テキスト生成モデルと text-to-image モデルを組み合わせると、入力プロンプトに基づく視覚コンテンツを生成できる強力な AI システムになります。テキスト生成モデルが入力テキストに基づき text-to-image モデル向けのプロンプトを作る、協調的な枠組みで実現できます。
処理の流れは次のとおりです。
-
入力テキストの処理: 単純な一文から複数段落まで、入力テキストをシステムに渡します。このテキストが視覚コンテンツ生成の土台になります。
-
プロンプト生成: テキスト生成モデルが入力テキストに基づきプロンプトを作ります。プロンプトは、入力テキストに文脈的に関連する画像を text-to-image モデルが生成するよう導くために作ります。説明、キーワード、その他の手がかりを含め、画像生成を誘導できます。
-
コンテンツモデレーション: テキスト分類モデルを使い、生成アセットがコンテンツポリシーに沿うかを確認できます。
-
Text-to-Image モデル: テキスト生成モデルが作ったプロンプトを入力として受け取り、対応する画像を出力します。テキスト記述を視覚表現へ変換し、入力テキストが伝える要点と文脈を捉えることを目指します。
こうした AI モデルの組み合わせは、マーケティング、出版、プレゼンテーションなど向けの視覚アセット生成に使えます。
- クライアントのアップロード: コンテンツを含む POST リクエストを API エンドポイントへ送ります。
- プロンプト生成: コンテンツを入力として Workers AI の テキスト生成モデル を呼び出し、後段の text-to-image モデル向けプロンプトを生成します。
- 安全性チェック: 生成したプロンプトを入力として Workers AI の テキスト分類モデル を呼び出し、安全ガイドラインへの準拠を確認します。
- 画像生成: 生成したプロンプトを使い、Workers AI の text-to-image モデル を呼び出して画像を生成します。