なぜクライアントのロゴがまだジャガイモのように見えるのか
先月、ピッチ用に「東京の未来的なコーヒーショップ」のクイックモックアップが必要でした。予算：ゼロ。タイムライン：30分。Stability AIのDreamStudioを開き、プロンプトを入力して待ちました。2秒後、4つのバリエーションが得られました。1つは漢字で実際に「コーヒー」と綴られたネオンサイン、もう1つは不気味に隣人のように見えるバリスタロボット。透かしも「クレジット」のお願いもありません。その時気づきました：これはDALL-Eのピカピカで消毒されたいとこではありません。これは粗削りでカスタマイズ可能な働き者です。
実際の機能：Stability AIは、テキストから画像を生成するオープンソースモデルStable Diffusion上で動作します。Midjourneyの夢のような油絵風やDALL-Eのプラスチックのような光沢とは異なり、生でしばしば写実的な出力を提供し、制御も可能です。プロンプト強度（テキストにどれだけ従うか）、ステップ数（反復深度）、シード番号（再現性用）を調整できます。「モノクルをつけたサイバーパンクの猫」を先週のバッチとまったく同じに見せたい？同じシード、同じ結果。推測ゲームは不要です。
価格の現実（無駄なし）：DreamStudioの無料ティアでは25クレジットが与えられ、約25枚の標準画像に十分です。その後は10ドルで1000クレジット。高解像度（512x768）画像1枚で1クレジット消費、1024x1024へのアップスケールは4クレジット消費。ヘビーユーザー向けには、APIが1画像あたり0.002ドル（512x512）で動作します。Midjourneyの月30ドル200画像と比較すると、出力あたり約10分の1のコストです。しかし——落とし穴があります。無料のウェブインターフェースは使い勝手が悪く、バッチ処理がありません。独自のUIを構築するか、Automatic1111のようなサードパーティツール（8GB以上のVRAMを持つGPUが必要）を使用する必要があります。
得意なところ（と失敗するところ）：本の表紙用に「フラクタル孔雀」の50のバリエーションを異なるカラーパレットで10分以内に生成したことがあります。このモデルは複雑な構図（例：「ビクトリア朝の温室でバイオリンを弾くスチームパンクのタコ」）をDALL-Eよりうまく処理しますが、手やテキストは苦手です。顔は？当たり外れがあります。写実的なポートレートには、インペインティング（特定領域の修正）と組み合わせるか、GFPGANのようなサードパーティの顔復元ツールを使用する必要があります。オープンソースの性質により、独自のデータセット（例：製品の200枚の写真）で微調整できますが、技術的なスキルが必要です。
醜い真実：Stability AIの最大の強み——オープン性——は同時に弱点でもあります。モデレーションのガードレールがないため、NSFWコンテンツ、著作権で保護されたキャラクター、ディープフェイクを生成できます。同社の公式APIは「有害な」プロンプトをブロックしますが、オープンソースモデルはブロックしません。プロフェッショナルなら、独自の倫理ポリシーを適用する必要があります。また、コミュニティ主導のエコシステムは断片的です。ある日新しいアップスケーラープラグインが動作しても、翌日には放棄されます。あなたは洗練されたものにお金を払っているのではなく、生のパワーと柔軟性にお金を払っているのです。
