定義
テキストエンコーダとは、入力されたプロンプトの文章を画像生成AIが処理できる数値表現(埋め込み)に変換するモデルのこと。T5やCLIPが代表例として広く使われる。
テキストエンコーダ (T5 / CLIP)とは（詳しく解説）
テキストエンコーダとは、自然言語のプロンプトを画像生成モデルが解釈できる数値ベクトル(埋め込み表現)に変換する仕組みのことで、Stable DiffusionやDALL-Eなど拡散モデル系ツールの前段で使われるのが業界標準の位置づけとされる。CLIPは画像とテキストを同じ空間に対応付けるため色や構図の再現に強く、T5は文章構造の理解に優れ長文プロンプトの語順や関係性を反映しやすいとされる。2026年時点の実運用では、エンコーダの違いがプロンプトの効き方に直結する落とし穴になりやすく、同じ文章でもツールごとに生成結果が大きくぶれる要因になっている。現場での選び方としては、短い単語羅列で構図重視ならCLIP系、長文で細かい指示を反映させたいならT5系が向くとされ、追加コストは基本的にツール利用料に内包されるため単体の相場感を意識する場面は少ない。
テキストエンコーダ (T5 / CLIP)の使用例
- 「赤いドレスを着た女性が桜の下に立つ」のような長文プロンプトはT5系エンコーダが得意とされる。
- 単語羅列型プロンプト「cat, sunset, oil painting」はCLIP系エンコーダとの相性が良いとされる。
