2026年9月5日
プロンプトは英語で書くべきか：答えはモデル次第
母語で打ったとき実際にモデルへ届くもの、なぜ長いあいだ英語が必須だったのか、いま母語を損失なく理解するモデル、そしてあなたの場合を決着させる6クレジットのテスト。
Frank HoubreImaginode創業者
誰もが抱えていて、口に出せずにいる質問
プロンプトは打ったそのままの形で、途中の翻訳なしにモデルへ届く。だから使う言語は結果に本当に影響する。
最初に出てくる質問の一つで、しばしば馬鹿げた質問であるかのように小声で尋ねられます。まったく馬鹿げていません。ちゃんとした技術的な答えがあり、その答えは最近変わりました。
いちばん大事な点、誰も言わない点から始めましょう。あなたのキーボードとモデルのあいだに自動翻訳はありません。打ったものはそのまま出ていきます。日本語で書けば、日本語がモデルに届く。そこから来る帰結もそのまま付いてきます。
では、母語か英語か。正直な答えは、選んだモデル次第であり、あなたの具体的な場合を決着させる三分間のテストがある、というものです。両方やります。なぜそうなるかを理解して、それから試す。
なぜ長いあいだ英語だけが正解だったのか
画像モデルは圧倒的に英語のキャプションが付いた画像で学習した。他言語の単語はそこで過小に現れ、それが指すものとの結び付きが弱かった。
画像モデルは、画像とキャプションの組を何億と見て学習します。そのキャプションはウェブ由来で、この種の作業のためにインデックスされたウェブは圧倒的に英語圏です。
機械的な帰結として、golden hour という語句は夕方の写真に貼り付いた状態で何百万回も見られました。日本語の「黄金時間」はずっと少ない。つまりモデルは一方について遥かに強固な結び付きを持っていて、日本語のプロンプトはしばしばぼんやりした、一般的で、締まりのない結果を返しました。
そこから、2022年以来あちこちで繰り返されてきた「プロンプトは英語で」という万能の助言が生まれました。当時は正しかった。今日ではずっと正しくなく、それを無条件に繰り返すことで大事なものを取り逃がします。
変わったこと：描く前に理解するモデル
大規模言語モデルを土台にした最近のモデルは、生成する前に指示を解釈する。そしてその理解は本当に多言語である。
新世代の画像モデルは、単語をテクスチャに対応づけるだけではありません。一部はあなたの依頼を読んで理解する言語モデルを経由し、そのうえで生成を操縦します。
Nano Banana Pro は Gemini 3 Pro を土台にしていて、長い指示の理解ではカタログ最強です。Nano Banana 2 は Gemini 3.1 Flash の画像生成を動かしています。GPT Image 2 も同じ世界の出身で、その強みは明示的にテクスチャではなく指示への従順さです。
こうしたモデルは、英語を理解するのと同じように日本語を理解します。理解を担う部分が数十言語で学習された言語モデルだからです。これらの上では、母語で書くことの代償はほぼゼロで、しかも母語で書くぶん精度が上がります。
英語のほうがなお望ましいモデル
速くて安い純粋な画像モデルは、英語のほうが忠実なままである。とくに専門語彙で顕著だ。
カタログのもう一方の端では、古典的な拡散モデルには言語理解の層がありません。あなたのテキストを符号化し、統計的な手がかりとして使うだけです。そこでは言語がまだ効いてきます。
1クレジットの Flux Schnell、Flux 系全般、そして Stable Diffusion をローカルで回しているものはこの区分に入ります。英語のほうが忠実な結果になります。プロンプトに精密な語彙が入ってくると、なおさらです。
ついでに言えば、これはモデルの質の問題ではありません。Flux 2 Pro はとても美しい画像を作ります。あなたのテキストをどう読むかの問題です。優れたモデルが日本語の下手な読み手であることはありえます。
あなたの場合を決着させる6クレジットのテスト
同じプロンプトを母語で三回、その英訳で三回、使っているモデルで生成する。差はすぐ見えるか、あるいは存在しないかのどちらかだ。
私の言葉を鵜呑みにせず、テストしてください。Flux Schnell で6クレジット、三分で済み、あなたのモデル、あなたの題材、あなたのスタイルについて有効です。
少し専門的な語彙を含むプロンプトを書きます。崖の縁に立つ女性へのローアングル、夕方の逆光、浅い被写界深度。三回生成する。次に同じプロンプトを英語に訳し、同じモデル、同じ比率で三回生成する。
六枚をまとめて見ます。英語の三枚のほうがローアングルと逆光を保っているなら、そのモデルは英語を好むということが一度きりの確認で分かります。差が見えないなら、迷わず母語で書いてください。母語のほうが精密になれますし、言語より精度のほうが効きます。
英語が本当に優位を保つ語彙
映画と写真の専門用語は英語では非常に密度の高いキーワードで、他言語の相当語はしばしばより曖昧か、より長い。
母語を完璧に理解するモデルであっても、いくつかの英単語は優位のままです。これは言語の問題というより密度の問題です。
bokeh、golden hour、backlit、rim light、low angle、shallow depth of field、dolly in。どれもただ一つの精密な事柄を指し、モデルはそれらがまさにその効果に結び付いた形で何百万回も見ています。日本語の相当語はしばしば言い換えを必要とし、言い換えは薄まります。
だから実践では混ぜます。場面、動作、意図は母語で、専門用語は英語で。走る女性への golden hour の逆光、shallow depth of field。読みにくいですが非常によく効きます。プロンプトは文章ではなく、指示の一覧だからです。
カメラノードはすでに英語を書いてくれている
カメラノードの設定は英語のプロンプト断片としてモデルへ届く。演出に関する部分については、言語の問題はすでに片づいている。
私がプロンプトにほとんど専門語彙を書かなくなった理由があり、それは構造的なものです。カメラノードには、フレーミング、レンズ、絞り、アングル、動きのメニューがあります。
見えていないのは、これらのメニューの各項目が英語のプロンプト断片として保持されていて、モデルへ行くのはその断片だという点です。母語のインターフェースでクローズアップを選ぶと、モデルは暗記している英語の用語を受け取ります。
利点は翻訳にとどまりません。語彙を覚える必要がなくなり、用語を間違えなくなり、設定は複数のノードに配り直されて一貫性を保ちます。各設定が何を変えるかの詳細はAIでカメラを演出するにあります。
画像内の文字：まったく別の問題
プロンプトの言語と、表示させたい文字の言語は独立している。母語の単語は引用符に入れて渡せば得られる。指示が何語であっても関係ない。
二つのことを混同しないでください。指示を書く言語と、画像の中に現れるべき文字の言語には何の関係もありません。
ポスターに「ベーカリー」と出したいなら、その正確な語を引用符に入れてプロンプトに書き、この綴りのまま現れること、他の語は一切現れないことを付け加えます。指示の残りは英語でかまいません。何も変わりません。
日本語には注意が二つ。漢字や仮名は、モデルによってはラテン文字より通りが悪いので、必ず大きくして確認してください。そして書けるモデルを選ぶこと。Nano Banana Pro、GPT Image 2、または Recraft V4.1。この話題は崩れた手と読めない文字で全部扱っています。
生成を台無しにする空似言葉
専門用語を逐語訳すると、狙った効果の逆がしばしば出てくる。よく使う言葉のいくつかは既知の罠だ。
英語に切り替えるなら、辞書で訳さないこと。いつも出てきて、生成を無駄にする例をいくつか。
映画の「カット」や「ショット」は shot であって cut や plan ではありません。「画面」は frame であって screen でも box でもない。「雰囲気」は mood か atmosphere で、ambiance 単独ではありません。日常英語では別のものを指します。そして「くっきり」は sharp か in focus であって、net では絶対にありません。
安全なやり方は、自分で訳すのではなく言語モデルに英語プロンプトを書かせることです。テキストノードなら1から3クレジットでできます。母語でアイデアを渡し、英語の画像プロンプトを、詳しく、映画の語彙で、見出しもコメントもなしで、と頼むだけです。
動画でも同じか
動画モデルも同じ論理に従うが、開始画像から始める場合の動画プロンプトはあまりに短く、この問いはほとんど意味を失う。
規則は同じです。強い言語理解を土台にした動画モデルは母語をよく受け止め、それ以外は英語を好みます。この点に新しいことはありません。
ただし実際には、この問いが立つ場面はずっと少ない。きちんと作業していれば、動画ノードは検証済みの開始画像を受け取り、プロンプトは動きだけを述べます。カメラがゆっくり前進する。手が閉じる。三語ほどで、言語はもう大差を生みません。
これは絵コンテ法の心地よい副作用です。動画にお金を払う前にAIで絵コンテを作るで説明したとおり、負荷をテキストから画像へ移すことで、言語の問題はほとんど対象を失います。
私が実際にやっていること
場面と意図は母語、専門用語は英語、演出はカメラノード、新しいモデルを知ったら六枚のテスト。
私の実践は三行で済みます。場面、動作、意図は母語で書く。母語のほうが精密だし、プロンプトでいちばん効くのは精度だからです。専門用語は英語のままにする。そのほうが密度が高いからです。
演出に関わるものはすべてカメラノードを通るので、そもそも私のテキストには入っていません。そして新しいモデルがカタログに入ったら、意見を作る前に六枚のテストをします。6クレジットで、何か月もの思い込みを避けられます。
もう言わなくなった助言が、考えずに英語で書け、です。三年前は正しかった。今日ではカタログの半分で精度を落とします。そして母語の精密なプロンプトは、英語の大雑把なプロンプトに必ず勝ちます。
まとめ
言語モデルを土台にしたモデルなら母語で書く。純粋な拡散モデルなら英語か、両者の混合に切り替える。
Nano Banana 2 と Pro、GPT Image 2 は、母語でも目立った損失なく通ります。母語で書いてください。Flux Schnell、Flux 系、ローカルで動くものはすべて、英語のほうが忠実なままです。とくに専門語彙で。
いずれの場合も、映画の語彙を英語で書くのは良い反射のままですし、カメラノードが大部分を肩代わりします。画像に表示させる文字は引用符で渡し、指示の言語とは無関係です。
そして言語より前にプロンプトの構造を掘りたいなら、結果の本当の差はそこで決まります。効くプロンプトの書き方が、主体、動作、フレーミング、光、スタイルという全体の解剖を扱っています。