文字がちゃんと読める画像AI — Alibaba「Qwen-Image-3.0」が、オープンを捨ててまで狙ったもの

画像生成AIで一番むずかしいのは、実は「文字」だ。

ポスターやメニュー、UIモックを作らせると、たいていのモデルは看板の文字を崩し、意味不明な記号を並べてくる。「絵は綺麗なのに、文字だけ使い物にならない」——このもどかしさは、画像AIを実務で使ったことがある人なら一度は味わっているはずだ。

Alibabaが8月5日に一般開放したQwen-Image-3.0は、まさにそこを正面から突いてきたモデルだ。7月21日に招待制のAPIで先行公開され、8月に入って誰でも触れるようになった。

「きれい」より「使える」に舵を切った

Qwen-Image-3.0が掲げるのは、アートとしての美しさではなく「実務で使える画像」だ。売りにしている要素を並べると、その方向性がよくわかる。

• 最大4.5Kトークンの超長プロンプト — 数式、幾何図形、論理の展開、多層的なUIまで、複雑な指示を一発で通せる
• 10px級の精密なテキスト描画 — 小さな文字も潰れずに読める
• 密なレイアウト生成 — 新聞、絵コンテ、メニューのような情報量の多いデザインを丸ごと出力
• 12言語・20以上のフォントにネイティブ対応
• Webページやゲーム画面、ライブ配信のリアルな再現

要するに、「装飾のための画像」ではなく「情報を伝えるための画像」を作るモデルだ。ここは方向性として素直に面白い。

この精度で何が変わるか

テキスト描画が実用レベルに乗ると、画像AIの使い道は一段広がる。

たとえば、プロンプトだけで完成度の高いWebページのモックアップを起こすという使い方。これまでは「雰囲気画像」しか作れなかったから、結局デザイナーが一から作り直していた。文字とレイアウトが正確に出るなら、クライアントに見せる初稿を数分で用意し、その場で方向性を詰める、という進め方が現実的になる。

もう一つ、日本のユーザーにとって効きそうなのが多言語・多フォント対応だ。日本語のポスターやSNS用バナーは、フォント選びと文字組みで印象が決まる。仮に日本語フォントの描画が謳い文句どおりの精度で出るなら、「テンプレを探して、文字を差し替えて…」という作業のかなりの部分をプロンプト一発に畳み込める。ここは実際に日本語で試して確かめたいところだ。

料金はProが1枚あたり**$0.04（約6円）、Standardが$0.03（約4.5円）**。枚数で殴る用途でも十分に安い。

引っかかるのは「オープンを捨てた」こと

ここまでは良い話。でも、正直に引っかかる点がある。

Qwenシリーズはこれまで、重み（モデルの中身）を公開し、誰でも自分の環境で動かせるオープンな路線で評価を集めてきた。ところがQwen-Image-3.0は、重みもライセンスも技術レポートも公式ベンチマークも非公開のクローズドモデルとして出てきた。使えるのはホスト型APIだけだ。

これは小さくない転換だと思う。オープンだからこそローカルで回せて、業務データを外に出さずに済む——その安心感がQwenの武器の一つだった。APIしか窓口がないとなると、「生成物の権利関係はどうなるのか」「機密を含むデザインを投げて大丈夫か」といった実務上の懸念が顔を出す。ベンチマークが非公開なのも、性能を客観的に測りにくく、評価を公称に頼らざるを得ない。

安さと引き換えに、透明性とコントロールを手放した。そう読めるローンチだ。

誰に向くか

割り切って考えれば、向き不向きははっきりする。

大量のバナーやモック、多言語のグラフィックをとにかく安く速く量産したい人には、この料金と文字描画は強力な武器になる。一方で、モデルをローカルで回したい、生成物の権利や機密の扱いを厳密に管理したい、という人にとっては、クローズド化した時点で候補から外れるかもしれない。

個人的な評価としては、テキスト描画に振り切った狙いは素直に良い。ただ「オープンなQwen」を期待していた層にとっては、これはもう別物として付き合う必要がある。まずは自分のユースケース——特に日本語まわり——で一度生成させ、公称どおりの精度が出るかを見てから本採用を判断するのが賢い。

Alibabaの言語モデル側の動きはQwen 3.8-Maxの正式版にまとめている。テキストも画像も、Qwenは「実務で使えるか」を軸に急速に間口を広げている。