【要約】絵の描き方をさくらのAI Engineに教えてもらいました [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
既存のデザイン資産を再利用したいが、その構成要素を言語化する作業に課題がある。優れたインフォグラフィック等のスタイルを他のAIで再現しようとする際、以下の問題に直面する。
- ・デザインの構成、配色、キャラクター配置などの詳細な言語化が困難である。
- ・手動でのプロンプト作成には多大な工数がかかる。
- ・モデルごとに最適な指示形式が異なり、再現性が安定しない。
// Approach
筆者は、マルチモーダルLLMを用いて画像解析からプロンプト生成までを自動化するアプローチを採用した。具体的には以下のステップで実行している。
- ・さくらのAI Engine（Kimi-K2.7-Code）に画像をインプットする。
- ・OpenAI互換APIを利用したPythonスクリプトにより、画像をBase64エンコードして送信する。
- ・画像内のレイアウト、配色、テキスト、構造を詳細に記述するプロンプトを生成させる。
- ・生成されたプロンプトをGeminiやChatGPT等の画像生成AIへ投入する。
// Result
画像生成AIを用いて、元の画像と極めて類似したスタイルのインフォグラフィックを再現できた。具体的な成果は以下の通りである。
- ・「基本版」と「詳細版」の2種類のプロンプト生成に成功した。
- ・Gemini(3.6 Flash)およびChatGPT(5.5最速)において、意図に近い画像が得られた。
- ・Pythonスクリプト（uv使用）により、画像入力からプロンプト出力までの工程を自動化した。
Senior Engineer Insight
> マルチモーダルLLMによる「デザインの言語化」は、アセットの再利用性を劇的に高める。OpenAI互換APIの採用は、既存のライブラリをそのまま利用できるため、開発体験（DX）が非常に高い。ただし、図解内のテキスト精度や数値の正確性には限界がある。実戦投入の際は、生成されたプロンプトをベースにしつつ、人間が最終的な微調整を行うワークフローが現実的である。