画像生成AIで日本語が崩れるときの症状と対処法 — gpt-imageを200枚以上試して効いた手をまとめた
漢字以外の日本語トラブルも掘った「周辺日本語トラブル」編（全8回）→ A 和欧混植／B 異体字／C かな／D 縦書き／E 擬似日本語／F OCR／G LLM／H TTS。
画像生成AIに「日本語のタイトル入りのバナーを作って」と頼むと、漢字がぐにゃっと崩れて、なんなら中国語っぽい別の字になることがある。看板やサムネに使おうとして、画数の多い漢字が辞書に無い別の崩れた字に化けていたりする。あれ、地味に困る。
なんで起きるのか、どうすれば防げるのか。気になったので、条件を変えながら200枚以上生成して、原因を要因ごとに切り分けてみた。結論だけ先に言うと、犯人は思っていたのと違った。
先に結論（忙しい人向け）
- 崩れの主因は「画質設定（quality）をlowにしていること」と「透過PNGを頼むと弱いモデルに落ちること」の合わせ技。モデルが新しい・古いの単純な話ではない。
- lowのままでも、崩れるかどうかは 漢字の難しさ・構図・モデル・背景・文字数・プロンプトの言語 で大きく変わる。常用漢字＋短文＋文字が主役なら、lowでもほぼ崩れない。
- 崩れ方の正体は「実在しない架空の漢字（AI文字）」か「別の実在漢字への置換」。実は“中国語化”はほとんど起きない（英語プロンプトのときだけ稀に出た）。
- 「正しい日本語で描いて、中国語にしないで」とプロンプトでお願いしてもまったく効かない。これは意図の問題じゃなくて描画能力の限界だから。
- lowを維持したまま崩れをゼロにしたいなら、文字はAIに描かせず、後からフォントで合成するのが最強。
1. まず再現してみる
同じプロンプト（「籠細工の特別展」というタイトルのバナー）で、設定だけ変えて生成してみる。片方は透過背景を指定するとフォールバックする旧世代モデル（gpt-image-1.5）＋ quality: low。もう片方は最新モデル（gpt-image-2）＋不透明背景＋ quality: low。qualityは両方とも同じlow。
同じlow品質で、違いはモデルと背景だけ。ここで「あ、quality lowが悪いんじゃなくて、経路の問題か？」と思った。が、ここからが本番。
2. 要因をひとつずつ分解する
「lowが悪いのか、モデルが悪いのか、それとも別の何かか」を切り分けるには、quality を low に固定したまま、要因を1つずつ変えて比べるしかない。というわけで、quality=low固定で46枚生成して、1枚ずつ「期待した文字どおりに描けているか」を文字単位で判定した。
完璧に描けた割合（全部 quality=low）：
| 変えた要因 | 条件 | 完璧率 |
|---|---|---|
| モデル/背景 | gpt-image-2 / 不透明 | 6/6 |
| モデル/背景 | gpt-image-1.5 / 不透明 | 2/6 |
| モデル/背景 | gpt-image-1.5 / 透過 | 0/6 |
| 漢字の難しさ | 1.5/透過・常用（市民文化会館） | 3/3 |
| 漢字の難しさ | 1.5/透過・難字（鷹狩り体験フェア） | 0/3 |
| 構図 | 1.5/透過・文字が主役 | 3/3 |
| 構図 | 1.5/透過・シーンに埋め込み | 0/2 |
| プロンプト言語 | 1.5/透過・日本語 | 1/3 |
| プロンプト言語 | 1.5/透過・英語 | 0/3 |
漢字の画数・頻度がいちばん効く
崩れるのは毎回ほぼ同じ字。「籠・細・鷹・狩・験・醸」みたいな画数が多い／使用頻度が低い字に集中する。逆に「市民・文化・会館・金物・店」みたいな常用・低画数の字はlowでもほぼ崩れない。そしてカタカナ・ひらがなはほぼ常に正常。つまりランダムに壊れてるんじゃなくて、「難しい漢字」が狙い撃ちで壊れている。
構図が想像以上に効く
これは意外だった。まったく同じ「中央公民館」という5文字でも、バナーの主役として大きく置くと3/3で完璧、写真の中の建物の入口の看板として埋め込むと0/2で崩壊する。装飾的なシーンの中に紛れた文字ほど壊れやすい。
モデルと背景も効く
最新のgpt-image-2はlowでも頑健（6/6）。旧世代の1.5は同じ条件で弱い。さらに同じ1.5でも、透過よりも不透明のほうが結果がいい（2/6 vs 0/6）。透過PNGを頼むと弱いモデルに落ちる上に、透過自体も不利という二重苦になる。
プロンプトの言語も効く
日本語で指示したほうが、英語で指示するより崩れにくい。英語プロンプトのときがいちばん別字が多く、唯一「中国語の簡体字っぽい字形」が出たのもこのときだけだった。
3. 崩れ方の“正体”
集計してみると、崩れの中身はほとんどが2種類だった。
- 実在しない架空のグリフ（＝いわゆるAI文字。それっぽいけど辞書に無い字）
- 別の実在漢字への置換（籠→籭、展→屁、鷹→麈 など）
そして、よく言われる「中国語っぽくなる」は、実はほぼ起きていない。簡体字／繁体字への置換は英語プロンプトのとき1回出ただけ。日本人の目には「かな抜きで漢字が崩れた塊」が“外国語っぽく”見えるだけで、実態は中国語化じゃなくて単なる文字化けだった、というのが正直なところ。
4. 効かなかった対策
ここはハマりどころなので共有しておく。プロンプトに「正しい標準的な日本語の漢字で描いて。架空の文字や中国語の字形を使わないで」と厳格に書いてみた。結果は0/3でまったく効果なし。
5. lowのまま崩さない対策
quality lowはレスポンスが速くて安いから維持したい。その制約で効いた打ち手を、効果が高い順に。
本命：文字はAIに描かせず、フォントで合成する
いちばん確実なのはこれ。文字なしの背景だけをlowで生成して、タイトルはコード側でフォント（NotoSansJPなど）を使って後から重ねる。glyphは常に100%正確になる。確定しているテキスト（タイトル・サービス名など）にはこれ一択。
次善：好条件を積む
どうしてもAIに描かせたいなら、有利な条件を重ねる。
- 最新モデル（gpt-image-2）の不透明背景を使う（透過→旧モデル経路を避ける）
- 文字は短く、主役として大きく、無地の余白に置く（シーンに埋め込まない）
- プロンプトは日本語で書く
- 難字はなるべく避ける。避けられないなら合成に切り替える
最後の手段：その画像だけquality を上げる
難字をどうしてもAIに描かせる必要があるなら、その1枚だけqualityをmedium/highにする。実際、旧モデルでも quality を medium にすると、lowで崩れていた難字も崩れずに描けた。ただしコストは上がる（後述）ので、全体ではなく難字のときだけ局所的に。
6. ついでにコストの話
「対策するとトークン（＝コスト）増えるの？」が気になったので、出力画像トークンを実測した（1024×1024）。
| モデル / 背景 | quality | 出力画像トークン |
|---|---|---|
| gpt-image-1.5 / 透過 | low | 496 |
| gpt-image-1.5 / 透過 | medium | 1,323 |
| gpt-image-2 / 不透明 | low | 196 |
| gpt-image-2 / 不透明 | medium | 1,756 |
| gpt-image-2 / 不透明 | high | 7,024 |
おもしろいのは、gpt-image-2のlow（196）は、旧経路の1.5・透過のlow（496）より少ないこと。つまり最新モデルの不透明・lowに寄せると、品質が上がるのにトークンはむしろ減る。フォント合成も、画像生成は1回のまま文字合成はローカル処理なので追加トークンはゼロ。
増えるのはqualityを上げたときだけ（gpt-image-2なら low→high で約36倍）。崩れて何度も作り直すほうがよっぽど無駄なので、根本を直したほうがトータルでは安く済む。
まとめ
- 画像生成AIの日本語崩れは「中国語化」じゃなくて「難しい漢字の文字化け」。
- 崩れるかどうかは、漢字の難しさ・構図・モデル・背景・文字数・プロンプト言語で決まる。
- 「正しく描いて」とお願いしても効かない。確実に直すなら文字はフォントで合成。
- 最新モデルの不透明・lowに寄せると、品質もコストも改善する。
日本語テキスト入りの画像でハマっている人の参考になれば。実験は条件を固定して数を出すと、思い込みがけっこう覆って楽しい。