ai-image-generator

AI 画像生成

AI API（Google Gemini と OpenAI GPT）を使って画像を生成します。このスキルでは、Claude Code から直接プロ品質の画像を生成するためのプロンプトパターンと API の仕組みを学びます。

マネージドサービスの代替案：API キーを管理したくない場合は、ImageBot がアルバムテンプレートとブランドキットに対応したマネージド画像生成サービスを提供しています。

モデルの選択

用途に合ったモデルを選びます。

ニーズ	モデル	理由
フォトリアルなシーン／ストックフォト	Gemini 3.1 Flash Image	奥行き、複雑さ、環境の文脈を最も適切に表現
クライアント向けの完成版シーン（より高精細）	Gemini 3 Pro Image	より高精細で、スタイルの一貫性も向上
画像内のテキスト（ポスター、コピー入りの OG 画像、インフォグラフィック）	GPT Image 2	複数の文字体系を含め、テキストを実用的な品質で描画
10 種類のバリエーションによるスタイル探索	GPT Image 2	ネイティブのバッチ生成に対応。1 つのプロンプトから、構図と配色を共有する 10 種類のバリエーションを生成
複数の参照画像を使った合成（商品＋ライフスタイル）	GPT Image 2	参照画像間のライティング、スケール、遠近感を処理
透明なアイコン／ロゴ	GPT Image 1.5	ネイティブ RGBA アルファに対応 — GPT Image 2 は透明にできません
素早い下書き／反復作業	Gemini 2.5 Flash Image	無料枠（約 500 件／日）

目安：読み取れるテキストを含む画像には、GPT Image 2 を使用します（透明度が必要な場合は GPT 1.5）。それ以外は Gemini を使用します。

モデル ID

モデル	API ID	プロバイダー
Gemini 3.1 Flash Image	gemini-3.1-flash-image-preview	Google AI
Gemini 3 Pro Image	gemini-3-pro-image-preview	Google AI
Gemini 2.5 Flash Image	gemini-2.5-flash-image	Google AI
GPT Image 2（デフォルト）	gpt-image-2	OpenAI
GPT Image 2（ChatGPT と同等の出力）	chatgpt-image-latest	OpenAI
GPT Image 1.5（透明度専用）	gpt-image-1.5	OpenAI

使用前にモデル ID を確認してください — 頻繁に変更されます。

curl -s "https://generativelanguage.googleapis.com/v1beta/models?key=$GEMINI_API_KEY" | python3 -c "import sys,json; [print(m['name']) for m in json.load(sys.stdin)['models'] if 'image' in m['name'].lower()]"

GPT Image 2 の詳細

2026-04-22 にリリースされました。利用する場面を変える 3 つの機能があります。

1. テキストを実用的な品質で描画

ポスター、見出し入りの OG 画像、ラベル付きのインフォグラフィック、UI モックアップ、料金カードに適しています。日本語、韓国語、ヒンディー語、ベンガル語などの非ラテン文字を含め、テキストを安定して描画します。Gemini から切り替える主な理由です。Gemini は読み取れるテキストをまったく描画できません。

2. 複数バリエーションのバッチ生成

1 回の呼び出しで、1 つのプロンプトから最大 10 枚の画像を生成できます。バリエーションは構図と配色を共有しつつ、細部が異なります。スタイルを決める前の探索、クライアント向けの A/B 案、すばやいアイデア出しに適しています。

3. 複数の参照画像を使った合成

商品写真、ライフスタイルシーン、ロゴなどの参照画像をプロンプトと一緒に渡します。モデルは適切なライティング、スケール、遠近感で商品をシーンに配置します。複数回の編集なしで「商品を実際の場面に配置する」ワークフローを実現できます。

モード

• Instant（デフォルト、すべてのプラン）— 計画段階を挟まずに生成します。高速で、ほとんどのケースで十分な品質です。
• Thinking（Plus／Pro／Business プラン）— 描画前にレイアウトを計画します。要素数が重要な場合（「アイコンを横一列に 3 つ」、「機能の箇条書きを 5 つ」）や、テキストを特定の領域に配置する必要がある場合に使います。複雑な構図での再生成を減らせます。

アスペクト比

超横長の 3:1 から超縦長の 1:3 までに加え、1:1、3:2、2:3、16:9、9:16 に対応します。他のモデルより幅広い範囲をカバーしており、ウェブサイトのバナー（超横長のヒーロー画像）やモバイルのストーリー形式（超縦長）に便利です。

解像度

長辺が最大 2K の標準解像度に対応します。4K はベータ版です。

生成時間

複雑なプロンプトでは最大 2 分かかります。非同期の UX を実装し、応答を待つ間に処理をブロックしないでください。進行状況を表示するか、処理を別途開始してポーリングしてください。

制約

• 透明な背景には対応していません。 PNG の透明度が必要な場合は gpt-image-1.5 を使用してください。
• エンドポイントの実行前に API Org Verification が必要な場合があります。初回の呼び出しで認証エラーが発生した場合は、OpenAI アカウントの設定で有効にしてください。

料金（1024×1024画像あたり）

品質	料金
低	$0.006
中	$0.053
高	$0.211

トークン料金：入力テキストは$5/M、出力テキストは$10/M、入力画像は$8/M、出力画像は$30/Mです。

5つの要素からなるプロンプトフレームワーク

一貫した結果を得るため、次の順序でプロンプトを作成します。

1. 画像の種類

ジャンルを指定します。「フォトリアリスティックな写真」「アイソメトリックなイラスト」「フラットなベクターアイコン」

2. 主題

具体的な詳細とともに、誰または何を描くのかを指定します。「30代前半の、親しみやすく温かみのあるオーストラリア人女性。自然な笑顔」

3. 環境

場所と空間的な関係を指定します。「背後の木製棚にテラコッタ色の装飾品がある、明るくモダンな家の中」

4. 技術仕様

カメラと照明を指定します。「85mm f/2.0で撮影。自然な窓からの光。頭から肩までをフレームに収める」

5. 制約

除外するものを指定します。「フォトリアリスティック。テキスト、透かし、ロゴなし」

例（良い例と悪い例）

BAD — keyword soup:
"professional woman, spa, warm lighting, high quality, 4K"

GOOD — narrative direction:
"A professional skin treatment scene in a warm clinical setting.
A practitioner wearing blue medical gloves uses a microneedling pen
on the client's forehead. The client lies on a white treatment bed,
eyes closed, relaxed. Warm golden-hour light from a window to the
left. Terracotta-toned wall visible in the background. Shot at
85mm f/2.0, shallow depth of field. No text, no watermarks."

ワークフロー

1. 画像の必要性を判断する

用途	アスペクト比	モデル
ヒーローバナー（テキストなし）	16:9 または 21:9	Gemini
見出しコピー入りのヒーローバナー	16:9 または 3:1 の超ワイド	GPT Image 2
サービスカード	4:3 または 3:4	Gemini
プロフィール／アバター	1:1	Gemini
アイコン／バッジ（透明）	1:1	GPT Image 1.5
OG／ソーシャル共有（テキストなし）	1.91:1	Gemini
コピー入りのOG／ソーシャル共有	1.91:1	GPT Image 2
ポスター／インフォグラフィック／料金カード／文字要素の多い画像全般	さまざま	GPT Image 2
スタイルの検討（1つのコンセプトから10種類のバリエーションを作成）	任意	GPT Image 2（バッチ）
Instagram投稿	1:1 または 4:5	Gemini
モバイル向けヒーロー画像	9:16	Gemini

2. プロンプトを作成する

5つの要素からなるフレームワークを使用します。写真撮影のパラメーターについて詳しくは、references/prompting-guide.mdを参照してください。

3. API経由で生成する

Gemini（Python — シェルのエスケープを正しく処理）

python3 << 'PYEOF'
import json, base64, urllib.request, os, sys

GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY")
if not GEMINI_API_KEY:
    print("Set GEMINI_API_KEY environment variable"); sys.exit(1)

model = "gemini-3.1-flash-image-preview"
url = f"https://generativelanguage.googleapis.com/v1beta/models/{model}:generateContent?key={GEMINI_API_KEY}"

prompt = """A professional photograph of a modern co-working space in
Newcastle, Australia. Natural light floods through floor-to-ceiling
windows. Three people collaborate at a standing desk — one pointing
at a laptop screen. Exposed brick wall, potted fiddle-leaf fig,
coffee cups on the desk. Shot at 35mm f/4.0, environmental portrait
style. No text, no watermarks, no logos."""

payload = json.dumps({
    "contents": [{"parts": [{"text": prompt}]}],
    "generationConfig": {
        "responseModalities": ["TEXT", "IMAGE"],
        "temperature": 0.8
    }
}).encode()

req = urllib.request.Request(url, data=payload, headers={
    "Content-Type": "application/json",
    "User-Agent": "ImageGen/1.0"
})

resp = urllib.request.urlopen(req, timeout=120)
result = json.loads(resp.read())

# Extract image from response
for part in result["candidates"][0]["content"]["parts"]:
    if "inlineData" in part:
        img_data = base64.b64decode(part["inlineData"]["data"])
        output_path = "hero-image.png"
        with open(output_path, "wb") as f:
            f.write(img_data)
        print(f"Saved: {output_path} ({len(img_data):,} bytes)")
        break
PYEOF

GPT Image 1.5 — 透明なアイコン

透明なPNGの場合は、特にgpt-image-1.5を使用します。GPT Image 2では透明にできません。

python3 << 'PYEOF'
import json, base64, urllib.request, os, sys

OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
if not OPENAI_API_KEY:
    print("Set OPENAI_API_KEY environment variable"); sys.exit(1)

url = "https://api.openai.com/v1/images/generations"

payload = json.dumps({
    "model": "gpt-image-1.5",
    "prompt": "A minimal, clean plumbing wrench icon. Flat design, single consistent stroke weight, modern style. On a transparent background.",
    "n": 1,
    "size": "1024x1024",
    "background": "transparent",
    "output_format": "png"
}).encode()

req = urllib.request.Request(url, data=payload, headers={
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
})

resp = urllib.request.urlopen(req, timeout=120)
result = json.loads(resp.read())

img_data = base64.b64decode(result["data"][0]["b64_json"])
with open("icon-wrench.png", "wb") as f:
    f.write(img_data)
print(f"Saved: icon-wrench.png ({len(img_data):,} bytes)")
PYEOF

GPT Image 2 — テキスト量の多い画像またはバッチでのバリエーション

テキストを読みやすく表示する必要がある場合、または1回の呼び出しで10種類のバリエーションを作成する場合は、gpt-image-2を使用します。透明には対応していません — 透明な背景が必要な場合は、上記の1.5を使用してください。

python3 << 'PYEOF'
import json, base64, urllib.request, os, sys, pathlib

OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
if not OPENAI_API_KEY:
    print("Set OPENAI_API_KEY environment variable"); sys.exit(1)

url = "https://api.openai.com/v1/images/generations"

# 10-variation batch of a pricing card with rendered text
payload = json.dumps({
    "model": "gpt-image-2",
    "prompt": (
        "A modern pricing card for a web hosting plan. "
        "Headline 'Starter' in bold sans-serif. "
        "Price '$29/month' directly below in large type. "
        "Three feature lines: 'Unlimited bandwidth', 'SSD storage', 'Free SSL'. "
        "Clean flat design, soft drop shadow, deep blue accent colour. "
        "White card on light grey background."
    ),
    "n": 10,
    "size": "1024x1024",
    "quality": "medium",
    "output_format": "png"
}).encode()

req = urllib.request.Request(url, data=payload, headers={
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
})

# Timeout: up to 2 min for complex prompts
resp = urllib.request.urlopen(req, timeout=180)
result = json.loads(resp.read())

pathlib.Path("variations").mkdir(exist_ok=True)
for i, item in enumerate(result["data"], 1):
    img_data = base64.b64decode(item["b64_json"])
    path = f"variations/pricing-card-{i:02d}.png"
    with open(path, "wb") as f:
        f.write(img_data)
    print(f"Saved: {path} ({len(img_data):,} bytes)")

print(f"\nGenerated {len(result['data'])} variants. Pick the best; delete the rest.")
PYEOF

バッチワークフロー：10種類を生成 → 並べて確認 → 1〜2種類を選択 → 必要に応じて、採用した方向性に合わせてプロンプトを絞り込み、再生成します。1回で生成してから反復するよりも高速です。

4. 保存して最適化する

生成した画像を.jez/artifacts/またはユーザー指定のパスに保存します。

後処理（任意）：

# Convert to WebP for web use
python3 -c "
from PIL import Image
img = Image.open('hero-image.png')
img.save('hero-image.webp', 'WEBP', quality=85)
print(f'WebP: {img.size[0]}x{img.size[1]}')
"

# Trim whitespace from transparent icons
python3 -c "
from PIL import Image
img = Image.open('icon.png')
trimmed = img.crop(img.getbbox())
trimmed.save('icon-trimmed.png')
"

5. 品質を確認する（任意）

生成した画像をビジョンモデルに送り、品質を確認します。

# Send to Gemini Flash for critique
critique_prompt = """Review this image for:
1. AI artifacts (extra fingers, floating objects, text errors)
2. Technical accuracy (wrong equipment, unsafe positioning)
3. Composition issues (awkward cropping, cluttered background)
4. Style consistency with a professional stock photo

List any issues found, or say 'PASS' if the image is production-ready."""

問題が見つかった場合は、元のプロンプトに除外指示として追加し、再生成します。

複数ターンでの編集

Geminiでは、会話のターンをまたいで生成済みの画像を編集できます。重要な要件は、モデルの応答から思考署名を保持することです。

# Turn 1: Generate base image
contents = [{"role": "user", "parts": [{"text": "Scene prompt..."}]}]

# The response includes thoughtSignature on parts — preserve them ALL

# Turn 2: Edit the image
contents = [
    {"role": "user", "parts": [{"text": "Original prompt"}]},
    {"role": "model", "parts": response_parts_with_signatures},  # Keep intact
    {"role": "user", "parts": [{"text": "Edit: change the wall colour to blue. Keep everything else exactly the same."}]}
]

編集プロンプトのパターン：変更する内容だけでなく、変更せずに維持する内容を必ず指定します。指定されていない要素は、モデルが自由に変更できるものとして扱います。

GOOD: "Edit this image: keep the people, desk, and window unchanged.
Only change: wall colour from terracotta to ocean blue."

BAD: "Now make the wall blue."
(Model may change everything else too)

APIキーの設定

プロバイダー	キーの取得先	環境変数
Google Gemini	aistudio.google.com	GEMINI_API_KEY
OpenAI	platform.openai.com	OPENAI_API_KEY

export GEMINI_API_KEY="your-key-here"
export OPENAI_API_KEY="your-key-here"

よくある間違い

間違い	修正方法
Gemini のプロンプトに curl を使う	Python を使います。アポストロフィがあるとシェルのエスケープがうまく機能しません
「美しく、プロフェッショナルで、高品質」	「85mm f/1.8、ゴールデンアワーの光」のように具体的な仕様を指定します
除外するものを指定しない	常に「テキスト、透かし、ロゴなし」で終えます
Gemini に透過 PNG をリクエストする	Gemini は透過に対応していません。background: "transparent" を指定して GPT Image 1.5 を使います
GPT Image 2 に透過 PNG をリクエストする	GPT Image 2 は透過に対応していません。この場合に限り gpt-image-1.5 に切り替えます
画像内のテキストに GPT Image 1.5 を使う	GPT Image 1.5 のテキスト描画は安定しません。読み取れるテキストには gpt-image-2 を使います
GPT Image 2 へのリクエストをタイムアウトさせる	複雑なプロンプトでは生成に最大 2 分かかることがあります。タイムアウトを 180 秒に設定し、非同期 UX を構築します
オーストラリアの企業にアメリカのデフォルト設定を使う	「Australian」と、現地の建築や植生を明示的に指定します
モデル ID に汎用的なデータを使う	現在のモデル ID を確認します。頻繁に変わります