現在の代表的な画像生成AI、それぞれ何が得意？
Stable Diffusion・Midjourney・GPT Image・FLUX・Nano Banana 2をざっくり比較
画像生成AIって、全部同じ仕組みで画像を作っているの？今回は、現在よく使われている代表的な画像生成AIについて、
「何が得意なのか」＋「どんな技術が使われているのか」を初心者向けにざっくりまとめます。
※ここからは、生成AIパスポート試験の範囲を超えた補足内容です。
※2026年8月時点の公開情報をもとに、初心者向けに簡略化しています。
※各サービス・モデルは継続的に更新されているため、特徴や仕組みは今後変わる可能性があります。
※2026年8月時点の公開情報をもとにしています。
Stable Diffusion
（ステーブル・ディフュージョン）
特徴
カスタマイズ性が高く、自分のPCでも利用できる
自分のPC上で動かすことを、「ローカル環境で動かす｣
といいます。
Stable Diffusionは、ローカル環境でも動かせるため、
モデルを変える
細かく設定を調整する
自分好みにカスタマイズする
といった使い方がしやすいのが特徴です。
どんな技術を使っている？
Stable Diffusionは、
Latent Diffusion（レイテント・ディフュージョン／潜在拡散モデル）をベースにしています。
Latent Diffusionは、1つの技術だけで動いているわけではなく、いくつかの仕組みを組み合わせています。
VAE系のオートエンコーダー
画像を潜在空間へ圧縮し、最後に画像へ戻す役割。
U-Net
潜在空間の中でノイズを予測し、段階的に取り除く中心的なネットワーク。
Conditioning（コンディショニング／条件付け）
テキストなどの指示を、画像生成に反映させる仕組み。
ざっくりいうと、
画像を圧縮
↓
潜在空間でノイズ除去
↓
プロンプトなどの指示を反映
↓
最後に画像へ戻す
というイメージです。
Midjourney
（ミッドジャーニー）
特徴
芸術的で、雰囲気や世界観のある画像が得意
写真風の画像だけでなく、
幻想的なイラスト
コンセプトアート
世界観を重視したビジュアル
などを作りたいときによく使われています。
どんな技術を使っている？
Midjourneyはモデルを継続的にアップデートしていますが、内部の詳しい生成方式はすべて公開されておりません。
GPT Image
（ジーピーティー・イメージ）
特徴
ChatGPTで現在使われている画像生成
大きな特徴は、会話しながら画像を修正しやすいこと。
たとえば、
「ここだけ変えて」
「文字を修正して」
「このキャラクターは残して」
「背景だけ変えて」
といった指示を、普通の文章で伝えられます。
どんな技術を使っている？
OpenAIの画像生成では、従来のDALL·Eで使われていたDiffusionとは異なる、
自己回帰型
Autoregressive（オートリグレッシブ）
の画像生成も使われています。
ざっくりいうと、
画像を表す情報について、「次に何が来るか」を予測しながら順番に生成していく方式です。
文章生成AIが、
「次に来そうな言葉は何か？」を予測するのと、少し似た考え方です。
FLUX
（フラックス）
FLUXは、Black Forest Labs（ブラック・フォレスト・ラボ）が開発する画像生成AIシリーズです。
Black Forest Labsは、Stable Diffusionの開発に関わった研究者らによって設立されました。
特徴
高品質でリアルな画像を生成しやすい
プロンプトの内容を反映しやすい
画像内の文字表現に強い
複雑な構図や細部の破綻を抑えやすい
といった点で注目されています。
代表的なモデルのひとつが、
FLUX.1（フラックス・ワン）です。
どんな技術を使っている？
FLUX.1では、
Rectified Flow Transformer
（レクティファイド・フロー・トランスフォーマー）
という方式が使われています。
ざっくりいうと、
ノイズの状態から完成画像へ向かう「変化の流れ」を学習して画像を生成する仕組みです。
Stable Diffusionの単純な「進化版」や「後継モデル」ではありません。
ただし、
Stable Diffusionに関わった研究者たちが、その後さらに新しい画像生成アプローチへ発展させたモデルのひとつ
と考えると、流れをつかみやすいと思います。
FLUX.1の代表的なモデル
FLUX.1 Pro（プロ）
高品質な生成向け。
FLUX.1 Dev（デブ）
研究・開発向けのオープンウェイトモデル。
FLUX.1 Schnell（シュネル）
高速生成を重視したモデル。
※「FLUX」はシリーズ全体を指す広い呼び方で、FLUX.1はその中の第1世代のモデル群です。
Nano Banana 2
（ナノ・バナナ・ツー）
正式名称は、Gemini 3.1 Flash Image（ジェミニ・スリー・ポイント・ワン・フラッシュ・イメージ）
Geminiで使われている画像生成AIです。
特徴
文字表現
画像編集
複数画像の参照
指示への対応
世界知識を活用した生成
などが特徴です。
特に、画像を新しく作るだけでなく、
「この画像をこう変えて」
といった編集にも強いのがポイントです。
どんな技術を使っている？
Nano Banana 2については、内部の詳しい生成方式は、現時点では明確に公開されていません。
画像生成AIは「Diffusionだけ」ではない
画像生成AIというと、Diffusionを思い浮かべる人も多いと思います。
でも現在は、
Diffusion系
自己回帰型
Flow系
内部方式が非公開のモデル
など、さまざまなアプローチが並行して発展しています。
つまり、Diffusionがそのまま一直線に進化して、すべての画像生成AIになった
というわけではありません。
いろいろな研究や技術が組み合わさりながら、別の方向にも広がっています。
生成AIパスポートを勉強している方へ
生成AIパスポートでは、まず
VAE、GAN、Diffusionの基本を押さえることが大切です。
今回紹介した、
Stable Diffusion
Midjourney
GPT Image
FLUX
Nano Banana 2
については、
「試験範囲のその先では、画像生成技術がこんなふうに広がっているんだ」
という補足として見てもらえればと思います。
技術の名前だけ暗記するより、
「画像生成AIにもいろいろな作り方がある」
と理解しておくと、全体像がつかみやすくなります。
最後までお読みくださり、ありがとうございます🐾
