AI Art Tools Compared: DALL-E vs Midjourney vs Stable Diffusion — pic0.ai

AIアートツールに対する私の考え方を変えた$47のミス

私はサラ・チェンで、デジタルマーケティングのクリエイティブディレクターとして12年の経験があります。そのうちの4年間は、AI生成画像の爆発的な世界をナビゲートしてきました。昨年の3月、クライアントの持続可能なファッションキャンペーンの完璧なヒーロー画像を生成しようと、Midjourneyのクレジットで$47を一日で使い切ってしまいました。結果は？技術的には驚くべきものでしたが、ライセンスのあいまいさから商業目的には全く使用できませんでした。

その高価な教訓は、AIアート生成の3つの主要プレーヤー、DALL-E、Midjourney、Stable Diffusionをテストし、比較し、真に理解するための長い道のりに私を送りました。過去18か月間で、これらのプラットフォームで3200以上の画像を生成し、さまざまなサブスクリプションやクレジットに約$890を費やし、特定のクリエイティブニーズに実際に応えるツールと、単に何も生み出さないきれいな画像を生成するツールの違いを学びました。

AIアートの風景は、どのツールが最も美しい画像を作成するかだけではありません。これらのシステムがどのように機能するか、実際のコストは何か、クリエイションに対して誰が所有権を持つのか、そして最も重要なのは、どのツールが実際にあなたの特定のクリエイティブな問題を解決するかを理解することです。あなたが予算を切り詰めるフリーランサーでも、クライアントの期待を管理するエージェンシーのクリエイティブディレクターでも、クリエイティブな可能性を探るホビーイストでも、選択するツールはほとんどの比較記事が認める以上に重要です。

これは単なる表面的な「3つのツールとその特徴」のリスト記事ではありません。これは、誰かが私に言ってくれたらよかったのにと思うことです。この問題を解決するのにお金、時間、クライアントの信頼を無駄にする前に。

基本的なアーキテクチャの違いを理解する

実用的な比較に入る前に、DALL-E、Midjourney、Stable Diffusionは単に異なるインターフェースを持つ同じものの3つのバージョンではないことを理解する必要があります。それぞれは根本的に異なるアーキテクチャに基づいて構築されており、異なるトレーニングアプローチを持ち、これらの違いは画像品質から使用権に至るまであらゆるものに影響します。

"AIアートツールに関する最大の誤解は、どれがより良い画像を生成するかではなく、異なる商業コンテクストで「良い」が同じ意味であると仮定することです。素晴らしいMidjourneyのレンダリングは、クライアントの広告キャンペーンで法的に使用できなければ何の意味もありません。"

OpenAIが開発したDALL-Eは、GPTモデルに似たトランスフォーマーベースのアーキテクチャを使用しています。安全フィルターやコンテンツモデレーションに重点を置いた精選されたデータセットでトレーニングされました。現在のバージョンであるDALL-E 3は、ChatGPT Plusに直接統合されており、OpenAIのアクセスしやすく、安全で商業的に実行可能なAIアート生成のビジョンを表しています。トレーニングデータにはライセンスされた画像が含まれ、問題のある出力を減らすために広範囲にフィルタリングされています。

Midjourneyは全く異なるアプローチを取っています。小さな独立した研究ラボによって構築されており、バージョン1から6まで反復改善された独自の拡散モデルを使用しています。Midjourneyの独自性は、トレーニング手法にあります。これは、文字通りのプロンプト解釈ではなく、美的魅力のために最適化されています。チームは、時には厳密な制御を犠牲にしてでも、見栄えの良い画像を作成することに執着しています。その結果、Midjourneyの画像はしばしば即座に認識できる独特の「外観」を持っています。

Stable Diffusionは、Stability AIによって開発され、オープンソースとしてリリースされました。圧縮された潜在空間で動作する潜在拡散モデルを使用しており、これにより計算効率が良く、重要なことに、変更可能です。オープンソースであるため、何千人もの開発者がカスタムモデル、微調整されたバージョン、拡張機能を作成しています。あなたは一つのStable Diffusionを使用しているのではなく、異なる目的に最適化された数百のバリアントのいずれかを使用している可能性があります。

これらのアーキテクチャの違いは、これらのツールを比較することが同じ製品の3つのブランドを比較することとは異なることを意味します。それは、セダン、オートバイ、そして自分で再構築できるモジュラー車両を比較するようなものです。それらはすべてあなたを目的地に運ぶことができますが、旅と能力は根本的に異なります。

誰もが話さない実際のコスト分析

これらのプラットフォームでの実際の支出を追跡し始めたとき、広告された価格が実際のコストの物語の約40%しか語らないことに気づきました。私のチームやフリーランスのネットワークで観察した現実的な使用パターンに基づいて、実際に何を支出することになるのかを分解してみましょう。

DALL-E 3はChatGPT Plusを通じて$20のコストがかかりますが、一見簡単です。サブスクリプションの一部としてDALL-E 3へのアクセスが得られますが、生成にはソフトリミットがあります——私のテストに基づくと、約3時間ごとに50枚の画像です。毎日5-10枚の画像を生成するカジュアルユーザーには完璧です。しかし、クライアントのプロジェクトで生産モードに入ると、午前11時までにその制限に達してしまいます。回避策は？待つか、APIを通じて追加のクレジットを約$0.04/画像の標準品質、$0.08のHDで購入することです。忙しい月の私の実際のDALL-Eの支出：$45-60です。

Midjourneyの価格構造は大幅に進化しました。月額$10のベーシックプランでは約200生成（約3.3時間のGPU時間）が得られます。これは合理的に思えますが、各「生成」が4つのバリエーションを生む可能性があることを考えると、通常は使えるものを得る前に8-12のバリエーションを生成します。私の実世界の比率は、最終的に保持される画像に対して約15の生成です。その$10プランは現実的には13-15の使用可能な画像を生み出します。月額$30のスタンダードプラン（15時間のGPU時間）が大多数のプロが利用するプランで、月に約120-150の最終画像を得ることができます。私の実際のMidjourneyの支出：必要に応じて$30-60の間で、プロプランでステルスモードを使用します。

Stable Diffusionは無料に見えますが、技術的には真実ですが実際には誤解を招きます。ローカルで実行するためには、少なくとも8GBのVRAMを持つGPUが必要です——快適に使用するためには現実的には12GBが必要です。これは$400-800のハードウェア投資です。別の方法として、RunPodやVast.aiなどのクラウドサービスでは、GPUのティアに応じて$0.20-0.50/時間が請求されます。私はStable Diffusionの作業のために月に約$25のクラウドGPU時間を費やしており、時折カスタムモデルの購入（各$5-20）をしています。すべてを考慮した月額のStable Diffusionコスト：$30-50です。

誰もが言及しない隠れたコストは？時間です。DALL-Eは画像を10-20秒で生成します。Midjourneyは生成ごとに30-60秒かかります。Stable Diffusionは私のローカル設定で15-45秒かかりますが、設定、モデルの切り替え、トラブルシューティングには毎月数時間が加算されます。私のクリエイティブディレクターとしての時給を考慮すると、その時間コストはサブスクリプション料金を大きく超えます。

プロンプトエンジニアリング：各ツールの強みと苦手

何千もの画像を生成した後、各プラットフォームがプロンプトを根本的に異なって解釈することを学びました。これらの違いを理解することが、アマチュアの結果をプロの出力から分ける実際のスキルです。

"私はクリエイティブチームが間違ったツールで美的な完璧さを追求するのに何週間も無駄にするのを見てきましたが、他のプラットフォームからのあまり「印象的でない」出力が実際には出荷されて収益を生み出したでしょう。美しい画像は請求書を支払わない——使える、ライセンス可能な資産が必要です。"

DALL-E 3は自然言語理解に優れています。「暖かい照明、ヴィンテージの家具、ラテアートを作るバリスタがいる居心地の良いカフェの内装、ライフスタイル雑誌のスタイルで撮影された」というように会話的なプロンプトを書くことができ、驚くほど正確な結果が得られます。ChatGPTとの統合により、「もっとムーディにして」や「もっと植物を追加して」という反復が直感的にできます。しかし、DALL-Eは非常に特定の技術的要件には苦労します。正確な色値、正確な構成、または技術的な写真用語を指定しようとすると、r