画像生成AIの「ガチャ」は終わった。JSON構造化プロンプトで制御する「プロンプト・アーキテクチャ」入門

ComfyUI・Stable Diffusionの基礎から押さえたい方は、ComfyUIの使い方完全入門もあわせてご覧ください。

1. なぜ「自然言語」ではなく「JSON」なのか？

初期の画像生成AIでは「サイバーパンクな都市の夜景」といった呪文（プロンプト）が主流でした。一方、ChatGPTの画像生成やFLUX.2のような新しいモデルは、言語モデルで指示を読むので、長く構造化した指示も渡せるようになりました。

1.1 LLMネイティブな解釈メカニズム

新しい画像生成モデルには、プロンプトを言語モデルで読むものがあります。たとえばFLUX.2 [klein]は、公式がテキストエンコーダーにQwen3 4B（言語モデル）を指定しています。言語モデルはJSONやYAMLのような構造化データも読めるので、属性ごとに区切った指示を渡せるのが利点です（構造化したほうが結果が良くなるかを、当サイトで比べたわけではありません）。

1.2 属性分離 (Disentanglement) による制御

最大のアドバンテージは「属性の分離」です。

例えば文章で「赤い車と青い服を着た男」と書くと、AIは「赤」と「青」を混同しがちです（Attribute Bleeding）。JSONでスコープを区切るのは、この混同を起こしにくくする狙いです（完全に防げるとは限りません）。

2. コピペで使える「マスター・プロンプト・スキーマ」

Tech Otaku Labが提唱する、汎用性の高いJSON構造（スキーマ）を紹介します。これをテンプレートとして、main_subject や environment の中身を書き換えるだけで、一貫性のある画像生成が可能になります。

{
  "meta": {
    "usage_context": "product_photography",
    "model_version": "dall-e-3"
  },
  "main_subject": {
    "entity": "ヴィンテージの香水瓶",
    "appearance": {
      "material": "ガラスと真鍮",
      "color": { 
        "dominant": "amber", 
        "accent": "gold" 
      }
    }
  },
  "environment": {
    "location": "大理石のカウンター",
    "lighting": {
      "type": "natural_light",
      "direction": "side_lighting",
      "shadows": "soft_diffused"
    }
  },
  "camera_technical": {
    "lens": "macro_100mm",
    "aperture": "f/2.8",
    "focus": "sharp_on_subject"
  },
  "style": {
    "medium": "photorealistic",
    "color_palette": ["#FFD700", "#FFFFFF"]
  }
}

この構造のポイントは、「照明（Lighting）」と「カメラ設定（Camera Technical）」を独立させている点です。単に「綺麗な写真」と書くのではなく、f/2.8 や side_lighting と物理パラメータを指定することで、AIのレンダリングエンジンに対して具体的な「光の計算」を指示できます。

スキーマの各セクション解説

3. 自然言語 vs JSONプロンプト 比較分析

従来の手法と何が違うのか、メリット・デメリットを整理しました。

4. 主要モデル別・実装ワークフロー

ChatGPT（画像生成）の場合

※ OpenAIはDALL·E 3を廃止し、APIから削除しています（OpenAIの公式のモデルのページ・2026年10月時点）。ChatGPTで画像を作る場合も、ここで書く手順はモデル名に依存しません。

ChatGPT上で使用する場合、JSONをそのまま貼り付けるだけでは不十分です。以下の「メタプロンプト」を添えて指示してください。

以下のJSON構造記述に基づいて詳細な画像生成プロンプトを作成し、
画像を生成してください。

JSON内の指定事項を厳守し、勝手な要素追加を行わないこと。

[ここにJSONを貼り付け]

Stable Diffusion / Midjourney の場合

これらのモデルはJSONをネイティブサポートしていません。そのため、「保存・管理はJSON、生成時はタグ変換」というワークフローを採用します。

ChatGPT等を使って、先ほどのJSONから (vintage perfume bottle), macro lens, f/2.8, side lighting... といったタグ列に変換させてから入力しましょう。

5. 実践テクニック：JSONプロンプトの最適化

5.1 階層構造を活用したバリエーション生成

JSONの階層構造を利用すれば、特定の属性だけを変更した複数バリエーションを効率的に生成できます。

// ベースのJSON（color.dominant だけ変更）
"color": { "dominant": "amber" }   // バージョンA
"color": { "dominant": "emerald" } // バージョンB
"color": { "dominant": "ruby" }    // バージョンC

5.2 ネガティブプロンプトの構造化

「生成してほしくないもの」もJSON化することで、より明確な制御が可能です。

"exclude": {
  "elements": ["人物", "テキスト", "ロゴ"],
  "defects": ["歪み", "ノイズ", "低解像度"],
  "styles": ["アニメ調", "漫画風"]
}

5.3 テンプレートライブラリの構築

用途別にJSONテンプレートを用意しておけば、作業効率が劇的に向上します。

• product_photography.json – 商品撮影用
• character_portrait.json – キャラクター肖像用
• landscape_scene.json – 風景シーン用
• technical_diagram.json – 技術図解用

6. 生成AIを快適に動かす環境を整える

JSONプロンプトを駆使して「究極の1枚」を生成するには、試行回数が重要です。ローカル環境（Stable Diffusion）で高速に生成を回すなら、VRAM容量の多いGPUを搭載したBTOパソコンが必須となります。

いきなりPCを新調せず試行回数だけ増やしたい場合は、Google Colab Pro（A100）などのクラウドGPUで回してから必要スペックを見極める手もあります。

推奨サイコム（Sycom）

構成のカスタマイズ幅が広く、VRAMの多いGPUや大容量メモリを指定して組めます。生成AI向けに冷却まで含めて詰めたい場合に向いています。

サイコムで生成AI向け構成を見積もる※ 構成はパーツ単位でカスタマイズ可・PC本体の梱包発送料は3,850円（税込・2026年10月1日以降の注文）

また、カフェや出先の公衆Wi-Fiから生成AIのサービスやクラウドに作業データを送るなら、通信を暗号化するVPNも選択肢です。

定番NordVPN

公衆Wi-Fiなどでの通信を暗号化して守れます。なお、提供地域が限られたサービスをVPNで使う使い方はおすすめしません（多くのサービスが利用規約で利用できる地域を定めています）。

NordVPNの料金プランを見る※ 30日間返金保証あり（初回購入のみ）・1アカウントで最大10台接続

7. まとめ：プロンプトは「書く」から「設計する」へ

画像生成AIは、遊びのフェーズから実務のフェーズへと移行しています。

JSON構造化プロンプトは、AIを「魔法の杖」から「精密な工作機械」へと変えるための鍵です。まずは先ほどのマスタースキーマをコピーして、あなたの作りたい世界観を定義してみてください。

よくある質問