AI画像プロンプトでキャラクタービジュアルを作る

新しいアーク3セッション目、プレイヤーたちは派閥リーダーのビジュアル初公開を期待してテーブルに集まった。40分かけて生成した肖像画は、ありふれた黒ずきんのヴィランにしか見えなかった。自分が作り上げたキャラクターとはほど遠い代物だ。問題はツールではない。AI画像プロンプトを正しく構造化すれば、50セッションにわたって視覚的な一貫性を保つキャラクターアート、ロケーション描写、派閥ビジュアルを生成できる。ここにその構造を示す。

なぜほとんどのプロンプトはテーブルで機能しないのか

TTRPGのGMはロアを書き慣れているため、プロンプトもロアのエントリーのように書いてしまいがちだ。キャラクターの歴史、動機、幼少期の傷跡、哲学的立場をテキストに詰め込む。だがそれらは画像には現れない。画像に現れるのは、画家が部屋の向こうから見えるもの：左頬の傷、狭い立ち姿勢、ベルトに見える3本のナイフだ。

「ショッピングリスト」方式も逆の意味で同じ問題を抱えている。キャンペーンフォーラムでよく見かけるプロンプトはこうだ：「エルフ・ローグ ダークフード ダガー 8k 超詳細 傑作」。ツールは何かを生成する。だが3セッション後に認識できるキャラクターが出てくることはほとんどない。「傑作」や「超詳細」といった品質文字列はトークンを消費するが、プレイヤーが実際に覚えられるものを描写できない。

根本的な問題は、多くのワールドビルダーがキャラクターについて知っていることを書くのに対し、AIイメージジェネレーターは見えるものを描画するという点にある。ロアを視覚的なアンカーに変換する技術を習得するほど、キャンペーンのビジュアルアイデンティティは早く一貫性を持つ。

キャラクターポートレートのための5ブロック構造

6ヶ月間のキャンペーン準備でテストした結果（Pathfinder 2eのホームブリューキャンペーンで30体以上のNPCを区別する必要があった事例を含む）、最も一貫した結果が得られたのは、5つの順序付きブロックだ。順序が重要なのは、モデルの注意の重みが前方の情報を優先するためだ。

ブロック1：役割と種族。 複合名詞で1つ。「ハーフリングの製図士」「ドワーフの攻城技術者」「ティーフリングの宮廷学者」。名前ではなく、バックストーリーでもなく、アーキタイプと種族だけだ。

ブロック2：永続する視覚的アンカー。 セッション後の記憶から書かれたキャラクター描写を生き残る、具体的で視覚的な詳細を2つか3つ。「欠けた前の牙」「銀の三日月型イヤリング」「右前腕の火傷跡」。これらが複数のプロンプト生成にわたってキャラクターを識別可能にする詳細だ。画像に見えない詳細はプロンプトから外すこと。

ブロック3：装備とシルエット。 着用しているものや携帯しているものを、ポートレートで読み取れるほど正確に描写する。「チェインメイルの上に重い革のエプロン」は「革のエプロン」とは異なって見える。「低く構えた2本の細いダガー」は「ダガーを持つ」とは異なるシルエットだ。ここでの具体性は装飾ではない：モデルが1つの装備セットと別のものを区別する唯一の方法だ。

ブロック4：ムードとポーズ。 表情に1語、姿勢に1語。「警戒している、重心を後ろに引いている」「面白そうにしている、顎を傾けている」。抽象的な感情状態は避け、感情の身体的な表現を使うこと。モデルは「葛藤している」を描画できないが、「緊張した顎、焦点の定まらない目」は描画できる。

ブロック5：照明とフォーマット。 ここで実際に必要な出力のタイプをツールに伝える。「ポートレート、後ろにろうそくの明かりの石壁、油絵スタイル、落ち着いたパレット」。VTTトークン用なら「ポートレート、白い背景、デジタルイラスト」。ヴィラン初公開用なら「劇的な下からの照明、暗い背景、コンセプトアート」。すべてのキャラクタープロンプトでフォーマットブロックを統一すれば、キャンペーン全体のビジュアルレジスターが設定される。

プロンプトの合計長は40語から80語に収まるようにする。80語を超えるとシグナルが失われ始め、30語未満では汎用的な結果になる。

ロケーションプロンプト：シーンを特定する1つの要素

キャラクターポートレートには公式がある。ロケーションプロンプトには異なる落とし穴がある：汎用性だ。「夜の古代遺跡の塔」は誰もが1000回見たような画像を生成する。雰囲気は正しいが、感情的には何も与えない。

解決策は1つの要素の具体性にある。「夜の古代遺跡の塔」は汎用的だ。「崩壊した東の塔と狭い矢狭間からにじみ出るオレンジ色の松明の光を持つ断崖の城塞」はロケーションだ。具体性はプロンプト全体にある必要はない。1つの正確な建築的詳細、1つの珍しい大気条件、1つの過去の痕跡があれば、ストック画像の結果を超えるには十分だ。

長期キャンペーンを運営するGMにとって、ロケーションプロンプトは二次的なアンカーから恩恵を受ける：そこで何が起きたかの証拠だ。「崩れ落ちた宴会場、廃墟の下に半分埋まったグランドピアノ」は廃墟を文明の中に置く。「戦闘から3日後の戦場、木立のカラス、泥の中に放棄された攻城兵器」は風景に歴史を与える。これらの詳細は画像を損なうことはほとんどなく、頻繁に場面を「レンダリングされた空間」ではなく「人が生きた空間」に変える。

ロケーションプロンプトは40語から60語に収め、建築的な特徴を列挙しすぎないようにする。明確な構造が1つ、大気条件、物語的な詳細が1つ。

長期キャンペーンでビジュアルの一貫性を保つ方法

60セッションや80セッション続くキャンペーンの本当の問題は、良い画像を生成することではない。一貫した画像を生成することだ。4セッション目に登場した派閥リーダーは、状況が変わって新しいポートレートが必要な47セッション目でも、彼女とわかる外見でなければならない。

実践的な解決策はプロンプトのCodexだ：各正規画像を生成した正確なプロンプト、出力URL、使用したツールを保管する専用ドキュメント。同じキャラクターの新しい画像が必要なとき、ブロック2のアンカーをそのまま引用し、ブロック3から5だけを更新する。「欠けた前の牙、銀の三日月型イヤリング」は変わらない。装備、ムード、フォーマットが変わる。

キャンペーン全体のスタイル一貫性は、キャラクターの一貫性より難しい。最もシンプルなアプローチは、1つのスタイル文字列を選んで変えないことだ。すべてのキャラクタープロンプトに「油絵スタイル、落ち着いたパレット、ソフトフォーカスの背景」を固定サフィックスとして付けることで、キャラクターごとにスタイルを合わせようとするより速くビジュアルの統一感が生まれる。キャンペーンに1つのビジュアルレジスター：小説に1つの文体があるように。

一部のツールはこれをうまく処理する。Leonardo AIのキャラクターリファレンス機能は、参照画像をロックして新しいポーズや照明で再生成できる。承認済みポートレートが1枚あれば、逐語的なプロンプトの繰り返しが不要になる。大きなキャストを持つGMにとって、このワークフローコストは払う価値がある。

用途別AIイメージジェネレーターの選び方

正直に言えば、キャンペーンのビジュアルライブラリに必要なすべてをこなせる単一のツールは存在しない。

Midjourneyは完成したポートレートの品質で最良の結果を出す。顔、生地、雰囲気のレンダリングで他のツールが安定して一致できないレベルに達している。トレードオフはクローズドなエコシステムだ：Webインターフェース内で作業し、ローカルで実行できず、大きなキャストでのスタイル一貫性には丁寧なプロンプトの文書化が必要だ。

Stable Diffusionは、利便性よりプロセスへのコントロールを望むGMのためのツールだ。ローカルで実行すれば、画像ごとのコストなしに大量バッチを処理でき、特定のアートスタイルやキャラクターリファレンスのファインチューニングが可能だ。プロンプト構文が異なる（ネガティブプロンプトは別のフィールドに入れ、モデルの重みが重要）。セットアップコストは現実的にある。見返りは、サードパーティサービスではなくキャンペーン自体に属するビジュアルパイプラインだ。

Leonardo AIは品質と柔軟性の両方で中間に位置する。キャラクターリファレンスシステムは、長期キャンペーンにわたって視覚的一貫性を維持するための3つの中で最もGMフレンドリーだ。複雑なシーンの画像品質はMidjourneyを下回るが、ファインチューニングなしの平均的なStable Diffusion出力を上回る。

Ideogramは派閥の紋章デザイン、紋章のクレスト、地図的なイラストのために知っておく価値がある。フォトリアリスティック志向のモデルよりもスタイライズされたフラットグラフィックをより綺麗に処理し、幾何学的形状の読みやすさが顕著に優れている。ポートレートツールの代替ではなく、それを補完する有用なツールだ。

Forgeが生成するものと、自分で書く必要があるもの

GMがAI画像プロンプトを使い始め、十分な結果が得られると、ビジュアル生成を根本的なデザイン作業の代わりに使い始めるパターンがある。ポートレートが存在するから、キャラクターが存在する。ロケーションのコンセプトアートがあるから、ロケーションが構築されている。

問題はテーブルで現れる。プレイヤーが派閥リーダーの顔の傷について聞く。あなたはそれがそこにあるのを知っている：プロンプトで描写したから。だがロア内でそれが何を意味するかは知らない。Forgeは見える表面を生成する。その背後の歴史は人間が一筆入れる必要がある。

AI支援による画像生成は、根本的なデザインがすでに固まっているときに最速で最も有用だ。明確な動機、派閥構造における明確な役割、少なくとも1つの他のキャラクターとの関係を持つキャラクターは、より有用なプロンプトを生み出す：どの3つの視覚的アンカーが実際に重要かがわかるからだ。4セッション目の役割を埋めるためだけに存在する空白のキャラクターは、あなたがまだ彼らの特殊性を知らないため、汎用的なポートレートを生み出す。

これはツールへの批判ではない。ツールを最大限に活用する方法の説明だ。ロアが信念を獲得するかどうかは別問題だ。キャラクターが誰であるかを知った後に画像を生成すること：それを発見するためではなく。

実際のセッションでどう機能するか

5ブロック構造は、視覚的アンカーが意図的に選ばれたとき（性格特性ではなく身体的なマーカーとして）、セッションにわたって機能するキャラクターポートレートを生み出す。1つの特定の建築的または物語的詳細を持つロケーションプロンプトは、汎用的なストック結果を超える。キャンペーン全体のスタイル一貫性は、1つのビジュアルレジスターを選び、すべてのキャラクタープロンプトで固定サフィックスを同一に保つことから生まれる。

ツールが生成する画像は、ほとんどのGMが他の手段では入手できないものより質が高く、セリフのあるすべてのNPCのために個々の作品を依頼するより速い。縮まらないギャップは、最初からキャラクターを生成する価値があるものにするデザイン作業だ。それはまだGMの仕事であり、AI支援ツールはその作業が完了してからこそよく機能する。