Textual Inversionとは？LoRAとの違いと自作手順をやさしく解説

同じキャラクターを何度描かせても、髪型と服が毎回微妙に変わる。呪文のような指示文を200文字書いても、あの画風にだけは届かない。画像生成AIを本気で使い始めた人が、ほぼ全員ぶつかる壁です。

その壁を「単語を1つ増やす」というやり方で越えるのがTextual Inversion。学習といっても、モデルの中身には指一本触れません。

---

Textual Inversionとは？一言でいうと何をする技術か

Textual Inversionとは、数枚の参考画像から「その概念だけを指す新しい単語」を作り出し、指示文の中で呼び出せるようにする技術です。日本語では「テキスト反転」と直訳されますが、現場ではそのまま英語名か「埋め込み（embedding）」と呼ばれます。

もとになった研究論文のタイトルが、この技術の本質をそのまま言い当てています。「An Image is Worth One Word（1枚の画像は1つの単語に値する）」。学習済みの画像生成モデルが持つ言葉の空間の中に、新しい語をひとつ挿し込む。それだけです。

ここで押さえておきたい前提を3つ。

• モデルの重み（AIの本体パラメータ）は一切変更しない
• 変わるのは「単語 → ベクトル」の対応表に追加された1語分だけ
• だから出来上がるファイルは極小で、いくつでも同時に使える

追加されるのは辞書の1ページであって、脳みその手術ではない。 この区別が、後で出てくるLoRAやDreamBoothとの違いを理解する土台になります。

そもそも画像生成AIの選択肢自体を整理したい段階なら、AIイラストツールの比較記事を先に眺めておくと、この先の話が入りやすくなります。

---

なぜ「言葉を1つ増やす」だけで絵が変わる？

指示文は、AIの内部で数百次元の数字の並びに変換されてから使われます。Textual Inversionは、この数字の並びを直接さがしにいく作業です。

手順を人間の感覚に翻訳すると、こうなります。

1. 参考画像を5枚用意する
2. 仮の新語（たとえば my-style）に、でたらめな数字の並びを割り当てる
3. その語だけを使って画像を生成させる
4. 参考画像とどれだけ違うかを測る
5. 差が縮む方向に、数字の並びをほんの少しずらす
6. 3〜5を数千回くり返す

くり返しの果てに、「その5枚に共通する何か」を指す数字の並びが残る。それが埋め込みファイルの正体です。

つまりAIは新しいことを覚えたわけではありません。もともと描ける絵の中から、目的地の座標を教えてもらっただけ。 ここがこの技術の強みであり、同時に限界でもあります。

モデルが素の状態でまったく描けないもの（見たこともない機械の構造、特殊な指の関節）は、座標を教えても届きません。逆に「なんとなく描けるけど言葉で指定しづらいもの」——画風、光の質感、色の癖——には破格に効きます。

---

LoRA・DreamBoothと何が違う？

画像生成のカスタマイズ手法は3つに整理すると混乱しません。それぞれ「どこを書き換えるか」が違います。

以下の表は、3手法を実務で選ぶときの判断軸でまとめたものです。

つまり、「言葉で指させる曖昧な特徴」ならTextual Inversion、「形が決まっているもの」ならLoRA以上、という住み分けです。

海外コミュニティでの言い回しが分かりやすいので紹介します。Textual Inversionは「あなたの顔について書かれた、モデルだけが読める最高に正確な説明文」。DreamBoothは「モデルにあなたの顔そのものを覚えさせる」。説明文は軽くて持ち運べるけれど、説明できないものは伝わらない。

実際の運用では、キャラの造形をLoRAで固定し、画風とネガティブ調整をTextual Inversionで乗せる組み合わせがよく使われます。競合ではなく、階層の違う道具です。

---

学習に必要な素材は？枚数と質の目安

枚数の話から入ると、たいてい失敗します。効くのは枚数ではなく「ばらつき」だからです。

必要な素材の条件を、優先度の高い順に並べます。

• 覚えさせたい特徴だけが全画像に共通していること
• それ以外の要素（背景・角度・服）はできるだけバラバラなこと
• 解像度がベースモデルの学習解像度に近いこと
• 圧縮ノイズや透かしが乗っていないこと

たとえば「特定の水彩画風」を覚えさせたいのに、素材5枚が全部「青空の下の少女」だったら。出来上がった単語は、水彩画風ではなく「青空と少女」を指してしまいます。共通点が多すぎると、AIはどれが目的の特徴か判別できません。

ここが落とし穴。

素材数の目安を、狙う対象別にまとめます。

つまり、同じ被写体を同じ構図で20枚集めるより、条件を散らした8枚のほうが強い。 素材集めは撮影より編集の仕事だと考えてください。

---

WebUIでの作り方：4ステップ

学習環境として最も情報が多いのは、Stable Diffusion系のWeb UI（AUTOMATIC1111系、およびその後継として使われるForge）です。ComfyUI派の人は、まずComfyUIとStable Diffusion WebUIの違いを確認してから環境を決めると遠回りせずに済みます。

手順そのものは、驚くほど短い。

ステップ1：空の埋め込みファイルを作る

Trainタブから、新しいembeddingを作成します。ここで決めるのは名前と、1単語あたりに割り当てるベクトルの数。名前は既存の英単語と衝突しないものにしてください。cat や blue のような一般語を使うと、指示文の中で意図しない干渉が起きます。

ステップ2：素材を前処理する

画像を学習解像度に合わせて切り出します。顔だけを覚えさせたいのに全身が写っているなら、この段階で切ります。キャプション（画像の説明文）を自動生成する機能もありますが、画風学習では説明を最小限にしたほうが素直に収束することが多い。

ステップ3：学習設定を決める

指定するのは主に3つです。学習対象（Embedding）、学習率（Embedding Learning rate）、そしてくり返し回数。ここでいう学習率とは「1回の修正でどれだけ大きく動かすか」の幅のこと。

ステップ4：学習を回す

Train Embeddingを押したら、あとは待つだけ。環境によっては数時間かかります。寝ている間に回すのが定番です。途中経過の画像が保存される設定にしておくと、後から一番良かった時点のファイルを選べます。

ここで大事なのが、最後まで回したファイルが最良とは限らないという点。回しすぎると素材そのものをなぞるだけになり、応用が効かなくなります。

---

学習パラメータの決め方

数字をいじり始めると沼です。触る優先順位を決めておきます。

以下は、調整の効き目と危険度をまとめたものです。

最初に触るべきは学習率です。UIの初期値から始めて、途中経過が一向に似てこないなら少し上げる。逆に途中で絵がぐしゃぐしゃになったら、その時点で学習率が高すぎます。

ベクトル数は「1」から試すのが安全です。多く割り当てるほど細かい特徴を持てますが、そのぶん指示文の枠を食いますし、素材の丸暗記に近づきます。画風なら少なめ、人物なら多め、というのが大まかな傾向。

つまり、初期値のまま1回回して、崩れ方を見てから1つずつ動かす。 これが最短ルートです。

ここまでの整理：Textual Inversionは「モデルに新しい単語を1つ教える」技術。素材は枚数よりばらつきが命。学習は4ステップで、触るのは学習率とベクトル数の2つから。ここから先は、失敗の直し方と実運用の話に入ります。

---

うまくいかないときは何を疑う？

出来上がったのに全然似ていない、あるいは似すぎて使い物にならない。どちらもよくある結末です。症状から原因を逆引きできるようにしておきます。

最後の「モデル系統違い」は、共有ファイルを使うときに一番刺さります。埋め込みファイルは、学習したときのベースモデルが持つ言葉の空間に依存しています。世代の違うモデルに持っていくと、座標がずれて別物が出る。ファイル名に対応モデルを書いておく習慣をつけてください。

崩壊系のトラブルは、途中経過を保存しておけば大半が救えます。保存間隔を細かくしておくのは、地味に効く保険です。

---

完成したembeddingはどう使う？

使い方は拍子抜けするほど簡単です。ファイルを所定のフォルダに置いて、指示文にファイル名を書くだけ。

たとえば my-watercolor という名前で作ったなら、指示文に my-watercolor と入れる。それで発動します。特別な記法は不要です。

実運用で覚えておきたい使い方を挙げます。

• 強さの調整：(my-watercolor:0.8) のように重みを書いて効き具合を弱める
• 複数併用：軽いので3つ4つ同時に入れても破綻しにくい
• 位置の影響：指示文の前方に置くほど強く効く傾向がある
• LoRAとの併用：造形はLoRA、雰囲気は埋め込み、という分業

効きすぎたら重みを下げる。この一手だけ覚えておけば、大抵の場面はしのげます。

---

ネガティブ埋め込みという裏の主役

Textual Inversionの最も普及した使われ方は、実は画風の再現ではありません。「出したくないもの」を1語にまとめる用途です。

手が6本になる、顔が溶ける、線がぼやける。こうした典型的な破綻を集めて学習させると、「崩れた絵」を指す単語が作れます。それをネガティブ指示（出してほしくない要素の欄）に1語入れるだけで、破綻率が目に見えて下がる。

これまで「lowres, bad anatomy, extra fingers, ...」と延々書いていた列を、単語1つに置き換えられます。指示文の枠も節約できて一石二鳥。

コミュニティで配布されているネガティブ埋め込みを使うのが手っ取り早いですが、自作する価値もあります。自分がよく使うモデルで、自分がよく遭遇する崩れ方を集める。専用に作ったほうが効きます。

品質改善の打ち手を体系的に押さえたいなら、AIイラストツールの選び方側で扱っているモデル選定の観点と合わせて考えるのが近道です。

---

商用利用で気をつけることは？

ここは曖昧にできない領域なので、はっきり書きます。確認すべきは2つの層です。

1つ目、ベースモデルのライセンス。 Stable Diffusion系のモデルはそれぞれ利用条件が異なります。商用利用を許すもの、研究用途に限るもの、派生モデルの再配布に条件をつけるものが混在しています。使うモデルの配布ページで必ず原文を確認してください。

2つ目、学習素材の権利。 これがより厄介です。他人のイラストを無断で集めて画風を学習させ、その成果物を販売する。技術的には可能ですが、法的にも倫理的にも安全とは言えません。自分で撮った写真、自分で描いた絵、明示的に許諾を得た素材。この3つに絞るのが実務上の安全圏です。

埋め込みファイルそのものは数十KBの数字の並びで、素材画像を含んでいません。ただし「素材を含まないから権利問題が消える」という理屈は通りません。

組織で画像生成を業務に組み込むなら、この判断を個人の裁量に任せないこと。生成物の利用範囲と素材の出所を記録に残す運用が要ります。社内でAI利用のルールを整える段階なら、内部監査の観点でAIツールを見る記事が参考になります。

---

どんな人が使うべき？逆に不要なのは誰か

正直なところ、全員に勧める技術ではありません。向き不向きがはっきりしています。

向いている人

• 同じ画風で大量に絵を出す必要がある（同人誌、ゲーム素材、シリーズ広告）
• ローカル環境でStable Diffusion系を回している
• 手や顔の破綻率を下げたい
• LoRAを作るほどのGPUや素材がない

向いていない人

• Web完結型のサービスだけを使っている（そもそも読み込めない）
• 特定の人物や商品を厳密に再現したい（LoRA以上が必要）
• 月に数枚しか生成しない

判断の目安をまとめます。

つまり、「量を出す」「同じ調子で出す」の2つが揃ったときに初めて元が取れる技術です。

生成AI全般の情報収集を効率化したいなら、リサーチ用のAI検索を併用するのも手です。Feloの使い方やMeta AIの活用あたりは、モデル情報の追跡に使えます。

---

AI PICKS編集部の判定

画風の固定とネガティブ調整に限れば、Textual Inversionは一択です。

理由は3つあります。第一に、ファイルが数十KBしかない。LoRAが数百MBになることを考えると、この軽さは異次元です。何十個でもフォルダに放り込んでおけるし、配布も気軽。第二に、モデル本体を汚さない。相性が悪ければ外すだけで元通りです。第三に、併用の自由度が圧倒的に高い。

ただし、キャラの造形再現を期待して手を出すと正直イマイチな結果になります。「あの子の髪飾りの形が再現できない」という不満は、この技術の設計上どうにもなりません。座標を教える技術であって、新しい形を教える技術ではないからです。

そして最大のハードルは環境。ローカルGPUでStable Diffusion系を回している人にしか出番がありません。Web完結型のサービスしか使っていないなら、この技術は選択肢に入らない。そこは正直に言っておきます。

条件が合う人にとっては、覚える価値のある投資。合わない人には、知識として知っておけば十分。それが結論です。

---

よくある質問（FAQ）

Q. 学習にはどのくらいのGPUが必要ですか？

VRAMを積んだGPUが実質必須です。CPUだけでの学習は、理論上できても現実的な時間で終わりません。手元にGPUがない場合は、クラウドGPUを時間借りするのが現実解です。生成だけなら学習より軽い負荷で済みます。

Q. 学習時間はどのくらいかかりますか？

素材の枚数、ステップ数、GPU性能で大きく変わります。数時間かかることも珍しくないため、夜間に回して朝に結果を見る使い方が定着しています。途中経過を定期保存する設定にしておけば、朝いちで一番よい時点を選べます。

Q. LoRAと同時に使えますか？

使えます。むしろ推奨される組み合わせです。造形をLoRAで固定し、画風と品質調整をTextual Inversionで乗せる。埋め込みは軽いので、LoRAとの併用でメモリを圧迫する心配もほとんどありません。

Q. 他人が配布しているembeddingを使っても安全ですか？

ファイル形式に注意してください。safetensors形式は設計上、任意のコードを実行できないため相対的に安全です。古い形式のファイルは、信頼できる配布元のものだけを使ってください。加えて、そのファイルがどのベースモデル用に作られたかを必ず確認します。

Q. Midjourneyでも使えますか？

使えません。Textual Inversionは、モデルの内部にファイルを読み込ませる仕組みが必要です。Web完結型の生成サービスは、通常この読み込み口を開放していません。オープンなモデルをローカルまたは自前環境で動かすことが前提になります。

Q. 覚えさせた単語の名前はどう決めればいいですか？

既存の英単語と衝突しない造語にしてください。sunset のような一般語を使うと、指示文の中で夕焼けの概念と干渉します。ハイフン区切りの造語や、意味を持たない文字列が無難です。ファイル名がそのまま呼び出し語になります。

Q. 学習した埋め込みは他のモデルに使い回せますか？

同系統・同世代のモデル間なら、ある程度は動きます。世代が違うモデルへの持ち込みは、まず期待どおりになりません。言葉の空間の構造そのものが違うためです。使い回す前提なら、よく使うモデルごとに作り直すほうが結果的に早い。

Q. 生成した画像は自由に販売できますか？

ベースモデルのライセンスと、学習素材の権利の両方をクリアしている場合に限られます。どちらか一方でも怪しいなら販売は避けてください。自作素材だけで学習し、商用利用が明示的に許可されたモデルを使う。この組み合わせが最も安全です。

---

関連する比較・代替を見る

画像生成の環境選びで迷っている段階なら、この並びから入るのが早いです。

• Stable Diffusion vs Midjourney — カスタマイズ自由度と手軽さのトレードオフ
• ComfyUI vs AUTOMATIC1111 — 学習機能まで含めたUI比較
• Stable Diffusion vs DALL-E 3 — 指示文の解釈精度と制御性
• Stable Diffusion vs Adobe Firefly — 商用利用のクリアさで選ぶなら
• Midjourney vs NijiJourney — イラスト特化モデルの使い分け
• Stable Diffusionの代替ツール一覧 — GPUを持たない人の選択肢
• 画像生成AIカテゴリ一覧 — 用途別に全体を眺める

---

次に読むならこれ。 ローカル環境をこれから組む人は、ComfyUIとStable Diffusion WebUIの違いへ。Textual Inversionの学習機能はUIによって使い勝手が大きく変わるので、環境選びの時点で決着がつきます。