正直に言うと、ここまで“普通に通る”とは思っていなかった。
ComfyUIでz-image-turboのテンプレートをそのまま使い、日本語でプロンプトを書いただけ。
特別なチューニングも、呪文のようなタグ列も使っていない。
それでも、構図は崩れず、役割も維持された。
※ここで、お試し生成もできるから、ぜひ。
環境
環境：
ComfyUI（標準テンプレート）
text_encoder：qwen_3_4b
model：z_image_turbo_bf16
特別な設定なし
観察①：日本語が普通に通る
これまでの画像生成は、英語のタグを積み上げる“呪文”が前提だった。
しかしz-imageでは、日本語の文章がそのまま構造として解釈される。
Prompt:
楽しい幼稚園のピクニック。
公園でみんなでランチを食べている。もはや、英語力も習熟した作法による”呪文”の詠唱も必要ない。
普通の人が、普通に使えるレベルになった。
text_encoderに Qwen3-4B を使っているだけのことはある。
観察②：構図が崩れない
同じ構造を持つプロンプトで複数枚生成しても、シーンの骨格は維持される。
変化するのはディテールであり、構図そのものは大きく崩れない。
プロンプトは結果を固定しないが、シーンの分布を強く制約する。
ミニチュア
アニメ
フォトリアル
使用した日本語プロンプトの一例：
フォトリアル、高精細、実写表現、映画的な質感、
近未来の研究施設の中にある大型エネルギー装置、
中央に透明な円筒型チャンバーがあり、
内部から強く発光するエネルギーの光柱が上方向へ伸びている、
その周囲には4人の作業者が配置されており、
1人は制御パネルを操作し、1人はモニターを監視し、
1人は装置のメンテナンス作業を行い、1人はタブレットでデータを記録している、
発光するケーブルや配線が装置に接続され、
エネルギーの流れが光として可視化されている、
作業者は現実的な作業服や安全装備（ヘルメット、手袋など）を着用し、
自然な体格とリアルな動作をしている、
カメラは正面からの視点、
中央のエネルギーコアを軸にした安定した構図、
ライティングは映画的で高コントラスト、
強い光源によるハイライトと深い影、
わずかなボリューメトリックライトと空気感、
50mmレンズ、浅い被写界深度、
わずかなレンズブラーと現実的な質感、
全体として緊張感のある現場で、
エネルギー制御が行われているリアルな雰囲気これだけ長い日本語プロンプトへの追従性のよさには驚かされる。
プロンプトだけで“意味”を変えられるという価値
同じ構図、同じシーンのまま、わずかなプロンプトの変更だけで印象が大きく変わる。
上のフォトリアルと同一プロンプトに対して、今回行った変更はシンプルだ。
「発光するエネルギーの光柱」
↓
「発光する紫色のエネルギーの光柱」
これだけで、画像全体の雰囲気は明確に変化した。
作業者の配置やカメラ構図といった“シーンの骨格”はそのままに、
色という要素を加えることで、意味だけをコントロールできている。
従来の画像生成では、このような調整は容易ではなかった。
- 構図が崩れる
- 意図しない要素が混ざる
- ControlNetや再生成が必要になる
といった問題があり、「一部だけを変える」ことは難しかった。
しかし今回の結果を見ると、
- 構図は維持される
- 変更は色という単一要素に限定される
- 他の要素は影響を受けにくい
という挙動が確認できる。
最後の微調整すら、日本語のプロンプトで詰めることができる。
この価値は大きい。
Batch生成で分かる、構図の安定性の違い
同一プロンプトで複数枚生成した場合、
z-imageはシーンの構造が大きく崩れない。
一方でFLUXは、同じテーマでも毎回異なる構図を生成する傾向がある。
Prompt:
hyper-realistic miniature scene inside a futuristic machine,
tiny workers operating within a complex system of glowing circuits and flowing energy,
massive structures surrounding them, resembling an industrial-scale environment rather than a tabletop,
workers interacting with dynamic elements such as flowing data streams, moving mechanical parts, or unstable energy flows,
the composition is immersive and layered, not centered on a single object,
the environment feels active and alive, with multiple points of interest,
cinematic lighting with strong highlights and deep shadows,
the atmosphere is intense and purposeful, as if maintaining a critical systemz-image-turbo
FLUX.1
同じプロンプトをFLUXで生成すると、
構図は維持されず、毎回異なるシーンが生成される。
z-imageが「同じシーンの別テイク」だとすれば、
FLUXは「同じテーマの別作品」に近い。
この特性、裏を返すと”ガチャ適性が低い”と換言することもできる。
結論
z-imageは“上手く描くAI”ではない。
“構造を守るAI”だ。
そしてその構造は、日本語で記述できる。
呪文を書く時代は、そろそろ終わりかもしれない。
英語プロンプトを書かなければいけない文化は、ついに終焉を迎えた
