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
この比較では、タスクによって評価が分かれました。今回の検証では、素材やライティングの制御、人体構造の制約、オブジェクトを正しく対応付ける編集、アウトペインティング、商品を維持したままのシーン変更にはGPT Image 2が適しています。一方、Seedream 5 Proは多言語タイポグラフィ、広告レイアウト、一貫性のある再ライティングに優れています。構造化されたプロンプトや編集要素の多いプロンプトでは引き分けも複数あるため、より確実な選択肢は、画像制作でどの失敗を最も避けたいかによって異なります。
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
両モデルを固定テストの同一プロンプトで実行。生成された画像を加工せず、そのまま掲載しています。
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が優位どちらの出力もほとんどの置き換え要件を満たしていますが、右では一方のレモンに葉と茎のディテールが加わり、果物の属性が混在しているように見えるため、左がわずかに優れています。その他の差は小さく、表示されている出力だけではReference 1との一致を完全には確認できません。
- 赤いマグカップと白いタオルが、Reference 2の濃いネイビーブルーのマグカップとReference 3の緑と白のストライプ柄ナプキンに置き換えられている：引き分け。どちらの画像でも、マグカップの位置に濃いネイビーのマグカップ、タオルの位置に緑と白のストライプ柄の折りたたまれた布が見えます。出力だけでは、参照画像との正確な一致を完全には評価できません。
- 緑の洋ナシと青いノートが、Reference 4のオレンジ1個とReference 5のマスタードイエローのハードカバーノートに置き換えられ、元の4つのオブジェクトが一切残っていない：引き分け。どちらの画像にもオレンジが1個とマスタードイエローのノートが1冊あり、元の赤いマグカップ、白いタオル、緑の洋ナシ、青いノートは見当たりません。
- Reference 6のレモンが正確に2個だけマグカップの右側にあり、果物やオブジェクトの追加、欠落、重複、誤った属性の対応付けがない：左が優位。左では、黄色いレモンが2個だけマグカップの右側にあります。右にもレモンが2個ありますが、左側のレモンには緑の葉と茎のようなディテールがあり、オレンジのオブジェクトから属性が誤って対応付けられたように見えます。
- Reference 1がベースとして維持されている：カメラ、フレーミング、卓上と木目、ライティング、影、編集していない要素間の位置関係がすべて変わっていない：引き分け。どちらも自然なライティングと類似したオブジェクト配置を備えた木製の卓上シーンを維持していますが、Reference 1が表示されていないため、この基準との正確な一致は確認できません。
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
用途によるどちらの画像も指定されたテキスト置換を満たしており、目に見えるスペルミスや余分な文字はありません。文字の大きさは右のほうがわずかに自然に馴染んでいる可能性がありますが、元の参照画像がない状態では差は小さいため、引き分けです。
- 看板に正確に「NIGHT OWL」と記載され、古いテキストが完全に消えている：どちらの看板にも「NIGHT OWL」と描画されており、以前のテキストはどちらにも残っていません。
- 看板に追加の文字や崩れた文字がない：どちらにも「NIGHT OWL」だけが表示され、余分な文字、記号、目に見えて崩れた文字はありません。
- 元のフォントの特徴、文字間隔、遠近感が維持されている：どちらも看板の遠近感に沿った、よく似たブロック体の大文字を使用しています。左の文字はやや大きく、間隔も広めに見えます。右のテキストは大きさがわずかに自然に見えますが、元の参照画像が表示されていないため、明確な評価は困難です。
- 看板の素材、ライティング、周囲のシーンが変わっていない：どちらも濃い緑色の木製看板の表面、日光による影、店舗正面、照明、窓、植物、ベンチの一貫性を保っています。シーン変更の有無について、明確な優劣は見られません。
参照画像
使用したプロンプトと設定
プロンプト
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
用途によるどちらの出力も主要な編集要件を満たしています。人物は元のポートレートシーンに残り、赤い袖章が付いた指定のデニム製シアリングジャケットを着用しています。左はジャケットのディテールに優れ、右はシーンへの馴染み方がやや自然なため、総合的な明確な優劣はありません。
- 出力は、Reference 1と同じ顔のアイデンティティ、表情、髪型、ポーズ、身体の比率、フレーミングを維持している：出力画像しか提示されていないため、Reference 1との比較を完全には評価できない。見た限りでは、どちらも中央に配置された同様のポートレート、ニュートラルな表情、無造作な黒髪、腰に手を添えたポーズ、グレーの壁の背景、窓枠を端に収めたフレーミングを維持している。RIGHTのほうが顔の描写がやや自然で、LEFTは少し磨き上げられ、滑らかに処理されている。
- 着用しているジャケットは、素材、色、襟、ボタン、ポケット、袖のパッチがReference 2と一致している：Reference 2との厳密な一致は確認できないが、どちらもクリーム色のシアリング襟、メタルボタン、フラップ付き胸ポケット、赤い袖パッチを備えたライトブルーのデニムジャケットを描いている。LEFTはデニムの質感、ステッチ、ボタン、ポケットの構造がより鮮明で、RIGHTも衣服の主な特徴は同じだが、ジャケット表面の描写がやや簡略化されている。
- Reference 2のマネキンや商品背景をコピーせず、黒いスーツジャケットが完全に置き換えられている：どちらも黒いジャケットをデニムジャケットに完全に置き換えており、ゴーストマネキンや白い商品背景も描かれていない。見えている出力に基づく限り、この基準は同点。
- 手、衣服のフィット感、遮蔽、影、照明が人物や元のシーンと物理的に整合している：ジャケットのフィット感、袖の位置、手による遮蔽がより自然に馴染み、着膨れ感も少ないため、RIGHTがわずかに優れている。LEFTもおおむね整合しているが、ジャケット前面と下部のボタン／前立て周辺はやや不自然で、手元が窮屈に見える。
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Seedream 5 Proが優位総合的にはRightのほうが優れている。Leftはゴールデンアワーの光源が非常に明確だが、Rightは照明の変化をより一貫性のある形で処理しており、指向性のあるハイライトと影がより明瞭で、画面全体を覆う黄色みも抑えられている。
- 暖かなゴールデンアワーの光が左の窓からはっきりと差し込んでいる：Leftのほうが優れている。低い位置の太陽と強い金色の光が左の窓越しに見え、光源が一目瞭然だからである。Rightにも同じ側から暖かな光が差し込んでいるが、光源はそれほど明確ではない。
- ハイライトと影の方向が新しい光源に対して一貫性のある反応を示している：Rightのほうが優れている。壁やソファに映る長方形の窓の光、植物の影、物体の背後にできる暗い投影部分が、左から差し込む光とより一貫して整合しているためである。Leftの影も妥当だが、照明がより広範囲に拡散し、精度に欠ける。
- 結果が単一の黄色いカラーフィルターをかけただけの表現にとどまっていない：Rightのほうが優れている。局所的な日だまり、コントラスト、指向性のある影の形がありながら、壁やラグの一部にはニュートラルな色調が保たれているためである。Leftにも指向性のある効果はあるが、部屋全体が金色に強く染まりすぎている。
- 家具や装飾品が移動、追加、削除、再デザインされていない：同点。どちらの画像にも、左側の窓、ソファ、植物、コーヒーテーブル、ラグ、フロアランプという同じ室内要素が描かれており、2つの出力間で家具や装飾品が明らかに追加または欠落している箇所はない。
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GPT Image 2が優位中央のキャビンをより自然に中央へ配置したまま、左右にも違和感のない拡張部分を生成できているため、Leftがわずかに優れている。ただし、どちらの出力も見た目の上ではアウトペインティングの要件を満たしているため、差は小さい。
- 最終出力が16:9で、左右両側に自然な新規コンテンツが追加されている：同点。どちらも横長の風景フレームに見え、ビーチ、海、空が全幅にわたって自然に続いている。
- 元画像全体が切り抜きや引き伸ばしをされず、中央に保たれている：Leftのほうが優れている。キャビンが中央付近にあり、中央の主題が維持されているように見える一方、Rightではキャビンが中央よりやや左に配置され、シーン内のキャビンも小さくなっているため、フレーミングの変更がより大きく見える。
- 元のキャビン、海岸線、内部構図が変更されていない：元画像が提示されていないため、完全には評価できない。見た限りでは、どちらも同様のキャビン、海岸線、水平線の配置を維持しているが、RightのほうがLeftよりも主題のスケールを大きく変更しているように見える。
- 拡張部分に目立つ継ぎ目、鏡像の埋め草、反復された物体がない：同点。どちらの画像にも、明らかな継ぎ目、鏡像化されたビーチや海のパターン、重複した物体は見当たらず、左右の拡張部分はいずれも連続的に見える。
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Leftのほうが、目に見える商品のディテールを維持しつつシーン変更の要件をよく満たしており、濡れた夕暮れ時のバスケットボールコートに、より説得力のある形で配置できている。
- スニーカーが夕暮れ時の濡れた屋外バスケットボールコートに説得力のある形で配置されている：Leftのほうが優れている。フープ／バックボード、フェンス、コートの表面、濡れた舗装、夕暮れの空が見えるためである。Rightにも濡れたコートのライン、フェンス、夕暮れ時の照明はあるが、フープが見えないため、バスケットボールコートという状況がそれほど明確ではない。
- シルエット、ソールの形状、ステッチ、素材、カメラアングルが一貫して維持されている：元のスニーカー画像が提示されていないため、完全には評価できない。見た限りでは、Leftのほうが細かなステッチ、レザーの質感、シューレースの質感、ソールのディテールを多く維持している一方、Rightはよりすっきりしているが、やや簡略化されている。
- 黒い幾何学的なサイドマークが変更されず、同じ形状として判読できる：元のマークが提示されていないため、完全には評価できない。見た限りでは、どちらにも判読可能な黒い角張ったサイドマークがある。Leftのマークはエッジがよりシャープでコントラストも強く、Rightも明瞭だが、やや単純化されて見える。
- 接地影、濡れた表面への反射、夕暮れ時の照明が物理的に整合している：総合的にはLeftのほうが優れている。靴とマークが濡れた表面にくっきりと反射し、夕暮れらしい暗い雰囲気も強く出ている。Rightにも水たまりへの自然な反射と接地感はあるが、靴がより均一に照らされており、夕暮れの環境への馴染みが弱い。
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、両モデルに同一の固定プロンプトを使用し、生成された出力をそのまま公開しています。Banana PieはGPT Image 2とSeedream 5 Proの両方へのアクセスを提供しているため、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検証です。
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。