AI画像の手・文字の崩れ｜指を数える見分け方はもう古い

「AI画像は指を見れば分かる」「文字が崩れていたらAI生成」——そう聞いて確認したのに、指も文字もきれいに描かれた画像に出会って、判断がつかなくなったことはないでしょうか。

結論から言うと、指の本数を数える・文字の崩れを探すという昔ながらの見分け方は、2026年時点ではもう単独の判定材料になりません。一方で、今も観察できる破綻は別に存在します。この2つを混同すると、実写をAI画像だと誤判定したり、逆にAI画像を実写だと見落としたりします。

株式会社Fyveは中小企業のAI活用を月額で伴走支援しており、生成AIの実務での使い方を日常的に検証しています。この記事では、もう効かなくなった見分け方と今も残っている見分け方を分けたうえで、実際に破綻が起きたときの直し方も整理します。

「指の本数を数える」はもう古い見分け方

指の本数がおかしい・手の形が歪んでいる、という破綻は、AI画像を語るうえで長く定番の見分け方として扱われてきました。しかしこの手がかりは、2023年3月のMidjourneyアップデート以降、単独の判定材料としては信頼できないとされています。

数十万人が挑戦した「Real or Fake」テストを運営する教育者・AI研究者のLeon Furzeは、2026年1月19日に更新した記事でこう書いています。

"the average online viewer can no longer reliably spot real from fake"（平均的なネットユーザーは、もう実写とフェイクを確実に見分けられない）

同じ記事では、Nano Banana Proについて「テカテカしたAIポートレートの不気味の谷を抜け出した」とも評されています。手の破綻を頼りに「これはAIだ」「これは実写だ」と断定するのは、2026年時点ではもう古いやり方だと考えたほうが安全です。この記事で「指を見ろ」という説明を見かけたら、まず更新日を確認してください。

この傾向を裏付けるように、国内の調査でも「特定の破綻」ではなく「全体的な違和感」こそが判別の最大の手がかりだという結果が出ています。AI画像広告と実写広告を見比べさせた実験（2,593名対象）では、AIだと判別できた手がかりのうち最も大きかったのは「全体的な違和感」（約40ポイント）で、「肌や質感」「表情や目の不自然さ」「背景の構造」はその次点でした。「指を直せば解決する」という発想そのものが、実際の判別行動とはずれているということです。

それでも今も残る破綻——物理法則違反

指や文字とは対照的に、今も観察しやすい破綻があります。それが影・反射・遠近感といった、物理法則に関わる不整合です。

AI画像の幾何学的な不整合を検証した研究では、DALL·E 2が床タイルの消失点は正しく描く一方で、本来は平行なはずのカウンターの消失点が一致しないという不整合が報告されています。また別の実写風画像データセットを使った検証（IEEE WIFS 2024）では、Midjourney・DALL·E・Foocusの3モデルを比較した結果、Midjourneyが影と反射の整合性で他の2モデルを上回ったという報告もあります（この結果は抄録レベルでの確認にとどまります）。

実際に観察できる特徴として、次のようなものが挙げられます。

• 影の向きが光源と合っていない、あるいはそもそも影が無い——複数の被写体・複数の物が写っている場合は、それぞれの影の向きがそろっているかを比較すると気づきやすくなります
• 鏡・ガラス・瞳への映り込みが、周囲の環境と一致しない——窓ガラスや鏡に映る像が、写っているはずのない角度から見えていないかを確認します
• 直線の収束（消失点）が画面内で食い違う——階段の傾斜や道路の幅、建物の輪郭など、本来まっすぐであるべき線が途中で不自然に曲がっていないかを見ます

これらは、指や文字のように改善が急速に進んでいる領域とは違い、拡散モデルが空間的な整合性を学習しにくいという構造的なクセに近いため、今も比較的残りやすい手がかりです。ただし、これも将来にわたって有効であり続けると保証されたものではなく、あくまで現時点で確認できている傾向として理解しておく必要があります。

研究が整理した「破綻」の分類——手や文字はどこに位置するか

AI生成画像の見分け方を体系的に整理した実務ガイド論文（Kamali et al., 2024）は、AI画像の違和感を5つのカテゴリに分類しています。手・指は「解剖学的にありえない」、文字・ロゴは「機能的にありえない」という、それぞれ別のカテゴリに属します。

ここで整理しておきたいのは、日本語で言う「AI感」という言葉が指しているものと、手や文字の「破綻」は、厳密には別の話だという点です。「AI感」は主に下表の②「様式・見た目の癖」——肌がテカる、映画のワンシーンのように過剰に演出されている、といった“整いすぎ”を指す言葉です。一方、手や文字の崩れは①③に当たる、あからさまな“エラー”に近いものです。本記事が扱うのは後者——今も残っているエラーと、もう残っていないエラー——です。

同ガイドは、手を確認する際の観察手順も具体的に示しています。破綻を疑うときのチェックリストとして参考になります。

• 手が写っていたら、まず手を見る
• 集団写真なら、体のパーツが融合していないか（他人と結合していないか）を見る
• 手足が物の陰で不自然に消えていないかを確認する
• 不自然に虚ろな視線がないかを見る
• 全身像なら、手と顔の細部にズームインして確認する
• 目や歯の破綻——目がテカりすぎていないか、歯と口が重なっていないかを見る

ただし同ガイドは重要な但し書きも添えています。「解剖学的にありえないもの」には厳密な定義がない、という一文です。写真の加工やメイクでも同じような見た目は起こり得るため、手や指の違和感単独では判定材料にならないという点は踏まえておく必要があります。

既知の人物なら、パーツの比率を実写と比較する

実在する著名人が写っている場合は、耳たぶ・鼻筋・涙丘（目頭の膨らみ）といった生体的特徴の形と比率を、実際の容姿と比較するという観察手順も紹介されています。同ガイドが例に挙げているのは、ローマ教皇の耳たぶの輪郭、ケイト・ミドルトンの鼻筋、エマ・ストーンの涙丘です。かなり具体的な照合方法ですが、これも「単独では決め手にならない」という同じ但し書きが付きます。

この方法は、比較対象となる実際の顔写真が豊富に存在する著名人だからこそ成立するものです。一般の人物写真では比較対象そのものが手元にないため、同じ手順をそのまま使うことはできません。

人間はもう見分けられない、という研究結果

「指を見れば分かる」という感覚そのものに、疑いを持ったほうがよい理由があります。人間の判別能力を測った研究が、そもそも人はAI顔をうまく見分けられないことを示しているためです。

2022年の実験：正答率は偶然を下回る

2022年にPNAS（米国科学アカデミー紀要）に掲載された研究では、AI合成顔と実写の顔を見分けさせる実験の平均正答率は48.2%でした。50%（偶然にコインを投げて当てるのと同じ確率）を下回る結果です。試行ごとにフィードバックを与えた別の実験でも平均59.3%にとどまり、時間が経っても改善は見られませんでした。さらに、合成顔のほうが実際の顔より「信頼できそうだ」と評価される傾向も確認されています（数値は二次情報経由での確認で、論文本文は直接照合できていません）。この結果が2022年時点のものである点は踏まえておく必要がありますが、少なくとも「指を見れば誰でも分かる」という前提自体が、当時から成立していなかったことが分かります。

2025年の訓練実験：精度は上がるが「実写をAIと誤判定」する副作用が出る

2025年に発表された別の研究では、参加者に見分け方を訓練した結果、訓練前は実験群67.43%・対照群68.12%だった正答率が、訓練後は実験群71.12%・対照群68.33%へと改善しました。ただし改善幅は+3.69ポイントにとどまります。

さらに注目すべきなのは中身です。合成画像の検出精度は実験群79.08%・対照群58.29%と大きく向上した一方、実画像の判定精度は実験群63.16%・対照群78.37%とむしろ悪化しました。つまり「AI感を見抜く」訓練を受けると、実写をAIだと誤判定する副作用が出るということです。

同研究が挙げている具体的な手がかりは、指や文字とは違う領域に集中しています。

• 肌の質感（不自然に滑らかすぎる、あるいは逆に過剰にザラついている）
• 左右の非対称・比率の不整合
• 顔パーツの配置・比率
• アクセサリと化粧の不整合——口紅・アイライン・まつげの歪み、眼鏡のフレームが目の周りに溶けて融合している、イヤリングの左右不一致、帽子のぼやけ
• 顔や背景に現れる不自然な物体

「AI感がある＝AI製」でも「AI感を消せた＝バレない」でもない、という前提を踏まえた上で、指や文字よりもこうした細部を見るほうが、今の時点ではまだ手がかりとして残っていると言えます。

文字・ロゴの崩れは「モデル次第」で急速に改善している

日本語の文字が崩れる原因は、ひらがな・カタカナ・漢字が混在し、特に漢字は線の密度が高いため、画像内で小さく表示されると崩れが目立ちやすいという構造にあります。文字の破綻は、次の4類型に整理されることが多いです。

• 文字の形が崩れる——線が繋がる、一部のパーツが欠ける、別の字のように見える
• 指定と違う文字になる——プロンプトで指示した文言と、実際に描画された文言が一致しない
• 配置が悪い——文字が傾く、はみ出す、余白のバランスが崩れる
• 雰囲気が合わない——フォントの印象がデザイン全体のトーンと噛み合わない

ただし、この論点はモデルのバージョンによって急速に変わります。例えば、Nano Banana文字化けの一部は「ブラウザのプレビュー表示が圧縮されているだけで、フルサイズでダウンロードすると漢字は鮮明に表示される」という主張が1つのソースで見つかっています。これは仮説として扱うべき情報で、鵜呑みにはできません。また、後継のNano Banana Proは「日本語が崩れない」と紹介されることもありますが、こちらもモデル世代に依存する話です。文字の崩れやすさを記事や資料に書くときは、必ず日付とモデル名をセットで明記する必要があります。

前出のKamali et al. のガイドも、2024年の時点で「AI画像生成における文字表現は急速に改善している領域であり、これらのアーティファクトは一見しただけでは目立たないこともある」と注記しています。文字の破綻は、指の破綻以上に「今この瞬間の話でしかない」と考えたほうがよい領域です。

文字・ロゴは表の③「機能的にありえない」に分類されており、同じカテゴリには家具や道具の使い方がおかしい「機能不全なオブジェクト」や、指定した特徴が画面全体ににじみ出す「プロンプト過適合」も含まれます。文字の崩れは単独のバグというより、こうした機能的な不整合という大きな括りの一部だと理解しておくと、他の崩れとの共通点が見えやすくなります。

崩れたときの直し方

破綻を見つけたときに実務でできることを、再生成・部分修正・避け方の3つに分けて整理します。いずれも「これで必ず直る」という保証があるわけではなく、実務者の間で報告されている進め方です。

再生成——複数案から選ぶ

1回の生成で完成を狙わず、複数案を出して1枚を選ぶという進め方が現実的です。「生成は3案、採用は1枚、手直しは1回」という運用ルールを示している例もあります。破綻のある案を無理に直そうとするより、別の案に切り替えたほうが早いことは珍しくありません。

部分修正——加筆・アップスケール

瞳や指など、一部分だけを手作業で加筆修正する、あるいはアップスケールで潰れた細部を補完する、という方法を実践している例があります。ある解説では「現状ではAI感を消すための最善の策は自分で加筆すること」とまで言い切っています。ただしこれらは2023年ごろのStable Diffusion／LoRA前提の情報が中心で、Nano Banana ProやGPT Image 2のような新しい世代のモデルでは前提が変わっている可能性があります。そのまま転載せず、まず自分の使っているモデルで同じ手順が有効か確認してください。

部分修正をする際の工程順序として、「①顔だけ直す→②服だけ変える→③背景・構図→④最後に全体のAI感を整える」という順番で、一気に触らずに段階を分けて進める、という運用の工夫も報告されています。破綻箇所をまとめて直そうとすると、かえって別の不自然さを生みやすいという実感則です。

避け方——構図とプロンプトの工夫

そもそも破綻の発生機会を減らす、という考え方も有効です。前出のKamali et al. のガイドは、どんな条件で破綻が見つかりやすいかを次のように整理しています。

• 顔のポートレート＋背景ボケ——手がかりが少なく、破綻が出にくい
• 人数が多い・全身像・小さな顔——破綻が出る機会が増える
• 細部が多い画像ほど、ミスが起きる機会も増える
• 低解像度・強い圧縮——判定材料そのものが減る

手のクローズアップや大人数の集合写真は、破綻が目立ちやすい構図だと理解した上で選ぶ必要があります。逆に、手や指を強調したい構図では、生成後に必ずズームインして細部を確認する習慣が有効です。

文字を画像内に入れたい場合は、短い語数に絞ることが有効です。Google公式のGemini（Nano Banana）画像生成ドキュメントは、画像内テキストのプロンプトテンプレートとして次の構成を案内しています。

"Create a [image type] for [brand/concept] with the text '[text to render]' in a [font style]. The design should be [style description], with a [color scheme]."

「画像の種類」「ブランド・コンセプト」「表示したいテキスト」「フォントの雰囲気」「デザインの方向性」「配色」という構成要素が示されており、表示したい文字列をそのまま引用符で明示することが公式の書き方です。あわせて、プロンプトに形容詞やキーワードを積み増しすぎると、指定していない部分にまでその特徴が滲み出す「プロンプト過適合」という現象も報告されています。文字や手を強調したいときほど、指示を絞り込むことが結果的に安定につながります。

画像内に文字を入れる運用そのものを工夫している実務者もいます。「主役は1つ、伝える情報は1つに絞る」「文字は2〜4語まで」「枠・余白・文字量のテンプレートを固定する」という3つのルールを決めて、崩れの発生機会そのものを減らすという考え方です。文字を大量に、あるいは長文で入れようとするほど崩れの機会は増えるため、そもそも画像内テキストに頼りすぎない設計も選択肢になります。

手・文字という個別のパーツだけでなく、質感や色味を含めた画像全体の「整いすぎ」まで含めて確認したい場合は、そちらもあわせて見ておくと判断の精度が上がります。「AI感」全体の正体や、写真・イラストを問わない対策の全体像は、こちらの記事に整理しています。

AI業務効率化AI画像のAI感をなくす方法｜なぜ整いすぎてしまうのか

よくある質問

今でも指を数えれば見分けられますか

単独の判定材料としては信頼できません。2023年3月のMidjourneyアップデート以降、指の破綻は減少傾向にあり、平均的なユーザーはもう実写とフェイクを確実には見分けられないと報告されています。指の破綻が無いことは「実写である証明」にはなりません。

文字が正しく描けていれば、実写と判断していいですか

それも判断材料としては不十分です。文字表現はモデルのバージョンによって急速に改善している領域で、最新モデルでは正しく描けるケースが増えています。文字が正確であることは「AIではない」根拠にはならず、あくまで「そのモデルの文字表現が改善されている」という事実でしかありません。

影や反射の不整合は、今後も有効な見分け方であり続けますか

断定はできません。指や文字がそうだったように、モデルの改善によって今後変わっていく可能性はあります。現時点で確認できている範囲では、物理法則に関わる不整合は比較的残りやすい傾向にある、という程度に留めて理解しておくのが妥当です。

イラストでも同じチェックリストが使えますか

手・指の破綻や文字の崩れという現象そのものはイラストにも共通して起こります。ただし、イラスト特有の線や塗りの破綻（線の融合、塗りの溶解など）は、本記事とは別の観点になります。イラストの「AI感」を扱う視点は、ハブ記事から別記事へ分岐しています。

破綻が1つも見つからなければ、実写だと考えていいですか

そうとは言えません。手・文字・影・反射のいずれにも違和感が無い画像は、単に「破綻が少ないAI画像」である可能性もあります。特に顔のポートレート＋背景ボケのような構図は、そもそも破綻の手がかりが少なくなる構図だと研究で整理されています。破綻の有無だけで断定せず、全体的な違和感を含めて判断する姿勢が必要です。最終的に「確実にAIだ／確実に実写だ」と断定できる単一の見分け方は、今回の調査では見つかりませんでした。

まとめ｜古い知識を更新するためのチェックリスト

• 指の本数を数える見分け方は、2023年3月のMidjourneyアップデート以降もう単独の判定材料にならない
• 文字・ロゴの崩れも、モデルのバージョンによって急速に改善している。判断材料にするなら日付とモデル名を必ずセットで書く
• 今も比較的残りやすいのは、影・反射・遠近感といった物理法則に関わる不整合
• 手・指は「解剖学的にありえない」、文字は「機能的にありえない」という別カテゴリに属する。それぞれ単独では判定材料にならない
• 判別の最大の手がかりは特定の破綻ではなく「全体的な違和感」だという調査結果もある。個別の破綻探しに固執しすぎない
• 「AI感を見抜く」訓練を受けると、実写をAIと誤判定する副作用が出る、という研究結果もある。破綻の有無だけで断定しない
• 破綻が起きたら、複数案からの再生成・部分的な加筆修正・構図とプロンプトの見直しの3つで対応する
• 破綻の出にくい構図（顔のポートレート・少人数）を選ぶことは、直すことよりも効率的な対策になる

「AI画像は指を見れば分かる」という知識のまま止まっていると、実写を誤ってAI扱いしたり、その逆をしてしまいます。何が今も有効で、何がもう古いのかを分けて理解しておくことが、この先も長く使える見分け方です。