バイリンガルテキストレンダリング：GLM-Imageで中国語と英語を1枚の画像に
バイリンガルテキストレンダリング——埋め込まれた文字が中国語と英語の両方で正確な画像を生成すること——は、GLM-Imageがまさにそのために設計された機能です。自己回帰＋拡散アーキテクチャに専用のGlyph Encoderを備え、CVTG-2Kベンチマークで検証済みのテキストレンダリング精度91.16%を記録し、この中国語・英語の組み合わせに特に強みがあるとされています。両言語のオーディエンス向けのメニュー、看板、パッケージ、ポスターでは、複数ツールを使う制作作業が、プロンプト1つで完結します。
本ガイドでは、なぜこのタスクが難しいのか、モデルがどのように処理するのか、検証済みの数値が何を意味し何を意味しないのか、効果的なプロンプトのパターン、そしてあらかじめ想定しておくべき限界を解説します。本記事の旧版では、架空の市場統計や競合の精度比較表で話を膨らませていましたが、それらは削除済みです。残っているのは、実際に役立つ情報だけです。
<!--IMG: A generated bilingual cafe menu board with English dish names and Chinese subtitles, all text correctly spelled-->
なぜ二言語テキストのレンダリングはAIにとってこれほど難しいのか？
テキストは、画像生成の失敗モードだ。画像の中の言葉は、正確でなければならず、意味のある位置に配置され、スタイルとして溶け込んでいなければならない。ところが、画像全体を並列に生成する拡散ベースの生成モデルは、テキストをテクスチャとして描いてしまいがちだ——文字のように見える形、というわけである。その結果が、ほとんどのAI画像に見慣れた溶けたレタリングだ。背景の看板なら許容できるが、見出しとしては致命的である。
中国語は、この難しさを何倍にもする。英語に必要なのは26の字形に数字と句読点を加えたものだが、中国語は何千もの異なる文字を必要とし、それぞれが密な内部の筆画構造を持つ。あいまいなマッチングは通用しない——画が一本多いか少ないかで、まったく別の意味を持つ別の文字になる。ラテン文字をそれっぽく描くモデルは、中国語を一字一字、ただ間違ったものとして出力する。
二言語レイアウトは、さらに第三の層を加える。視覚的な密度も読みの慣習も異なる二つの書記体系が、一つの構図を共有し、階層によって重み付けされなければならない——どちらが主役で、どちらが脇役か。従来これはパイプラインで解決されてきた。アートワークを生成し、その後デザインツールで正しく組版する。理想的には、二言語に通じたデザイナーがレビューする。そのパイプラインが今も存在するのには理由がある。GLM-Imageの貢献は、その有用な一部分をワンパスの処理にすることだ。
GLMImageはどのように実現しているのか？
GLMImageは、Z.aiによって開発されたモデル（約16Bパラメータ、MITライセンス、テキストから画像および画像から画像をサポート）で、力技のトレーニングではなくアーキテクチャ的に問題にアプローチしています。自己回帰ステージは、プロンプトを言語として読み取ります — 中英混合のプロンプトを含み、その間に翻訳ステップはありません — そしてそれを基に画像を計画します。Glyph Encoderは、キャラクターの実際の視覚的形態に基づいてレンダリングを条件付けするので、モデルはグリフを再現しており、「書き言葉のような」テクスチャを即興で生成するわけではありません。拡散ステージは、表面、光、素材などの連続画像作業を扱います。
検証された結果は、CVTG-2Kというベンチマークでのテキストレンダリング精度91.16%です。このベンチマークは、生成された画像が要求されたテキストをどれだけ正確に再現できるかを測定します。メカニズムはAR + diffusionハイブリッドの仕組みで詳しくカバーされており、モデルの完全な検証プロファイルはGLMImage specsにあります。
91.16%とは実際には何を意味するのか？
ベンチマークの数字を保証として読むと誤解を招くため、正直な解釈が必要です。これは、ベンチマークのテストセットにおいて、リクエストされたテキストが生成の大多数で正しく出力されたことを意味します。実際の使用では、正確性はテキストの長さと複雑さに依存します：短い見出し、商品名、価格、メニュー項目などは信頼性が高く出力されます；より長い文や密集したマルチリージョン（複数領域）のレイアウトでは数回の再試行が必要です；完全な段落は現在のどのモデルでも信頼できる範囲を超えています、このモデルも含めて。
したがって、プロのワークフローは以下の通りです：生成、校正、再試行、または文字がずれている場合は画像-to-画像で調整。このループは、代替手段（アート生成＋2つのスクリプトでの手動組版）より劇的に高速ですが、校正ステップはオプションではありません — 91.16%は優秀ですが完璧ではなく、中国語では1文字の誤りが意味を完全に変える可能性があります。
二言語レンダリングは本当に何に役立つのか？
テキストが短く、構造化されていて重要なユースケース：
- メニューと看板 — 英語の料理名と中国語の字幕があるカフェのボード；バイリンガルな近隣の店の看板。
- イベントポスター — タイトルを両言語で載せたカンファレンスのフライヤー、日付と会場を一度にレンダリング。
- 製品パッケージとラベル — 両方のスクリプトを同じラベルに必要とする輸出パッケージ；本物のタイポグラフィ階層で「Dragon Well Tea」と龍井茶を読み取る紅茶のラベル。
- ソーシャルとeコマースクリエイティブ — 国境を超えたオーディエンス向けのキャンペーングラフィック、2言語のセールバナー。
- UIとプレゼンテーションモックアップ — 両方の市場に配送する製品向けのインターフェースコンセプト。
実用的なプロンプトパターン：
A vertical cafe menu board, warm wooden background,
header "SEASONAL MENU" in bold sans-serif at top,
Chinese subtitle 本季精选 directly below at equal weight,
three drink names in English with Chinese translations,
clean layout, generous spacing, legible typography
引用する正確な文字列、配置と階層を明示的に指定し、タイポグラフィスタイルを名前付けし、各言語のテキストを短く保つ。テキストが豊富な画像のためのより多くのプロンプトパターンは、how to write AI prompts と best AI text rendering にあり、画像内のテキストのための一般的なテクニックガイドは text in image prompts です。
2つのスクリプトを使うプロンプトのベストプラクティス
テキストは短く、情報を担うものに。段落ではなく、見出しやラベルを。デザインに本文が必要な場合は、アートワークを生成してからデザインツールで長文を入れること——どうせ校正するつもりだったはずだ。
プロンプトで階層を指定する。「上部に英語タイトル、その下に中国語サブタイトル、同じサイズで」や「中国語の名前を目立たせ、その下に小さめの英語訳を」——レイアウトの判断はデフォルトでは行われない。
タイポグラフィを指定する。「太めのサンセリフ」「上品なセリフ体」「伝統的な書道スタイル」——GLM-Imageは指定があればレタリングのスタイルを適用するが、指定のないテキストは指定のない扱いになる。
言語は2つまでに抑える。中国語と英語の組み合わせがモデルの最も得意なペア。3つ目のスクリプトを追加すると、現行のどのモデルでもエラー率が上がる。
image-to-imageで反復する。1文字以外はすべて正しい場合、構図を保ったリファインメントの方が、ゼロからやり直すより効果的だ。
正直に述べる限界
長いテキストは劣化します。小さな文字は劣化します。珍しい文字や特殊なフォントは劣化します。1枚の画像に3言語以上を入れるのは信頼できません。そして、重要な出力はすべて、その言語を読める人による校正が必要です。AIが描いたテキストは自信ありげに見えても、間違っていることがあります。glmimage.appの毎日の無料生成で、お金を使う前に自分の素材でこれらの限界を十分に学べます。利用量が増えた場合、有料プラン（月額$9.90/$29.90/$79.90、1画像あたり10クレジットでおよそ50/200/600枚）は料金ページにあります。GLMImageの使い方では、ワークフロー全体を解説しています。
よくある質問
GLM-Imageは1枚の画像に中国語と英語の両方を書けますか？
はい。この中英バイリンガルの組み合わせはモデルの公称の強みであり、CVTG-2Kで検証済みのテキスト描画精度91.16%がその裏付けです。短いバイリンガルレイアウト（メニュー、ポスター、ラベル）が最も得意な領域です。
描画されるテキストの精度はどのくらいですか？
CVTG-2Kで91.16%と検証されています。実務では短いフレーズは安定して描画されますが、長いテキストは再試行が必要になることがあります。いずれにせよ、公開する画像は必ず校正してください。
バイリンガルテキストに最適なプロンプトは？
文字列は正確に引用し、各言語の配置と階層を指定し、タイポグラフィのスタイルを明示し、テキストは短く保ち、不完全な結果は再生成ではなくimage-to-imageで調整してください。
他の言語でも使えますか？
検証済みの強みは中国語と英語です。その他の文字体系は公式な強みとして挙げられていないため、本格的に頼る前に自分のプロンプトでテストしてください。
実際のデザインで試してみる：バイリンガルのメニューやポスターを生成する →
