入口が二つあると、どうしても分かれ道のように見えます。プロンプトから始めるのか、画像から始めるのか。Text to 3D と Image to 3D はそれぞれ専用のワークフローページがあるほどで、単独でも十分に成立します。ところが、実際にシーンを小物で埋めている人の手元を見ていると、同じ順番が何度も繰り返されます。プロンプトを書き、それをもとに画像を作り、その画像を3Dに変換する、という順番です。二つの経路は択一の関係ではありません。たいていは一方がもう一方に材料を渡していて、その理由がわかるとどの工程を省けるかも見えてきます。
テキストと画像、どちらから始めるべきですか？
**出発点にできる画像がすでにあるなら、画像から始めてください。**コンセプトアート、ラフスケッチ、参考写真などです。その画像にはプロポーション・スタイル・シルエットについての判断がすでに入っています。それをもう一度言葉で説明し直すのは、手元にある情報をわざわざ捨てるようなものです。
なければ、プロンプトを書いて先に画像を作り、その画像を変換します。テキストから直接メッシュへ向かうのは、精度より幅がほしいときに速い方法です。まだ設計していないものについて、粗い方向性を十数個並べて眺めるような場面ですね。ただし狙った結果がはっきりしている場合は、間に挟む工程がちゃんと元を取ります。シルエット・アングル・スタイルが、まだ2Dのうちに決まるからです。そこが気兼ねなく作り直せる最後の地点になります。
それぞれの経路は何が得意ですか？
同じ種類の道具ではありません。
- **Text to 3D は「幅」を見る道具です。**プロンプト一つから候補をいくつも出し、誰かがモデリングに時間を使う前に横並びで比べます。的を射抜こうとしているのではなく、選択肢を見ようとしているわけです。
- **Image to 3D は「精度」のための道具です。**入力の側にすでに判断が入っているので、作業は創作ではなく解釈になります。
この違いは、結果の評価のしかたにそのまま出ます。Text to 3D では方向性どうしを比べます。Image to 3D では、すでに合意したリファレンス一つと結果を突き合わせます。
なぜ画像の工程を挟む価値があるのですか？
プロンプトは直すのに数秒しかかかりませんが、メッシュはそうではないからです。
一文を書き直して生成し直す。テキスト段階で考えが変わったときのコストはその程度です。ところがジオメトリができてしまうと、プロポーションやポーズをいじるのは、一から生成し直すか、実際にモデリングするかという話になります。だから判断を下すのにいちばん良い場所はまだ引き返せる最後の地点であり、それが画像です。
いちばんよくある失敗が見つかる場所でもあります。読む分にはよくできたプロンプトでも、離れて見るとつぶれてしまうシルエットや、リギングに耐えないポーズが出てくることがあります。画像で見れば数秒でわかります。モデルになってから気づくと、ずっと後になって、ずっと高くつきます。
PicoBerryの二つのワークフローページは、この話を反対側から扱っています。Text to 3D のページは、役に立つ問いを**「この結果は、何を残し、何を磨き、何を捨てるかをチームが決める助けになるか」**として立てています。Image to 3D のページは、はっきりしたコンセプト画像でさえ、3Dの仕様としては依然として不完全だと指摘します。厚み、背面の構造、関節、スケール、マテリアルの分離は隠れたままだからです。この二つを重ねると結論は一つになります。画像はきちんと詰める、そのうえでモデルはやはりレビューする覚悟をしておく、ということです。
変換する前に、画像をどう見極めますか？
「きれいかどうか」では見ません。画像は3D工程が読み取る仕様なので、その工程が見るであろう見方で判断します。
| チェック項目 | 何を見るか |
|---|---|
| シルエット | サムネイルサイズまで縮めてみてください。何の物体か判別できないなら、モデルがそれを直してくれることはありません |
| 完結性 | 対象の全体が写っていますか。切れた端や強い遮蔽は、3Dでは推測に変わります |
| ポーズ | 劇的なものより中立的なものが有利です。表情豊かなアングルは絵としては映えますが、メッシュでは足を引っ張ります |
| スタイルの確定 | スタイライズと写実のリファレンスでは、出てくるジオメトリが変わります。後からではなく先に決めてください |
| 背景からの分離 | 被写体を背後のものと区別できますか |
これらをプロンプトの側で直せば、生成一回分で済みます。モデルができてから直すと半日仕事になります。
画像1枚では足りないのはどんなときですか？
一つの視点では背面を説明できません。同じ対象を複数のアングルで撮ったものがあるなら、それらをまとめて入力するだけで、単一画像の結果が空虚に見える原因になっているあいまいさがちょうど解消されます。奥行き、隠れた構造、カメラが一度も捉えなかった部分です。
前後がはっきり違うものほど効いてきます。キャラクター、乗り物、ファサードの作り込まれた建物などです。対称的な小物では重要度が下がります。良いアングルが一つあれば、たいてい情報は足りるからです。
画像を完全に飛ばしてよいのはどんなときですか？
Text to 3D へ直行してよいのは、説明そのものが仕様になっているときです。「木箱、角が摩耗、ゲーム用プロップ」に、あいだの絵は要りません。挟んでも工程が一つ増えるだけです。
ほかに二つ、同じことが言える場面があります。見た目の正確さがそれほど重要でない、埋め草のジオメトリを作るとき。そして、正解一つではなく方向性を十数個見たい初期段階です。後者の目的は幅を見ることそのものにあります。
テキストを飛ばしてよいのはどんなときですか？
Image to 3D へ直行するのが当然なのは、画像がすでにあって、しかもその画像に決定権があるときです。社内アーティストのコンセプトアート、自分で描いたスケッチ、実物を撮った写真などですね。それを文章から作り直すのは、すでに持っている情報を捨てることにしかなりません。
アートディレクションが固まっているチームにとっても、これが誠実な答えです。コンセプトアーティストがすでに判断を下しているなら、生成の工程はそれを解釈し直すのではなく尊重すべきです。
それでも人の手が必要なのはどこですか？
どちらの経路も、完成したアセットを出してはくれません。ここははっきり言っておいたほうがいいと思います。
何が出てきても、レビューの一巡は必要です。トポロジー、スケール、マテリアルの分離、そして本来使うつもりだったシーンで通用するかどうか。作り直しになる結果もあれば、落とす結果もあります。そのループ自体が仕事であって、どの入口を選んでもそれは消えません。
二つの経路が変えるのは、レビューする価値のあるものへ、どれだけ少ない手間でたどり着けるかです。「AIがアセットを作ってくれる」よりずっと小さい主張ですが、実際のプロジェクトにぶつけても生き残るのはこちらのほうです。
チームの状況別にどう当てはめますか？
- 個人開発者 — テキスト → 画像 → 3Dの経路は、たいてい一手間の価値があります。アートディレクターも自分なら、モデルを作り直す羽目になるのも自分だからです。
- コンセプトアーティストがいるチーム — その画像から始めてください。判断はすでに下されていて、テキストから作り直すのはそれを捨てる行為です。
- とにかく早くシーンを埋めたい場合 — 背景や埋め草は Text to 3D へ直行し、画像の工程はプレイヤーが実際に見る物体のために取っておきましょう。
- ツールを作る開発者 — どちらの経路も PicoBerry API から使えるので、同じ判断をコードに落とせます。画像を生成し、プログラムで点検してから変換する、という流れです。
次に読む
- ゲーム開発者のための Text to 3D — 比較できる候補が出てくるプロンプトの書き方
- ゲーム開発者のための Image to 3D — 入力の選び方と、モデルが読み違えた点の見つけ方
- AI 3D生成API — どちらの経路もパイプラインに組み込む
- 料金比較 — ツールごとの生成キャパシティと商用利用の条件
ひとことで言うと
テキストか画像かではありません。まだ直しやすいうちに、どこで判断を済ませるかという話です。出発点にできる画像があるなら画像から始め、なければプロンプトを書いてまず画像を一枚作ってください。どちらにしてもモデルは候補として届き、レビューは変わらずあなたの仕事です。
