AI画像生成で「思ってたのと違う」を減らす、プロンプトの書き方入門

AI画像生成ツールにテキストを入力して、ワクワクしながら結果を待つ。

そして、表示された画像を見て「……なんか違う」となった経験はありませんか？

• 構図がイメージと違う
• 雰囲気がなんか変
• 指が6本ある

こうしたガッカリの原因は、ほとんどの場合AIの性能ではなく、プロンプト（指示文）の書き方にあります。

Midjourney、DALL-E 3、Stable Diffusion、Fluxなど、最近のAI画像生成ツールはとんでもなく優秀です。

プロの写真やイラストと見分けがつかないレベルの画像を出せる。ただし、それは「適切な指示を出せたとき」の話です。

この記事では、AI画像生成の初心者でも今日から使えるプロンプトの書き方を、基本からしっかり解説していきます。

AIはどうやって画像を作っているのか（ざっくり理解）

プロンプトを上手く書くために、AIがどう動いているかをざっくり知っておくと役立ちます。

AI画像生成モデルは、大量の「画像＋テキスト」のペアを学習しています。

「この言葉が入ったテキストにはこういう画像が対応していた」という統計パターンを膨大に覚えているわけです。

つまりAIは、あなたの言葉を「人間のように理解」しているのではなく、「この説明に最も合いそうな画像」を統計的に予測しています。

ここから導かれるポイントが3つ。

①具体的に書くほど精度が上がる。
「犬」より「ゴールデンレトリバーの子犬」、さらに「落ち葉の上で伏せているゴールデンレトリバーの子犬」のほうが、思い通りの画像に近づきます。

②AIは美術・写真の専門用語を知っている。
「レンブラント照明」「浅い被写界深度」「水彩画風」といった用語を使えば、細かいニュアンスをコントロールできます。

③プロンプトの前半が重視される。
ほとんどのモデルは、文の最初のほうに書かれた要素を優先します。一番大事な要素は冒頭に置きましょう。

プロンプトの5つの構成要素

良いプロンプトには、以下の5つの要素が含まれています。

全部入れなくてもいいですが、この枠組みを頭に入れておくと指示がブレにくくなります。

①被写体（何が写っているか）

画像のメインとなるもの。ここが曖昧だと、すべてがぼやけます。

• いまいち：「女性」
• まあまあ：「ショートカットで丸眼鏡の若い女性」
• 良い：「30代の日本人女性、黒いピクシーカット、ネイビーのトレンチコートを着て、フィルムカメラを構えている」

詳しく書けば書くほど、AIの「想像の余地」が減り、あなたのイメージに近づきます。

②場所・環境（どこで）

同じ人物でも、場所が変われば画像の雰囲気はまったく違います。

• 「自動販売機が並ぶ夜の新宿の路地」
• 「朝靄の中の京都の竹林」
• 「天井まで窓がある白いアパートの一室」

場所の指定は、空気感や色味を大きく左右します。

③スタイル・媒体（どんなテイストで）

ここがプロンプトの中で最も強力なコントロールの1つです。

写真系： 「35mmフィルム写真」「ポートレート、浅い被写界深度」「ドローン空撮」「ストリートスナップ」

イラスト系： 「水彩画」「デジタルイラスト」「フラットベクターイラスト」「アイソメトリック3D」

雰囲気系： 「シネマティック」「ムーディー」「明るく爽やか」「ダークアカデミア風」

スタイルを指定するだけで、同じ被写体でもまったく違う画像が出てきます。

④構図・カメラ（どう撮るか）

写真用語が使えると、構図のコントロール精度が格段に上がります。

• ショットタイプ： クローズアップ、全身、俯瞰、ローアングル
• レンズ効果： ボケ、ティルトシフト、マクロ、魚眼
• ライティング： ゴールデンアワー、逆光、ネオン、ソフトディフューズ

⑤品質キーワード（仕上がりの底上げ）

出力のクオリティを上げるための定番フレーズがこちら。

• 「highly detailed」
• 「8K」
• 「professional photograph」
• 「sharp focus」

ただし、これらは1〜2個に絞るのがコツです。

全部盛りにしてもあまり効果は変わりません。

組み立て方のテンプレート

上の5要素を並べると、こんな形になります。

[被写体の詳細], [場所・環境], [スタイル],
[構図・ライティング], [品質キーワード]

実例：

タトゥーの入った腕のバリスタがラテアートを注いでいる、
木の温もりがあるコーヒーショップ、大きな窓から朝日が差し込んでいる、
35mmフィルム写真、浅い被写界深度、
暖かいゴールデントーン、highly detailed

このプロンプトなら「誰が・何をして・どこで・どんな雰囲気で・どう撮ったか」が全部伝わります。

プラットフォーム別のコツ

各ツールにはクセがあります。同じプロンプトでも結果が違うので、使うツールに合わせた調整が大事です。

Midjourney

アーティスティックで美しい画像が得意。短めのプロンプトでも「いい感じ」に仕上げてくれる傾向があります。

覚えておきたいこと：

• 15〜60語くらいの短めプロンプトが効きやすい
• --ar 16:9 でアスペクト比指定（横長）、--ar 9:16 で縦長
• --style raw でMidjourney独自の美化フィルターを弱められる
• --no text, watermark でテキストや透かしを除外

Midjourneyプロンプト例：

夜の東京の小さな書店、暖かいランプの光、
木製の棚に本が溢れている、ガラスの扉の向こうに雨、
ジブリのような空気感 --ar 16:9 --v 6

DALL-E 3

自然な文章をしっかり読み取ってくれるのが強み。複雑なシーンの指示に強く、画像内にテキストを入れるのも得意です。

覚えておきたいこと：

• 会話するように自然な文で書くとよく伝わる
• 「猫は左、犬は右」のような配置指定にも対応
• 不要なものは明示的に伝える（「文字は入れない」など）

DALL-E 3プロンプト例：

モダンなホームオフィスのフラットイラスト。
木のデスクにある大きなモニターにコードが映っている。
白猫がデスクの上で「Debug Mode」と書かれたマグカップの隣で眠っている。
左側の窓からやわらかい朝の光。
ミニマルですっきりしたスタイル、パステルカラー。

Stable Diffusion

技術的なコントロールが最も細かくできるツール。括弧やウェイト指定など、独自の構文があります。

覚えておきたいこと：

• 括弧で強調：(sharp focus:1.3) のように倍率を指定可能
• ネガティブプロンプトがとても重要（不要な要素を列挙）
• 品質トークン「masterpiece, best quality」が効果的

Stable Diffusionプロンプト例：

(masterpiece, best quality:1.2), 図書館で読書する女性の
ポートレート, ステンドグラス越しのvolumetric lighting,
(bokeh:1.1), 暖かいアンバートーン, photorealistic, 8K

Negative: lowres, bad anatomy, bad hands, text, error,
missing fingers, extra digit, worst quality, blurry

Flux

Black Forest Labs製の新しいモデル。

フォトリアルな画像が得意で、画像内テキストの精度も高いく、自然な文章で書けば素直に従ってくれます。

Stable Diffusionほど「おまじない」的なキーワードは必要ありません。

もう一歩踏み込むテクニック

基本を押さえたら、次のテクニックで仕上がりをさらに上げられます。

ネガティブプロンプト

「こうしてほしい」だけでなく「こうしないでほしい」も伝えましょう。

特にStable Diffusionでは必須級。

よく使うネガティブワード：

• 品質系： blurry, low quality, pixelated, artifacts
• 人体系： extra fingers, deformed hands, bad anatomy（AIあるある回避）
• 不要物系： text, watermark, signature, frame

スタイルの掛け合わせ

2つのスタイルを混ぜると、面白い画像が生まれることがあります。

• 「浮世絵風の現代東京の風景」
• 「アールヌーヴォー × サイバーパンク」
• 「水彩画タッチのSFイラスト」

カメラとレンズのシミュレーション

カメラ名やフィルム名を入れると、特定のルックが再現できます。

• 「Hasselblad, Kodak Portra 400」→ 温かみのあるフィルム調
• 「Fujifilm X-T5, 23mm f/1.4」→ クリーンでシャープな日常感
• 「Sony A7III, 85mm f/1.8」→ 美しいボケのポートレート

ライティングの指定

照明の種類を指定するだけで、画像の雰囲気がガラリと変わります。

• ゴールデンアワー — 夕方の温かい光。ポートレートや風景に。
• ブルーアワー — 日没直後の青い光。幻想的。
• レンブラント照明 — 顔の片側に三角形の光。ドラマチックな肖像。
• リムライト — 背後からの光で輪郭を際立たせる。
• ネオン — カラフルで都会的。サイバーパンク感。

やりがちなミス

「美しい風景」で止まる。
どんな風景？どこの？何時頃？天気は？季節は？AIは指定しなかった部分をランダムに埋めるので、具体性がないと毎回違う結果になります。

矛盾した指示。
「暗くて明るい」「霧がかかっていてクリアな」などは、AIが困ります。一貫したムードを決めましょう。

詰め込みすぎ。
キーワード100個より、核心を突いた30語のほうが良い結果が出ることも多いです。

アスペクト比を考えない。
デフォルトの正方形がベストとは限りません。ポートレートなら2:3や9:16、風景なら16:9のほうが自然に仕上がります。

1回で完璧を求める。
最初のプロンプトで完璧な画像が出ることはまずありません。結果を見て→微調整して→再生成、のサイクルを回すのが普通です。

自分なりのワークフローを作ろう

毎回ゼロからプロンプトを考えるのは非効率なため、自分なりの「型」を作っておくと、安定した結果が出やすくなります。

1. まずゴールを言語化する。 この画像を写真や絵にするなら、何がどう見えるか？頭の中のイメージをことばにする。
2. コアプロンプトを書く。 被写体 + 場所 + スタイル。まずはこの3つだけ。
3. ディテールを足す。 構図、ライティング、雰囲気、色味。
4. プラットフォーム固有の設定を追加。 アスペクト比、品質トークン、ネガティブプロンプト。
5. 生成→評価→修正。 何が良くて何がダメかを言語化し、プロンプトに反映。
6. 繰り返す。 満足いくまで5を回す。

最初は手間に感じますが、慣れると2〜3回の生成で狙い通りの画像が出せるようになります。

まとめ

AI画像生成はガチャではなくスキルです。

「指が7本ある」「なんか違う」を繰り返している人と、コンスタントに良い画像を出せる人の違いは、AIの使い方ではなくプロンプトの書き方にあります。

まずは5つの構成要素（被写体・場所・スタイル・構図・品質）を意識するところから始めてみてください。

それだけで結果は確実に変わります。

ツールの性能はすでに十分すぎるほど高いので、あとは「どう伝えるか」だけをマスターしましょう。