マイクロソフトが「MAI-Image-2.6」公開、Web情報を反映する画像編集モデル

テキストから画像を生成する際、実在の建築物や最新の情報を正確に描写するのは長らく難題でした。マイクロソフトが発表した最新モデルは、その課題に直接切り込んでいます。

9月4日、Microsoftは画像生成・編集モデルファミリー「MAI-Image-2.6」を発表しました。テキストや参照画像だけでなく、Web上のリアルタイムな情報を取り込んで画像を構築できる点が最大の特徴です。

Webの文脈を取り込む画像生成

MAI-Image-2.6は、Webページやドキュメントからリアルタイムに情報を取得し、最新かつ関連性の高いコンテキストに基づいて視覚コンテンツを生成します。

公式のデモでは、マドリードのメトロポリス・ビルを指定した際、ボザール様式のファサードや金箔の下のスレート製ドーム、クーポラ上の勝利の女神像、寓意彫刻に至るまで、実物のディテールを忠実に再現してみせました。

また、自然言語による編集精度も引き上げられており、カジュアルな用途からプロフェッショナルな制作まで、構図やスタイルを部分的に細かくコントロール可能です。

あわせて、フラッグシップモデルの半額以下のコストで利用できる「MAI-Image-2.6-Flash」も投入されました。品質を維持しながらコストを抑え、量産ワークフローに対応します。

パートナー企業からも高い評価を得ており、広告大手WPPのグローバルCCOであるRob Reilly氏は、画像内テキスト描写の精度と自然言語編集の直感性を評価しました。ShutterstockのVanessa Salvo氏も、プロンプトの意図を一貫して製品レベルのアウトプットに落とし込める信頼性を強調しています。

なぜ重要か

クリエイターやマーケターにとって、実在の事物や最新の文脈を反映した画像を生成するハードルが大きく下がります。従来のようにプロンプトで細部を細かく説明し尽くさなくても、モデル自身がWeb情報を参照して補完してくれるためです。半額以下のFlash版が用意されたことで、大量のビジュアルアセットを生成する企業でも導入しやすくなります。

業界全体で見れば、画像生成AIの競争軸が「単なる画質」から「情報の正確性と制作ワークフローへの適合」へと移りつつあることを示しています。検索とドキュメント解析に強みを持つマイクロソフトらしい着眼点といえます。

一方で、Web情報を直接参照する仕組みは、参照元の誤情報や権利侵害リスクを画像内に持ち込んでしまう懸念も孕んでいます。利便性と信頼性のバランスをいかに保てるかが、今後の実用化における鍵になりそうです。