Grok Imagine Image 2.0 Low vs Medium:文字と編集を実際に試した

インサイト9分で読めます
Grok Imagine Image 2.0 Low vs Medium:文字と編集を実際に試した

Grok Imagine 2.0 Low と Medium を初代、GPT Image 2.6 と比較。ポスター、パッケージ、メニュー、人物、3枚合成、速度。

xAI は8月7日に Grok Imagine Image 2.0 をリリースしました。公式発表にはいくつかの約束が並んでいます。プロンプトを細部まで守る、デザイナーのように文字を組む、小さな文字も読めるまま保つ、編集では渡したものをそのまま保つ。11月15日からは ZOOOP でも使えるようになりました。

ZOOOP にはすでに初代の Grok Imagine があったので、知りたいことは2つでした。Grok Imagine 2.0 は実際に何が良くなったのか。そして Low と Medium は別々のツールとして使い分ける価値があるのか。同じプロンプトを 2.0 の2つの品質レベル、初代モデル、GPT Image 2.6 に流して並べてみました。先に結論を言うと、文字については今回4つとも互角でした。Grok Imagine Image 2.0 が抜け出すのは、被写体を崩さない編集、頼んでいないものを足さないこと、そして完成品に近いレイアウトです。

Grok Imagine Image 2.0 とは何か、初代との違い

Grok Imagine Image 2.0 は xAI の第2世代の画像モデルです。ZOOOP での使い方は初代 Grok Imagine と同じで、プロンプトからそのまま生成するか、参照画像を最大3枚加えて編集・合成します。アスペクト比は 16:9、3:2、4:3、1:1、3:4、2:3、9:16 の7種類で、解像度は 1K か 2K。プロンプト欄には最大8,000文字まで入るので、コピー、情報の優先順位、色の指定まで1段落に収まります。

初代からいちばん分かりやすく変わったのは、Low と Medium という2つの品質レベルを選べるようになったことです。Low は Medium より安く、どちらも ZOOOP の AI 画像ジェネレータに並ぶモデルの中では安い部類に入ります。初代モデルは提供終了しておらず、以下のすべての比較に登場します。

テスト方法

プロンプトは4つ。それぞれを4つのモデルで1回ずつ、すべて 1K で生成しました。Grok Imagine Image 2.0 の Low と Medium、初代 Grok Imagine、そして基準として Medium 設定の GPT Image 2.6 です。プロンプトは xAI が特に改善したと言っている部分を狙って選びました。

  1. ジャズナイトのポスター、2:3。見出しは「MIDNIGHT TIDE」、下部に1行の小さな文字「Live at Harbor Hall · Friday 21 November · Doors 8 PM」、スクリーンプリント風。
  2. 紅茶缶のパッケージ、1:1。ラベルに「CHAMOMILE CALM」、その下に小さな文字で「Organic herbal infusion · 20 pyramid bags」、手描きのカモミール。
  3. 街角のポートレート、3:4。雨のリスボン。銀色の巻き毛に黄色いレインコートの60代の女性が、カフェのひさしの下で笑っている。
  4. 黒板メニュー、4:3。見出しは「TODAY'S BREWS」、ドリンク6種類を1行ずつ手書きし、それぞれに小さなアイコン。価格はプロンプトに入れていません。

これとは別に、3枚の画像の合成も 2.0 Medium と初代モデルだけで試しました。

ポスターとパッケージ:文字は本当に正しいか

まず予想外だった結果から。4つのモデルすべてが、見出しも小さな文字も正しく綴りました。初代モデルも含めてです。日付と時刻が入った最下行は、4枚のポスターすべてで一字一句正確でした。

ジャズナイトのポスター、同じプロンプトを4つのモデルで

左から Grok Imagine Image 2.0 Low、2.0 Medium、初代 Grok Imagine、GPT Image 2.6。

各ポスター下部の小さな文字の拡大

上から 2.0 Low、2.0 Medium、初代 Grok Imagine、GPT Image 2.6。

正直に言うと、これくらい短いコピーでは「文字がより正確に」というアップグレードは見えませんでした。小さな文字はくっきりしていますが、この長さの1行なら初代モデルでもすでにこなせていました。説明文が1ページびっしり入ったものや、小さな文字が何段にもわたるような難しいレイアウトは、今回のテストには入っていません。

違いはレイアウトに出ます。4枚とも月、波、サックス奏者のシルエットが入っています。2.0 Low は小さな文字を小さな波の飾りで囲みました。2.0 Medium はポスター全体を細い罫線で囲み、小さな文字をその内側に収めていて、実際に印刷所に回したライブのポスターのように見えます。初代モデルはイラストをオレンジの背景の上の1ブロックに縮めてしまい、構図が平板になります。GPT Image 2.6 はいちばん本物のスクリーンプリントらしい粒子感があります。

紅茶缶では、差がもっと大きく出ました。

紅茶缶のパッケージ、同じプロンプトを4つのモデルで

左から 2.0 Low、2.0 Medium、初代 Grok Imagine、GPT Image 2.6。

Medium の Grok Imagine Image 2.0 は、ラベルを細い枠と線画のカモミールが入ったオフホワイトのシールに仕立て、缶全体が棚からそのまま手に取れそうな仕上がりです。Low は文字を缶に直接印刷しています。それでも情報の優先順位ははっきりしていて、提案用なら十分です。初代モデルの小さな文字は、綴りは正しいものの、拡大すると少しぼやけます。

メニューとポートレート:Low と Medium が分かれるところ

Grok Imagine Image 2.0 Low がはっきり間違えたのは、黒板メニューの1回だけでした。

黒板メニュー、同じプロンプトを2つの品質レベルで

左が 2.0 Low、右が 2.0 Medium。

どちらもドリンク6種類とアイコンはすべて入っています。ところが Low は、プロンプトで価格にまったく触れていないのに、各行の末尾に勝手に価格を書き足しました。カフェがこの黒板を実際に使うなら、誰かがその数字を1つずつ直さなければなりません。Medium は頼まれたことだけを書きました。1回のテストで Low がいつもこうするとは言えませんが、Low は頼んでいないものを足すことがある、とは覚えておく価値があります。

ポートレートには正解も不正解もありません。4枚ともよくできていて、違いは好みの問題です。

街角のポートレート、同じプロンプトを4つのモデルで

左から 2.0 Low、2.0 Medium、初代 Grok Imagine、GPT Image 2.6。

2.0 Low では、彼女はカメラに向かってまっすぐ笑っていて、少しポーズを取った感じがあります。Medium では首をかしげて自然に笑っていて、たまたま誰かが捉えた瞬間のようです。初代モデルは引きで撮っていて、画面の大半を通りが占めています。GPT Image 2.6 も自然なスナップ写真の雰囲気で、背後の小さな黒板にはペストリーがいくつかポルトガル語で書かれていて、リスボンらしさが出ています。4枚とも、プロンプトで頼んだものを省いてはいませんでした。

編集と合成:3枚を1枚に

ここで Grok Imagine Image 2.0 はようやく初代を引き離します。参照画像は3枚。コーギーのスマホ写真、カゴ付きの赤いヴィンテージ自転車、日当たりのいい海辺の小道です。プロンプトでは、コーギーを自転車の前カゴに座らせ、自転車をその小道に停めるよう指示しました。

3枚の参照画像と、各モデルの合成結果

上の段は3枚の参照画像で、コーギーの写真、自転車、海辺の小道。下の段は左が 2.0 Medium の合成、右が初代の合成です。

ぱっと見はどちらもちゃんとできています。コーギーはカゴの中にいて、自転車も小道も参照どおり、壁のランプや植木鉢まで入っています。違いは拡大しないと分かりません。

1つは犬です。参照写真のコーギーはトライカラーで、目の上と背中に黒い毛があります。2.0 Medium はその黒い模様を残しました。初代モデルのコーギーは茶色と白になっていて、近くで見るともうあなたの犬ではありません。もう1つは左下の隅で、初代モデルは写真家のクレジットのような小さな1行の文字を足していました。2.0 は足していません。どこからともなく現れる透かしは、投稿前に消す手間が1つ増えるということです。

編集では渡したものを保つ、という xAI の主張はここで目に見えます。画像の編集で自分のペットやポートレート、商品写真を扱うなら、見出しの綴りが正しいかどうかより、こちらのほうがずっと大事です。

速度:Low と Medium にかかる時間

今回のテストで1枚あたりにかかった時間です。すべて 1K。

  • 2.0 Low:14〜57秒、ほとんどは30秒未満
  • 2.0 Medium:68〜90秒
  • 初代 Grok Imagine:11〜14秒
  • GPT Image 2.6 Medium:26〜51秒

Grok Imagine Image 2.0 の Medium ははっきり遅いです。1枚に1分以上かかり、Medium 設定の GPT Image 2.6 よりも時間がかかります。初代モデルがいちばん速く、しかもとても安定しています。公開時には 2.0 Low で軽いものを2つ試していて、1K のテキストから画像への生成が18秒、写真を水彩画にする編集が17秒でした。つまり編集はゼロから生成するのとほぼ同じ速さです。

使いどころと、GPT Image 2.6 に切り替えるとき

画像に文字が入るとき、あるいは写真を編集していて人物や物がずれてほしくないとき、私の基本は Grok Imagine Image 2.0 です。方向性を探るのは Low から。安くて速いので、一度に何パターンも構図を試せます。気に入ったプロンプトを仕上げとして Medium で回し直します。レイアウトがより完成品らしくなり、プロンプトにないものを紛れ込ませることも減ります。Low から出てきたものは、何であれ文字を校正してください。

短い見出しのポスターだけでいいなら、初代 Grok Imagine でも正しく作れて、しかもずっと速いので、急いでいるときにはいい選択です。ただ、参照画像を使う場合、特にペットや顔、商品のディテールをそのまま残す必要がある合成なら、Grok Imagine 2.0 に切り替えてください。

4K、4枚以上の参照画像、長くて情報量の多いレイアウトが必要なら、GPT Image 2.6 に切り替えましょう。Grok Imagine Image 2.0 は 2K が上限で、参照画像は最大3枚。これは動かせない制限です。

これらのモデルはすべて同じ AI 画像ジェネレータのページにあるので、ほかに移動せずに切り替えられます。1つのプロンプトをそれぞれに流してみるのが、どんなレビューよりも多くを教えてくれます。

よくある質問

Grok Imagine Image 2.0 の Low と Medium、どちらを使えばいいですか?

方向性を探るときや下書きをまとめて作るときは Low。安く、ほとんどの画像は30秒以内に返ってきます。仕上げの1枚は Medium。レイアウトがより洗練され、勝手に何かを足すことも少なくなりますが、1枚に1分以上かかります。

参照画像は何枚まで使えますか?

最大3枚です。画像なしならテキストから画像、1枚なら編集、2〜3枚なら合成になります。

2K より大きい画像は作れますか?

いいえ、2K が上限です。4K が必要なら GPT Image 2.6 に切り替えてください。

透明背景は作れますか?

いいえ、透明背景は出力できません。切り抜き済みの PNG をすぐに欲しいなら、代わりに Seedream 5.5 を使ってください。

英語以外の言語でプロンプトを書けますか?

入力はできます。ただ、今回のテストのプロンプトはすべて英語で、ほかの言語での結果はまだ比べていないので、どこまでうまくいくかは分かりません。

シェアする

もっと見る

すべて表示