GLM-Image 基礎〜上級ガイド

GLM-Imageとは？

GLM-Imageは、Zhipu AIがMITライセンスで公開したtext-to-imageおよびimage-to-imageモデルです。160億パラメータと、自己回帰（AR）と拡散を組み合わせたハイブリッドアーキテクチャにより、生成速度と優れた視覚品質のバランスを実現しています。

技術的な能力の面では、GLM-Imageは各種ベンチマークで高い数値を示しています。CVTG-2Kでは、テキストレンダリング精度が91.16%に達しており、画像内にテキストを高い成功率で埋め込むことができます。長文テキストの理解については、LongText-Benchで中国語テキストが97.88%、英語テキストが95.24%を記録しています。この2つの数値により、GLM-Imageは画像内テキストを扱うユースケースにおいて、最強クラスのオープンソースモデルのひとつとなっています。

さらに、本モデルはT2I（text-to-image）とI2I（image-to-image）の両方のワークフローに対応しているため、コンセプトアートから写真のリスタイリングまで幅広い用途に適しています。API料金は1枚あたり約$0.015と、本番規模の利用でも手頃な価格です。

GLM-Imageの使い方：ステップバイステップガイド

以下は、GLM-Imageの初期セットアップから最初の画像生成までをカバーする完全なチュートリアルです。

1. 事前準備

始める前に、以下をご用意ください。

Zhipu AIダッシュボードのAPIキー（まだお持ちでない場合は、Zhipu AI公式プラットフォームでアカウントを登録してください）。
インターネット接続可能なデバイス — GLM-ImageはREST API経由で利用できるため、ローカルGPUは不要です。
リクエスト送信用のツール — curl、Python（requests）、Postmanなどが使えます。

コーディング不要のビジュアルインターフェースをご希望の場合は、Text-to-Image GLM-Imageのページを直接お試しください。実績のあるプロンプト例については、同ページのユースケース集をご覧ください。

2. Text-to-Image：プロンプトから画像へ

T2Iワークフローは、テキストの説明から画像を生成する最も直接的な方法です。

curlによるリクエスト例：

curl https://api.zhipuai.cn/v2/image/generate \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-image-16b",
    "prompt": "Seekor kucing putih di atas batu hitam,sinematik,golden hour",
    "num_images": 1,
    "aspect_ratio": "1:1"
  }'

重要なパラメータ：

prompt — 生成したいビジュアルの説明。具体的であるほど、結果の品質が向上します。
aspect_ratio — アスペクト比を指定：1:1（正方形）、16:9（横長）、9:16（縦長）。
num_images — 1回のリクエストで生成する画像の枚数。

効果的なプロンプトのコツ：

メインの被写体を明確に指定する（「一匹の猫」「東京のビル」「エンジニアの男性」）。
必要に応じてアートスタイルを追加する（"oil painting"、"watercolor"、"cyberpunk illustration"）。
雰囲気や照明の詳細を含める（"golden hour"、"neon night"、"moody fog"）。

APIからのレスポンスは、生成済み画像のURLを含むJSONです。ダウンロードして、必要に応じてご利用ください。

3. Image-to-Image: 既存の画像を変更する

I2I ワークフローでは、参照画像を受け取り、それからバリエーションや変換を生成することができます。

使用例:

curl https://api.zhipuai.cn/v2/image/edit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-image-16b",
    "image": "https://example.com/input-photo.jpg",
    "prompt": "Transformasi jadi lukisan cat air, gaya artistik klasik",
    "strength": 0.7
  }'

追加パラメータ:

image — 変換する入力画像のURL。
strength — 適用される変更の大きさ (0.0 = 同一, 1.0 = 完全に新規)。0.5〜0.8の値は通常、参照と創造性のバランスの取れた結果を提供します。

I2Iを使用するタイミング:

製品写真をカタログ用に再スタイル化する。
スケッチを最終イラストに変更する。
既存の画像にバリエーションを与える。

4. PythonでAPIを使用する

アプリケーションやパイプラインへのより実用的な統合には、Pythonを使用します：

import requests

response = requests.post(
    "https://api.zhipu.cn/v2/image/generate",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "glm-image-16b",
        "prompt": "Ilustrasi научная экспериментальная установка, diagram teknis, garis halus",
        "num_images": 1,
        "aspect_ratio": "16:9"
    }
)

data = response.json()
image_url = data["data"][0]["url"]
print(f"Gambar berhasil dibuat: {image_url}")

1枚あたりの推定コストは約 $0,015 — 1回の生成なら安価で、大規模プロジェクトのバッチ処理にも非常に手頃です。

上級レベルのTips

基本を理解したら、以下のテクニックを使うことで、生成結果を大幅に向上させることができます。

1. より高度なプロンプトエンジニアリング

出力の品質は、プロンプトの組み立て方に大きく左右されます。以下は、効果的であることが証明されているいくつかのパターンです：

視覚的思考の連鎖: シーンや要素の順序を明確に記述します。例: 「一只猫坐在窗台上,外面下雨,光线昏暗,电影感」（窓辺に座る猫、外は雨、薄暗い光、シネマティック）は、単に「窓辺の猫」とするよりもはるかに豊かな視覚的結果をもたらします。
特定のアートスタイル: 芸術運動や媒体の名前を明示的に言及します — 「impressionist painting」、「ukiyo-e print」、「pixel art」、「3D render」。
ネガティブプロンプティング: 一部のプラットフォームでは要素の除外をサポートしています。これを使用して、望ましくない属性を避けます（例: 「テキストなし、透かしなし」）。

2. テキストレンダリング機能を活用する

多くのオープンソースモデルと比べたGLM-Imageの最大の強みは、CVTG-2Kで91.16%を達成したテキストレンダリング能力です。これを以下の用途に活用しましょう。

テキスト入りポスター・ビジュアルデザイン：多言語テキストを正確に配置したポスターデザインを作成する。
UIモックアップ：インターフェースのテキストを画像モックアップに直接埋め込む。
ビジュアルインフォグラフィック：視覚データと精密なテキストラベルを組み合わせる。

3. 多言語ケースではベンチマークを活用する

プロジェクトに多言語テキストが含まれる場合、LongText-Benchは非常に優れたパフォーマンスを示しています — 中国語で97.88%、英語で95.24%です。これは次のことを意味します。

中国語または英語のプロンプトでは、より正確なテキストレンダリングが得られます。
混在テキストのプロジェクト（例：アジア市場向けの製品ラベル）では、GLM-Imageは多くの競合他社よりもミックス言語レンダリングを上手く処理します。

4. 大規模プロジェクト向けのバッチワークフロー

数百枚の画像を生成する場合（例：eコマース向けの商品バリエーションや記事用のイラスト）：

プロンプトのリストをCSVにまとめる。
適切なレート制限を設けたPythonスクリプトで生成をループ処理する。
結果をクラウドストレージに保存する。
使用前に出力をレビューしてフィルタリングする。

5. T2I + I2Iの組み合わせ

最もコントロールされた結果を得るには、両方のワークフローを順番に使用します。

リファイン済みのプロンプトを使ってT2Iでベース画像を生成します。
I2Iを使って画像の特定の部分を微調整します — 背景を変更したり、ディテールを追加したり、スタイルを変更したりします。

この2ステップのアプローチは、どちらか一方のワークフローだけを使う場合よりも、よりきめ細かいコントロールを提供します。

GLM-Imageと他モデルの比較

以下に、GLM-Imageと市場で人気のテキスト画像生成モデルとの比較を示します。

項目	GLM-Image	Stable Diffusion	DALL-E 3	Midjourney
パラメータ	16B	約1B〜8B（モデルによる）	非公開	非公開
アーキテクチャ	Hybrid AR + Diffusion	純粋なDiffusion	Diffusion + CLIP	Diffusion
テキストレンダリング	CVTG-2K: 91.16%	ばらつきあり、弱いことが多い	良好	普通
LongText-Bench (EN)	95.24%	一貫しない	高い	普通
Text-to-Image	対応	対応	対応	対応
Image-to-Image	対応	対応（img2img経由）	限定的	対応（vary経由）
API価格	約$0.015/枚	セルフホスト可能（GPUコスト）	より高価	サブスクリプション
ライセンス	MIT（オープンソース）	CreativeML Open RAIL	proprietary	proprietary
非英語対応	中国語 97.88%、英語 95.24%	ばらつきあり	良好	普通

上記の表からわかるように、GLM-Imageは独自の価値提案を備えています。高いベンチマーク性能を持つオープンソースモデルであり、商用利用に寛容なMITライセンスと、競争力のあるAPI価格を提供します。

よくある質問

GLM-Imageはインドネシア語をサポートしていますか？

GLM-Imageは多言語データセットでトレーニングされており、インドネシア語も含まれています。テキストレンダリングで最良の結果を得るには、英語または中国語（マンダリン）のプロンプトを使用してください。これらは公式ベンチマークが記録されている2つの言語です。ただし、一般的な視覚的な説明であれば、インドネシア語でも使用可能です。

GLM-Imageを商用目的で使用できますか？

はい。GLM-ImageはMITライセンスの下でリリースされており、使用、改変、派生製品の販売が自由に行えます — 商用目的での利用も含みます。商用プロジェクト、SaaS製品、有料サービスにおいてロイヤリティや使用制限はありません。ただし、MITライセンスの帰属表示の規定を遵守する必要があります。

1枚の画像を生成するのにどれくらい時間がかかりますか？

生成時間はプロンプトの複雑さとサーバーの負荷によって異なります。一般的に、API経由の単一画像生成では数秒から約1分程度です。

生成結果は毎回異なることがありますか？

はい。拡散プロセスは確率的な性質を持っています — 同じプロンプトでも、毎回の生成結果はわずかに異なります。これは視覚的なバリエーションを探求するのに便利な機能です。一貫した結果が必要な場合は、利用可能であれば seed パラメータを設定するか、複数の画像を生成して最適なものを選んでください。

GLM-Imageを実行するために自分のGPUは必要ですか？

公式のZhipu AI APIを使用する場合は不要です。モデルはZhipuのサーバーインフラ上で実行されるため、インターネット接続とAPIキーがあれば十分です。セルフホスティング（独自のインフラでモデルを実行する場合）では、十分なVRAMを搭載したGPUが必要です — 通常、16Bモデルの推論には最低16GBが必要です。

今すぐ試してみる

強力で柔軟、かつ厳しいライセンス制限なく商用利用できるテキストから画像・画像から画像へのモデルをお探しなら、GLM-Imageは確かな選択肢です。16Bパラメータ、ハイブリッドAR+拡散アーキテクチャ、テキストレンダリングと長文理解における優れたベンチマークを備え、コンテンツデザイン、写真のリスタイリング、大規模な生成パイプラインまで、幅広いユースケースで検討する価値があります。

今すぐ最初の画像をText-to-Image GLM-Imageのページで生成してみましょう。

まだコーディングの準備ができていなくても大丈夫です。そのページにアクセスしてプロンプトを入力すれば、数秒で結果を確認できます。実証済みのユースケース例も同じページでご覧いただけます。

料金の詳細な見積もりについては、料金ページをご覧ください。