Stable Diffusion 日本語プロンプトの書き方と翻訳のコツ

Stable Diffusionは日本語のプロンプトでも動きますが、そのままでは狙いどおりの画像になりにくいのが実情です。入力欄には日本語を書けますが、指示が無視されたり、一部だけ拾われたりします。suteburu.comも「プロンプトは基本的に英語で指示する」と説明しています。日本語で扱う方法は4つあり、翻訳サービスで英訳して貼る、翻訳拡張機能を入れる、日本語対応モデルを使う、日本語UIのツールを使う、のいずれかです。この記事では、4つの違い、日本語の言い方を英語タグに直す早見表、反映されないときの直し方を順にまとめます。

Stable Diffusionは日本語プロンプトで動くのか

先に結論

動きますが、当てにはできません。日本語を入力してもエラーにはならず、画像は生成されます。問題は中身です。モデルは英語のタグと画像の結びつきを学習しているので、日本語の文章はその結びつきの外に置かれます。結果として、指示が無視される、一部の語だけ拾われる、意味と違う要素が混ざる、といったことが起きます。日本語で考えること自体は悪くありません。考える言語と、入力する言語を分けるのがコツです。

日本語のままで通る範囲

選択肢は用意されています。kkaneko.jpは、日本語プロンプトに特化したJapanese Stable Diffusion XL（JSDXL）を使い、日本語のテキストから画像を生成するプログラムを解説しています。拡張機能を使う道も一般的で、romptn.comは、ある拡張機能を入れると日本語でプロンプトを入力できると説明しています。

紛らわしいのが、Stable Diffusion web UIの表示を日本語にする拡張機能です。taziku.co.jpが手順をまとめていますが、これはメニューやボタンの表示を日本語にするもので、プロンプトの翻訳とは別物です。画面が日本語になっても、入力するプロンプトは英語のままという環境は珍しくありません。

日本語プロンプトが通りにくい理由

「Japanese」は和風の記号になりやすい

try-widely.comは、SD1.5で「a japanese woman, portrait photo」を試し、現代風の洋装の女性が5枚中5枚出なかったと報告しています。同サイトは、「japanese」という語が着物、和風建築、伝統衣装といった写真と強く結びついているためだと考察しています。

つまり「日本人の女性」と書いたつもりでも、現代の服装や自然な化粧は出てきません。black hair、natural makeup、casual clothesのように、見た目を直接指す語を足す必要があります。同サイトは、改行そのものに効力の差はないとも書いています。改行で調整するより、語順と語の追加で直すほうが確実です。

日本語でプロンプトを扱う4つの方法

用意するものが違うだけで、入力する内容は同じです。作る頻度と、環境をいじれる度合いで選びます。

翻訳サービスを通す

日本語で書いた文章をGoogle翻訳やDeepL翻訳、Weblio翻訳、ChatGPTで英語にしてから貼る方法です。suteburu.comは、Google翻訳で大体の場合は足りるとし、訳語の候補が多いほうが調整しやすいと説明しています。

翻訳拡張機能を入れる

Stable Diffusion web UIに追加して、入力の段階で日本語を英語に変える仕組みです。romptn.comが導入方法に触れています。ローカル環境を日本語のまま使いたい人向けで、一度入れてしまえば毎回コピーする手間がなくなります。

日本語対応モデルを使う

JSDXLのように、日本語のテキストを前提にしたモデルを使う方法です。kkaneko.jpでプログラムとあわせて解説されています。日本語の文章から直接生成できますが、別途環境を用意する必要があります。

日本語UIのブラウザツールを使う

翻訳も環境構築も挟まずに、日本語の項目から指示を組み立てる方法です。PromptMaker（promptmaker.jp）は、日本語の項目を選ぶと英語のプロンプトとネガティブプロンプトを組み立てる無料ツールです。web-wing.comも、キャラ・状態・背景の3つの枠で組み立てる日本語化ツールを公開しています。

日本語で考えた内容を英語タグに直す早見表

ジャンル別の対応表

日本語のまま思い浮かべた情景を英語タグに移すための対応表です。表情、髪、メイク、光、アングル、画風、品質の7種類を押さえると、人物の指示はほぼ組み立てられます。足りない情報は生成しながら足します。

そのままコピーできるタグ

よく使うタグを並べておきます。カンマ区切りのままコピーして、不要な語を消すところから始めると早いです。

• 表情: smile, laughing, crying, angry, surprised, sad, blush, closed eyes, serious, expressionless, gentle smile, tears
• 髪: long hair, short hair, black hair, blonde hair, brown hair, twintails, ponytail, bun, bangs, wavy hair, braid, silver hair
• 光: soft light, backlight, rim light, sunlight, moonlight, candlelight, studio lighting, cinematic lighting, god rays, warm light, hard shadow
• 画風: watercolor, oil painting, anime style, photorealistic, sketch, line art, flat color, cel shading, retro anime, cyberpunk, minimalist, 3D render

1500種類の呪文集を使うとき

romptn.comは、表情、視線、髪型、靴、ポーズ、年齢、肌、メイク、背景、光、品質、色、画風の20以上のジャンルで1500種類のプロンプトをまとめています。探すときの辞書として使えます。ただし、呪文集から10個も20個も貼ると、どの語が効いているのか分からなくなります。まず5語から8語に絞り、効きの悪い語を差し替えるほうが調整は速く進みます。

プロンプトの順番・区切り・強弱

前に書いた語ほど効きやすい

効かない語があるときは、その語をプロンプトの先頭に移します。note.comは、反映されないプロンプトの対処法の1つ目として、先頭に配置する方法を挙げています。迷ったら、いちばん出したい要素を最初に置きます。

区切りはカンマ

単語と単語の間にカンマを入れて区切ります。日本語の文章をそのまま長く書くより、要素ごとに分けたほうが扱いやすくなります。「黒髪の女性が窓辺に立っている」なら、black hair、woman、by the windowのように分けます。

重みは1.1から1.4

強弱は(town:1.4)のように、語のあとにコロンと数値を書きます。note.comは1.1から1.4くらいを推奨値とし、2くらいまで上げるとクオリティが落ちる場合があると注意しています。まず1.2で試し、足りなければ1.3、1.4と上げます。

BREAKで区切る

語のまとまりを分けたいときはBREAK構文を使います。区切ったまとまりごとにプロンプトを処理させる構文で、情景と人物のように性質の違う要素を分けて書くときに使います。note.comは、プロンプトの書き方のひとつとしてBREAK構文とコメントアウトを紹介しています。

ネガティブプロンプトを日本語から組み立てる

避けたいものを日本語で書き出す

写真: Max Bonda / Pexels

ネガティブプロンプトは、出したくない要素を入れる欄です。note.comは、ネガティブプロンプトにforest、riverと入れて、森と川の画像を生成させないようにする例を示しています。まず日本語で「暗い」「ぼやけた」「指が変」と書き出します。

英語のタグに置き換える

書き出したら、dark、blurry、bad handsのように英語へ直して入れます。日本語のまま入れても効きにくいのは、通常のプロンプトと同じです。ネガティブを入れても効かないときは、note.comが紹介しているNegPiP拡張ツールのように、ネガティブの効き方を変える手段もあります。まずは語を先頭に寄せる、重みを上げる順で試します。

長いプロンプトと75トークン

トークンの数え方

プロンプト入力欄の右上に出る数値がトークンです。note.comは、単語1つで1トークンと数え、(town:1.4)、カンマ、girl、カンマ、smileで5トークンになる例を示しています。英語タグに直すと語の区切りがはっきりするので、トークンも数えやすくなります。

75を超えても入力できる

75トークンを超えても入力はでき、超えた部分も反映されるとnote.comは書いています。実際に75を超えてyellow skirtを入れた例で、黄色のスカートが反映されたと報告しています。長く書くほど、どの語が効いているかは見えにくくなります。語を足す前に、効かない語を削って整理します。

日本語プロンプトの作例3つ

情景を書く

「朝もやの湖、桜の木、静かな水面、柔らかい光」と書いたら、misty lake, cherry blossoms, calm water, soft lightに直します。手前と奥を分けて語を並べると構図が決まります。

人物を書く

「黒髪の女性、自然な化粧、白いシャツ、窓辺、カメラ目線」は、black hair, natural makeup, white shirt, by the window, looking at viewerになります。try-widely.comの実験を踏まえると、日本人らしさはblack hairやnatural makeupのような見た目の語で寄せます。「japanese」だけに頼ると、着物や和風の要素が混ざりやすくなります。

和風の室内を書く

「畳の部屋、障子から差す光、提灯、夜」は、tatami room, light through shoji, paper lantern, nightになります。japaneseだけに頼らず、物の名前を並べるほうが狙いに近づきます。

ここまでの流れを1枚の画像に落とす手順は、AIイラストの作り方：日本語プロンプト1つから完成まで5ステップでまとめています。

反映されないときのチェックリスト

上から順に試すと、原因の切り分けが早く済みます。

• 順番：効かない語を先頭に移す
• 区切り：単語をカンマで区切る
• 訳語：日本語のまま入れず、英語タグに直す
• 重み：1.1から1.4の範囲で数値を足す
• ネガティブ：避けたい要素はネガティブ欄へ移す
• 語数：5語から8語に絞る

多くは語順か訳語の問題で、モデルを変える前に直せます。否定形で書いていないかも確認します。「帽子をかぶっていない」のような書き方は、帽子を呼び寄せます。

ArtistAIで画像を作る手順

ArtistAIはブラウザで使うAI画像スタジオで、アプリのインストールは不要です。スタジオでもチャットでも、テキストから画像を生成できます（無料）。

• artistai.jpをブラウザで開く
• 「テキストから生成」に指示を入力して生成する（無料）
• 直したい部分があれば、スタジオで言葉による編集をする（画像1枚につき5クレジット、1回で最大3枚）
• 仕上げに高解像度化する（2クレジット）

料金のかかり方

テキストからの画像生成は無料です。生成したあとに手や顔を直す、不要な物を消す、一部を描き直すといったスタジオでの画像編集は、画像1枚につき5クレジットで、1回で最大3枚です。背景の置き換え、スタイル変換、スケッチから画像、古い写真の修復も画像1枚につき5クレジット、高解像度化は2クレジット、物体検出は2クレジット、テンプレートは1クレジットです。

クレジットは買い切りです。1年プラン 14,980円（毎月300クレジット、1年分）、3年プラン 29,960円（毎月300クレジット、3年分）で、月額プランはありません。

まずは無料のテキスト生成で指示を試し、残したい1枚だけ編集する使い方が無駄なく進みます。料金の詳細はArtistAIの料金にまとまっています。動画の生成や編集はできないので、画像を作って仕上げるところまでが範囲です。加工の料金を並べて見たいときは、画像加工AIの使い方：消す・背景・修復・高画質化の料金早見表も参考になります。ツールを選ぶ基準はArtistAIを選ぶ理由で確認できます。

よくある質問

Stable Diffusionは日本語のままプロンプトを入力しても大丈夫ですか？

入力できますが、指示は通りにくいです。ベースのモデルは英語のタグを中心に学習しているため、日本語の文章は無視されたり一部だけ拾われたりします。英語に翻訳する、翻訳拡張機能を入れる、日本語対応モデルや日本語UIのツールを使う、のいずれかで解決します。

日本語プロンプトが反映されないときはどうすればいいですか？

まず語順を変え、効かない語を先頭に移します。次にカンマの区切りと訳語を確認し、それでも足りなければ重みを1.1から1.4の範囲で足します。避けたい要素はネガティブプロンプトへ移し、最後に語数を5語から8語へ絞ります。

プロンプトの英訳にはどのサービスを使えばいいですか？

まずGoogle翻訳で足ります。suteburu.comは、Google翻訳で大体の場合は困らないと説明しています。訳語を比べたいときはDeepL翻訳やWeblio翻訳、タグの形に整えたいときはChatGPTを使います。ChatGPTはメールアドレスだけで無料登録できます。

プロンプトの強弱はどうやってつけますか？

(town:1.4)のように、語のあとにコロンと数値を書きます。note.comは1.1から1.4くらいを推奨値とし、2くらいまで上げるとクオリティが落ちる場合があると注意しています。まず1.2で試し、足りなければ少しずつ上げます。

75トークンを超える長いプロンプトでも反映されますか？

反映されます。note.comは、75トークンを超えても入力でき、超えた部分も反映されると書いています。75を超えてyellow skirtを入れた例でも、黄色のスカートが反映されました。長くなるほど調整は難しくなるので、重要な語は前半に置きます。

無料で画像生成を試す方法はありますか？

あります。無料のテキスト生成はブラウザで開くだけで試せて、インストールは不要です。ほかの無料ツールの範囲を知りたいときは、画像生成AI 無料おすすめ8選：無料で使える範囲と止まる点を比較で比較しています。