Z-Imageで日本語は出せる？英語・中国語と描画品質を実測比較

監修者_SD以外

監修者プロフィール

森下浩志

日本最大級のAI情報プラットフォーム「romptn ai」編集長。著書に「0からはじめるStable Diffusion」「0からはじめるStable Diffusion モデル・拡張機能集編」など、AmazonベストセラーのAI関連書籍を多数執筆。AIにおける情報の非対称性を解消するための社内研修や出張講義も行う。

Z-Imageで日本語の文字は出せない

Z-Imageは画像の中に文字を描き込めるモデルですが、その対象は英語と中国語に限られます。日本語の文章やひらがな・漢字を画像内に入れようとすると、形がくずれて読めない状態になってしまいます。一方で、日本語で書いた指示文(プロンプト)自体はきちんと解釈されるため、「日本語がまったく使えない」わけではありません。指示は日本語でOK、ただし画像へ焼き込む文字としての日本語は対応していない、という整理になります。どうしても日本語の文字を画像に入れたい場合は、別のモデルや後処理で対応でき、その方法は記事の後半でくわしく紹介します。まずは、なぜ英語・中国語だけがきれいに出るのか、その理由と実際の品質を順番に見ていきましょう。

Z-Imageの対応言語は英語と中国語

Z-Imageの公式モデルカードや技術レポートでは、画像に文字を描く機能について「bilingual(英語・中国語)」と明記されています。ここでのbilingualは「多言語」という意味ではなく、英語と中国語の2言語という意味です。日本語は、学習や評価の対象として挙げられていません。Z-Imageは約60億パラメータの軽量なモデルで、文章と画像の情報を1つの流れにまとめて処理する仕組みを採用し、少ないステップで高速に生成できるのが持ち味です。その分、対応する言語は英語・中国語にしぼり込まれていると考えると分かりやすいでしょう。要点を一覧にまとめると次のとおりです。

日英中を実測した描画品質の比較

同じ構図・同じスタイルで、画像に入れる文字だけを日本語・英語・中国語に差し替えて生成し、それぞれの生成例を比べました。テストに使った指示文の骨子は次のとおりです。

ミニマルなポスター。中央に大きく「(入れたい文字)」と表示。フラットデザイン、高コントラスト

英語と中国語では、指定したフレーズがほぼ正確な字形で描かれ、そのまま素材として使える品質でした。これに対して日本語を指定すると、ひらがなや漢字の形がくずれ、似て非なる文字や記号の羅列になり、読める日本語にはなりません。さらに、くずれ方はseed(乱数)や言い回しによって毎回変わり、同じ指定でも結果が安定しないのも日本語の特徴です。英語・中国語は再現性が高く安定、日本語は安定して「読めない」という結果になりました。振れ幅があるため、一度の生成だけで判断せず、複数回ためすと傾向がつかめます。

日本語プロンプトは通るのに崩れる理由

「日本語の指示は通るのに、なぜ画像の中の日本語は読めなくなるのか」と感じる方は多いはずです。これは、指示文を理解する部分と、画像に文字を描く部分が別の役割だからです。Z-Imageは指示文の意味を読み取るために、日本語にも強いテキスト処理の仕組みを使っています。そのため、日本語で「中央に大きな見出しのポスター」と書けば、内容はきちんと伝わります。一方、画像の中に実際の文字の形を描く力は、学習したお手本の量に左右されます。英語と中国語は大量に学習されている一方、日本語の文字を描くお手本はほとんど含まれていないと考えられます。だから意味は伝わっても、日本語の字形そのものは再現できず、読めない形になってしまうのです。指示の言語と、描かれる文字の言語は別物だと押さえておきましょう。

日本語を画像に入れる代替策と使い分け

「結局、日本語の文字を画像に入れたいだけ」という人に向けて、現実的な2つのルートがあります。1つは、日本語に比較的強い別のモデルで文字ごと生成してしまう方法。もう1つは、Z-Imageで背景やビジュアルだけを作り、日本語の文字はあとから重ねる方法です。どちらを選ぶかは、求める品質・かけられる手間・コストのバランスで決めます。文字の正確さを最優先するなら後から重ねる方法が確実で、生成だけで完結させたいなら別モデルが候補になります。次の項目で、それぞれの中身と向き不向きを順番に見ていきます。

①Qwen-Imageで日本語ごと生成する

1つ目は、同じく中国発のQwen-Imageを使う方法です。Qwen-Imageは約200億パラメータの大きめなモデルで、複数行のレイアウトや、漢字をふくむ文字の描画に強いのが特徴です。日本語は漢字を共有する部分が多いため、Z-Imageよりも日本語の文字を画像に入れたい用途で結果が安定しやすい候補になります。ただし、モデルが大きいぶん生成は重く、必要な環境や待ち時間はZ-Imageより増えます。手軽さと速さを重視するならZ-Image、文字を含めて一発で仕上げたいならQwen-Image、と役割を分けて考えると選びやすくなります。なお、どのモデルでも日本語は英語ほど安定しないため、仕上がりは必ず確認しましょう。

②Z-Image＋後処理で文字を合成する

2つ目は、Z-Imageの強み(高品質な背景やビジュアル)はそのまま活かし、日本語の文字だけをあとから重ねる方法です。Z-Imageで文字の入っていない下地を作り、CanvaやPhotoshopなどで日本語のテキストを配置します。文字は自分で打ち込むため、字形がくずれる心配がなく、フォントやサイズ、色も自由に調整できます。看板やポスター、見出しなど「読めることが絶対条件」の用途では、この方法がもっとも確実です。ひと手間かかりますが、生成AIに文字描画を任せて何度もやり直すより、結果的に早く仕上がることも多いです。背景はAI、文字は人の手で、と分担するのがコツです。

Z-Imageの日本語に関するよくある質問

まとめ

Z-Imageで日本語の文字を画像に入れられるか、という疑問への答えと対処をまとめます。

まずは指示は日本語でOK、文字は英語・中国語、という線引きを押さえれば、Z-Imageの軽さと速さを活かしつつ、日本語が必要な場面だけ代替策に切り替えられます。用途に合わせて使い分けていきましょう。