プロンプトに忠実な画像生成で比較するGPT Image 2とSeedream 5 Pro
結果はタスクによって分かれましたが、今回のシナリオではGPT Image 2がより多くの項目で優位でした。元画像の保持、参照画像に基づく編集、ライティングの変更、素材の質感表現、人体の描写、商品を配置するシーンの変更にはGPT Image 2を。多言語の文字表現、広告レイアウト、アスペクト比を変えるアウトペインティングにはSeedream 5 Proを選びましょう。数の正確さと構造化されたUIグラフィックでは互角でした。
機能を並べて比較
| 項目 | GPT Image 2 | Seedream 5 Pro |
|---|---|---|
| 開発元 | OpenAI | ByteDance |
| Banana Pieでの提供状況 | 利用可能 | 利用可能 |
| 必要クレジット | 20クレジット | 25クレジット |
| 最大解像度 | 4K | 2K |
| 参照画像 | 最大8枚 | 最大8枚 |
シーン別比較
同じプロンプト、2つのモデル。以下の公開画像で違いを比較してください。
商品の素材感とライティング
この条件ではGPT Image 2が優位左は、オブジェクトに関する制約を満たしながら、素材、屈折、ライティングの要件にもより忠実です。液体が半分入っているという点では右のほうが近いものの、プロンプト全体への適合度は左が上回ります。
- 透明な長方形の香水ボトルが1本だけ写っており、文字、ロゴ、余分なオブジェクトがない：引き分け。どちらの画像にも、濡れた黒い石の上に透明な長方形の香水ボトルが1本だけ置かれており、目に見える文字、ロゴ、植物、独立した余分なオブジェクトはありません。
- ボトルの半分まで琥珀色の液体が入っている：右が優位。右のボトルでは、琥珀色の液面がボトル本体のほぼ半分に位置しています。一方、左では正面から見える内部空間の半分よりやや上まで入っているように見えます。
- ガラスの屈折と濡れた黒い石に映る反射が物理的に一貫している：左が優位。左はガラスの輪郭がより鮮明で、長方形の壁面を通した屈折にも一貫性があり、反射もボトルと琥珀色の液体の位置に合っています。右では、液体を通して見える内部チューブの湾曲や屈折線の説得力がやや劣ります。
- 左上からのライティングによって、一貫したハイライトと自然な接地影が生じている：左が優位。左は明らかに左上から強く照らされており、明るいハイライトと右方向に伸びる影が整合しています。右のハイライトも不自然ではありませんが、左上からの光であることがやや不明瞭で、接地影も目立ちません。
使用したプロンプトと設定
プロンプト
A premium product photograph of exactly one transparent rectangular perfume bottle, half filled with amber liquid, standing upright on wet black stone. Light comes from the upper left, creating coherent refraction, a contact shadow, and one subtle reflection. No text, logo, plants, or extra objects.
多言語タイポグラフィ
この条件ではSeedream 5 Proが優位右は指定された4行構成と正確なテキストを維持しており、プロンプトにより忠実です。左は1行目を誤って2行に分割しています。
- ポスターには中央揃えのテキストが正確に4行だけあり、ほかのテキストがない：右が優位。右は「MOONLIGHT MARKET」「月光市集」「18 OCT」「RIVER HALL」という中央揃えの4行を正確に表示しています。左は「MOONLIGHT MARKET」が「MOONLIGHT」と「MARKET」に分割されているため、中央揃えの5行になっています。
- 4行が「MOONLIGHT MARKET」「月光市集」「18 OCT」「RIVER HALL」の順に正確に記載されている：右が優位。右は4行を「MOONLIGHT MARKET」「月光市集」「18 OCT」「RIVER HALL」と正確に描画しています。左のテキストは「MOONLIGHT」「MARKET」「月光市集」「18 OCT」「RIVER HALL」となっているため、1行目が指定どおりではなく、行数と順序の形式も誤っています。
- 「月光市集」が赤で、ほかの3行が黒である：引き分け。どちらの画像でも「月光市集」は赤、英語と日付の行は黒で描画されています。
- すべてのテキストが読みやすく、均等な間隔で視覚的に整列している：右が優位。右のテキストは読みやすく中央揃えで、コンパクトなポスターレイアウトとして均等に配置されています。左も読みやすく中央揃えですが、タイトルの分割によって視覚的な間隔が不均等になり、意図された4行の整列が崩れています。
使用したプロンプトと設定
プロンプト
Design a clean cream-colored vertical event poster. Show exactly four centered text lines and no other text: "MOONLIGHT MARKET", "月光市集", "18 OCT", and "RIVER HALL". Render "月光市集" in red and all other lines in black.
人体構造と接触表現
この条件ではGPT Image 2が優位指の形状自体は右のほうがやや整って見えるものの、手の数と各手に5本の指があるという要件は左のほうが満たしています。
- 完全に見える手が正確に2つあり、余分な手や人物がいない：左が優位。左には手が正確に2つ、人物が1人だけ写っており、両手ともボウルの上でより完全に見えています。右にも手が正確に2つあり、余分な人物はいませんが、ボウルの内側にある手の親指が隠れているため、完全に見えている度合いでは劣ります。
- それぞれの手に、自然な形状の明確な指が正確に5本ある：左が優位。左は一部の指が粘土に覆われ、互いに近接しているものの、それぞれの手に5本の指があるように見えます。右では、ボウルの内側にある手の指が4本しか明確に見えず、親指を判別できません。外側の手には5本の指があるように見えます。
- 指、関節、粘土との接触が解剖学的に自然である：右が優位。右では、見えている指と関節の比率がより自然で、ボウルのつかみ方にも説得力があります。左は粘土に覆われた指の構造を読み取りにくく、左側の手の一部の指先が粘土との接触部分でわずかに密集、または融合しているように見えます。
- 粘土のボウル、回転するろくろ、成形動作を明確に認識できる：引き分け。どちらの画像にも、回転するろくろの上に粘土のボウルがあり、手で粘土を成形または支えている様子が明確に描かれています。左はろくろの回転ブレと内側からの接触を強調し、右はボウルの形状とろくろを明瞭に見せています。
使用したプロンプトと設定
プロンプト
A photorealistic close-up of an adult potter shaping a clay bowl on a spinning wheel. Both hands are fully visible, each with five natural fingers touching the clay. No other people or hands. Soft window light.
数量表現と属性の対応付け
用途によるどちらの画像も、指定された数、位置、色、形状、素材、右向きのマグカップの取っ手、余分なテキストやオブジェクトがないことなど、すべての要件を満たしています。差はわずかで、評価基準上の明確な優劣はありません。
- 左側に赤い立方体が正確に3個、右側に青い球体が2個、その後ろの中央に黄色いマグカップが1個ある：引き分け。どちらの画像にも、左側に赤い立方体が3個、右側に青い球体が2個、オブジェクトの後ろの中央付近に黄色いマグカップが1個あります。
- 指定された色、形状、素材が各オブジェクトに正しく対応付けられている：引き分け。どちらにも赤い立方体、ガラスのような青い球体、光沢のある黄色い陶器風のマグカップが描かれています。立方体の木目は右のほうがやや明瞭ですが、どちらも対応付けの要件を満たしています。
- マグカップの取っ手が明確に右を向いている：引き分け。どちらの画像でも、マグカップの右側に取っ手が見えます。
- 追加のオブジェクトやテキストがない：引き分け。どちらの画像にも、余分なオブジェクトや描画されたテキストはありません。
使用したプロンプトと設定
プロンプト
On a matte gray table, exactly three red wooden cubes form a row on the left, exactly two blue glass spheres sit on the right, and one yellow ceramic mug stands centered behind them. The mug handle points right. No other objects or text.
広告構図
この条件ではSeedream 5 Proが優位靴を右下により明確に配置しているのは左ですが、テキストとレイアウトの制約には全体として右のほうが忠実です。
- 銀色の靴が右下に1足だけあり、オレンジ色の軌跡が左下から始まっている：左が優位。左では銀色の靴が1足だけ明確に右下へ配置され、オレンジ色の軌跡も左下から始まっていることがわかります。右にも銀色の靴が1足と左下から始まるオレンジ色の軌跡がありますが、靴は明確な右下というより、右側中央から下半分に位置しています。
- 表示されるテキストが、正確に綴られた「RUN LIGHT」と「42 KM」だけである：右が優位。右には「RUN LIGHT」と「42 KM」だけが表示されています。左も「RUN LIGHT」と「42 KM」を正確に表示していますが、靴に余分な「AERO」というテキストがあります。
- 上部15パーセントが明確にすっきりと空けられ、その直下に見出しが配置されている：右が優位。右は上部を空け、そのすぐ下にある左上へ「RUN LIGHT」を配置しています。左も上部はすっきりとしていますが、見出しの位置がかなり低く、空けられた上部領域の直下にはありません。
- 必要な要素がすべて完全に見え、明確な視覚的階層を形成している：右が優位。右では、靴、オレンジ色の軌跡、見出し、バッジがすべて完全に見え、整然とした広告レイアウトになっています。左にも明確な視覚的階層がありますが、靴にある余分な「AERO」のテキストが、表示テキストを限定する要件に反し、視覚的なノイズを増やしています。
使用したプロンプトと設定
プロンプト
Create a vertical social ad for a fictional running shoe named AERO. Keep the top 15 percent empty. Directly below it, place the headline "RUN LIGHT" in the upper-left. Show exactly one silver shoe in the lower-right, an orange trail curving from the bottom-left, and a round badge reading "42 KM". No other shoes or text.
構造化されたUIグラフィック
用途によるどちらの画像も、正確なテキスト、3列の構成、各列3行、各列に1つの青いSELECTボタンという、構造化された料金表グラフィックの要件を満たしています。評価基準上の明確な優劣はありません。
- グラフィックに正確なタイトル「CHOOSE YOUR PLAN」があり、「STARTER」「PRO」「TEAM」と記載された列が正確に3つある：引き分け。どちらの画像にも、タイトルとして「CHOOSE YOUR PLAN」が正確に表示され、3列のラベルも「STARTER」「PRO」「TEAM」と正確に表示されています。
- 各列に「PROJECTS」「STORAGE」「SUPPORT」と記載された、整列した行が正確に3つある：引き分け。どちらの画像でも、各列に「PROJECTS」「STORAGE」「SUPPORT」という行ラベルが同じ順序で正確に表示され、列間で整列しています。
- 各列に「SELECT」と記載された青いボタンが正確に1つある：引き分け。どちらの画像にも各列に青いボタンが1つずつあり、すべて「SELECT」と正確に記載されています。
- 各列が均等に整列し、追加の列やテキストがない：引き分け。どちらの画像も均等な間隔の3列構成で、追加の列はなく、「CHOOSE YOUR PLAN」「STARTER」「PRO」「TEAM」「PROJECTS」「STORAGE」「SUPPORT」「SELECT」以外のテキストも描画されていません。
使用したプロンプトと設定
プロンプト
Create a clean horizontal pricing comparison graphic titled "CHOOSE YOUR PLAN". Use exactly three equal columns labeled "STARTER", "PRO", and "TEAM". Under each column, show exactly three aligned rows labeled "PROJECTS", "STORAGE", and "SUPPORT", followed by one blue button labeled "SELECT". White background, dark navy text, no additional columns or text.
6点の参照画像によるオブジェクト対応付けと編集
この条件ではGPT Image 2が優位総合的には左の編集結果が優れています。物の位置と元のシーンの保持という評価基準で明確な差をつけています。一方、右の主な強みは、2個のレモンの見た目がより忠実なことです。
- 評価基準1：左が優れています。紺色のマグカップは、元のマグカップの左下の位置、大きさ、右向きの持ち手を忠実に保っています。また、ストライプ柄のナプキンは元のタオルの位置に収まり、折り目と縞模様も参照画像3によく一致しています。右も指定どおりに置き換えていますが、どちらの物も元のシーンより小さく、位置がずれています。
- 評価基準2：左が優れています。どちらも洋梨と青いノートを取り除き、オレンジ1個と黒いゴムバンド付きのマスタードイエローのハードカバーノートを描いていますが、左は両方とも元の洋梨とノートの位置や比率をより忠実に保っています。
- 評価基準3：右が優れています。どちらもマグカップの右にレモンをちょうど2個だけ配置していますが、右は左側のレモンに大きな緑の葉を残しており、参照画像6をより忠実に再現しています。左ではその葉が省かれています。
- 評価基準4：左が大幅に優れています。広い画角、元の天板の輪郭、見分けられる木の節や木目、編集した物同士の元の間隔を保っています。右は画角と縮尺を変え、テーブルをより大きく切り取り、物の配置を上方かつ内側に移動させています。
使用したプロンプトと設定
プロンプト
Use Reference 1 as the base tabletop scene. Replace the red mug with the exact dark navy-blue mug from Reference 2 in the same position and orientation. Replace the folded white towel with the exact green-and-white striped napkin from Reference 3 in the same folded area. Replace the green pear with exactly one orange from Reference 4 in the same position. Replace the blue notebook with the exact mustard-yellow hardcover notebook from Reference 5 in the same position. Add exactly the two lemons from Reference 6 to the right of the mug. Preserve the wooden table, camera, framing, wood grain, lighting, shadows, and all other spatial relationships from Reference 1. Do not copy the white product backgrounds from References 2–6, duplicate any asset, or add other objects.
画像内テキストの置換
この条件ではGPT Image 2が優位どちらの出力も指定された文字を正しく描いていますが、左は置き換えた文字以外の元画像を保持しており、指定箇所だけを編集するという要件に、はるかに忠実です。
- 正確な文字の置き換え：どちらも「NIGHT OWL」を正確に描き、「MORNING BEAN」を完全に除去しています。
- 余分な文字や崩れた文字がないこと：どちらも整った正しい字形で「NIGHT OWL」だけを表示しており、余分な記号はありません。
- 書体の特徴、文字間隔、遠近感：左のほうが参照画像に近く、縦長のサンセリフ体、広めの文字間隔、中央配置、元の看板の遠近感を保持しています。右も似た文字を使っていますが、看板の大きさと見る角度がより目立って変わっています。
- 素材、照明、周囲のシーン：左は元の看板の質感、影、店舗正面の構図、シーン全体をほぼそのまま保っています。右は切り取り方、視点、店舗正面の比率、照明器具の位置、窓、植物、周囲の細部を明らかに変えています。
参照画像
使用したプロンプトと設定
プロンプト
Replace only the sign text with exactly "NIGHT OWL". Preserve the original font style, spacing, perspective, sign material, lighting, and everything else.
複数参照による人物の同一性維持と衣装転写
この条件ではGPT Image 2が優位総合的には左の結果が優れています。人物と元の構図をはるかに忠実に保ちながら、ジャケット固有の構造や表面の細部もより多く再現しています。
- 人物の同一性、表情、髪、ポーズ、体の比率、画角：左が優れています。顔、表情、髪のシルエット、手のポーズ、体の大きさ、切り取り方が参照画像1によく一致しています。一方、右は画面内の人物を小さくし、顔の比率、髪の位置、手の位置を明らかに変えています。
- ジャケットの素材、色、襟、ボタン、ポケット、袖のワッペン：左が優れています。参照画像2の淡いブルーのデニム、厚みのあるクリーム色のボア襟、胸ポケットの構造、ブロンズ色の金具、縫い目のパターン、袖上部の赤いワッペンをより忠実に再現しています。右は主なデザインを捉えていますが、デニムの細部を簡略化し、前開きとボタンの配置をより大きく変えています。
- マネキンや商品撮影用の背景を含めずに完全に置き換えること：両者は互角です。どちらも黒いスーツジャケットをデニムジャケットに完全に置き換えつつ、元の室内の壁とカーテンを残しており、マネキンや白い商品撮影用背景は見られません。
- 手、フィット感、重なり、影、照明の物理的な整合性：左が優れています。元の手をより忠実に保ち、両方の袖口を手首に自然に合わせ、シーンと一貫した照明や自然な折り目によってジャケットをなじませています。右もおおむね整合性はありますが、手の形が変わり、衣服の構造も平面的なため、忠実さと自然さで劣ります。
使用したプロンプトと設定
プロンプト
Use the portrait in Reference 1 for the person and the isolated jacket in Reference 2 for the garment. Dress the person from Reference 1 in the exact jacket shown in Reference 2. Preserve the person's identity, face, expression, skin, hair, hands, pose, body proportions, background, framing, and lighting from Reference 1. Preserve the jacket's material, color, collar, buttons, pockets, and sleeve patch from Reference 2. Do not copy the ghost mannequin or white product background.
一貫性のあるシーン再照明
この条件ではGPT Image 2が優位総合的には左が勝っています。どちらも説得力のあるゴールデンアワーの光を再現しており、右は特に光の方向に沿った投影が鮮明です。ただし左は、一貫性のある効果的な照明を実現しながら、元の部屋と物をはるかに忠実に保持しています。
- ゴールデンアワーの暖かな光が左の窓から明確に差し込んでいること：左がわずかに優れています。左の窓に見える低い太陽と、部屋全体に広がる明るく暖かな照明によって、光源が特にはっきりしています。右も同じ方向から入る暖かな光を説得力のある形で表現しています。
- ハイライトと影の方向が新しい光源に対して整合していること：右がわずかに優れています。窓枠の投影、植物の影、ソファのハイライト、長く伸びる影が、いずれも左の窓から離れる方向で一貫しています。左も整合性はありますが、壁の一部に当たる光が柔らかく、幾何学的な輪郭がやや曖昧です。
- 一様な黄色のカラーフィルターにとどまらないこと：どちらも十分に満たしています。単にシーン全体に色を重ねるのではなく、窓の形をした局所的なハイライト、方向性のある物の影、光を受ける明るい面、光が遮られた暗い部分を加えています。
- 家具や装飾品の移動、追加、削除、デザイン変更がないこと：左が大幅に優れており、参照画像の構図と物のデザインを忠実に保っています。右は画角を変え、ソファ、コーヒーテーブルの比率と配置、照明器具の位置、植物の大きさ、ラグの配置、窓の比率を明らかに変えています。
参照画像
使用したプロンプトと設定
プロンプト
Change the lighting to warm golden-hour sunlight entering from the left window. Do not move, add, remove, or redesign any object. Update highlights and shadows coherently.
異なるアスペクト比へのアウトペインティング
この条件ではSeedream 5 Proが優位元の小屋、海岸線、画像内の構図全体をより忠実に保っているため、右が勝っています。左は拡張部分がやや滑らかですが、元のシーンの変化がより目立ちます。
- 評価基準1：左がわずかに優れています。どちらも横長の画像で、空、海、砂浜を左右に拡張していますが、左の追加部分は自然な質感や細部のつながりがより滑らかです。
- 評価基準2：両者は互角です。どちらも小屋を中央に保ち、目立つ引き伸ばしや切り取りをせずに、元の縦方向の画角をおおむね保持しています。
- 評価基準3：右が優れています。小屋の形、落ち着いた色、屋根の比率、ドアの金具、まっすぐな水平線、帯状の海岸線が参照画像により近くなっています。左は小屋の比率を明らかに変え、シーンの色を鮮やかにし、雲の構造も強調しています。
- 評価基準4：左がわずかに優れています。砂浜と空のつなぎ目がより均一になじんでいる一方、右は中央の元画像の領域の左右付近で、砂にわずかな縦方向の質感や色調の変化が見られます。どちらにも、鏡像による明らかな埋め合わせや物の繰り返しは見られません。
参照画像
使用したプロンプトと設定
プロンプト
Expand the canvas to a 16:9 landscape by naturally continuing the beach, ocean, and sky on both sides. Keep the complete original image centered without cropping, stretching, letterboxing, or modifying it.
シーン変更時の商品再現性維持
この条件ではGPT Image 2が優位左は参照画像のスニーカーをより忠実に保ちつつ、濡れたバスケットボールコートという場面をより明確に描き、物理的にも説得力のある形で靴をなじませています。
- 夕暮れのコートへの配置：左が優れています。リング、バックボード、フェンス、コートのライン、投光器、濡れた舗装面、夕焼け空が見え、指定されたシーンをより説得力のある形で表現しています。右も夕暮れのフェンスに囲まれた濡れたコートを描いていますが、リングは見えません。
- スニーカーの一貫性：左が優れています。シルエット、つま先とかかとの比率、層状のソール、靴ひもの配置、パネルのステッチ、白い革の質感、斜めからのカメラアングルが参照画像により近くなっています。右は靴の比率を変え、アッパーや靴ひもの細部を一部簡略化しています。
- 側面の幾何学的なマーク：左が優れています。黒いマークは、参照画像の左に長く伸びる部分、斜め上に分岐する部分、中央の接合部、右下へ伸びる部分を、よく一致した比率で保持しています。右のマークも判別できますが、より短く、太く、詰まった形に見えます。
- 物理的な整合性：左が優れています。靴の接地感を支える影、濡れた面へのしっかりとした反射、暗めの夕暮れの環境に合った控えめな照明があります。右にも影と反射はありますが、シーンに対して靴が不自然に明るく、接地部分の影も濃く、切り抜いたように見えます。
参照画像
使用したプロンプトと設定
プロンプト
Place the sneaker on a wet outdoor basketball court at dusk. Preserve the exact sneaker shape, black geometric side mark, materials, stitching, sole geometry, and camera angle. Add physically coherent contact, reflections, and dusk lighting.
コストと処理時間
GPT Image 2は20クレジットから、Seedream 5 Proは25クレジットから利用できるため、今回の画像生成ではGPT Image 2のほうが必要クレジットの少ない選択肢です。この固定プロンプトによる検証で観測されたレイテンシーは、GPT Image 2が81370ms〜189546ms、Seedream 5 Proが38569ms〜141015msでした。これらは各実行時のサンプル値であり、ベンチマーク値ではありません。
比較方法と開示事項
各シナリオでは、同一の固定プロンプトを各モデルで実行し、選定した出力結果を掲載しています。公開画像には Banana Pie の透かしが入っています。Banana Pie では GPT Image 2 と Seedream 5 Pro の両方を利用できるため、このページは独立したベンチマークや絶対的なランキングではなく、再現可能な同条件での比較結果です。
Banana Pieでは、このモデルを他のモデルとともに1つのスタジオで有料提供しています。評価は、ユーザーと同じ生成環境で実施したテストに基づいています。