- 建築知識
- パース3DCG
- 建築3DCGパースの画像生成AI
- AI建築パースのプロンプトの書き方|建物・素材・光・視点とテキストエンコーダの仕組み
AI建築パースのプロンプトの書き方|建物・素材・光・視点とテキストエンコーダの仕組み

AI建築パースのプロンプトの書き方|建物・素材・光・視点とテキストエンコーダの仕組み
- AIで建築パースを作りたいが、プロンプトに何を書けばいいの?
- 思った建物や素材の絵にならない
- プロンプトがどうやって絵に伝わるのかも知りたい
プロンプトは、長く細かく書くほどよいと思うかもしれません。しかし、画像生成AIの開発元の説明には、長さより、何をどんな語で書くかの組み立てを大事にするものもあるのが実際です。
この記事では、建築パースのプロンプトに書くことと、書き進め方、そう書くとよい理由を解説します。読むと分かるのは、伝わるプロンプトの組み立て方と、プロンプトでは伝わりにくいことです。
プロンプトとは、画像生成AIに作ってほしい画像を伝えるために入力する、単語や文章のことです。
AI建築パースのプロンプトとは

AI建築パースのプロンプトは、作ってほしい建物の画像を、画像生成AIに頼むための文です。画像生成AIは、この文に沿って、学習した大量の画像をもとに画像を作ります。
上の画像の住宅は、次のプロンプトで作りました。
- 文:photo of a modern two-story house, white plaster walls, wooden deck, garden, daylight
- 意味:モダンな2階建ての家の写真・白い塗り壁・木のデッキ・庭・昼の光
この記事の作例は、どれも画像生成AIの Stable Diffusion 1.5 で、乱数の種(シード)などの設定をそろえて作りました。
Stable Diffusion 1.5 は主に英語の説明文で学んでいるので、作例のプロンプトは英語で書いています。
建築パースのプロンプトに書くこと

建築パースのプロンプトに書くことは、何の建物か・画像の種類と様式・周りの環境・素材と仕上げ・光と時間帯・視点とカメラです。
上の画像は、同じ設定のまま、「house」とだけ書いた結果と、前の節の文の結果を並べたものです。
この試しでは、「house」だけだと、切妻屋根のよくある家が出ました。前の節の文では、白い箱形の家と庭のように、書いた所が絵に入っています。
どの項目も、目に見える物と様子を表す語で書きます。開発元の説明によく出る項目から選ぶと、建築パースで書くことは次の6つです。
- 何の建物か
- 画像の種類と様式
- 周りの環境
- 素材と仕上げ
- 光と時間帯
- 視点とカメラ
何の建物か
建物の種類・階数・形は、多くの開発元の説明で初めに挙がる項目です。
外観なら「a modern two-story house」(モダンな2階建ての家)、内観なら「living room」(リビング)のような書き方になります。
画像の種類と様式
写真のような画像か、絵のような画像かも書いておきましょう。Google の画像生成AIの Imagen では、写真にしたいとき、文の初めに「photo of」(〜の写真)と書くとよいとされています。
様式は、モダン・和風のような建物のスタイルや、水彩のような絵の描き方です。作家や芸術運動の名前を書いて、方向を示すこともできます。
周りの環境
周りの環境では、建物がどこに建っているかを書きます。「garden」(庭)、「quiet residential street」(静かな住宅街)のように、敷地と周りの様子を書く形です。
書かない所は、画像生成AIが学習した傾向で描くことになります。外観パースでは建物と周りの関係も見せたい所なので、書いておきましょう。
素材と仕上げ
素材は、名前に加えて、光を受けたときの見え方まで書くと伝わりやすくなります。
たとえば「frosted glazing」は、「glazing」(ガラス)に「frosted」(すりの)を添えて、すりガラスの見え方を足した書き方です。

上の画像は、壁の語を「exposed concrete walls」(打ち放しのコンクリートの壁)に替えた結果です。この試しでは、壁はコンクリートと木の板になりましたが、家の形も変わりました。
光と時間帯
光は、どこから来て、どんな強さと色かを書きます。「golden hour」のような時間帯の語や、「overcast」(曇り)のような空の様子の語を使う書き方です。

この試しでは、「daylight」を「night, warm interior lights glowing through the windows」(夜・窓からもれる暖かい明かり)に替えると、夜の絵になりました。
「overcast sky, soft diffused light」(曇り空・やわらかい光)では、影が弱くなっています。どの比べでも、家の形は元の絵と変わりました。
一方で、「golden hour, warm sunset light」は、昼の絵とほとんど変わりませんでした。語によって効き方が違うので、出た画像を見て確かめてください。
視点とカメラ
視点は、どの高さ・どの向きから見るかです。「aerial view」(空からの眺め)、「eye-level」(人の目の高さ)、「low-angle shot」(下から見上げる)のような語があります。
カメラでは、どんなレンズで撮ったようにするかも書けます。「wide-angle lens」(広角のレンズ)のような語です。

この試しでは、文の初めの「photo of」を「aerial view of」に替えると、上から見下ろした絵になりました。
一方、「low-angle shot」と「wide-angle lens」を一度に足しても、見上げた絵にはなりませんでした。
カメラの語は、見た目の手がかりで、そのとおりになる保証ではないとされています。
伝わるプロンプトの書き進め方

伝わるプロンプトは、短く書き始めて、結果を見ながら1か所ずつ変えて作ります。書き進めるときのこつは、次の4つです。
- 短く書き始めて足す
- 直すときは1か所ずつ変える
- 大事な物を先に書く
- 入れたくない物はあってほしい様子で書く
短く書き始めて足す
プロンプトは、何の建物かを短く書くところから始め、出た画像を見ながら項目を足していきます。どの語がどこに効いたかを、見分けやすくするためです。
なお、どのくらいの長さがよいかは、画像生成AIによって違います(2026年10月時点)。
直すときは1か所ずつ変える
出た画像を直すときは、1回に1か所だけを変えるのが基本です。会話で画像を直していく画像生成AIでは、残したい所も毎回書き直すように勧められています。
ただし、作り直すたびに全体を描き直す画像生成AIでは、1語を替えただけで家の形まで変わることがあります。この記事の作例でも、壁や光の語を替えると、家の形が変わりました。
それでも、シードなどの設定をそろえておけば、替えた語が色や光にどう出たかは見比べられます。形まで保ちたいなら、向いているのは3DCGで作った画像を下絵にする方法です。
大事な物を先に書く
Black Forest Labs の FLUX.2 のように、前に書いた語ほどよく効く画像生成AIもあります。
一方で、語の順番は決まりではないと説明する画像生成AIもあるので、使うものの説明を確かめてください。
長いプロンプトでは、後ろの語が読まれない画像生成AIもあります。大事な物を前に置いておけば、その場合も、その語は読まれます。
入れたくない物はあってほしい様子で書く
入れたくない物は、「no cars」(車なし)より、「empty street」(車の無い通り)のように、あってほしい様子で書きましょう。多くの開発元が勧めている書き方です。
入れたくない物を別の欄に書くネガティブプロンプトを使える画像生成AIもあります。
Stable Diffusion には欄があり、FLUX.2 や OpenAI の GPT Image には欄がありません(2026年10月時点)。
テキストエンコーダがプロンプトを数値にする仕組み

ここまでの書き方が効くわけは、テキストエンコーダの働きにあるのです。プロンプトの文は、テキストエンコーダで数値に変えられ、その数値が画像の作り方を方向づけます。
テキストエンコーダは、文を、絵を作る部分(拡散モデル)が扱える数値に変えるモデルです。
絵を作る部分は、ノイズ(でたらめな点のざらつき)だけの状態から、少しずつノイズを取り除いて画像を作ります。プロンプトの数値は、ノイズを取り除くたびの手がかりとして使われます。
仕組みから分かることは、次の3つです。
- 目に見える物と様子の語が伝わる理由
- Stable Diffusion で長いプロンプトの後ろが無くなる理由
- 書ける言葉が画像生成AIで違う理由
目に見える物と様子の語が伝わる理由
Stable Diffusion などで使われるテキストエンコーダの CLIP は、画像とその説明文の組を約4億組学んだモデルです。どの説明文がどの画像に合うかを学んでいます。
そのため、画像の説明文に出てくるような、目に見える物と様子の語は、画像の特徴と結びつきやすいと考えられます。書くことの節で、目に見える物と様子の語で書くとよいとしたのは、このためです。
Stable Diffusion で長いプロンプトの後ろが無くなる理由
Stable Diffusion の最初の版(作例の 1.5 を含む v1)が使う CLIP は、一度に 77 トークンまでしか読めません。
トークンは文を区切った小さな単位で、始まりと終わりの印を除くと、使えるのは 75 トークンです。
画像生成AIを動かす道具の Diffusers では、これを超えた分が捨てられ、注意の表示が出ます。
75 トークンごとに分けて読ませる道具もあるので、長く書くときは使う道具の扱いを確かめることが大切です。
書ける言葉が画像生成AIで違う理由
テキストエンコーダは、画像生成AIによって違います(2026年10月時点)。
Stable Diffusion の最初の版は CLIP、Stable Diffusion 3 は CLIP 2つと T5(文を数値にする別のモデル)という組み合わせです。
Stable Diffusion の最初の版は主に英語の説明文で学んだため、英語以外のプロンプトでは結果が大きく落ちます。
一方、Gemini の画像生成は日本語でもよく働くとされ、どの言葉で書くかは使う画像生成AIしだいです。
プロンプトで伝わりにくいこと

ここまでの書き方をしても、寸法・数・配置はプロンプトでは伝わりにくいものです。Stable Diffusion では、物の組み合わせや位置を細かく指定した絵が苦手とされています。
決まった数の物を描くのも、2024年に比べられたどの画像生成AIにとっても難しい作業でした。上の画像は、「平屋で窓をちょうど3つ」の住宅を英語で頼み、シードを替えて4回作った結果です。
この試しでは、4回とも平屋にはならず、2階建てに見える家になりました。窓も、3回は3つより多く、残る1回もガラスの窓3つのほかに小さな四角の開口が付いています。
形や配置を図面に合わせたいときは、3DCGで作った画像を下絵にして、形を寄せる方法を使います。それでも細かい所は変わるので、出た画像は図面と見比べてください。
書くことと書き進め方をそろえて伝わるプロンプトを書こう

AI建築パースのプロンプトは、作ってほしい建物の画像を頼むための文です。テキストエンコーダが文を数値にして画像の作り方を方向づけるので、目に見える物と様子の語で、次の6つを書きます。
- 何の建物か
- 画像の種類と様式
- 周りの環境
- 素材と仕上げ
- 光と時間帯
- 視点とカメラ
まずは何の建物かを短く書き、素材・光・視点を1つずつ足して、出た画像の変わり方を見てみてください。
あわせて読みたい
- 「画像生成AIとレンダリングの違い|計算して描くか、学習から予測するか」(準備中) — AIの画像が図面どおりにならない理由を知りたいとき
- 「潜在空間とVAE|画像を小さく縮めた計算」(準備中) — プロンプトの数値が使われる、画像を縮めた計算を知りたいとき
- 「CFG|プロンプトにどれだけ従わせるかの度合い」(準備中) — プロンプトへの従い方を数で変える設定を知りたいとき
- 「ControlNet|線・深度・姿勢の画像で形と配置を寄せる仕組み」(準備中) — 3DCGの下絵で形を寄せる方法を知りたいとき
会員登録(無料)
記事やテーマのお気に入り・学習履歴・フォローが使えます。
この記事について
PERSC編集部が、建築の制作に関わる知識を実務目線で整理しています。内容は公開・更新日時点の情報にもとづきます。誤りや古い情報にお気づきの場合はお問い合わせよりご連絡ください。