生成陸
目次
モデルの笑いのセンスを確かめる
前回から引き続き画像生成します。今回はちょっと趣向を変え、面白画像。モデルの違いで、どんな画像が生成されるのかセンスを試します。実際、笑えるのか、寒いのかも、想像がつきませんが、その違いを見ていきましょうか。今回も25日にAdobe Creative Cloudのクレジットが回復するので、駆け込みです。ちなみに、前回は食べ物の画像生成でした。
同じプロンプトで複数モデル試す
今回も前回の食べ物版と同じように、同じプロンプトでモデルを変えて画像生成しました。プロンプトの作成方法は前回同様、Google検索のGeminiに質問し、Adobe Fireflyでモデルの違いが出そうな笑える画像を提案してもらい、そして、そのプロンプトを考えてもらい、コピペしています。最初に参考にしたのは、以下のお笑い表現ガイドライン。
笑いには優越理論（他人の失敗）、不一致理論（予測とのズレ）、開放理論（緊張の緩和）の三大理論があり、「不自然さの認知」「対象への親しみ」「非当事者性」「心の解放」の4つが揃った時に笑いが生まれやすくなるそう。これをAIに説明し、笑えるシチュエーションか切り口を考えてもらいます。
美容に真剣な女性
擬態のユーモア。本人は大真面目に「正しいこと（あるいは別の何か）」をしているつもりなのに、ハタから見ると完全に別のコメディみたいな状況に見えてしまっているという切り口です。「行動の目的」と「見た目（シルエット）」のズレを面白がるとのこと。設定はこうだ。薄暗い部屋で、顔に黒い炭のフェイスパックを塗っている女性の高精細な映画風の写真。部屋は暗く、彼女にドラマチックで鋭い影が落とされているため、彼女の黒いパックは、暗闇に潜伏する特殊部隊の兵士が塗るミリタリーのカモフラージュ（迷彩）ペイントにそっくりに見える。彼女は秘密の任務に就いているかのように、めちゃくちゃ真剣で集中した表情で真っ直ぐ前を見つめている。濡れた黒いマスクの質感が鋭い光を反射している。
上記がGeminiが提案した面白画像のシチュエーション。さて、どうなることやら。プロンプトはこんな感じ。
A high-detail cinematic photo of a woman in a dimly lit room, applying a black charcoal facial pack to her face. The room is dark with dramatic, sharp shadows cast upon her, making her dark facial pack look exactly like military camouflage paint worn by a special forces soldier hiding in the dark. She has an intensely serious, focused expression, staring straight ahead as if on a secret mission. The texture of the wet black mask reflects the sharp light. Realistic skin texture, low-key lighting, highly detailed, photorealistic.
Firefly Image 4だとこんな感じ。まあ、確かに。そのままって感じかな。笑えるとは思えない。
Gemini 3.1 (Nano Banana 2)だとこんな風。なんかちょっと面白い。
GPT Image 2だとこんな感じ。なるほどね。映画っぽい。これは面白いかも。意図通りって感じだ。
FLUX.2 [pro]だとこれ。な～るほどー。別な感じの面白さだ。ありっちゃ、あり。
Runway Gen-4 Imageだとこれ。う～ん、Firefly Image 4と似た感じか。
Firefly Image 5だとこれ。Firefly Image 4よりもこっちの方がいい。
全体を通して画像はとてもリアルだけど、爆笑できるかというと微妙。多分、提案してくれるシチュエーションが、人間的には大味に感じる気がする。ありえないから面白いだろ的な目線の内容。そう考えると、繊細な笑いを作れる人はホントすごいなと思う。このまま続けても、人間が笑えるシチュエーションや切り口を提案してもらえる可能性は薄そうだ。ここで、方向転換。自分で考えることに。有名なアニメの名シーンを画像にするとどうだろうか。
お魚くわえたどら猫を追いかける女性
あの国民的アニメのオープンニング曲の一節。表記すると問題あるかもしれないので、あのシーンとしておきましょう。魚を盗まれた日本人女性がどら猫を追いかけるシーンです。今度は笑えるかな？Geminiに提案してもらったプロンプトはこんな感じ。
A photorealistic action shot of a comical chase on a typical Japanese residential street. In the foreground, a scruffy stray cat is sprinting away, desperately holding a whole raw fish in its mouth. In the background, a Japanese woman in an apron and casual clothes is chasing after the cat with a funny, intensely panicked expression. Crucially, she is completely barefoot, running at full speed on the asphalt road. Dynamic motion blur, captured in mid-action. Realistic skin texture, high-definition, photorealistic, natural daylight.
Firefly Image 4だとこんな感じ。悪くないじゃないですか。
Gemini 3.1 (Nano Banana 2)だとこんなかんじ。へー、日本語がちゃんとしてる。忠実にプロンプトを実行しているよね。
GPT Image 2だとこんな感じ。これは日本語がおかしいね。でも、構図に迫力がある。魚がもっと美味しそうならなおよし。
FLUX.2 [pro]だとこんな感じ。結構良い！動きにブレがあれば、迫力でそう。
Runway Gen-4 Imageだとこんな感じ。なんか面白い。色合い含め独特な感じだ。
Firefly Image 5だとこんな感じ。これも良い感じじゃないかな。猫と女性の必死感が良い。
このプロンプトは画像の元がイメージできるので、笑いというよりも、驚きがあって、面白い。新たにイメージを作るより、元をイメージ出来る画像生成の方が何かしら感情が動く気がする。
お前がラフな格好でええからって言うたんちゃうんかー
boketeで有名になった「お前がラフな格好でええからって言うたんちゃうんかー」を生成してみることに。ニクラウス・マニュエルの有名な「死の舞踏」の絵画が元です。左側がラフな格好のガイコツ。右側が正装した男性。パーティーか何かに出席したのかな。当初、日本語でガイコツに叫んでもらおうと思いましたが、日本語は厳しいようで、英語で「Didn’t you say a casual outfit would be fine?!」と追加しました。参考画像が指定できるものは、死の舞踏を設定しています。元が面白いから、面白くなるのか、ならないのか？プロンプトは以下。
A photorealistic cinematic movie still that perfectly re-creates the composition of Niklaus Manuel’s famous “Dance of Death” painting. On the left, a terrifyingly realistic, highly detailed human skeleton is lunging forward, aggressively grabbing the neck of a man with its bony hands. On the right, a medieval European man with a shocked, panicked expression, wearing a rich blue robe and a black hat, is being choked. Crucially, a bold white text overlay quote is displayed floating in the air next to the skeleton’s mouth, reading: “Didn’t you say a casual outfit would be fine?!”. Dynamic motion blur captured mid-action, intense struggle, realistic skin texture, crisp details, high-definition, photorealistic, natural daylight coming from an arched stone window. Strictly photo style, absolutely no illustration or painting elements.
Firefly Image 4だとこんな感じ。実写のハズだが、イラストっぽくなる。まぁ、絵のとおりか。
Gemini 3.1 (Nano Banana 2)だとこんな風。これも、絵のとおりか。
GPT Image 2だとこんな感じ。これも、絵のとおりか。
FLUX.2 [pro]だとこれ。元のプロンプトだとエラーになったので、首を絞めるをツカムに変更。ちょっと、動きがある。
Runway Gen-4 Imageだとこれ。これは他にはないオリジナルの雰囲気。なぜか、ガイコツにメタル感が。
Firefly Image 5だとこれ。ほとんど絵と同じじゃねえか！これはよろしくないよ。
もっと面白くなるかなと思ったけど、笑える感じではない。なるほど、くらいな感じ。元の画像があるので、生成されてもあまり感動がないのがわかった。これは切り口を変える必要がある。
噴飯物
マンガとかで、笑って思わず飯を吹き出すシーンがだいたい面白い話とリンクして描かれている気がします。そう、噴飯物のこと。意味はおかしくてたまらないこと。あきれるほど滑稽で笑ってしまうさまだそう。そういった画像を見れば面白く思えるのではと感じたので、やってみることに。AIに自由度を与えた方が面白いかなと思ったので、多くは指定しないことにしました。プロンプトは以下です。
A photorealistic shot of a very serious and formal situation, but one person can’t hold back their laughter and blows a mouthful of rice out of their mouth. The most awkward and hilarious comedic moment, high shutter speed, capturing the flying rice grains.
Firefly Image 4だとこんな感じ。なんとなく面白い。シチュエーションは正解。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。シチュエーションが正解。面白い。ひいている女性がいいな。
GPT Image 2だとこんな感じ。シチュエーションは正解。やっぱ、ひいている人がいるって状況がわかりやすいかも。男性がひいていれば最高だ。
FLUX.2 [pro]だとこんな感じ。ある意味無茶苦茶だ。会議中に口から米を吹き出す男。
Runway Gen-4 Imageだとこんな感じ。んっ、なんだ？マジックショー的な何かかな？
Firefly Image 5だとこんな感じ。面白い。シチュエーションがなかなかで、会議中に飯を食う混沌さが逆にいいかも。
結構面白かった。言葉で画が想像できるからか、画になった時の意外性に心を刺激されている気がする。こういうのは事細かに指定しないほうが面白くなるみたい。あと、日本語に弱いモデルはなんで米が口から吹き出すかわかってないっぽい。だから、辻褄があってないようだ。
密閉空間でおなら
日常のシチュエーションで面白くなるかもと思い、密閉空間のエレベーターでおならが出て、きまずい状況を生成してもらいました。満員のエレベーターの密室。静まり返った車内で、目に見えない気まずい異変（おなら）が起きている。真犯人の人物だけは、完全にすました「何食わぬ顔」で前を見つめ、1ミリも動じず無実を装っている。一方で、周囲の乗客たちは強烈な異変に気づき、顔をしかめたり、手や服の襟で鼻を覆ったり、驚いた表情で「誰がやったんだ？」と目線だけでお互いを激しく疑い、犯人を探し合っている。最高にシュールで笑える、密室の気まずい心理戦の瞬間。プロンプトは以下です。
A photorealistic, high-quality comedic photograph inside a crowded, cramped elevator. Due to an invisible, awkward incident (someone passed silent gas), a tense psychological war breaks out. The actual culprit is standing completely still with a perfectly straight, innocent, and stone-faced “poker face,” looking straight ahead as if nothing happened. Meanwhile, the surrounding passengers are reacting to the sudden odor—grimacing, scowling, covering their noses with their hands or coat collars, and exchanging intense, suspicious side-eyes, desperately trying to figure class="opacityTargets" out who did it. A highly humorous, awkward, and absurd moment with dynamic facial expressions.
Firefly Image 4だとこんな感じ。なんか文字が入った。左の女の人は顔芸が過ぎる。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。まぁ指示どおり。面白くないか。
GPT Image 2だとこんな感じ。これも指示どおり。面白さはない。
FLUX.2 [pro]だとこんな感じ。なんかちょっと面白い。
Runway Gen-4 Imageだとこんな感じ。なんだろう、画像が崩れているのかな。
Firefly Image 5だとこんな感じ。まぁ指示どおり。表情と動きは多彩。
思ったより、全然おもしろくならなかった。そんな中でもヒドイ顔の方が面白く感じるので、表情はオーバーな方がいいのかな。そして、全部西洋風で生成されるんだね。向こうでも、こういう状況がよくあるってことなのかもしれない。
モデルが考える最もユーモラスな画像
ここで、各モデルの面白いってなんだろうという疑問が浮かびました。Geminiに問うと、各モデルの素の状態の面白い画像を比較するのもありだとのこと。動物が出るのか、人間が出るのか、それとも物体が出るのか、モデルの好みがハッキリ分かれるそうです。そこで、AIの思う「一番面白い実写」を完全にゼロから考えさせるプロンプトは以下。
A photorealistic, high-quality photograph that is universally considered the funniest and most hilarious image in the world. Show a single, extremely humorous and absurd situation that makes anyone laugh instantly. Comedic timing, visual humor, natural lighting.
Firefly Image 4だとこんな感じ。う～ん、わからん。どこに面白い要素があるんだろう。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。なんだろう？紙を食べるヤギじゃないみたいだけど。邪魔をしているのがいいのかな？わからん。
GPT Image 2だとこんな感じ。これは、boketeで猫がやっていたのを見たことがある。面白さがわからんでもないけど、言葉がないと伝わらない気がする。
FLUX.2 [pro]だとこんな感じ。なんだろう、わかんない。西洋ギャグなのかもしれない。
Runway Gen-4 Imageだとこんな感じ。う～ん、なんだろう。笑えるかな？状況が面白いってことなのかな。
Firefly Image 5だとこんな感じ。人間っぽい振る舞いの犬が面白いってことかな？笑えるのかわからん。
各モデルの素の状態の面白いを生成してもらったけど、多くの場合、理解できなかった。文化的な違いもあるのかも。日本人の中でも笑いの感性って、人によってかなり違うと思うので、世界中だとなおさら笑いの感性はハマる方が珍しいのだろう。この外さないポイントみたいなものが知りたい。やはり、日本の独自性と絵面が想像できる言葉とのギャップが面白い画像を生む傾向があるように思う。
踊る阿呆に踊らぬ阿呆、同じ阿呆なら踊らにゃ損損
阿波おどりで有名なフレーズです。普通に想像すれば、あのリズムで行進している画を思い浮かべますが、日本に弱いモデルもあるので、どう反応するか。結構楽しみです。プロンプトはこちら。
A photorealistic, high-energy comedic photograph capturing the essence of the Japanese proverb “Dancing fools and watching fools, both are fools, so you might as well dance!” Japanese people of all ages—young and old, from little children to elders—have completely lost their minds in pure joy. They are throwing away all dignity, dancing hysterically and crazily with hilarious. Dynamic motion blur, vivid festival lantern lighting, capturing an absurdly happy, high-energy, and funny moment of collective madness across generations.
Firefly Image 4だとこんな感じ。阿波おどりではない。文字もおかしいか。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。おっ、結構近い。盆踊りだ。たきそばって、日本語は惜しい。
GPT Image 2だとこんな感じ。これもかなり近い。いいね。しかも表情に踊らなにゃ損損の雰囲気がある。
FLUX.2 [pro]だとこんな感じ。日本語はちょっとおかしいが、躍動感がある。
Runway Gen-4 Imageだとこんな感じ。日本じゃない。たまにはあるよね。どの国のイベントなんだろう？
Firefly Image 5だとこんな感じ。日本語がおかしいけど、躍動感が勝る！阿呆感が出てる。
どのプロンプトも阿波おどりには寄せていかないんだ。盆踊りと近いものという認識なのかも。
時下ますますご清栄のこととお慶び申し上げます
ビジネスシーンで使われる言葉。個人的にはほとんど使ったことはないのですが、大企業と取引するサラリーマンが使っている印象があります。それを画像生成するとどうなるのか？自由度を与えるため、事細かく説明しないことにしました。プロンプトは以下です。
A photorealistic shot of “Wishing you ever-increasing health and flourishing prosperity at this very moment,(時下ますますご清栄のこととお慶び申し上げます)” set in a professional business setting. Dynamic motion blur, captured in mid-action. Realistic skin texture, high-definition, photorealistic, natural daylight, no text, no words.
Firefly Image 4だとこんな感じ。なんだかよくわからない文字と画像だ。そもそも文字入れ禁止だよ。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。プロンプト通り、ビジネスシーンを描くのね。
GPT Image 2だとこんな感じ。やっぱり、ビジネスシーンなのね。
FLUX.2 [pro]だとこんな感じ。これも大きくは違わない。
Runway Gen-4 Imageだとこんな感じ。文字入れるなっていうのに言う事聞かない。
Firefly Image 5だとこんな感じ。フランクな感じだ。しかも、右の男性の手がねじれている。こんな締め上げられたら、流石にギブだろ！
言葉から発想するイメージはだいたい一緒。面白くなる感じじゃないことがわかった。ビジネスという言葉に引っ張られすぎているのかも。
風吹いて 親父のかつら 空に舞う
言葉とリンクする絵面で面白そうなものと言えば、サラリーマン川柳があったのを思い出しました。しかし、著作権があり、勝手に使えないので、断念することに。次に、日本特有の俳句で面白そうなのはないかと探すと、知恵袋にあるではないですか！一番最初の風吹いて 親父のかつら 空に舞うは絵面が想像できます。さてどうなるか。
A photorealistic shot visualizing the Japanese haiku: “Wind blows, the father’s toupee dances in the sky (風吹いて 親父のかつら 空に舞う).” This is a funny photorealistic shot capturing the exact comical moment a sudden gust of wind blows away a Japanese man’s toupee. The realistic hairpiece is hilariously flying high up in the blue sky, captured in mid-action with dynamic motion blur. In the foreground, the bald-headed middle-aged man looks up in complete shock and panic. Realistic skin texture, high-definition, photorealistic, natural daylight, no text, no words.
Firefly Image 4だとこんな感じ。このモデルは自信がない時に、文字を入れる気がする。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。これは正しい。
GPT Image 2だとこんな感じ。これは良い。緊迫感まで伝わって来る。
FLUX.2 [pro]だとこんな感じ。なんだろう、独特の味がある。
Runway Gen-4 Imageだとこんな感じ。なんじゃこりゃー！日本人じゃないし、たけのこの里を出しているのか？
Firefly Image 5だとこんな感じ。これもヤバイ！皮膚や耳までズル剥けじゃないですか！血が出るよ！
やっぱり、うまく解釈できるモデルとできないモデルに分かれるみたい。結構、細かく描写したつもりだったけど、ありえなくなるのは、意外性で案外笑える。
へそで茶を沸かす
次はことわざ。色々ある中で、ビジュアルが面白そうなへそで茶を沸かすを生成します。意味は、おかしくてたまらないこと。意味だけ説明するか、状況を細かく設定するか迷いましたが、Geminiの提案どおりにすることにしました。プロンプトはこんな感じ。
This image visualizes the Japanese idiom “Heso de cha wo wakasu” (boiling tea on the belly button), which means something is so incredibly ridiculous and funny that your stomach muscles shake with laughter. Realistic skin texture, high-definition, photorealistic, natural daylight, no text, no words. A highly realistic and comedic photo of a cheerful Japanese man lying on his back on a clean tatami mat. He is laughing out loud with a wide-open mouth, his eyes closed in pure joy. On his bare, exposed belly button, a small traditional Japanese iron teapot (Kyusu) is sitting perfectly, with thick, comical steam puffing out of the spout as if water is boiling inside. Bright, natural daylight filling the traditional Japanese room, creating a lighthearted and funny atmosphere.
Firefly Image 4だとこんな感じ。指の数や取っ手が曲がっていたりおかしい所も多いが、なんか面白い。他にへそでちゃを沸かしていた画像もあったけど、この絵面には勝てなかった。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。さすが王道。
GPT Image 2だとこんな感じ。これも同じく。
FLUX.2 [pro]だとこんな感じ。へそじゃなく、胸だね、そこは。なんか特殊性癖みたい。
Runway Gen-4 Imageだとこんな感じ。これも基本同じだ。似すぎるのはなぜだろう？
Firefly Image 5だとこんな感じ。この流れで見ると特殊性癖にしかみえないや。
へそで茶を沸かすかどうかが一つのポイント。でも、なんで胸で沸かすのが多いんだろう。ただ、笑っている画像は見てる方もなんとなくおかしくなるのはわかった。
聞いてびっくり見てびっくり
もう一つ、ことわざ。聞かされた話が意外であることにびっくりし、実際に見てみると聞いた話とまったく違うので、またびっくりすること。ちょっと複雑なので、聞いてビックリパートと見てビックリパートの二分割にします。コンセプト：日本のフレーズ「聞いてびっくり、見てびっくり」］中央で垂直に綺麗に分割された、2コマ構成のコミカルな写真レイアウト。左のコマ（聞く）： 日本のオフィスの給湯室。中年日本のサラリーマンが、女性社員たちが上司の衝撃的なゴシップを囁いているのを耳にする。彼の目は見開かれ、眉は純粋で心からの衝撃で跳ね上がっている。右のコマ（見る）： オフィスの廊下。ハゲた上司が「おはよう」と言いながら歩いてくるが、彼のかつらは劇的に横にズレて半分落ちそうになっている。同じサラリーマンが彼を見つめており、その絶対的なコミカルな驚愕のあまり、顎は完全に外れ、目は顔から飛び出そうになっている。プロンプトはこんな感じ。
[Concept: Japanese phrase “Kite bikkuri, mite bikkuri” (shocked to hear, shocked to see).]
A two-panel comedic photo layout, cleanly split vertically down the middle.Left Panel (Hear): Inside a Japanese office kitchenette. A middle-aged Japanese salaryman overhears female employees whispering shocking gossip about the boss. His eyes are wide open, and his eyebrows are raised in pure genuine shock.Right Panel (See): In the office hallway. The bald boss walks in saying “Good morning,” but his hair toupee (wig) is drastically shifted sideways, half-falling off. The same salaryman stares at him; his jaw is completely dropped, and his eyes are practically popping out of his face in absolute comedic astonishment.Cinematic comedic lighting, distinct panel separation, sharp focus on expressive faces. no text, no words
Firefly Image 4だとこんな感じ。やっぱり難しすぎた。文字は入るし、対象がビックリしちゃってるし。
Gemini 3.1 (Nano Banana 2)だとこんな感じ。堂々と文字を入れるのはどうかと思うけど、表現したいことは間違っていない。聞いてビックリ、見てビックリ感がでてる。
GPT Image 2だとこんな感じ。そうそうこういうの。これは100点満点です。
FLUX.2 [pro]だとこんな感じ。なんで、別人なんだよ！でも、なんか面白い。
Runway Gen-4 Imageだとこんな感じ。Firefly Image 4と同じパターンかな。ビフォーアフターと勘違いしてるのかな？
Firefly Image 5だとこんな感じ。惜しい！髪型が変わっていなければ、ほぼ正解。いや、そうか髪がズレているのが本人になったのか。ちょっとしたミスだ。ただ、聞いてビックリ、見てビックリ感はでてる。
シチュエーションが面白いと結構いけると思う。表情の変化は重要な要素だ。あと、対象のズレが本人に影響するのも生成画像でよく見られる気がする。
日本人に馴染みのある言葉を表現するのは、各モデル戸惑っている印象。100点満点のモデルはなかった。現段階だと日本特有は難しいのかも。Firefly Image 4は生成するものに自信がないと文字で補いがち。Gemini 3.1 (Nano Banana 2)は、80点の画像を生成するできる子って感じ。GPT Image 2もGemini 3.1 (Nano Banana 2)と同レベルな印象。FLUX.2 [pro]は、主役を真ん中におきがちで、たまに意表をつかれる。Runway Gen-4 Imageは、西洋の物事に強く、日本の物事には混乱していそうという感想。Firefly Image 5は、Firefly Image 4より進化しているのは感じる。
ツッコミ動画
クレジットが余ったので、ツッコミの動画を作ってみることに。芸人コンビが登場し、ツッコミ役の人がボケ役の人にツッコミをかまします。プロンプトは以下。
A static medium shot of two Japanese comedians standing directly side-by-side, very close to each other. The comedian on the right hits the left comedian’s chest. Upon impact, the left comedian smoothly performs exactly one single 360-degree clockwise rotation on a perfect vertical axis, turning his back to the camera and immediately stopping as he faces perfectly forward again with a hilarious, exaggerated shocked face. Cinematic motion, silent video, no audio.
最初はGemini Omni Flash。叩くところが逆なんだよなぁ。でも、回転はイメージ通り。
Veo 3.1だとこんな感じ。何言ってるかわからないし、回転が雑。やっぱり、プロンプトなのかなぁ。
Runway Gen-4.5はこんな感じ。なぜかコント風だが、回転するあたりは近い。頭じゃなく、肩と胸の間に手の甲でツッコンで欲しかった。
Ray3はこんな感じ。芸人じゃなく、映画なのかな。よくわからない。
全体的にうまく伝わっていない。海外のモデルだから、ツッコミが表現できていない。一番近い動きはRunway Gen-4.5だ。画像生成の10倍～100倍コストがかかるので、そうそう連発できないのは致命的かも。難しいなぁ。