りこむカメラ: 最初の場面の画像の文

架空の小さなカフェのカウンターを、少し離れた正面から撮った写真。木のカウンターの中央に、白い皿にのったいちごのショートケーキが1つ。カウンターの奥の棚に、白いカップが並ぶ。人は写さない。字・ロゴは入れない。

V2 ケーキへ回りこむカメラ: 動画の文 v1(① 1 回目・② lite 1 回目)

カメラがゆっくり前へ進みながら、ケーキのまわりを右へ4分の1周まわりこむ。最後はケーキを斜め横から大きく写して止まる。ケーキ・皿・カウンターの形は変えない。人は出さない。