サムネイルとバナーを AI 5 つに作らせた 文字入りはどこまで使える？

YouTube のサムネイルやサイトのバナーを、題の字まで AI に作らせたら、そのまま使えるのか。今回の 3 つのお題・1 回ずつでは、指定した 66 字を 5 つのうち 4 つのモデルがすべて正しく描き、横 320 画素に縮めても題や名前が読めました。ただし、バナーは 5 枚とも頼んでいない字か字のような模様があり、そのまま使う前に等倍で隅まで見る必要がありました。字の場所や縮めたときの読みやすさも含めて、先に決めた 22 の項目で数えると、守れた数は 10〜20 項目でした。

結果の早見

今回の 3 つのお題・1 回ずつの結果です。Gen-4 Image を除く 4 つの合計の差(20 と 17)は 3 項目で、どれも場所の項目か、頼んでいない字や字のような模様の項目です。1〜3 項目の差なので、これだけでモデルの強い・弱いは決められません。Gen-4 Image のお題 1 の 2 項目(1-5・1-6)は、結果を見てから ○ と決めました。× にすると、Gen-4 Image の合計は 8 / 22 です。項目ごとの結果は、下の「数え方」の補足に載せています。

比べ方

モデル

• 大きさは 5 つとも横長の「1536x1024」(3:2)を指定しました。そのため、4 つは 3:2 に近い画像になり、16:9 にはなっていません。YOBITSUGI AI では、Gen-4 Image には 1280×720 で頼む作りなので、Gen-4 Image だけが 16:9 になりました。画素の数は、できたファイルを編集部が測りました。
• GPT-Image-2.5 Sunburst の品質は、YOBITSUGI AI の既定の medium です。
• Kling Image 3.0 は、今回は作っていません。

お題

• 料理の題と催しの名前は、この記事のために考えた架空のものです。人物は「架空の男性」「実在の人物には似せない」と書いて頼みました。
• 渡した文の全文は、お題ごとの図の右下にあります。

数え方

• 項目は、結果を見る前に決めました(お題 1・2 は 8 項目、お題 3 は 6 項目)。あとから足した項目はありません。数えながら決めた扱いは、下の補足に書いています。
• 字は、看板の字を数えた連載の第 1 回「日本語の文字が崩れない画像生成 AI はどれ？」と同じく 1 字ずつ見て、指定どおりに読める字だけを正しいと数えました。書体・全角と半角・折り返しは誤りにしていません。
• 「右半分」「左半分」は、画像に横幅の 45%・50%・55% の縦の線を引いて見ました。字のかたまりの端は、字の色の画素を数えて測りました。
• 縦横の比は、点に入れていません。比は YOBITSUGI AI が頼むときの大きさで決まり、モデルの出来とは別だからです。サムネイルのお題では、かわりに「16:9 に切っても字が欠けないか」(1-7)を数えました。3:2 に近い 4 枚は上下を同じだけ切って確かめ、Gen-4 Image ははじめから 16:9 なのでそのまま見ました。1-7 は 5 つとも守れたので、比の違いで点の差は出ていません。
• 「横 320 画素で読める」は、縮めた画像を、題を知らせていない別の読み手(Claude Code)に、モデルの分からない番号のファイル名で見せ、題や名前を 1 字も違わずに書き出せたら「読めた」としました。編集部が見た結果とも同じでした。
• 数えたのは編集部(Claude Code を使用)です。等倍・拡大・線を引いた画像を見ました。

項目ごとの結果(○ は守れた、× は守れなかった)

列は左から GPT-Image-2.5 Sunburst・Nano Banana Pro・Nano Banana 2.1・Grok Imagine 2.0・Gen-4 Image です。

項目	Sunburst	Pro	2.1	Grok	Gen-4
1-1 題の 11 字が正しい	○	○	○	○	×
1-2 副題の 11 字が正しい	○	○	○	○	×
1-3 字の左端が 45% の線より右	×	○	×	×	○
1-4 人物が左にいて、字と重ならない	○	○	○	○	○
1-5 題がいちばん大きく、副題は下に 1 行	○	○	○	○	○
1-6 指定していない字がない	○	○	○	×	○
1-7 16:9 に切っても字が欠けない	○	○	○	○	○
1-8 横 320 画素で題が読める	○	○	○	○	×
2-1 名前の 8 字が正しい	○	○	○	○	×
2-2 日付の 16 字が正しい	○	○	○	○	×
2-3 呼びかけの 15 字が正しく 1 行	○	○	○	○	×
2-4 ボタンの枠があり、中の 5 字が正しい	○	○	○	○	×
2-5 字の右端が 55% の線より左、絵は右	○	○	○	×	×
2-6 上から順に並び、名前がいちばん大きい	○	○	○	○	×
2-7 指定していない字がない	×	×	×	×	×
2-8 横 320 画素で名前が読める	○	○	○	○	×
3-1 字・字のような模様がない	○	×	○	○	×
3-2 白いテントのマルシェのイラスト	○	○	○	○	○
3-3 絵が左にある	○	○	○	○	○
3-4 55% の線より右に物がない	○	○	○	×	○
3-5 字を置く範囲の 95% 以上が、黒い字とのコントラスト比 4.5 以上	○	○	○	○	○
3-6 字を重ねて、横 320 画素で名前が読める	○	○	○	○	○

• Gen-4 Image の 1-5 と 1-6 は、読めない字が題と副題の場所にあり、ほかの場所に字が足されていないので ○ にしました。字の場所(1-3)は字の正しさと別の項目として先に決めていましたが、読めない字を 1-5・1-6 でどう扱うかは、結果を見てから決めました(× にしたときの点は「結果の早見」に書いています)。
• ボタンの中の矢印と葉の飾りは、字ではないので 2-7 では数えていません。
• 1-6・2-7・3-1 の「字のような模様」は、黒板や札に、字の行のように並んだ線があるものを数えました。ぼけた線や筋だけのもの(Nano Banana Pro のお題 1 のコンロ、Nano Banana 2.1 のお題 3 の札)は数えていません。この線引きも数えながら決めたもので、数えると 2 つのモデルが 1 項目ずつ減ります。

お題 1: 動画のサムネイル

• 題と副題の 22 字は、Gen-4 Image を除く 4 つが正しく描きました。人物と字が重なった絵はありません。
• Nano Banana Pro は、題を 3 行に折り返して右半分に収め、8 項目とも守りました。
• Grok Imagine 2.0 は、題と副題の前後に、かぎかっこを 4 つ描きました。字を指定するために文の中で使ったかぎかっこです。第 1 回の看板でも、同じことがありました。
• Gen-4 Image で読めたのは「10」と「3」だけでした。題の場所には、漢字のような読めない形が 4 つ並んでいます。

字の場所と 16:9

• 「右半分」を守れなかった 3 つは、題の左端が横幅の 38.7〜44.4% でした。見た目は右に寄っていますが、45% の線より左に出ています。
• YouTube のヘルプは、動画のサムネイルを 16:9 にするよう案内しています。3:2 でできた 4 枚を、上下を同じだけ切って 16:9 にしても、題と副題は欠けませんでした。ただし、GPT-Image-2.5 Sunburst は題の上の余白が 1 画素、Nano Banana 2.1 は 3 画素しか残りません。

縮めたとき

• 横 320 画素に縮めても、別の読み手は、4 つのモデルの題も副題も 1 字も違わずに書き出しました。
• Gen-4 Image は、縮める前から題が読めないので、縮めても読めません。

お題 2: サイトのバナー

• 44 字は、Gen-4 Image を除く 4 つがすべて正しく描きました。上から並べる順番と、名前をいちばん大きくする指定も守っています。
• GPT-Image-2.5 Sunburst と Nano Banana 2.1 は、(土)を青、(日)を赤やだいだいにし、ボタンに矢印を付けました。Grok Imagine 2.0 は、ボタンに葉の飾りを付けました。どれも頼んでいない飾りですが、字ではないので数えていません。
• Grok Imagine 2.0 は、名前の最後の「ェ」が横幅の 57.8% まで出て、右半分の絵にかかりました。
• Nano Banana 2.1 は、3:2 の画像の上と下に無地の帯を置き、その間に、もっと横に長いバナーを描きました。
• Gen-4 Image は、名前をローマ字のような字で描き、日付も読めませんでした。ボタンの形はありますが、中の字もローマ字のような並びで、字は右半分にもあります。

頼んでいない字と、字のような模様

• お題 2 の 5 枚とも、どこかに頼んでいない字か、字のような模様がありました。多くは、絵の中の立て看板や札です。
• Grok Imagine 2.0 の黒板には、「パン・野菜・雑貨」と読める字がありました。渡した文の中にある語です。
• 小物の模様は、縮めるとほとんど見えません。等倍で見ると、読めない字の行に見えます。

お題 3: 字のない背景と、字を重ねた例

• 右半分を空ける指定は、Grok Imagine 2.0 を除く 4 つが守りました。Grok Imagine 2.0 は、テントの柱・人・茂みが横幅の 60% まで出ました。
• Gen-4 Image は、横幅のちょうど 50% で、絵と無地の背景を分けました。
• 「文字・数字・ロゴ・記号は、どこにも入れない」と書いても、Nano Banana Pro の黒板と、Gen-4 Image の箱の札には、字のような模様が出ました。

• 字の書式は、結果を見る前に決めて、5 枚とも同じにしました。書体は Noto Sans CJK JP、色は黒に近い #1c1e22 で、字の下に板や影は敷いていません。字は、HTML で画像の上に重ねてから画像にしました。
• 字を置いた範囲の画素を測ると、黒い字とのコントラスト比(明るさの差を表す数字)が 4.5 以上の画素は、Grok Imagine 2.0 が 99.89%、ほかの 4 枚は 100% でした。
• Grok Imagine 2.0 だけは、呼びかけとボタンの左端が、茂みと人に重なりました。
• 横 320 画素に縮めても、5 枚とも名前と日付が読めました。

AI に全部描かせるか、字をあとから重ねるか

並べたのは、お題 2 と 3 の合計で守れた項目がいちばん多かった GPT-Image-2.5 Sunburst です(同じ数の Nano Banana 2.1 より先に、決めておいた順で選びました)。今回の結果から言えることは、次のとおりです。

• AI に全部描かせる: 1 回の依頼で、字と絵が入った 1 枚ができました。字の色分け・ふち・飾りも、モデルが付けました。一方で、字を正しく描いた 4 つのうち 3 つは、字の場所が決めた線を越えました。4 つとも、お題 1・2 のどちらかで、頼んでいない記号や字のような模様が入りました。
• 背景だけ作らせて字を重ねる: 字は打ち込むので、字の誤りや抜けは起きません。字の場所と大きさも、こちらで決められます。日本語の字を描けなかった Gen-4 Image の背景でも、重ねた字は横 320 画素で読めました。ただし、背景にも字のような模様が出たもの(2 枚)と、字を置く所に絵がはみ出したもの(1 枚)がありました。字を重ねる道具と作業が要り、書体や飾りは自分で決めます。

編集部の見立てでは、日付のように 1 字の誤りも困る字は、重ねる方法のほうが確かめる手間が少なくなります。

かかった時間と料金

• 15 枚の合計は 151.5 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。15 枚は 1 枚ずつ順に頼み、依頼が重ならないようにしました。

使い分けの目安

今回の 3 つのお題の範囲で言えることです。

• 題の字まで任せたいサムネイル: 今回の 1 回では、8 項目とも守ったのは Nano Banana Pro でした。GPT-Image-2.5 Sunburst と Nano Banana 2.1 との差は、題の左端が 45% の線の右か左かの 1 項目です。クレジットは 3 枚の平均で、Nano Banana Pro が 24.5、GPT-Image-2.5 Sunburst が 2.0 で、約 12 倍の差があります。
• 字の多いバナー: 4 つのモデルが 44 字を正しく描きました。絵の中の小物に字のような模様が出るので、使う前に等倍で見ます。
• 時間とクレジット: いちばん短い 1 枚は Grok Imagine 2.0 の 12.0 秒(3 枚では 12.0〜17.0 秒)、クレジットがいちばん少なかったのは GPT-Image-2.5 Sunburst でした。Grok Imagine 2.0 は、かぎかっこを描いたり、名前が 55% の線を越えたりしました。
• Gen-4 Image: 日本語の字を入れるお題には向きませんでした。字のない背景では、絵と余白をはっきり分けました。

気をつけること

• YouTube のサムネイルの決まり: YouTube のヘルプでは、動画のカスタム サムネイルは比が 16:9、解像度は 3,840 x 2,160 ピクセルがおすすめ、最小の幅は 640 ピクセル、形式は JPG・PNG など、ファイルの上限はモバイルから 2 MB・パソコンから 50 MB です。今回の画像は、どれも幅が 640 画素以上でした。3:2 の 4 枚は 16:9 に切る必要があり、GPT-Image-2.5 Sunburst の PNG は 1 枚 2.0〜2.4 MB でした。サムネイルはコミュニティ ガイドラインに従う必要がある、とも書かれています。
• AI で作ったことの開示: YouTube のヘルプ「生成 AI コンテンツの使用に関する開示」は、写真のようにリアルな内容を AI で作った場合などに、開示を求めています。開示が不要な例には、生成 AI ツールでサムネイルやタイトルを作る「軽微な制作支援」が挙げられています。動画の中身によって変わるので、そのページで確かめてください。
• 権利と商用の利用: Google の Gemini API 追加利用規約には、生成したコンテンツの所有権を Google は主張しない、とあります。Runway の利用規約には、出力の所有権を主張しないこと、規約を守る限り出力の商用の利用を制限しないこと、入力と出力をモデルの学習と改善に使うことがあること、が書かれています。Grok の事業者向けの利用規約(API を含む)には、出力の権利は利用者のものとする内容があります。Grok のアプリなどの個人向けの利用には、別の規約があります。OpenAI の利用規約は、今回はページを開けず、確かめていません。使う前に、各社の規約を原文で確かめてください。
• 透かしと来歴の情報: Google の公式のページには、生成したすべての画像に SynthID の透かしが埋め込まれている、とあります。今回の 15 のファイルの中を、C2PA(画像の来歴を記録する決まり)の情報に使われる「c2pa」という名前で、文字列として検索しました。5 つのモデルとも、全部のファイルで見つかりました。名前があるかを見ただけで、中身や署名は確かめていません。OpenAI の公式のページは、ファイルを編集・変換・共有すると、こうした情報が消えることがある、と説明しています。
• どれも 1 回ずつの結果です。同じ文でも、毎回同じ絵になるとは限りません。料金は変わることがあります。

まとめ

• 今回の 3 つのお題・1 回ずつでは、サムネイルとバナーの指定した 66 字を、Gen-4 Image を除く 4 つのモデルがすべて正しく描き、横 320 画素でも題や名前が読めました。
• 差が出たのは、字の場所・頼んでいない記号・絵の中の字のような模様です。そのまま使う前に、等倍で隅まで見ます。
• 背景だけ作らせて字を重ねる方法なら、字の誤りは起きません。字を重ねる道具と手間が要ります。