マイクロソフト、画像モデル「MAI-Image-2.6」を発表——GPT-Image-2に匹敵、Flashは2倍以上の速度
複数の参照画像やWeb情報を活用した生成、細かな編集、動的なアスペクト比に対応。最上位モデルは品質重視、Flashは大量作成時の待ち時間とコストを削減。
- MAI-Image-2.6は画像生成と精密な編集の両方をサポートし、複数の参照画像やWeb情報を組み合わせて作成できる。
- マイクロソフトの編集評価では、2.6はGPT-Image-2の高品質設定と同程度のスコアを記録し、ほぼ同等の品質を示した。
- Flashの中央値応答時間はマイクロソフト指定の負荷で12.2秒、GPT-Image-2-Mediumは33.6秒で、約2.8倍の差がある。
- Flashの代表的価格は2.6の約半分で、大量の試作やバリエーション生成に適している。細かな修正は最上位モデルと比較しながら進められる。
マイクロソフトは、テキストから画像を生成し、既存画像の詳細な編集も可能な MAI-Image-2.6 画像モデル をリリースしました。9月4日には、さらに最適化された MAI-Image-2.6-Flash を発表し、両モデルを Microsoft Foundry の開発者向けに公開プレビューとして提供開始しました。一般ユーザーは MAI Playground のウェブページから試用できます。
今回のモデルシリーズの主な特徴は、次のとおりです。複数画像参照による編集では、商品、人物、素材、シーンなどの参照画像を一枚の画像に合成できます。ウェブ情報の活用では、ウェブページやドキュメントから最新情報を取得して画像生成に反映します。部分修正とアスペクト比調整では、既存画像上のオブジェクト、テキスト、レイアウトを調整し、最大約1.5K解像度の画像を出力できます。
二つのモデルの役割分担は明確です。MAI-Image-2.6 は画像品質と詳細な編集に重点を置き、Flash は大量生成の際の速度とコスト効率を重視しています。マイクロソフトが公表した画像編集の評価では、2.6 の Elo スコアは GPT Image 2（high）に匹敵します。また、速度面では Flash と GPT-Image-2-Medium を比較した際、指定されたテスト条件下で、後者の応答時間の中央値が Flash の約2.8倍となっています。
品質はGPT Image 2に近く、Flashは速度とコストで優位
マイクロソフトの品質-価格グラフでは、画像編集の Elo スコア を用いて出力の相対的な好みを測定しています。評価者は異なるモデルが生成した画像を比較し、プロンプトへの適合度と視覚的な効果に基づいて、より好ましい方を選択します。スコアが高いほど、その比較セットにおいてより好まれることを示します。
| モデル | 画像編集 Elo | 代表的価格（1,000枚あたり） |
|---|---|---|
| MAI-Image-2.6 | 1324 | 38.9ドル |
| GPT Image 2（high） | 1318 | 211ドル |
| MAI-Image-2.6-Flash | 1311 | 19.5ドル |
| Nano Banana 2 | 1311 | 67ドル |
| Muse Image | 1304 | 10ドル |
2.6 と GPT Image 2（high）のスコア差は6ポイントです。Flash と後者の差は7ポイントです。ただし、グラフ中のこれらのモデルのスコアには、約9〜10ポイントの不確実性の範囲があります。そのため、「性能が肩を並べる」という表現は、この画像編集品質評価におけるスコアの近さを意味するものであり、あらゆる生成・編集タスクで同等のパフォーマンスを発揮することを保証するものではありません。
マイクロソフトが公開時に示したデータ。図の注釈は Artificial Analysis Arena を参照。上に行くほど評価が高く、左に行くほど価格が安いことを示す。価格は図中の代表的な呼び出しコストであり、実際の費用は使用構成と使用量によって異なる。
マイクロソフトが9月4日に公開した時点の記録では、2.6 は Arena のテキストからの画像生成と画像編集の両方のランキングで二位でした。また、別の評価プラットフォームである Artificial Analysis の二つのリストでは、それぞれ二位と一位を獲得しています。これらの順位はフラッグシップモデルである2.6 に関するものです。Arenaのテキストからの画像生成ランキングの元画像を表示。
速度テストは 1024×1024 解像度、毎分100リクエスト の条件下で、マイクロソフト内部で実施されました。グラフには応答時間の中央値と P90 が示されています。中央値はリクエストの半分が完了する時間を意味し、P90 は約九割のリクエストが完了する時間を示します。
Microsoft内部テスト・1024×1024・毎分100リクエスト
Flash の応答時間の中央値は 12.2 秒 で、GPT-Image-2-Medium は 33.6 秒 でした。その比率は約 2.8 倍 です。フラッグシップの2.6 は 25.6 秒 でした。なお、Flash の速度比較には GPT-Image-2-Medium が、品質-価格比較には GPT Image 2（high）が使用されています。
Flash の代表的価格は2.6 の約半分ですが、画像編集の Elo スコアの差は13ポイントです。多くの試作や異なるバージョンの生成が必要なチームにとって、Flash は待ち時間とコストの削減に貢献します。一方、細部の調整が必要なメインビジュアルでは、2.6 の結果と比較しながら進めることも可能です。
複数画像参照：商品、素材、シーンを組み合わせる
MAI-Image-2.6 シリーズは、テキストによる指示、ブランド素材、商品画像を組み合わせて画像を生成でき、最大五枚までのビジュアル参照に対応しています。商品の外観、素材、人物、環境、スタイルなどを参照画像として個別に提供できるため、すべてを長いプロンプトに記述する必要はありません。
マイクロソフトのスニーカーの例では、四枚の参照画像と一つのカラーパレットが使用されています。走行中のシューズ、オレンジがかった赤の峡谷、ピンクのアッパーのクローズアップ、ピンクとオレンジの配色の白背景の商品画像です。生成された画像では、製品が岩の上に置かれ、暖色系の背景と照明で表現されています。
参考素材：4枚の画像とカラーパレット
運動写真：姿勢の手がかり
峡谷：シーンの手がかり
接写：質感の手がかり
白背景：製品の外観
生成結果：完成画像1枚
白背景の画像は製品の形状と配色を、クローズアップは素材の詳細を、峡谷の画像はシーンの方向性を、そしてランニング中の写真は動的な姿勢での製品のフォルムを提供します。クリエイターは、テキストで、どの特徴を保持し、どのようにこれらの素材を組み合わせるかを指定します。ここで紹介しているのは公式の厳選サンプルです。複数の要件を同時に満たせるかどうかは、実際の素材を使って確認する必要があります。
ウェブ情報の活用：実在のオブジェクトに具体的な詳細を追加
両モデルとも ウェブグラウンディング に対応しており、ウェブページやドキュメントのコンテンツを利用して、画像生成のための最新情報を補完できます。この機能は、実在のオブジェクト、場所、または関連資料を作成対象に含める場合に役立ちます。
マイクロソフトは、マドリードのメトロポリスビルを例にこの機能を示しています。プロンプトでは、建物が面する通り、ドーム、屋上の彫像、柱廊の人物像を指定し、さらに冬の朝の光、雨上がりの路面、長時間露光による車の光跡を要求しています。建築情報と撮影要件が、画像生成に反映されます。
マイクロソフト公式の生成サンプルです。建築の詳細は創作要件に含まれる実在のオブジェクトに基づき、季節、天候、写真効果は指定された画面条件であり、実際の現場の写真記録ではありません。
ウェブ情報は、この画像生成のためのコンテキストを補足するものです。マイクロソフトのデータに関する説明によると、モデルはデプロイ後に新しいデータで継続的にトレーニングされることはありません。
きめ細かな編集と画像品質
2.6 のモデルカードには、オブジェクトの削除、置換、属性の変更、部分的なインペイント、テキストの更新、画質の改善などの操作がリストされています。ユーザーは既存の画像を出発点として、自然言語で変更したい部分を指定し、元の構図とレイアウトを維持するよう要求できます。
このような機能は、製品画像の修正、ポスターのテキスト更新、モーションブラーの除去などの作業に適しています。また、複数回の編集における視覚的な一貫性が強調されていますが、毎回の変更で他の領域のピクセルが完全に変わらないことを保証するものではありません。
テキスト生成も今回の製品紹介の焦点です。マイクロソフトは、複数行の英文、斜体、小さなフォントのフッターで構成されるタイポグラフィのサンプルを示しました。別の室内画像では、壁から床へと続く木の影と光の関係が表現されています。
英文タイポグラフィ：連続する複数行のテキスト、イタリック、フッターの階層
光と影：木の影が壁と床を横切り、空間の連続性が保たれています
これらのサンプルは、テキストの構成と光と影の表現をそれぞれ示しています。マイクロソフトのデータ要約には、テキスト学習データが英語であることが明記されています。中国語のタイトルや正確な製品コピーが必要な場合は、文字の形、欠落、レイアウトへの影響を個別に確認する必要があります。
さらなる生成事例：製品、人物、クリエイティブなシーン
製品パッケージとアクセサリー：テキストは素材と形状に従う
ポテトチップスのパッケージ画像では、大きなブランド名、フレーバー名、小さな説明文が同じ袋の表面に配置され、袋の口のシール部分、シワ、反射も描かれています。前景に散らばったチップスはパッケージ上の食品画像と呼応しており、製品のメイン画像におけるテキストの階層、パッケージの質感、照明を確認できます。
帽子のサンプルでは、白い帽子の表面にアーチ状の英語テキストが配置され、黒いヘッドホン、ケーブル、シルバーのプレーヤーで真上から見た静物の構図を作っています。平面レイアウトと比較して、このような製品画像では、曲面に沿ったテキストの位置変化や、布地、プラスチック、金属間の質感の違いも処理する必要があります。
人物シーン：動作、環境、光を同時に配置する
田舎の集合写真では、数人の高齢者が赤い車の周りに座っています。人物の姿勢、衣服のシワ、前景の草地が近景を形成し、石壁と牧場が遠くまで続いています。画像はソフトで、わずかに粒子感のある写真スタイルで、生活シーンにおける人物と環境の融合を観察するのに適しています。
子供の遊び場の画像は高所からの俯瞰に変わります。ピンク色の地面が画面の大部分を占め、走る子供、ボール、キックスクーターが散在し、長い影が光の方向を強調しています。この画像は、複数人のダイナミックなシーンの構図を示しています。近景の集合写真と比較して、焦点は人物間の距離、動きのポーズ、グラウンドの余白に移ります。
静物とクリエイティブシーン：微細なテクスチャから水面の反射まで
リンゴの断面の画像は、シンプルなブルーの背景を使用し、果肉のテクスチャ、芯、ヘタに焦点を当てています。このようなクローズアップは、細部そのものが主役となり、食品画像や素材のクローズアップ表現を確認できます。
白鳥の形をした空気を入れるフロートの画像では、被写体を小さく配置し、周囲に広大な青い水面を残しています。プラスチック表面のシワ、ハイライト、水面のさざ波、反射が、物体と水面の接する様子を表現し、広告のタイトルやレイアウトデザインのためのスペースも確保しています。
花畑の白馬の画像は、さらにクリエイティブなシーンへと向かいます。ピンクと黄色の花畑と青い水面が交錯し、白馬にはモーションブラーがかかり、水面には同じ位置にその姿が映っています。鮮明な製品クローズアップとは異なる視覚的な方向性を提供し、色彩、動き、画面の雰囲気について議論するのに適しています。
上記はすべてマイクロソフトが公開した生成サンプルであり、生成された画像の効果を示すものです。製品ページでは、これらの画像に対する完全なプロンプトと段階的な編集記録は提供されていないため、これらを編集前後の比較や、直接再現可能なチュートリアルとして見なすことはできません。
ダイナミックなアスペクト比：横長・縦長に合わせて構図を再構成
このモデルは、様々なアスペクト比に対応しています。マイクロソフトのスポーツをテーマにした画像ギャラリーでは、同じピンクとオレンジの配色のスニーカーが、横長の岩のシーンと縦長の峡谷の曲面シーンの両方に登場し、被写体の位置、角度、環境の配置が構図に応じて変化しています。
横向き：靴と環境が水平方向に広がります
縦向き：斜めの被写体と、それに合わせて伸びる峡谷の曲面
製品ページでは、出力解像度は最大 1.5K と説明されています。モデルカードの正確な制限は、総ピクセル数が 2,359,296 を超えないこと、つまり 1536×1536 に相当します。幅×高さが上限を超えなければ、一辺が1536を超えることも可能です。具体的に送信できるサイズは、利用するサービスやAPIのサイズ指定ルールによって異なります。
バナー、商品画像、縦長コンテンツの場合、アスペクト比の調整には、被写体のサイズ、環境、余白を同時に考慮する必要があります。上の画像は様々な構図の完成品を示していますが、調整後も製品の特徴とビジュアルの方向性が要件を満たしているかを確認する必要があります。
利用方法
個人のクリエイターは MAI Playground から試用できます。開発者は、マイクロソフトのモデルアクセスプラットフォームである Microsoft Foundry でデプロイ方法と価格を確認できます。現在は公開プレビュー中です。
初めて二つのモデルを比較する場合、同じ製品画像とシーン参照を使用することをお勧めします。まず一つの画像を生成し、次に一つのオブジェクトまたはテキストを変更し、最後にアスペクト比を調整します。結果の品質、待ち時間、手戻りの回数を一緒に記録することで、フラッグシップモデル2.6 のきめ細かな編集能力と、Flash の速度とコストのどちらが自分のタスクにとって価値があるかを判断しやすくなります。