画像モデル7種は役割が違う：モデルを誤ると、文が良くても救えない

これらは互いに差し替えられません。それぞれ別の仕事のために作られています。モデル選定は文の巧拙と同じくらい重要です。だから選定表は第1章の最初のページに置かれ、どの書き方よりも前に来ます。

2つの Nano Banana の使い分け

Nano Banana 2 は2026年2月の新モデルで、日常の大半はこれで足ります。品質は Pro に近く、はるかに速く、文字が安定し、複数参照間の一貫性も最も強い。修正・製品・ブランドの既定選択はこれです。Nano Banana Pro は2025年11月世代の上位オプション。精密さ、ブランド級の再現、最難関プロンプトの磨き込みが必要なときに使います。遅いが上限は高い。

他のモデルにも癖があります。Flux.2 は「制御」用：参照を一度に10枚、指定の16進カラー、構造化された絵コンテ一覧に追従でき、最初から最後までロックするブランド／製品ラインに向きます。曖昧なプロンプトを渡すと、綺麗だが平凡な図が返ってきます。Krea 2 は対極で「スタイル」用：参照とムードボードから入り、既定の AI レタッチ感を避けます。代償は、指示より意図の解釈を優先し、画面内テキストが弱い点です。Recraft が一覧に入る理由は、組版依存の高いポスターと美術学校級のイラストに強く、この一覧で唯一、本物のベクターを書き出せるからです。

Recraft V4.1 の強み：階層のあるディスプレイ書体、学習済みのブランドスタイル、本物のベクターへの唯一の道。画像はマニュアル第11ページ。

画像プロンプトで押さえる6項目：被写体、動作、場面、光、構図、スタイル

いまの画像モデルはキーワードの山ではなく、文を読みます。一貫したシーンを描けば、それに沿って組みます。Nano Banana Pro と 2、GPT Image 2、Seedream など推論するモデルは、情報の多いプロンプトをまず段に分けて読んでからレンダします。被写体やディテールが多くても持ちこたえます。

構造は6段。下図は実際の香水広告プロンプトを分解し、各段が画面のどこを担うかを示します。

6段をつなげば完全なプロンプトになり、下の図が得られます。瓶は右寄り、飛沫は隣で小さな王冠、硬いサイド光が濡れた石板をなでる。画面のすべてがプロンプトで先に名指しされており、モデルの独断は一箇所もありません。

Nano Banana 2 の出力。クライアントが欲しかったのは「棚に並ぶ躍動感」で、作り込んだ静止画ではなく、プロンプトは瞬間・光・枠の3点だけに絞られています。画像はマニュアル第6ページ。

同じ骨格を別方向に振ると、別の仕事になります。左はプロンプトをレイアウト・ブリーフとして書く：コピー、各要素の位置、余白。右はシネマティック感で、「どう見えるか」を表す語で印象づけます。

レイアウト · GPT Image 2。見出し「MORNINGS, UPGRADED」は厚みのある墨黒サンセリフで上半分を2行に。サブは左下、ステンレスのタンブラーは右下に柔らかい影。コバルトブルーの細い線が唯一のアクセント。マニュアル第6ページ。

シネマティック感 · Nano Banana 2。赤いコートの女性が薄暮の濡れた路面で横断歩道を急ぎ、動きボケ。背後のバスが光跡を引き、ナトリウム灯とショーウィンドウの光。人物は左三分の一。マニュアル第8ページ。

35mm film still: a woman in a red coat dashes across a rain-wet crossing at dusk, mid-stride with motion blur, a bus streaking past behind, sodium streetlight and shop-window glow, muted Kodak palette, natural grain, subject on the left third, full frame edge to edge, no letterboxing, no black bars.

AI感はモデルのデフォルト：埋めない穴は平均的な答えで埋まる

この節はマニュアル全体の土台です。観察はこうです。どのモデルでも放置すれば同じデフォルトに向かう——被写体は中央でレンズを見、ポーズを決め、光は平坦、画面全体がクリアで、加工したような艶が乗る。

いまこれは専門語で slop と呼ばれます。直訳は残飯・スロップ。ひと目で AI 生成とわかる図のことです。人は0.5秒で気づき、気づいた瞬間の反応は「このブランドは本気じゃない」。マニュアルの態度は簡潔で、絶対に納品するな、という一点です。

スロップは既定値です。だからあなたが設定する各パラメータ（枠、瞬間、レンズ、時間、光）は、図を既定から一歩外へずらします。埋めずに残した穴はすべて、モデルがいちばん平均的な答えで埋めます。 The Prompting Handbook · Field notes: killing the slop（和訳）

下の組図は同一モデル・同一人物で、この文の意味がいちばんよく出ます。

左は本物の既定。プロンプトは「農家市場の屋台前で、野菜バスケットを掲げて微笑む女性」の一文だけ。きれいで用は足すが、中央・正面・決め笑いで、前景から背景まで全部クリア——ひと目で AI ストック。右は同じ女性を監督した結果。右三分の一へ移し、四分の三後ろ向き、野菜を整える瞬間に画外の誰かへ笑う。手前のカゴがボケて枠を作り、午後の暖かいサイド光が左から、帽子のつばに柔らかいリム、肌に毛穴とほつれ髪。右は左より7〜8箇所、判断が多い。差はここから来ており、モデルとは無関係。画像はマニュアル第15ページ、いずれも Nano Banana 2。

図を既定から外す作業は2段です。まずこのカットを監督する（枠を少しずらす、本物の瞬間を切る、前後景の層を作る）。次にトーンを柔らかいシネマレンズ感へ寄せる（コントラストは軽く、焦点の遷移は滑らか、粒は細かく均一）。後者にはそのまま貼れる文があり、前者は自分で書くしかありません。

soft cinematic lens, shallow depth of field with creamy focus roll-off, gentle contrast with soft highlight roll-off, fine uniform film grain, no oversharpening, no digital look

Natural skin texture: realistic pores, fine hairs, subtle veining, a faint highlight. Tactile and real, not retouched plastic.

フィルムの痕跡で残してよいのは粒だけ。埃、傷、「古く傷んだフィルム」系は書かないでください。

枠を抑える経験則3つ

画面に文字を出す：引用符で書き、レイアウトはデザイナーへの指示と同じ粒度で

プロンプトがいちばん崩れやすい箇所です。初心者ほど頻発します。理由はここ：モデルが文字を置くやり方はデザイナーと同じで、タイピストとは違います。伝えるべきはレイアウト。コピーはそこに埋める中身です。

層のある文字 · Nano Banana Pro。緑の大文字「NATURE」が上三分の二。背後は暗いつる葉、手前は手描き感のユリ・マリーゴールド・バラ。一部は文字の前、一部は後ろ。この前後関係をプロンプトが直接述べています。マニュアル第9ページ。

全文を主役に · Nano Banana 2。「A USER INTERFACE IS LIKE A JOKE. IF YOU HAVE TO EXPLAIN IT, IT'S NOT THAT GOOD.」が2ブロックで画面を埋め、中央に膝を叩いて笑う黒の簡素な人影が重ね印刷。ハーフトーン、古びたインク、2色刷り。文字はすべて正しく、句読点も揃う。マニュアル第9ページ。

Vintage screenprint design poster, giant green condensed text filling the canvas: "A USER INTERFACE IS LIKE A JOKE." across the top half and "IF YOU HAVE TO EXPLAIN IT, IT'S NOT THAT GOOD." across the bottom half, simple black doodle figure centered in overprint, laughing with head thrown back, one hand slapping a knee, the other holding a computer mouse, halftone dot texture, risograph print effect, distressed ink, off-white paper background, bold graphic design, 2-color print, retro illustration.

マスクはもう不要：どこを直すか、何を動かさないかを言い切る

いまの修正は対話型です。直す箇所を言葉で言い、手描きマスクは不要。一文の公式はこう——何を直すかと、何を動かさないかを同時に言い、動かすものだけを名指しする。

背景差し替え：製品と影をセットで保つ

左が原図。「LUMIÈRE NATURELLE」の美容液が木のキッチン台に立つ。右が修正後。同じ瓶、同じ影、背景だけグレーのスタジオ。プロンプトは2点だけ：何を直すか、何を動かさないか。マニュアル第13ページ、Nano Banana 2。

@image1 Keep the product and its shadow exactly; replace the background with a soft, sunlit grey studio sweep.

同じ原図を、2方向に1回ずつ直す

原図

案1 · 正午へ

案2 · 木下に人を追加

2枚を合成し、存在しなかった瞬間を作る

@image1 はモデル写真、@image2 はステンレス・タンブラーの製品図。一文で両者を同じ日差しの瞬間に置き、顔とカップのラベルを保持。参照に番号を振り、文中で名指しする——この合成の鍵。マニュアル第13ページ、Nano Banana 2。

@image1 @image2 The model from @image1 leans against a sunlit concrete wall raising the tumbler from @image2 toward camera, laughing off-camera, golden side light, shallow focus. Keep her face and the tumbler's label exactly.

修正の強みもモデルごとに違います。Nano Banana 2 は日常の主力で、任意領域の細部修正、カメラ位置の移動、焦点と色調の変更、昼シーンの夜への再ライティングまで。Seedream は参照を最大10枚までマージしつつ顔・光・色調を維持。Nano Banana Pro は1枚で5人・14物体を同時に混線なく管理。Recraft が返すのは編集可能な本物のベクターで、単なる PNG ではありません。

同じキャラを何度も出す：まず三面図を作り、以降は毎回それを添える

繰り返し登場するキャラにとって、これほどリターンの高い一手はありません。二度目に出す前に、三コマの設定表を一枚作り、以降すべての生成のマスターにすることです。

ルールは二つ。第一に、以後の生成では毎回この表を参照画像として添えること。第二に、そのキャラを書くプロンプトはすべて、この表に合わせて書くこと。記憶に頼らないこと。

左端の @reference がストリートスナップ原図。右の三コマが生成した設定表：正面バストアップ、横顔、全身の立ち姿。背景は純白スタジオ。同一人物で、黒髪を後ろに撫でつけ、マゼンタのアセテートサングラス、青のテクニカルシェルにオレンジのトリム、同系のロングパンツと清潔なスニーカー。ハンドブック p.17、Nano Banana 2。

reference: her portrait · Character sheet: one 16:9 frame divided into three equal panels on a pure white studio background. Left panel: straight-on head-and-shoulders portrait. Centre panel: exact side profile portrait. Right panel: full body, standing relaxed. The same woman in all three panels, the woman from the reference image, keeping her identity exactly: dark hair slicked back, magenta acetate sunglasses, natural lips, blue technical shell jacket with orange trim details, matching blue trousers and clean sneakers. Soft even studio light, no props, no text, fine film grain, photorealistic.

その語が言えないと、その絵は出ない：試した語彙リスト

ハンドブックの見立てはこうです。多くのチームが欲しい絵を出せないのは、技術ではなく語彙。業界でその「見え方」が何と呼ばれているかを言えない。だから短いリストを渡しています。

使い方に硬いルールがあります。ひとつのプロンプトに二〜三語重ねれば十分。一グループ丸ごと積まないこと。多すぎると語同士が薄め合い、いちばん効く語が効かなくなります。

動画側で変わったこと：一回の生成で、画と音が同時に出る

2026 年、動画側の最大の変化は「omni」アーキテクチャへの移行です。テキスト、画像、動画、音声が同じモデルに入り、同期した音声付きの完成クリップが一度で出る。前世代はテキストを渡すと無音の画が返り、音は別途でした。

Gemini Omni Flash の使い方はハンドブックがかなり具体的です。こちらでゆるく方向を試し、最後は Seedance で仕上げる。声と発話は自分で生成しますが、こちらが渡した音声ファイルへのリップシンクはできません。Sora 2 と Wan 系列が広がりを見せますが、ハンドブックはそこまで評価を広げていません。

ハンドブックにない背景を補足すると、Happy Horse は 2026 年 4 月初旬、匿名で Artificial Analysis のテキスト動画生成ランキングに現れ、いきなり首位に立ったモデルで、4 月 10 日に Alibaba が自社製だと認めた。1.1 は淘天グループの未来生活ラボ発で、6 月 23 日公開。

いちばん混同しやすい二つの制御：先頭／末尾フレームと参照画像

同じ生成で両方使えます。先頭フレームでオープニング構図を固定しつつ、キャラ参照を掛け、全編でブレさせない。

動画プロンプトの八段と六つのルール

動画プロンプトはショットの記述であり、タグの羅列ではありません。撮影班に指示を出す監督のつもりで書く。八段の順は、画角、カメラワーク、主体、動作、場面、光、スタイル、音です。

ソーシャル広告 · Seedance 2.5。陽光のキッチンカウンターから保温ボトルを手で持ち上げ、素早くプッシュイン、湯気が立つ。ハンドブック内の静止画で、動く版は Magnific サイト内のキャンバスに。p.24。

シネマティック感 · Seedance 2.5。低位置の横追従。夕暮れの海岸を自転車が滑り、前景の草が風に押される。同じくハンドブックの静止画。p.24。

Vertical 9:16 medium shot. A hand lifts a coffee flask off a sunlit kitchen counter, quick push-in, steam rising. Bright natural morning light, clean and airy. SFX: gentle pour, ambient kitchen. No music. No subtitles.

各社で段落順は少し違います。Seedance はショット数・尺・画角を先に、そのあと主体→動作→環境→カメラ→スタイル。参照は @image1、@video1、@audio1。Kling は主体＋動き＋場面＋カメラ＋光＋雰囲気。Happy Horse も同じショット記述の道。例外は Gemini Omni Flash だけ——対話式の指示向けに調整されており、まず雑に言ってから回を重ねて直せます。

最強の動画編集は動画モデルの外：先頭フレームを画像として直し、戻す

ハンドブックでいちばん直感に反し、いちばんそのまま持ち帰れる一手です。出発点は単純な事実——クリップは先頭フレームに駆動される、ということ。

ここから先はこう続きます。先頭フレームがショットの見た目を決めるなら、任意の動画の先頭フレームを抜き、静止画として直す。画像モデルは「指示どおり直す」が最も強い。直したフレームを動画モデルに戻し、原クリップを動きの参照として掛ける。出てくるのは同じショット、同じカメラワーク、同じリズム。変わったのはあなたが指定した一箇所だけ。

1

まずクリップを用意する

例は Seedance 2.5 の 5 秒ショット。白いスニーカーが展示台に乗り、ゆっくり 180 度を回り、リムライトがソールを撫でる。一続きのテイク。生成でも実写でも構いません。

2

先頭フレームを静止画として書き出す

特別なツールは不要です。Magnific では毎回の先頭フレームがクリップと一緒に残るので、普通の画像として扱うだけでよい。上の一枚がそれです。

3

Nano Banana Pro でこのフレームを直す

修正はこの画像モデルで。指示どおり直す力が最も強いから。ルールはいつもの通り：直すものを名指しし、動かさないものを固定する。

@image1 Change the white sneaker to a matte-black colorway with black laces and a black sole; keep the pedestal, the lighting, the camera angle and everything else exactly.

同じ台、同じ光、同じカメラ位置。変わったのは靴の色だけ。

4

直したフレームを Seedance に戻して再レンダ

それを先頭フレームにし、原クリップを動きの参照として掛ける。出てくるのは同じ周回、同じリムライトのスイープ、同じリズム。靴だけが変わっている。

@image1 @video1 Repeat the exact same slow 180° orbit and rim-light sweep as @video1, now around the matte-black sneaker from the start frame. Same pacing, same framing, one continuous take. No cuts.

新しいクリップの先頭フレーム。ハンドブック p.27。四枚はこのパイプラインの実物順。

ついでに：一枚の静止画を、シーン全体のカメラカバレッジにする

同じ論理の変種があります。シーン画像を Seedance の先頭フレームに渡し（Kling も 4K なら可）、ゆっくりした通り抜けショットを作り、各角度で一拍止める。出てくるのは本物のロケハンに近いもの。止まった瞬間はすべて抜き出せるフレームで、光と場面が揃い、後の本番ショットの先頭フレーム、参照、背景板にそのまま使えます。

起点はこの一枚だけ。絵の中にしかないスタジアム。制作側が欲しいのは、この場の全カメラ位置。ハンドブック p.28、Nano Banana 2 生成。

あの通り抜けレンダから抜いた八角度。同じ一続きのレンダなので、群衆・照明・建築が一貫する。角度ごとに別生成ではここまで揃わない。ハンドブック p.28、Seedance 2.5。

start frame: stadium still · Real-estate style drone fly-through shot from the stands of a packed football stadium during an evening match. The camera slowly moves through the tier, rotating and stopping for a beat facing each angle: the camera rotates right and slowly pushes in over the crowd toward the floodlit pitch, then rotates left and slowly pushes in along the rows of cheering fans close to the lens, then rotates 180 degrees and slowly pushes in toward the upper tier and roofline behind.

エンジンの八つの硬いルール：なぜキャラは最大三人か、なぜ鏡を正面から撮らないか

ハンドブックはこの節を「生成シーンの物理法則」と呼び、わざわざこう添えています。迷信に聞こえるが法律として扱え。各条は、あるレンダが破ったあとで書かれた。

複数ショットのつなぎ方：五種類の継ぎ目

複数ショットの一本は継ぎ目の列です。各継ぎ目は同じ問いの別回答——次のショットは、このフレームを継ぐのか、この動作を継ぐのか、何かを通り抜けるのか、それとも切るのか。

十二のカメラワークと、二つの共通アドバイス

二つの共通アドバイス。複数のカメラワークを一つに重ねない。一クリップに一つ。ほぼすべてのカメラワークに「ゆっくり」を付ける。遅い動きはモデルの荒を隠す。速い動きはすべての破綻を晒す。

最後に：キャラにオーディションを一回

キャラ設定表がロックするのは顔。オーディションがロックするのは演技。本番の前に短い自撮りオーディションを一本撮り、動き方、話し方、指示への反応を見る。異なる「声の配合」で二〜三本作り、一本選び、勝ったクリップを以降の全シーンに動画参照として掛ける——設定表が見た目を担うのと同じ。ハンドブックの勘定はこうです。演技を一度で決めるほうが、たまたま当たるまで場面を何度も振り直すより安い。

台詞 · Kling 3.0 Omni

拍子表 · Seedance 2.5

オーディション · Seedance 2.5

Cinematic self-tape audition, one continuous take. Medium close-up, locked-off eye-level camera, shallow depth of field: a woman in her 30s against a plain grey wall, soft window light from the left, listening to an off-camera reader. A beat of silence; she looks down, then back up. She says, quietly: "You knew. The whole time, you knew." Voice: controlled, hurt, almost warm; it catches on the second "knew." Jaw tightens, one slow blink, the trace of a smile that is not one. She holds eye contact and says nothing more. Natural skin texture, fine film grain, muted palette. No music. No subtitles.

6-second product shot, one continuous take. 00:00 the watch lies flat on black stone, still. 00:02 it rises and rotates slowly to face camera. 00:04 it settles as a rim light sweeps across the dial. SFX: low hum, soft click. No music. No subtitles.

上の新書き方には骨格がある。六段——主体・動作・シーン・光・構図・スタイル。横に広げれば、各段が画面のどこを担うか一目でわかる。

六段をつなげれば一本の完成したプロンプト。出力された画像では瓶は右側、水しぶきは王冠状、硬光が濡れたスレートを掃く——いずれも事前に名指しされ、モデルの勝手な裁量に任せる箇所はない。

同じモデル、同じ人物で、プロンプトが「農家市の屋台の前で野菜の籠を掲げる微笑む女性」だけなら、出てくるのはきちんと整った、それでいてスロップの一枚：人物は正中央、カメラ正面、決めポーズの笑顔、前景から背景まで全部ピント。彼女を右三分の一へ移し、四分の三側面で背を向け気味に、画外へ笑う瞬間を捉え、前景の野菜カゴをぼかして枠にし、午後の暖かい側光を左から、肌には毛穴と散った髪を残す——この七〜八個の選択の積み重ねが差のすべて。ハンドブックは前者を slop（直訳すると「残飯」。一目でAI生成とわかる画像）と呼び、すぐ使える文言を二ブロック用意している。

動画側は今年アーキテクチャが変わった。テキスト・画像・動画・音声が同じモデルに入り、同期音付きの完成片が出る。ハンドブックはこれを omni（全モーダル）と呼ぶ。前世代は別途アフレコが必要だった。いちばん直感に反する手もこちら側：生成済みショットの直しは、いちばん効く道具が画像モデルを経由する。

動いている小さな四角が、抜き出した1フレーム目。先頭フレームが画面の始まりを固定し、動きの参照がレンズの動きを固定する。半分は画像モデルの指示どおりに直す力で中身を制御し、半分は動画モデルで連続性を守る。同じやり方で、素材全体を1フレームずつスタイル差し替えもできる。

38ページに本物のプロンプト原文が20本以上、生成結果の画像つき。以下は本文に全文コピペできる原文がある項目。