画像・動画生成AIは毎週のように新機能が更新されています。今回は、OpenAIの新画像モデル「GPT Image 2」、Googleの「Nano Banana Pro」の公式プロンプトTips、Runwayの「Gen-4.5」のネイティブ音声生成、Lumaの「Ray3.2」のマルチキーフレーム制御という4つの注目トピックを取り上げ、それぞれをすぐ試せる一言プロンプトと一緒に紹介します。
① GPT Image 2:生成前に「推論」してから描く
GPT Image 2は、プロンプトを受け取るとすぐに描き始めるのではなく、内容を一度「推論」してからピクセルを生成する新しい画像モデルです。OpenAIのモデルページによれば、幅と高さがともに16の倍数で、アスペクト比が1:3〜3:1の範囲なら任意解像度を指定でき、実験的に最大3840×2160までの出力にも対応しています。狙いは、看板やメニューのような「読める文字」を画面内に正確に配置する用途です。
①狙い:カフェの黒板メニューのような、文字が正確に読めるプロダクト写真風カットを作る。
A minimalist matcha cafe chalkboard menu, hand-lettered chalk typography reading "MATCHA LATTE 580YEN" in clean sans-serif, soft morning light through a window, warm wood counter texture in the foreground, shallow depth of field, product photography style, no other text③分解解説:表示したい文字列をそのまま引用符で囲んで書き、直後に書体の指示(chalk typography / clean sans-serif)を続けているのがポイントです。GPT Image 2は推論パスで「何を、どの書体で、どこに置くか」を先に整理するため、文字列→書体→光→素材→カメラの順で並べると、意図した文言がそのまま画面に定着しやすくなります。末尾の「no other text」は余計な文字混入を防ぐ簡易ネガティブ指定です。
② Nano Banana Pro:多言語テキストとインフォグラフィック
GoogleのNano Banana Pro(Gemini 3 Pro Image)は、Gemini 3 Proの推論能力を活かし、複数言語の正確なテキストや、最大4K解像度のインフォグラフィック生成を得意とするモデルです。Googleが公開している公式プロンプトTipsでも、レイアウトを言葉で明示することが精度向上のコツとして挙げられています。
①狙い:太陽光発電の仕組みを説明する、4コマ構成のシンプルな英語インフォグラフィックを作る。
A clean infographic titled "How Solar Panels Work", four numbered circular icons connected by right-pointing arrows: 1 sun icon, 2 solar panel icon, 3 inverter box icon, 4 house icon, flat vector illustration style, soft pastel color palette, thin black outlines, generous white space, small English caption under each icon③分解解説:「タイトル→要素の個数と順番→矢印でのつなぎ方→各アイコンの内容→キャプションの有無」という論理構造を文章の語順そのままに並べています。Nano Banana Proは世界知識を使ってレイアウトの意味を汲み取るため、箇条書き的に番号と接続関係を書くほど、意図通りの配置と正確な文字が再現されやすくなります。
③ Runway Gen-4.5:映像に「音」がネイティブに同期する
Runway Gen-4.5の目玉機能のひとつが、ネイティブな音声生成・音声編集と、複数カットにまたがる変更を伝播させる「マルチショット編集」です。Runwayのヘルプページでも、音声込みの新規動画生成と既存動画の音声編集が独立した機能として説明されています。
①狙い:夕暮れの屋上庭園で風鈴が鳴る、環境音付きの短いカットを作る。
A quiet rooftop garden at dusk, camera slowly pushes in on wind chimes swaying in the breeze, soft ambient city hum and distant traffic in the background, gentle chime sounds triggered by each gust of wind, warm string lights flicker on one by one, 6 seconds, cinematic color grade, no dialogue③分解解説:画面内で音を発生させる物体(風鈴)と、周囲の環境音(街の喧騒・交通音)を別々の文で具体的に指定しているのがポイントです。Gen-4.5は映像と音を同時に生成するため、「何が」「いつ」音を出すのかを動きの説明と結びつけて書くほど、映像と音のタイミングが一致しやすくなります。「no dialogue」で不要なセリフの混入を避けています。
④ Luma Ray3.2:最大16キーフレームで「始点・中間・終点」を指定
Luma Ray3.2は、1つのクリップ内に最大16個のキーフレームを配置できるマルチキーフレーム制御と、新しいAPI提供を発表したモデルです。公式発表では、演出チームが動きの始まりと終わりを正確にコントロールできる点が強調されています。
①狙い:紙飛行機が机から窓の外へ飛び立っていく一連の動きを、3つの状態指定で作る。
Keyframe 1 (start): a paper airplane resting on a wooden desk near an open window, soft indoor light.
Keyframe 2 (middle): the airplane lifts off caught by a sudden gust, sunlight flares behind it.
Keyframe 3 (end): the airplane sails out through the window into a clear blue sky, camera follows from behind.
Smooth continuous camera motion, gentle handheld sway, natural light throughout, no cuts③分解解説:「Keyframe 1/2/3」とラベルを振り、それぞれの時点での状態(位置・光・カメラ)を独立した文で書いているのがコツです。Ray3.2はキーフレーム間を推論して補間するため、開始点と終了点だけでなく中間点も一文添えることで、意図しない急な動きの変化を防ぎやすくなります。
今週の4モデル比較
| モデル | 種別 | 解像度・尺の目安 | 今週の注目機能 |
|---|---|---|---|
| GPT Image 2 | 画像 | 実験的に最大3840×2160 | 生成前に推論してから描画、高精度テキスト |
| Nano Banana Pro | 画像 | 最大4K | 多言語の正確なテキスト、インフォグラフィック向けレイアウト |
| Runway Gen-4.5 | 動画 | Text/Image to Video | ネイティブ音声生成・編集、マルチショット編集 |
| Luma Ray3.2 | 動画 | 最大16キーフレーム | フレーム単位の精密制御、API提供開始 |
主な情報源
- Introducing ChatGPT Images 2.0 | OpenAI
- GPT-Image-2 Model | OpenAI API
- Gemini 3 Pro Image – Nano Banana Pro | Google DeepMind
- Nano Banana Pro image generation in Gemini: Prompt tips | Google
- Introducing Runway Gen-4.5 | Runway Research
- Creating with Gen-4.5 | Runway Help
- Luma Introduces Ray3.2 Model & API | Luma
サンプルプロンプトは本メディアのオリジナル例です。各モデル・サービスは提供元の規約に従ってご利用ください。生成物の権利・商用条件は各規約をご確認ください。情報は公開時点のもの。収集・要約はAI、公開判断は人。