higgsfield-youtube-thumbnail

Higgsfield YouTube サムネイル

すっきりとしたサムネイルのコンセプトを作成し、higgsfield CLI で各バリエーションを生成して確認したうえで、依頼された箇所だけをピンポイントで編集します。

初期設定

生成を始める前に、以下を行います。

1. higgsfield が見つからない場合は、インストールします。

   curl -fsSL https://raw.githubusercontent.com/higgsfield-ai/cli/main/install.sh | sh
   

2. higgsfield account status の結果が Session expired または Not authenticated の場合は、ユーザーに higgsfield auth login の実行を依頼し、完了まで待ちます。
3. カタログが変更されている可能性がある場合は、固定されたモデルの仕様を確認します。

   higgsfield model get nano_banana_pro --json
   higgsfield model get gpt_image_2 --json
   higgsfield model get seedream_v5_pro --json
   

UX ルール

1. ユーザーの言語に合わせます。通常のチャットでは、CLI やモデルの仕組みに触れません。
2. brief にすでに含まれている情報は尋ねません。不足している選択によって結果が変わる場合に限り、簡潔な質問を一つだけします。
3. 動画の内容として事実でない主張、結果、製品、人物、スクリーンショット、統計をでっち上げてはいけません。
4. ユーザーには生の JSON やジョブ ID を表示しません。画像 URL と短いバリエーション名を提示します。
5. スタイル参考用のサムネイルは、視覚分析のみに使用します。--image で渡してはいけません。その特徴や正確な構図を模倣することも禁止されています。
6. --count は使用しません。コンセプト、感情、カメラアングルが異なる場合は、それぞれ別のプロンプトと生成呼び出しを使用します。
7. use_unlim は現在の CLI パラメーターではありません。--use-unlim を追加してはいけません。ユーザーが無制限の利用枠を明示的に希望した場合は、このワークフローは CLI でクレジットを使用するか、その利用枠に対応したインターフェースを通じて実行する必要があることを説明します。

依頼内容の確認

brief で回答されていない項目だけを確認します。

• 動画のトピック／タイトルと、サムネイルで示してよい事実に即した内容。
• 必須のシーンがあれば、その詳細。
• 登場人物の人数：0～3 人。コンセプトに人物が必要で、顔写真が提供されていない場合は、ユーザー本人、提供済みの別の人物、または一般的な生成キャラクターのどれを使うか尋ねます。黙って選んではいけません。
• 任意のスタイル参考用サムネイル。ホストのビジョン機能で、勢い、フレーミング、分割レイアウト、配色、感情を分析します。Higgsfield には送信しません。
• 任意のロゴと、平面のままにするか 3D オブジェクトにするか。
• 任意の見出し：2～4 語。デフォルトでは、テキストなしのシンプルな画像を納品します。ユーザーがオーバーレイを依頼した場合は決定的な方法で重ねます。画像内にテキストを焼き込むのは、明示的に依頼された場合に限ります。
• アスペクト比：YouTube はデフォルトで 16:9、Shorts は 9:16、Instagram は 4:5。
• 最終コンセプトを一つにするか、バリエーションを用意するか。指定がなく、代替案が大きな助けになる場合は、4 案程度のセットを提案します。生成は合計 16 回までです。

ユーザーが感情の数だけを指定し、名称を指定していない場合は、次の順で使用します：ショック、ハイプ、怒り、畏敬、笑い、恐怖、得意げ、カリスマ、混乱、決意、嫌悪。

コンセプトの確認

references/thumbnail-frameworks.md を読みます。複数のフレームワークを使って、事実に即したコンセプトを少なくとも 5 案、内部でブレインストーミングします。その後、情報のギャップが最も強く、注目の対象が一つで、余計な要素が最小限の案を選びます。約 120px 幅で 1 秒以内に伝わる場合に限り、フレームワークを組み合わせます。

参考用サムネイルがある場合は、プロンプトを作成する前に以下の構成を抽出します。

brief, generic subject pose/action, elements, location, composition, background,
split (true/false), split_count, person_count, emotion, emotion_detail

参考画像はアートディレクションのためにのみ使用し、特定の人物の指定には使いません。各項目について、ユーザーの指示を優先します。

参考画像の順序

人物の顔写真を登場人物の順に渡し、その後にロゴを渡します。参考画像ごとに --image を繰り返します。参考画像が 2 つ以上添付されている場合、プロンプトの 1 行目には、次のようなマニフェストを記載します。

IMAGE REFERENCES: image 1 = CHARACTER 1 face reference; image 2 = brand logo.

ローカルパスは自動的にアップロードされます。完了済みの以前のジョブ ID も --image の入力として使用できます。

プロンプトの仕様

メインのレンダリング用プロンプトは、次の順序で組み立てます。

1. フレーム： Bold, punchy YouTube-thumbnail composite — poster-grade, photoreal and high-impact, NOT a muted cinematic movie still, <ratio>, single unified frame — no split-screen, no diagonal divide, everything blends smoothly and organically across the same continuous shot.。9:16の場合は、faces in the upper two-thirdsを追加します。グラフィック表現がリクエストされた場合は、フォトリアルな表現を、明快な図解・グラフィックの指示に置き換えます。
2. シーンの概要： ユーザーが指定した内容を正確に描写します。
3. テキスト： デフォルトはNo text, no readable UI labels, no watermark.です。画像に見出しを直接入れるよう明示的に指定された場合は、TEXT: bold thumbnail headline text baked into the image, reading exactly "<TEXT>" — massive, ultra-legible sans-serif with a clean outline/glow treatment, placed where it never covers the subject's face. No other text, no watermark.を使います。
4. 被写体： 大きく、前景で目立つように配置し、胸から上、またはミディアムクローズアップで、フレームの約40〜60％を占めるようにします。最後にAll faces crisply sharp as the anchors of the shot.を付けます。
5. 重要な要素： 情報のギャップを説明する、象徴的な小道具や効果のみを含めます。
6. ロゴ： 正確な形状、色、比率、字形を維持し、顔から離して配置します。
7. 場所： 関連する場合は、場所、時間、天候、雰囲気を指定します。
8. 構図： 目立つ三分割構図の主役、明確なサイズの序列、奥行き、被写体と背景の強い分離を指定します。
9. 背景： 鮮やかでコントラストの強い色面または環境に、柔らかなビネットと周辺の減光を加えます。分割レイアウトが明示的にリクエストされていない限り、背景を分割しないでください。
10. 人物のライティング： signature YouTube thumbnail lighting rig — strong key light sculpting the face, soft dreamy fill lifting shadows, and defined back light plus hair light tracing a clean bright rim around hair, shoulders and silhouette.。色付きのアクセントを使用できるのはリムライトのみです。
11. グレーディング： 鮮やかで、明るく、光沢があり、ポスターのように力強く、深い黒、くっきりしたハイライト、豊かで彩度の高い色調にし、画像全体に統一感を持たせます。落ち着いた雰囲気、プレミアム感、または控えめな表現が明示的に指定された場合のみ、彩度や強さを抑えます。

写真を参考にする人物については、それぞれ次を含めます。

CHARACTER N: the person from attached face reference #K — IDENTITY LOCK: reproduce
this exact person with a photographic identity match — same bone structure, eye shape,
nose, lips, jawline, skin tone, hairline and hair texture. Do not beautify, average,
or restyle the face. Expression: <emotion phrase>.

分割レイアウト

ユーザーがsplit、before/after、versus、side by sideを指定した場合、または分析した参考画像が分割されている場合に限り、分割レイアウトを使います。X vs Yのようなテーマ表現だけでは、分割レイアウトにする必要はありません。通常のフレーム指示を、明確な左右またはパネルの仕様に置き換え、短く事実に即したテキストを画像に直接入れるよう明示的に指定された場合を除き、すべてのラベルを入れないでください。

オプションの3Dロゴ

まず1:1、4Kのロゴをレンダリングし、完成したジョブIDを各サムネイル呼び出しの最後の--imageとして使います。

higgsfield generate create gpt_image_2 \
  --prompt "Transform the attached 2D logo into a premium 3D logo render: extrude the exact logo shapes into glossy dimensional volumes; preserve every letterform, proportion and brand color; soft studio reflections, subtle bevels, crisp edges, clean dark neutral background, soft contact shadow, centered, generous margins, no extra text, no watermark." \
  --image ./logo.png \
  --aspect_ratio 1:1 \
  --quality high \
  --resolution 4k \
  --wait --json

メインのレンダリング

Nano Banana Proを明示的に4Kで使用します。句読点と複数行のブロックを安全に保持できるよう、最終プロンプトを一時テキストファイルに書き込み、標準入力からパイプで渡します。

higgsfield generate create nano_banana_pro \
  --aspect_ratio 16:9 \
  --resolution 4k \
  --image ./face-1.png \
  --image ./logo.png \
  --wait --json < thumbnail-prompt.txt

参考画像がない場合は、すべての--imageフラグを省略します。バリエーションセットでは、プロンプトごとに1回ずつ呼び出します。参考画像と設定は同じものを使い、選択したコンセプト、表情、またはカメラテイクの行のみを変更します。

完成したJSONの結果には、idとresult_urlが含まれます。どちらも非公開で保持してください。URLはユーザーに届け、IDは後の編集の元データとして使います。

レンダリング後の確認

可能な場合は、ホスト側の画像認識を使って各結果を確認します。

• 参考にした人物の外見が、目に見えて一致している。
• 画像に直接入れるテキストが指定されていない限り、余計なテキストや透かしがない。
• 画像に直接入れるよう指定されたテキストが、一字一句正確に一致している。
• 顔や感情、主役となる要素が、幅約120pxでも判別できる。
• コンセプトが動画の内容と正確に一致している。

重大な問題がある場合は、同じプロンプトで最大2回まで再試行します。目視確認ができない場合は、合格したと断言せず、ユーザーが確認できるよう結果を渡します。合格したすべてのバリエーションを提示し、任意の調整を行う前にユーザーに選んでもらいます。

微調整

選択した完了済みジョブ ID のみを画像入力として使用します。編集プロンプトの範囲を絞り、その他のピクセルレベルの特性はすべて変更しないことを明記します。

higgsfield generate create seedream_v5_pro \
  --prompt "Change ONLY the person's facial expression to: <phrase>. Keep identity, face structure, hair, pose, body, clothing, logo, background, lighting and composition EXACTLY unchanged, pixel-faithful. Keep the YouTube thumbnail lighting rig intact." \
  --image <picked_job_id> \
  --aspect_ratio 16:9 \
  --resolution 2k \
  --wait --json

seedream_v5_pro が存在しない場合、または送信が拒否された場合は、seedream_v4_5 --quality high で一度だけ再試行します。メインのレンダリングが 4:5 の場合、Seedream には 4:5 がありません。編集内容を 3:4 に変更する前にユーザーに確認し、トリミングと比率の変更を明示してください。承認された編集結果は、それぞれ次の微調整のソース ID として使用します。

CLI との互換性：バージョン 1.1.20 以前では、nano_banana_pro のジョブ参照が nano_banana_pro_job と誤って表示されることがあります。編集が medias.0...data.type エラーで拒否された場合は、選択した result_url をローカル画像としてダウンロードし、--image ./picked-thumbnail.png を指定して同じ編集を再試行します。ローカルパスは自動的に media_input としてアップロードされます。無効なジョブ ID のペイロードで再試行しないでください。

許可される微調整の範囲：表情のみ、背景の置き換えのみ、背景の色変更のみ、またはリムライトの色変更のみです。微調整の依頼に対して、構図全体を黙って再生成してはいけません。

テキストオーバーレイ

デフォルトでは、生成画像にテキストを含めません。見出しのオーバーレイを求められた場合は、references/text-overlay-bake.md を読み、5 つのプリセット（Beast、Fire、Neon Lime、Clean Glass、Marker）のいずれかを使用します。オーバーレイには HTML canvas をレンダリングできる環境が必要です。利用できない場合は、テキストなしの画像、または明示的に承認されたテキストを焼き込んだ再生成のいずれかを提案します。HTML プレビューを統合済み PNG であるかのように扱ってはいけません。

納品

合格した result_url の値を、shock / close-up や product / size contrast のような簡潔で意味の分かるラベルとともに返します。選択した比率と、納品物がテキストなし、オーバーレイ対応、またはテキスト焼き込み済みのどれであるかを伝えます。ユーザーから求められない限り、内部プロンプト、ジョブ ID、再試行の仕組みは開示しないでください。

参照ファイル

• references/thumbnail-frameworks.md — 16 個のコンセプトフレームワーク、情報ギャップのルール、真実性の原則。
• references/text-overlay-bake.md — 5 種類の決定論的なテキストオーバーレイスタイルと、4K キャンバスへの焼き込み手順。