---
title: "DALL·E（テキストから画像を生成するモデル）とは？G検定対策"
description: "DALL-Eをテキストから画像を生成するマルチモーダル生成AIとして整理します。画像生成モデル、プロンプトとの関係、G検定で問われる代表例を確認できます。本文では、基本定義、代表例、関連用語との違い、G検定で問われやすい観点まで短時間で復習できます。"
last_modified_at: "2026-05-15"
canonical_url: "https://stemtazoo.github.io/gk/dall-e/"
section: "gk"
---

## まず結論
- **DALL·E（ダリ）**とは、**テキスト（文章）を入力として画像を生成するマルチモーダル生成モデル**である。
- G検定では「**生成モデルであること**」「**CLIPとの役割の違い**」がよく問われる。

## 直感的な説明
DALL·Eは、  
**「文章を読むと、その内容どおりの絵を描いてくれるAI」**です。

例：
- 「宇宙を飛ぶ柴犬」
- 「未来都市の夜景」

といった文章を入力すると、  
👉 **そのイメージに合った画像を新しく作り出す**  
のがDALL·Eです。

「画像を選ぶAI」ではなく、  
**画像を“描くAI”**だと覚えると混乱しません。

## 定義・仕組み
DALL·Eは OpenAI が開発した **画像生成モデル**です。

特徴：
- 入力：テキスト（自然言語）
- 出力：画像
- Transformerベースの生成モデル
- 言語と画像の対応関係を学習

重要ポイント：
- **生成モデルである**
- **分類や対応付けが主目的ではない**
- マルチモーダルだが「生成」に特化

## いつ使う？（得意・不得意）
### 得意なこと
- テキストからの画像生成
- 創作・デザイン用途
- イメージの可視化

### 不得意・注意点
- 画像と文章の類似度判定（CLIP向き）
- 画像内容の詳細な質問応答（BLIP / Flamingo向き）
- Few-shot学習が主目的ではない

## G検定ひっかけポイント
G検定では次の混同が頻出です。

- ❌「CLIPと同じ」
- ❌「画像とテキストを対応付けるだけ」
- ❌「質問応答モデル」

### 判断基準（超重要）
- **新しい画像を作る？ → DALL·E**
- **画像と文章を比べる？ → CLIP**
- **説明文を生成する？ → BLIP**
- **画像＋文章で答える？ → Flamingo**

選択肢に  
「画像を生成」「テキストから画像」  
と書いてあれば **DALL·Eを選ぶ**。

## まとめ（試験直前用）
- DALL·Eは **テキストから画像を生成するモデル**
- 生成モデルである点が最重要
- CLIPは生成しない
- BLIPは説明文生成
- 「描くAI」＝DALL·E