6162件の中国語リファレンスを、「人物・衣装・ポーズ」の3枚のカードにした

先に結論を書いておきます。このリポジトリが話題になったのは、収録画像の枚数が多いからではありません。画像が大量にあるだけの素材集なら、ネットストレージのあちこちに転がっています。評価されている理由は、「参考画像を1枚選ぶ」という作業を、人物・服・ポーズという交換可能な3つのパーツに分解し、その3つを組み合わせてレシピを作り、そのままモデルに投げられるようにしたことです。
リポジトリの名前は ai-pose-gallery-zh、作者は Anhao さん。README の最初の段落で、収録内容がかなり具体的に説明されています。素体の白モデルが 1439 枚、それぞれに対応する深度マップが 1439 枚。衣装が 3224 セット、人物のポートレートが 1499 体。合計 6162 件の中国語リファレンスデータで、ローカルの高解像度画像が 12022 枚、さらに配布元サイトの参考画像が 1760 枚あります。データは自分で撮影したものではなく、3人の作者が公開しているギャラリーをミラーしたものです。ポーズと衣装の配布元は ギア(@giaaibusi)さん、440 セットの二次元衣装は たき AI さんの CharaDB から来ています。このプロジェクトがやっているのは、翻訳と統合、そしてツール層の追加です。
本当に解決されたのは検索であって、画質ではない
参考画像のライブラリを使ったことがある人なら、あの引っかかりを知っているはずです。モデルを壁にもたれさせ、手をポケットに入れ、体を45度傾けたい。頭の中には映像がある。でもライブラリを開くとサムネイルを1ページずつめくるしかなく、20ページ目でようやく7割くらい似た1枚を見つけて、そこから自分で言葉にする必要があります。配布元のメタデータは日本語で、動作の分類、髪型の細分、服の型はすべて日本語タグです。中国語話者にとっては、読めないか、読めてもプロンプトに組み立てられないかのどちらかでした。
このリポジトリは 6162 件のメタデータをすべて中国語に訳し、しかも自動で組み上げられる粒度まで分解しています。髪の長さ、51種類に細分された髪型、ポーズの分類、コーディングのタグ。README では、組み上げたプロンプトが「日本語の混入がない純粋な状態」になると謳っています。マーケティングの言葉に聞こえますが、画像生成においては実際に効く話です。2言語が混ざったプロンプトに対しては、モデルの出力の安定性が落ちます。

肝は3つの統合であって、機能一覧の長さではない
Web Studio では、3つのライブラリからそれぞれ1つずつ選びます。人物を1体、衣装を1着、ポーズを1つ。素体の白モデルと深度マップはワンクリックで切り替えられます。選び終わったあとは、ドラッグ&ドロップ、貼り付け、URL 入力で自分の参考画像を追加することもできます。レシピは IndexedDB に保存されるので、ブラウザを閉じて開き直しても残っています。この操作感そのものは目新しくありません。新しいのは、「参考画像」を1枚の画像から構造化された入力に変えた点です。
次に5系統の直接接続です。Google Gemini、OpenAI GPT Image、Alibaba Cloud の百炼(Qwen)、火山方舟の Doubao、そしてローカルの ComfyUI。最初の4つは API キーを入れれば動き、5つ目はマシンに GPU が必要です。自前のモデルは作っていませんし、作るつもりもないようです。このプロジェクトが賭けているのは、「同じレシピを、モデルを替えて回し直す」という行為が日常になるという前提です。
ComfyUI プラグインのほうが実用的な半分
リポジトリ自体が ComfyUI のプラグインになっていて、custom_nodes/ に git clone すればそのまま使えます。ノードは4つで、ポーズ、衣装、人物、そして3in1レシピ。ポーズとレシピのノードには use_depth の切り替えが内蔵されていて、ControlNet Depth に直接つなげます。この設計はユーザーをよく分かっています。白モデルは構造を、深度マップは空間関係を渡してくれます。どちらが効くかは、姿勢の正確さが欲しいのか、パースの正確さが欲しいのかで変わります。
個人的に気に入ったのは、6162 件のデータをビジュアルなポップアップ選択画面にしたところです。ComfyUI のキャンバス上で開いて、選んで、戻って線をつなぐ。フォルダから画像を探してノードにドラッグする手間に比べると、節約できる時間は半端ではありません。
はっきり書くべき3つの境界
1つ目は、素材の権利がこのプロジェクトの手元にないことです。ポーズ、衣装、人物の画像は原作者が公開しているサイトから来ており、リポジトリは中国語への整理とエンジニアリング的なアーカイブを提供しているだけです。README にも「パッケージ化して転売することは禁止」と明記されています。商用利用を考えるなら、原作者のライセンス条件まで戻って確認する必要があります。
2つ目は、ギャラリーに 18+ の人体素体と下着の参考が含まれていることです。デフォルトでは SFW のセーフモードが有効になっています。これは小さな話ではありません。作者は免責事項の最初の項目のすぐ後ろにこれを書いていて、小さな字で隠してはいません。
3つ目が最も重要です。本人の許可なく実在の人物の顔を差し替える行為を、繰り返し禁止しています。この慎重さには理由があります。「人物+衣装+ポーズ」をここまできれいに分解したライブラリは、構造的にフェイススワップのパイプラインの上流そのものだからです。ツールは中立ですが、使い方は中立ではありません。
なぜこういうプロジェクトが繰り返し生まれるのか
この1年で、画像生成のハードルは「プロンプトが書けるか」から「良い参考画像を持っているか」へと下がりました。モデル側の変化も呼応しています。Seedream 5.5 のような新しいモデルは透過チャンネル付きのレイヤー素材をネイティブに出力し始め、GPT Image 2.6 は部分マーキングの編集を API に降ろしてきました。どちらも「生成してから直す」という手戻りを減らす方向です。生成が安く、安定していくほど、希少になるのは入力側の整理能力になります。
6162 件のリファレンスの意味はここにあります。これはギャラリーではなく、「あの感じが欲しい」という曖昧な要求を、機械が実行できる3段階の座標に翻訳する装置です。3つの日本語資料を中国語に整理しただけ、と言うこともできます。ただ、その整理こそが、多くの人が詰まっている場所でした。
試してみたいだけなら、オンラインのデモを開けば済みます。スマートフォンでも動きます。制作フローに組み込みたいなら、先に2つのことを決めてください。素材のライセンスがどこまで許しているのか、そしてこのレシピを誰に渡すのか。前者は商用化できるかどうかを、後者はある日の未明に弁護士からの手紙が届くかどうかを決めます。
関連記事
中国製 Android のシステム UI に載った広告を切る、コミュニティ管理のタップ表
システムには触らず、アンロックも書き込みもしない。ベンダーがもともと用意したスイッチを一つずつ倒すだけだ。代償は、この一覧を書き続ける人が要ることにある。
GPT Image 2.6 はトークン単価を据え置き、請求額を上げた
GPT Image 2.6 は 2.5 のトークン単価をすべて引き継ぎながら、1 枚あたりの費用は上がった。仕事の多くが出力トークン側に移ったからだ。11 日目の価格構造は、ランキングより多くを語る。
外から IDM を作り直した人が、触れなかった部分を書き残した
Mister Download Manager は Internet Download Manager の流れを Rust で作り直し、5 倍の速度と 86 言語を掲げる。より興味深いのは、何もコピーせずにどう作ったのかを説明した段落のほうだ。
Rune はエージェントが自分の仕事を検証できるように作られた Rust UI フレームワーク
Rune はヘッドレスで描画し、要素ツリーを出力し、スクリプト化された入力を受け付ける。スクリーンショットでは決して得られない、diff できる信号をコーディングエージェントに渡せる。フレームワークはプレリリースで、プルリクエストは受け付けない。