文字なしAI生成画像 → トッププロ級「写植完成ページ」
を作る完成パイプライン設計図 2026

現状CC3写植スコア 59 → 100 への道筋

現行エンジン（_remote_compose_v2＋合体マスク＋ベタフラ＋SFX-FX）は「組版の見た目」は作れるが、①セリフが固定句で文脈とズレる ②顔/見せ場にかぶる ③可読性の自動検証がないの3点で素人の壁に当たっている。本パイプラインはこの3点を VLM解析＋LLM生成＋自動配置＋品質ゲートの4ブロックで機械的に埋める。59→100は「美麗化」ではなく「ズレ・かぶり・読めなさの自動排除」で達成する。

同人/AIエロ漫画制作の最大ボトルネックは「文字を画像に焼き込んだ瞬間に崩壊する」こと。SDXL/Pony/Illustrious系は日本語テキスト描画がほぼ破綻し、焼込SFXは可読不能・修正不能になる^[6]。そこで「絵は文字なしで生成し、文字は後から写植で乗せる」後写植ピボットが必然になる。

後写植「完成パイプライン」の固有価値

• 非破壊・再編集可：絵とテキストが別レイヤー。誤字修正・別言語版・別オチが絵を再生成せず作れる。
• 規約クリーン：生成段階に文字を含めないため、プラットフォーム規約（生成物にメタ情報・透かし）対応が容易。焼込SFXのクリーン除去という後工程^[7]も不要になる。
• 空白市場：Clip Studioの自動レタリングやBlambot AutoLetterは英語前提で、CJK縦書き × 感情連動フキダシ × 顔被覆率の自動検証を1本で満たすものは2026年時点で存在しない^[3]。本パイプラインはその空白を埋める内製アーキである。

※本DRは「市場で売る製品」ではなくCC3の内製ライン設計。価値は「写植工数の削減と品質上限の引き上げ」に換算する（§06）。

差別化の核：個々の要素（解析・生成・配置・検証）は既存物の組合せだが、「文字なし絵→完成ページ」を1本のpass/fail付きパイプラインで貫通させ、CJK縦書き×感情×顔回避×可読自動検証を全て満たす内製ラインはここにしかない。

各段の 入力 / 処理 / ツール / 出力

共通I/Fデータ構造（このJSONで全段を疎結合に繋ぐ）

scene.json   # ②の出力 — 段③以降の唯一の真実
{ "panels":[ {"id":0,"bbox":[x,y,w,h],
    "characters":[{"id":1,"gender":"female","action":"standing",
                   "emotion":"smile","mouth_open":true,"face_bbox":[..],"mouth":[mx,my]}],
    "stage":1,            # s1着衣 〜 s5絶頂
    "speaker_count":1,
    "is_sex_scene":false, # 品位ガードの基準
    "confidence":0.87 } ] }

script.json  # ③の出力
{ "lines":[ {"panel_id":0,"speaker":1,"text":"おかえりなさい",
    "emotion":"smile","type":"speech",       # speech / monologue / moan / sfx
    "shape":"round_tail","priority":"normal"} ] }

layout.json  # ⑤の出力（再現・再編集の保存形式）
{ "balloons":[ {"line_ref":0,"bbox":[x,y,w,h],"shape":"round_tail",
    "font_size":16,"line_dir":"ttb","tail_angle":214} ],
  "sfx":[...], "fx":[{"type":"betaflash","panel_id":3}] }

設計の肝：全段が scene.json / script.json / layout.json を介して疎結合。VLMやLLMを差し替えても下流は無改修。layout.jsonを保存すれば「再編集・多言語差し替え・別オチ」が絵を触らず可能になる。

素人写植が破綻する最大要因は「絵を見ずに固定句を貼る」こと。立ち絵に喘ぎが出る、出迎えなのに絶頂セリフ、という事故^[14]はここで生む。解決は VLMで絵を構造化 → LLMが構造に従って生成の2段。

Step1: VLMで絵を構造化抽出

• Florence-2 <MORE_DETAILED_CAPTION> で全体状況、<OD> で人物・物体のbbox、<REGION_TO_DESCRIPTION> で各人物の動作を取得^[1]。
• Qwen2.5-VL に空間QAで「性別・人数・ステージ(s1〜s5)・口が開いている人物」をJSONで問い、Florence-2 とクロスチェック^[8]。
• MediaPipe BlazeFace で顔bbox＋口landmarkを取り、話者推定と禁止域の両方に使う^[9]。

Step2: 品位ガード判定（生成前に必ず通す）

def guard(line, scene_panel):
    # 喘ぎ/絶頂は「実際に絡んでいるコマ」だけ [14]
    if line.type == "moan" and not scene_panel["is_sex_scene"]:
        return demote_to_safe(line)        # 出迎え/奉仕/照れ/誘いの上品なセリフへ
    # 男セリフは男が同コマに居る絡みコマだけ [14]
    sp = get_char(scene_panel, line.speaker)
    if sp["gender"] == "male" and not has_male_in_intercourse(scene_panel):
        return None                        # 画面外の声もNG。男セリフを発生させない
    return line

Step3: 人格注入プロンプト（固定句禁止）

system = "あなたは {char.name}（{char.persona}・口調:{char.tone}）として話す。"
user = f"""このコマの状況: {scene_panel を自然文化}
ステージ: s{stage}（s1着衣〜s5絶頂）/ 感情: {emotion} / 同コマ人数: {count}
制約:
- 状況・感情・ステージに一致する 1〜2 文だけ。固定句・テンプレ禁止。
- 立ち絵/日常コマなら品のあるセリフ＋軽い感情。喘ぎ語は出すな。
- 出力は script.json の lines 形式。"""
text, _ = gr.ask(user, kind="quick_check", system=system)   # 1行=約¥0.1

人格プロフィール（3サイズ/性格/好きな言葉/口調）はCC1の偏愛プロフィール資産をそのまま注入^[15]。これで「キャラが本当に喋っている」セリフになる。

配置は本パイプラインの心臓。顔/見せ場をavoid → 空きスペース探索 → 読み順 → はみ出し回避を1本のgreedyループに統合する。

禁止域マスクの構築

def build_forbidden_mask(image, faces, panels):
    H, W = image.shape[:2]
    forbidden = np.zeros((H, W), np.uint8)
    # 顔＋口（口は最も重い禁止域）
    for f in faces:
        cv2.rectangle(forbidden, (f.x1,f.y1), (f.x2,f.y2), 255, -1)
        cv2.circle(forbidden, tuple(f.mouth), 28, 255, -1)
    # 見せ場 = OpenCV static saliency [11]
    sal = cv2.saliency.StaticSaliencySpectralResidual_create()
    ok, sal_map = sal.computeSaliency(image)         # 0..1
    forbidden = cv2.bitwise_or(forbidden, ((sal_map>0.6)*255).astype(np.uint8))
    # パネル境界マージン
    for p in panels:
        cv2.rectangle(forbidden, p, 255, thickness=8)
    return forbidden, sal_map

空きスペース探索（2方式を使い分け）

• 距離変換方式（重要セリフ向き／最も奥まった空きを取る）：
  dt = cv2.distanceTransform(255-forbidden, cv2.DIST_L2, 5) の最大値座標を中心に。禁止域から最も離れた安全地帯に置ける。
• 最大空矩形方式（サイズ保証が要るとき）：積分画像で「forbidden=0の最大長方形（maximal empty rectangle）」を走査し、必要 w×h 以上の矩形を抽出。フキダシの外接サイズが確実に収まる場所を取る。

統合配置ループ（完成形）

def place_all_balloons(image, script_lines, panels, scene):
    faces = mediapipe_blazeface(image)                 # bbox + mouth [9]
    forbidden, sal_map = build_forbidden_mask(image, faces, panels)
    placed = []
    # 読み順: 話者顔位置でコマ内を 右上→左下（Z/逆N）にソート
    order = sorted(script_lines,
                   key=lambda L: reading_key(speaker_face(L, faces, scene)))
    for i, line in enumerate(order):
        line.speaker_index = i
        fs, w, h = estimate_balloon_size(line.text, base=16)   # 級数→外接矩形
        # --- 空き探索 ---
        if line.priority == "high":
            cx, cy = argmax_xy(cv2.distanceTransform(255-forbidden, cv2.DIST_L2,5))
            rect = rect_around(cx, cy, w, h)
        else:
            rect = find_maximal_empty_rect(forbidden, w, h)
        # --- しっぽ角度 = フキダシ中心→話者の口 ---
        sp = speaker_face(line, faces, scene)
        tail_angle = atan2(sp.mouth.y - rect.cy, sp.mouth.x - rect.cx)
        # --- はみ出し/重なり回避（級数3段縮小→フォールバック） ---
        while (not inside_panel(rect, panels)) or overlaps(rect, placed):
            fs -= 2                                    # 16→14→12→10
            w, h = recompute_box(line.text, fs)
            rect = find_maximal_empty_rect(forbidden, w, h)
            if fs < 10:
                rect = fallback_leader(rect, panels)   # 枠外引出し+0.5ptリーダー線
                break
        draw_balloon(image, rect, line.text, fs, tail_angle, dir="ttb")
        placed.append(rect)
        forbidden = cv2.bitwise_or(forbidden, mask_of(rect))  # 逐次=次の禁止域に追加
    return image, [r.to_layout() for r in placed]

本パイプラインは「売る製品」ではなく内製ライン。価値は写植工数の削減と月産ページ数の増加・単価維持に出る。

前提：VLM/manga-ocr/MediaPipe/PIL/OpenCVは全てローカル（¥0）。課金はgrok-4.3のシーン要約＋セリフ生成のみ（1ページ数回呼び＝quick_check $0.001前後）。100点必達ページのみ品質ゲートでgrok-4.3フル採点を回す（1ページ ¥1未満）。「文脈一致セリフ＋自動配置＋自動検証」を機械が担い、人は最終確認だけに絞れるのが粗利源泉。

最初に作るのは scene.json 生成器と配置器。セリフ生成と配置が繋がれば「中身の薄い完成ページ」が出る＝検証ループが回り始める。SFX/効果線は見栄えなので後段でよい。

撤退＝全廃ではなく「どこまで自動・どこから手動」の線引きを引き直すサイン。例えば配置だけ自動・セリフは人間、など段階的縮退を許容する。

VLMは「順位は付けられるが点数は付けられない」^[10]。よって品質ゲートは絶対点を信用せず、客観測定2本（OCR・被覆）＋ペアワイズ1本のANDで切る。

def quality_gate(final_image, script, masks, placed_balloons, anchors):
    R = {}
    # --- ゲート1: OCR可読率（写植した文字を再OCRして一致を見る） ---
    tot = 0.0
    for bb, line in zip(placed_balloons, script.lines):
        crop = crop_region(final_image, bb)
        ocr  = manga_ocr(crop)                       # 多行OCR [2]
        tot += levenshtein_ratio(normalize(ocr), normalize(line.text))
    R["ocr"] = (tot/len(script.lines)) >= 0.90       # FAIL: 級数/字間↑で再描画

    # --- ゲート2: 被覆率（顔/見せ場マスクとフキダシのIoU上限） ---
    bmask = union_masks(placed_balloons)
    face_ov = overlap_ratio(masks["face"], bmask)    # 重なり面積/フキダシ面積
    sal_ov  = overlap_ratio(masks["saliency_high"], bmask)
    R["face"]     = face_ov < 0.03                    # 顔にかぶったら即FAIL
    R["saliency"] = sal_ov  < 0.08                    # 見せ場は8%でWARN→確認

    # --- ゲート3: 4AIペアワイズ（自作 vs 参照プロ作品・rank/ルブリック） ---
    wins = 0; N = 5
    for k in range(N):
        a, b = (final_image, anchors[k]) if k%2==0 else (anchors[k], final_image)  # 順序入替
        winner = vlm_pairwise(a, b, rubric=[
            "可読性","フキダシ自然さ","顔/見せ場の被覆","SFX/効果線","全体プロ度"])
        wins += (winner == "final")
    R["vlm"] = (wins/N) >= 0.50                       # 絶対点は使わない [10]

    return all(R.values()), R

集約：全ゲートANDでのみpass。FAIL項目ごとに対応リカバリへ戻し最大3周ループ、それでも落ちれば人間確認フラグを立てて停止（無限ループ・自己申告passを防ぐ）。参照プロ作品アンカー集（売れ筋teardown済み）を10〜20枚用意しておくのが前提^[7]。

描き文字SFX（焼込でなくPIL後処理レイヤー）

1. 感情/動作 → SFX語彙マップで語を選ぶ（絡みコマのみ解禁）
   挿入: ぬぷ/ぐっ/ずぶ絶頂: ビクッ/イッ動作: パン/ずん日常: コトッ/ぱぁっ(環境音はソロ可)
2. PILでSFX文字描画（手描き寄りフォント）→ ②閾値＋モルフォロジーでエッジ抽出 → ③筆圧/かすれシミュレーション（ガウスぼかし＋ノイズ）→ ④縁取り（白2px→黒1px）。焼込まず別レイヤーで合成＝規約クリーン・再編集可^[13]。
3. 配置：動作主体bbox近傍（距離<40px）の空き矩形。既存フキダシとIoU>0.1なら即シフト。

効果線の自動付与（条件分岐）

if sal_peak > 0.75 and stage >= 4:  add_concentration_lines(panel)   # 集中線（放射ブラー）
if motion_vec(speaker) > 30:        add_speed_lines(panel)           # スピード線
if stage == 5 and is_sex_scene:     add_betaflash(panel)             # ベタフラ（放射状黒）[14]

VLMシーン解析の精度設計（誰が話者か・ステージ判定）

• scene.jsonの埋め方：Florence-2 <MORE_DETAILED_CAPTION>＝全体状況、<OD>＝人物bbox、Qwen2.5-VL空間QA＝ステージ/性別/人数、MediaPipe＝顔/口。3者を1つのscene.jsonにマージ。
• 話者推定ヒューリスティック：speaker = argmax( 0.5*口開き + 0.3*視線が前 + 0.2*コマ内面積 )。独白(monologue)は口閉じ＋無しっぽ。
• ステージ判定プロンプト：「この人物の状態を s1(着衣)〜s5(絶頂) で1つ選び、性別・人数・"絡みの最中か(is_sex_scene)" を JSON で返せ」。is_sex_scene が品位ガードの基準。
• クロスチェック：Florence-2 と Qwen2.5-VL が一致 → confidence=0.9、不一致 → 0.4以下で人間確認フラグ。grounding bboxは 0.9倍縮小して使う（VLMのbboxは外側に膨らみがち^[10]）。

本パイプラインは新規実装が主ではなく「散在する要素DRと現行エンジンの統合」。各要素を scene.json/script.json/layout.json という共通I/Fに接続するのが本DRの役目。

統合の唯一のルール：各要素は scene/script/layout.json 以外で会話しない。これで「どのDRの成果も差し替え可能なモジュール」になり、パイプライン全体が壊れにくくなる。

関連DR一覧（統合元・本DRが束ねる主な既存DR）

• DR_文字なしCGから後写植で完成漫画を量産するWF設計_2026-06-11
• DR_トッププロ写植コマ割り音セリフ一致_2026-06-11
• DR_漫画写植の顔回避配置アルゴリズム2026_顔検出と空き領域配置_2026-06-04
• DR_可読オノマトペを生成させる手法と文字なし後写植ピボット_2026-06-11
• DR_焼込SFX画像への写植とクリーン除去実務_2026-06-12
• DR_トッププロ描き文字SFXの凄み_素人写植との決定的差_2026-06-11
• DR_素人SFXフキダシをプロ品質に引き上げる改善_PIL実装_v2_100点_2026-06-11
• DR_ジャンル別写植スタイル対応マトリクス_2026-06-12 / DR_競合トップ作品の写植逆解析と鉄板レイアウト_2026-06-12
• DR_エロ漫画セリフネームwriting実例集_2026-06-12（③セリフ生成の語彙源）

※これらは「部品」DR。本DRはそれらを順序立てて1本のpass/fail付きラインに編成する「アーキDR」として差別化される（既存と重複せず統合視点）。

1. Microsoft Research, "Florence-2: Advancing a Unified Representation for a Variety of Vision Tasks"（region description / OD / grounding / OCR・MIT・0.23/0.77B）— https://arxiv.org/pdf/2311.06242
2. kha-white, "manga-ocr"（日本語マンガ向け多行OCR・VisionEncoderDecoder）— https://github.com/kha-white/manga-ocr
3. Alibaba product insights, "AI-Powered Comic Book Lettering Tools vs Manual Placement"（Blambot AutoLetter等の自動配置ヒューリスティック・顔回避の限界）— https://www.alibaba.com/product-insights/ai-powered-comic-book-lettering-tools-vs-manual-placement-do-speech-bubble-algorithms-respect-reading-flow.html
4. Yang et al., "Automatic Comic Generation with Stylistic Multi-page Layouts and Emotion-driven Text Balloon Generation"（感情駆動フキダシ・読み順を崩さない配置最適化）arXiv:2101.11111 — https://arxiv.org/pdf/2101.11111
5. "Deep CNN-based Speech Balloon Detection and Segmentation for Comic Books"（U-Net系フキダシ検出/分割）arXiv:1902.08137 — https://ar5iv.labs.arxiv.org/html/1902.08137
6. Optimized speech balloon placement for automatic comics generation（intra/inter-panel cost・話者顔を避ける配置目的関数）ACM — https://doi.org/10.1145/2505483.2505486
7. Towards Data Science, "Florence-2: Mastering Multiple Vision Tasks with a Single VLM Model"（region/OCR/caption実践・後段結合の参照）— https://towardsdatascience.com/florence-2-mastering-multiple-vision-tasks-with-a-single-vlm-model-435d251976d0/
8. Qwen Team, "Qwen2.5-VL"（3B/7B/72B・空間localization・レイアウト読解・GPT-4o/Claude級）— https://qwenlm.github.io/blog/qwen2.5-vl/
9. Google MediaPipe, "Face Detection"（BlazeFace・顔bbox＋keypoint・超軽量）— https://github.com/google-ai-edge/mediapipe/blob/master/docs/solutions/face_detection.md
10. "VLM Judges Can Rank but Cannot Score: Task-Dependent Uncertainty in Multimodal Evaluation"（絶対点不可・position bias・ペアワイズ推奨の根拠）— https://arxiv.org/html/2604.25235v1
11. PyImageSearch, "OpenCV Saliency Detection"（StaticSaliencySpectralResidual・見せ場検出）— https://pyimagesearch.com/2018/07/16/opencv-saliency-detection/
12. python-pillow/Pillow Issue #2656「Japanese font glyph with direction ttb is drawn to incorrect position」（縦書きttbバグ→HarfBuzz/Pango推奨）— https://github.com/python-pillow/Pillow/issues/2656 ／ HarfBuzz×Cairo統合 — https://harfbuzz.github.io/integration-cairo.html
13. PythonFAQ, "How to draw shapes and text on images using Pillow"（PILレイヤー描画・後処理SFXの基礎）— https://www.pythonfaq.net/how-to-draw-shapes-and-text-on-images-using-pillow-in-python/
14. CC3 既存ナレッジ：合体マスク方式フキダシ／立ち絵ソロに喘ぎ・男言葉を出さない品位ガード（社内feedback：feedback_union_mask_bubble_method_2026-06-11 / feedback_moan_sfx_only_in_sex_scene_2026-06-11 / feedback_male_speech_only_in_sex_scene_2026-06-11）
15. CC内製：grok_router.py（kind別モデル選択・コスト自動ログ・grok-4.3）／CC1キャラ人格プロフィール資産（社内：D:\projects\fanza3_mass\scripts\grok_router.py 他）

起草: grok-4.3（dr_world_top＋dr_long）｜ 推定コスト: 約 ¥208（$1.385＝§下書き$0.705＋深掘り$0.680）｜ 1次情報15ソース｜ 重複: 近接要素DR多数 → 統合アーキDRとして新規発行