(ESSAY)【MC Gen AI】Imagen 4

こんにちは、催眠ファンのhvplanです。

5/20-21にかけてGoogleのイベント「Google I/O 2025」が開催され、非常に多くの発表がありました。
その中の1カテゴリとして、画像や映像等のAI分野についても幾つかの新技術・サービス等の発表がされています。
中でも、該社がかねてから提供している画像生成モデル”Imagen”の新バージョンである”Imagen 4”が公開され、本国では即日利用可能となっています。

日本国内でも、かねてから無料提供されているlabs.googleの中のアプリ”Whisk”や、Geminiアプリなど、いくつかのサービスですでにimagen 4が利用開始になっていましたので、早速試してみました。
最終的には、「自分がやりたいことを実現するために、利用価値がありそうか、使えそうなのか」を判断したいのですが、結論を先に書いてしまうと、

「本日いま時点では判断が難しい」

ということでして・・・
現時点はまだ、Imagen 4の安定した初期提供状態に達していない、という（勝手な自分なりの）判断のもと、もう1、２か月ほど様子を見てみたい、という考えでいます。
これには、自分なりの理由がありますので、実際に触れた経緯などとあわせて、ちょっと書いてみます。

変更点（利点）：ファーストインプレッション

ファーストインプレッションとして、Whiskを使って、imagen 4に触れたきっかけや、はじめに試したことについては、x.comに書きましたので、そちらを引用します。

Imagen 3では意図どおりに生成してくれなかった表情、「寄り目」や「白目」が生成できるようになっている、ということが分かりました。
これらの表情生成は、自分としてはMUSTではないものの、催眠やマインドコントロールを表現する、その表現力の幅を拡げてくれるという意味では、とても有用なものです。
ですので、この試行時点では、自分としても、かなりテンションは上がっていたのですが・・・

評価ポイントと試行

自分が、画像生成AIの力を借りて、自分のやりたいことを実現するために、AIの動作品質上、「これだけは欠かせない」というポイントが、大きく2つあります。
ファーストインプレッションの後ですぐ、この2つの点に着目して、既存のプロンプトを選んで実行させてみたのですが、ここで一気にテンションが下がることに・・・

1.うつろな表情

寄り目や白目が生成できるのは、望ましいことは間違いないのですが、自分にとってはそれよりも、「うつろな表情」がどれだけきれいに生成できるかの方が重要です。
別途、記事を書こうと考えているのですが、自分にとって、画像や映像によって”催眠状態”を表現するための最重要ポイントが「うつろな表情」だからです。

というわけで、過去の画像生成で利用したプロンプトの中から、うつろな表情を生成する部分のプロンプトをインプットしてみたのですが、
これが、まあ、生成できないこと・・・
キーワードを削ったり足したりして何度もトライするものの、エラーになったり、生成されたとしても、こんな感じで、まったく、うつろな表情ではなかったり。

あるいは、プロンプトの単語の選択や組み合わせ次第では、imagen 4が、すぐにこうした”White Eyes”を出してきて、お茶を濁そうとしてみたりｗ

荒ぶるImagen 4の特徴がつかめずに、苦労しました。
あれやこれやと試してみた結果、今日のところまででは、最終的に、ここまでは生成することが出来たので、少し安心しています。

ただし、プロンプトのどこをどう変えたら、表情がどのようにどこまで変わるのか？という「法則」について、まだまだ、まるで分かっていません。
安定して「うつろな表情」を生成させられるかどうかを判断するために、これから試行錯誤が欠かせそうにありません。

2.リアルなアンリアル

Imagenと他モデルとを比較した時の、Imangeの優位性に関しては、単にリアルな画像が生成可能というだけでなく、”日本人や日本の風景の生成が上手”という点が評価されています。
ただし、自分にとってはそれ以上に、
「非現実的な場面を、リアルに描き出すことができる」性能、
つまり、
「アンリアルな事象をリアルに表現する能力」
これこそが、Imagenの最も優れた点だと考えています。
Flux以降、リアルな画像を生成できるモデルは続々と増えてきていますが、この「リアルなアンリアル」の一点に関しては、いまだImagenを凌ぐモデルは存在しないと思っています。

自分のコンテンツで言うなら・・・・
たとえば、現実には存在しない光の渦巻やビームなどの効果を、実写の表情と重ねれば、下のように、トランス状態を引き起こそうとしている意図の表現になります。こうした表現と、Imagenとの相性がベストマッチなわけです。

ということで、最近書いたこちらや、

その他、過去の生成内容などから、いろいろピックアップして実行してみましたが、当初Whiskで試す限り、これまた、生成されないケースばかりが多く・・・
この時点では、本当に頭を抱えるほど、途方に暮れてしまいました。

こちらについては今現在で、まだ時間がなく、ほとんど検証は出来ていません。どういうケースで生成可不可が分かれるのか、どの程度のアンリアルまでリアルに表現できるのか、など、踏み込んだ検証が必要ですので、まだまだこれから先、試してみないとならないだろうなあ、というところです。
その結果、たとえばImagen 4がよりリアル世界の生成にのみ力を入れている、などの状況があって、Imagen 3に比べてアンリアルの表現力が大幅に落ちているようなら、他モデルに軸足を移してみることを含め、今後どうするべきか真剣に検討しないとならないな・・・と考えています。
（ただし下で触れますが、ちょっとだけ希望の光もあります）

もろもろ考慮すべき状況

ここまで、かなり暗いことを書き連ねましたが・・・
上で書いた点だけを考えて、自分のやりたいことは実現できそうか？と考えてみると、NGという結果になりそうです。

ただし、その判断を今すぐにするにはちょっと時期尚早で、まだ状況が熟し切っていないだろうと思える、いくつかのファクターがあります。
端的に言ってしまえば、いろいろな面で、まだImagen 4関連の「不安定さ」が散見される、ということです。

処理エラーの多さ

これは単純な話ですが、エラー終了の発生率が多いです。
（エラー終了というのは、正常に生成処理が終わったうえで生成がされない、という意味ではなく、処理そのものが「エラー」（生成終了のレスポンスが無い状態を含め）になるということです。
提供直後なので当たり前といえば当たり前ですが、本来の生成品質がどこにあるのかを見極めるには、もうすこし処理そのものの安定動作が必要だと思われます。

モデルや制御パラメタの品質が不安定

これもサービス開始直後には良くあることと思いますが、Imagen 4は正式提供が始まってはいるものの、現在は「試運転運用モード」のような状況では無いかなと推測されるような、こういったケースが散見されました。

• 何回実行しても生成不可（「リクエストが生成できませんでした」）だったプロンプトが、数時間後に同じものを実行すると、今度は生成される

• センシティブ判定などにあまり関係のない、ほんのわずかなプロンプトの変化で、生成されたりされなかったりする
  たとえば”Standing”では生成されたが、これを"Standing Straight"に変更するだけで、まったく生成されなくなる

• プロンプト解釈性能が不安定
  たとえば”Narrow Eyes”を指定して生成すると、最初はこんな表情が生成されていました。

　言葉の意味からして、そうじゃないだろうとツッコみたくなった
　わけですが、これも数時間してから再チャレンジしたら、
　こんな感じに、正しいと思われる解釈で生成されていました。

モデルや制御パラメタが変わっていくうちは、生成されるコンテンツの質やセンシティブ判定なども変化しますので、そういう意味で「不安定」さが解消された状態になるまで、ちょっと待ちたいな、と。

サービスごとの性能差異

当初、Whiskで生成していて、途中から比較検証が必要だと思ったためGeminiサイト（https://gemini.google.com/）も併用してみたのですが、この両者の間の生成可不可判定や、生成された結果内容に、かなりのギャップが感じられます。
なかでも、Whiskの生成完了率がかなり低く（「生成できませんでした」が頻発する）、これが、正常な動作をしたうえでのGeminiとの差異なのか、そもそも動作が安定してないだけなのか、が現状ですと判断付かず、生成能力が正しく読み切れないなと思っています。

Imagen 3時代でも、異なるサービス間で、アウトプットの質が違うなと感じられることはありましたが、いまのWhiskを見ていると、サービス間の誤差の範囲として適切と思われる範囲以上の乖離があるように見えます。
ですので、どれがいったい本当の姿なのか、いずれかの動作品質にこれから近づいていくのか、などなど、もうすこし時間をかけて、見ていく必要がありそうです。

なお、特に「リアルなアンリアル」について、Whiskで試していた時点では、生成NGに次ぐNGで、気分もどん底でしたが、Geminiアプリで生成すると、生成されるケースが出始めましたので、ちょっと気持ちも持ち直しています。
ただ、プロンプトの手直しは必要ですし、一番の課題は、人間以外の要素（怪物とか）が入ってくると、下のように、途端にアニメ調・絵画調に寄せられてしまうケースが多い点です。
これをリアルに寄せる方法が無いと、使えなくなってしまいますので・・・

また下記は、上がGeminiが最初に出してきた画像、その後、Geminiにリアルを強調するような再生成依頼をして、最終的に下の画像までたどり着いています。

Imagen 4のサービス化の方向性

Geminiアプリで生成時に、以前は付いていなかった”AI”と書かれたウォーターマークが入っていることに気づきました（ちなみにWhiskでは入りません）。
そうしてみると今後は、Geminiの有償サービスを中心に動かそうとしているのかな、と勘繰りたくなりますね。
（もしかすると、最近の利用規約改訂の影響もあるのかもしれません）

自分としては、有償無償の違いはさほど気にしないと言いますか・・・
自分がやりたいことに対して、コストパフォーマンスが見合って、満足のいく成果が得られるなら、お金を払うことは視野に入れますし、また入れるべきだろうとも考えています。
（当然、無償は、ありがたくはありますが・・・）
今でもすでに、Imagen 3が組み入れられた統合サービスを契約していたりすることもありますし。

結論と期待感

・・・という状況が、本日いま時点です。
様々な部分に見え隠れする「不安定さ」が、いろいろな調整やチューニング、エラー対応などを経て、落ち着いてくるころに、また評価をしてみたいと思っています。
冒頭の寄り目や白目も、もしかすると一時的なチューニング過程で、現時点でたまたま生成された結果であって、安定化するにつれて生成されなくなるという事態も、充分に考えられますので。
もちろん、最も望ましいのは、そうした表情も出力できるままでありつつ、全体的な生成力がImagen 3レベルへと近づいていくこと、なのですが。

サービスというもの自体が、提供内容は常に変化していくのが当たり前のものですから、都度都度の変化で一喜一憂したとしても、それで終わらずに、現在時点での最適解を常に考え続けていかないとならないですね。
（そんなふうに、冷静に対処できるケースばかりじゃないのですが）

また、もっというと・・・
自分のやりたいことは、Imagen 3レベルでほぼ満足していますので、Imagen 4と3を併用できる状態がベストです。
そのためには、Googleなり、サービス提供事業者が、両モデルを選択可能なサービスを提供してくれる必要があるわけですね。
labs.googleのDiscordなどを見ても、同じ希望を持っている人は多数いそうですし、また、有料のサービスでは、複数バージョンのモデルを選択できる提供形式は、それほど珍しいことではありません。
ImageFXのUIにも、ちゃんとモデルの形式が指定できる箇所があらかじめ備わっているわけですから、期待したいところです。

また仮に、このモデル選択型が、有償サービスだけで実装されたとしても、それはそれで仕方ないと思います。
その場合は、有償サービスに本格的に軸足を移すかなあ・・・とも・・・
たとえば、いま自分が有償利用している、Imagen3を含むサービスの中に、Imagen 4が加わってくれるなら、まあ良いか、という感じです。

さらにさらに、もっと言うと・・・
これを機に、Imagen 3のオープンソース化が実現されないかなあ、とも妄想してしまいます。あの品質の画像をローカル生成できるのなら・・・と、夢見がちになってしまいますね。
実際は、莫大な容量のモデルデータと実行メモリが必要でしょうから、自分のPCに入れるなんて芸当はとても困難でしょうし、またGoogleの学習データの出どころなどを考えると、実現は難しいのでしょうけれど。

それではまた。

/hvplan

#催眠術 #催眠 #洗脳 #操り #hypnosis #MC #マインドコントロール #ImageFX #生成AI #Whisk #Gemini