GLM-Image使い方完全ガイド：テキストから画像生成まで
GLM-Imageは、Zhipu AIが開発した16Bパラメータのマルチモーダル画像生成モデルです。自己回帰（AR）と拡散（diffusion）のハイブリッドアーキテクチャを採用しており、テキストから画像を生成する（T2I）と画像から画像を生成する（I2I）の両方を一つのモデルでサポートしています。MITライセンスの下で商用利用可能です。APIコストは約0.015ドル／画像と非常に安い価格設定になっています。本格的に使い始める前に、基本的な仕組みと実際の第一歩を確認しておきましょう。
T2I（テキストから画像生成）とは
T2Iは、文章で記述した内容を画像に変換する手法です。プロンプトとして「夕暮れの東京の街並みを走る赤いスポーツカー」のような自然な日本語を入力すると、モデルがその情景を描き出します。
GLM-ImageのT2I性能は指標でも裏付けられています。テキスト描画の正確さを測るCVTG-2Kベンチマークで91.16%、長文理解力を測るLongText-Benchでは中国語97.88%、英語95.24%という結果が出ています。日本語の長い記述にも対応しており、単純な物体の提示だけでなく、構図や雰囲気の指定がある程度忠実に再現されます。
どんなシーンに向いているか
- ブログ・SNS用のサムネイルやビジュアル作成
- 商品アイデアのプロトタイピング
- プレゼン資料のイラスト素材
- 物語のシーンイメージのクイックスケッチ
I2I（画像から画像生成）とは
I2Iは、既存の画像を入力として、新しい画風や詳細な内容に変化させた画像を出力する手法です。完全な白紙から作るT2Iに対し、ベースとする画像がある場合にその特性を活かしながら方向転換できます。
GLM-ImageのI2Iは、「画風の変換」「一部分の変更」「背景の置換」など幅広い編集意図に対応しています。たとえば、手描きのワイヤーフレームスケッチを入力してリアルな製品画像を出力したり、写真の背景だけをAIで生成した風景に置き換えたりできます。
T2IとI2Iの整理
| 項目 | T2I | I2I |
|---|---|---|
| 入力 | テキストプロンプトのみ | 参照画像＋テキストプロンプト |
| 主な用途 | 白紙からの創作 | 画風変換、部分編集 |
| ベンチマーク適性 | LongText-Bench、CVTG-2K | 参照画像の忠実度評価 |
ステップバイステップ：実際に画像を作る流れ
ステップ1：APIエンドポイントの準備
GLMImageはAPI経由で利用します。対応モデルはMITライセンスで提供されており、自分のサーバー環境にデプロイするか、Zhipu AIのクラウドAPIを直接呼び出すかを選びます。クラウドAPIを使う場合、APIキー発行後にリクエストを送信できます。
ステップ2：プロンプトの設計
画像生成の品質はプロンプト次第です。良いプロンプトの共通点は3つあります。
具体的であること。「かわいい動物」より「木に登る子猫のアップ、背景はボケた庭」。オブジェクト、構図、画角、雰囲気などを指定するほど結果が安定します。
スタイルを明示すること。「水彩画風」「フォトリアリスティック」「インベーダーゲーム風」など、芸術の方向を1つ加えるだけで出力印象が大きく変わります。
**否定プロンプトで制約を与えること。**好ましくない要素（崩れた文字、醜い顔、透視歪みなど）を否定プロンプトに列出すると、特定の欠点の出現頻度が下がります。
ステップ3：APIリクエストの送信
T2Iの場合の基本的なリクエスト構造は以下の通りです。
{
"model": "glm-image-v2",
"prompt": "深夜の東京、ネオンが雨に反射する交差点、歩きスマホの女性",
"num_inference_steps": 25,
"guidance_scale": 7.5,
"width": 1024,
"height": 1024
}
I2Iの場合は、ベース画像のURLまたはbase64エンコードされたデータを image フィールドに渡します。num_inference_steps を増やすと細密度が向上しますが、処理時間も長くなります。デフォルトの25ステップは、品質と速度のバランスが良い出発点となります。
ステップ4：出力の確認と比較
同じプロンプトでもシード値（乱数起点）を変えると、別の画像が出力されます。数パターンを生成して、最もビジョンに近いものを選ぶのが実践的な流れです。不満があれば、ステップ数・CFG値・samplerを変更して再生成してみてください。
プロンプト設計の実践的なコツ
長文プロンプトは怖くない
GLM-ImageはLongText-Benchで示した長文理解性能が実利用に直結します。単純な「犬の写真」ではなく、「夕暮れのビーチでボールを追いかけるゴールデンレトリバー、水しぶきあり、撮影は70mm、shallow depth of field」までしっかり盛り込んでください。
日本語特有の注意事項
日本語は英語より語順の自由度が高く、モデルが意図を汲み取りにくい場合があります。できるだけ「対象＋状態＋背景＋画角＋技法」の順で整理すると結果が安定します。また、漢字と平仮名を混在させた一貫した表記がモデルにより正しく伝わります。
画角と撮影用語を援用する
「Wide angle shot」「close-up portrait」「birds-eye view」「dutch angle」「soft diffused lighting」「golden hour lighting」など、映画・撮影の用語をプロンプトに含めると、構図と光線の質が大きく改善します。
文字入れが必要な場合
テキスト描画はGLM-Imageの得意分野ですが、完全に期待どおりにならない場合もあります。CVTG-2K 91.16%というスコアは業界内で高い水準である一方、極小の文字サイズや複雑な書体の完全な再現は難易度が高いです。重要な文字は、生成後にグラフィックツールで重ね貼りすることを推奨します。
他の画像生成モデルとの比較
| 項目 | GLM-Image | DALL·E 3 | Stable Diffusion XL | Midjourney v6 |
|---|---|---|---|---|
| パラメータ数 | 16B | 非公開 | 6.6B | 非公開 |
| アーキテクチャ | AR+Diffusion Hybrid | Diffusion | Diffusion | Diffusion |
| T2Iベンチマーク | LongText-Bench CN 97.88% | VQAScore高評価 | CLIP ViT-L | 主観評価が中心 |
| テキスト描画 | CVTG-2K 91.16% | 優秀 | 中程度 | 低め |
| I2I対応 | ○ | △（リミックス機能） | ○ | ○ |
| ライセンス | MIT | プロプライエタリ | CreativeML Open RAIL | プロプライエタリ |
| APIコスト | 約$0.015/画像 | $0.04/画像〜 | 自己ホスティング | $10/月から |
| 商用利用 | ○ | ○（API契約が必要） | ○（RAIL条件付き） | ○（有料プラン） |
MITライセンスで自己ホスティング可能な点は、Stable Diffusion系に近い柔軟性を持ちながら、16Bという規模のハイブリッドモデルとして、テキスト描画と長文理解の2点で明確に差別化されています。DALL·E 3やMidjourneyのような月額縛りではなく、使った分だけの従量課金なのも実測上のメリットです。
FAQ：よく寄せられる質問
Q: GLM-Imageは無料で使えますか？
MITライセンスの下でモデル重みが公開されているため、自分でサーバーを用意すればAPI呼び出しコストなしで利用できます。ただし、16Bモデルの実行にはVRAM約32GB以上（FP16）のGPUが必要です。クラウドAPIを利用する場合は、使った分だけ料金が発生します。
Q: 生成された画像の商業利用は可能ですか？
MITライセンスに従う限り、商用利用を含めて自由に使えます。ただし、生成AIの商業利用に関する各国の法規制（EU AI Act、各地の著作権法等）は別途確認が必要です。
Q: 日本語以外のプロンプトでも動作しますか？
中国語・英語での性能が最も高く保証されています。LongText-Bench CN 97.88%・EN 95.24%という数字は各言語の長文プロンプトでの評価結果です。その他の言語でも動作しますが、日本語の長文プロンプトには現状最も最適化されています。
I2Iリクエスト時に prompt で目標とするスタイルを明示し、image_strength または guidance_scale を調整してください。値を小さくすると入力をより忠実に保ち、値を大きくするとスタイル変換が強くなります。デフォルト値付近から始めて、結果を見ながら微調整するのが確実です。
Q: テキスト描画で文字が崩れるときの対処法は？
文字崩れが起きる主な原因は、フォントサイズが小さい・書体が複雑・周囲と構図が紛雑なケースです。対応策として、プロンプトに「clear English text」「large bold text」「simple sans-serif font」などの修飾を加える、guidance_scale を高めに設定する、生成後に別ツールで文字をオーバーレイする、という三段構えが実効的です。
Q: APIのリクエスト上限や速度制限はありますか？
クラウドAPIを利用する場合、アカウントレベルによってリクエスト頻度・同時接続数に制限があります。本番環境での大量処理を予定する場合は、レートリミット設計とリクエストのバッチ処理（batch API）を組み合わせる必要があります。
次のステップ：試してみる
GLM-Imageの実際の威力は、手を動かして試すうちにはっきりします。下のリンクからテキストから画像生成のインターフェースを開けば、本稿で説明したプロンプト術をすぐに試せます。
生成した画像で気に入ったものは、ギャラリーに投稿してみてください。コミュニティでBlueprintされた作品は次の読者の確認の目にさらされ、モデルの改善にも貢献します。
料金プランやAPIクォータの詳細を確認したい場合は、/pricing ページも合わせてご覧ください。
