AIはついにスペルを覚えた：テキストレンダリングのブレイクスルーが重要な理由

AI画像時代のほとんどの期間、生成画像を見分ける確実な方法があった。フレーム内のテキストを見ればよい。道路標識には「PHARNACY」と書かれ、店先には「CLSOED」と表示され、雑誌の表紙は遠目には英語らしく見えても近づくと意味不明な文字の羅列だった。

その時代は終わりつつある。2026年を通じて主要な画像モデルがテキストレンダリングを修正し、コミュニティの反応はどんなベンチマーク結果よりも大きかった。

何が変わったのか

画像内のテキストが難しいのには特定の理由がある。拡散モデルは文字が何を意味するかを「知っている」わけではない。視覚的なパターンを学習しており、単語は単なるストロークのパターンにすぎない。長い間、モデルは文字の並びを理解せずに単語の形を近似できたため、一見もっともらしいがでたらめな文字を生成していた。

新しいモデルはこれに別の方法で取り組む。GPT Image 2、GoogleのNano Banana Pro、そして新しいオープンモデルは、いずれもテキストを単なる近似ではなく、推論すべき対象として扱う。その結果、見出し、ラベル、標識、UI全体のスクリーンショットを、文字が正しい順序で、スペルも正確にレンダリングできるようになった。

改善はすぐに現れた。2026年に@PlayingGodAGIが2枚のテスト画像を投稿すると、コミュニティは強く反応した。1枚は解剖図で、すべての筋肉、骨、神経のラベルが教科書どおりに正確だった。もう1枚はYouTubeのホームページのスクリーンショットで、インターフェース要素、動画サムネイル、タイトルテキストが歪みなくレンダリングされていた。彼の要約は「これでAI生成画像の最後の欠点がなくなる」というものだった。

それが解き放つもの

実際的な影響は「画像が良くなった」という以上のものがある。

第一に、看板とブランディングだ。正しくスペルを書けるモデルは、ブランド名を含む店先のモックアップ、商品ラベル、マーケティング画像を生成できる。これまではデザイナーが手作業でテキストを修正する必要があった。今では生成の一部になっている。

第二に、インターフェースデザインだ。正しいラベルとレイアウトを備えた、信じられるUIをレンダリングできることは、プロトタイピングにおいて本当に役立つ能力だ。YouTubeのスクリーンショットテストが重要なのは、モデルがテキストの多い実際のインターフェースを歪みなく再構築できることを示しているからだ。

第三に、多言語対応だ。日本人ブロガーの@masahirochaenがGPT Image 2を日本語テキストでテストし、かなと漢字が正しくレンダリングされることを発見したとき、「テキストレンダリング」の意味が変わった。これは英語のスペルだけではない。多言語の組版であり、これまでのモデルが実質的に役に立たなかった市場を切り開く。

Redditは特に多言語の点に注目した。あるコメント投稿者は「漢字もカタカナも両方とも正しい」と指摘した。2年前ならありえない文章だ。

モデルはどうやって成し遂げたのか

テキストが難しかった理由を理解する価値はある。なぜなら、その修正が一斉に起きた理由を説明してくれるからだ。

拡散モデルは、テキストプロンプトに導かれ、ノイズからピクセルを生成する。長い間、モデルは「文字」を離散的な単位として実際に表現していなかった。特定のストロークパターンが単語らしく見えることを学習し、並び順を追跡せずに形を再現していた。だからこそ、古いAIテキストは部屋の反対側から見ると正しく、近づくと間違って見えた。

変化は2つの方向から来た。モデルはテキストをテクスチャではなく第一級の概念として扱うのが上手くなり、文脈の中にある実際のテキストの例でより多く訓練された。標識、ラベル、スクリーンショット、本の表紙。訓練データに十分な実例が含まれると、モデルは推測をやめてスペルを書き始めた。

結果は単一のブレイクスルーではなく、閾値を超えたということだ。テキストは約1年で「未解決」から「ほぼ解決」に変わり、コミュニティはそれがいつ起きたかを正確に認識した。

検出問題はより難しくなる

あまり注目されていない裏の側面がある。テキストのブレイクスルーによりAI画像の識別が難しくなり、それには現実的な結果が伴う。

何年もの間、偽物を見つける最も簡単な方法は、画像内のテキストを読むことだった。偽造文書、やらせのスクリーンショット、捏造された商品ラベル。文字がそれを露呈させていた。その近道は先端モデルでは消えた。つまり、検出はより微妙なシグナル、照明の不整合、物理的な不可能性、またはプラットフォームが埋め込むメタデータや透かしへと移らざるを得ない。

モデル自体は今でも物理的な論理では失敗する。ルービックキューブの反射、TNTキャノンの弾道、ズームインしても解像しない地図。これらが新しい手がかりであり、カジュアルな観察者にとってはスペルミスの単語よりも見つけにくい。

透かしと来歴がこれまで以上に重要になる理由でもある。生成画像を読んで見分けられないなら、プラットフォームにそれが生成されたものだと教えてもらう必要がある。GoogleのSynthIDや類似のシステムが最後の砦であり、テキストのブレイクスルーはそれらをより重要にする。重要性が下がることはない。

まだ解決されていないこと

いくつか正直な注意点がある。

短いテキストはほぼ解決に近いが、密度の高いテキストは依然として最前線だ。2026年9月のテストでは、主要8モデルすべてが2語の商品ラベルとセールの見出しを正しく綴った。現在の違いはレイアウトと長い文字列にある。メニューや段落のあるインフォグラフィックは依然として間違いが現れる場所であり、公開するすべてのアセットを校正するというアドバイスは今でも有効だ。

特にMidjourneyは、長いテキスト文字列に対して依然として弱い。単一の装飾的な単語は問題ない。複数の単語からなる見出しは崩れ始める。タイポグラフィ中心の仕事なら、Midjourneyは適切なツールではない。

そして、人々が話し始めている二次的な問題がある。うますぎるテキストだ。リアルなUIや説得力のあるニュースグラフィックをレンダリングできるモデルは、権威があるように見えるものを捏造するのも容易にする。テキストのブレイクスルーはもろ刃の剣であり、検出、透かし、来歴をめぐる進行中の議論の真っ只中に落ちてくる。

結論

「AIは手が描けない、AIはテキストが書けない」という決まり文句は死んだ。手は先に修正された。テキストはより難しい問題だったが、かつて人々を恥ずかしい思いにさせた日常的なケースについては、今ではほぼ解決されている。

だからといって、すべての生成画像が信頼できるわけではない。手がかりはより微妙な場所に移ったということであり、検出のコツとして「スペルを見る」ことに頼っていた人は新しい方法が必要だ。他のすべての人にとっては、単に画像が良くなり、多くの手作業のクリーンアップが静かに消えたことを意味する。