Forgemoji の仕組み

Forgemoji が生成するすべての絵文字は、「2 つ選ぶ」シンプルモードでも写真モードでも、同じ 5 段階パイプラインを通ります。全体で 10〜20 秒、多くは単一の画像生成呼び出し待ちです。

仕組みを意図的に透明にしているのは、モデルが魔法ではないからです。パイプラインの挙動が分かれば失敗は予測可能になり、正しいプロンプト選択は自明になります。

パイプラインを順を追って

1. プロンプト組み立て

   2 つの絵文字がプロンプトビルダーに渡されます。ビルダーは各絵文字の公式 Unicode ショート名を引き、両者を組み合わせた 1 つの英語プロンプトを作ります。ピッカーで入力言語を変えていれば、社内の小さなルックアップテーブルで先に翻訳します(LLM 呼び出しなし)。

2. 画像生成

   プロンプトはテキスト→画像モデルへ。出力は 1024×1024。一次モデルと二次モデルをプロンプトベースでルーティング運用しており、どのモデルが処理したかは公開していません。

3. 背景除去

   別の rembg モデルが背景を落とします。rembg ステップは独立 GPU ワーカーで、次のリクエストとオーバーラップします。

4. リサイズと整形

   クリーンな 1024×1024 を Lanczos リサンプリングで 256×256 へ。多くのチャットプラットフォームがカスタム絵文字に要求するサイズです。

5. 任意のアニメーション

   アニメ出力を有効にすると、256×256 の PNG を小さなモーション合成モデルが 12fps の 24 フレームループに変換します。対応スタイルは 6 つ: bob、sway、sparkle、glow、wiggle、pulse。基本生成時間に 8〜12 秒が加算されます。

内側の話

見落としやすいけれど「パイプラインが何をして何をしないか」を理解するうえで重要な詳細がいくつかあります。概要だけで良ければ前節で十分です。失敗モード(良いプロンプトを選ぶ唯一の方法)を知りたければこの節を。about ページでチーム背景もどうぞ。

テキスト→画像モデルは検索エンジンではありません。🐱 + 🌈 を画像検索で「知っている」わけではなく、プロンプト条件付きでピクセルをサンプリングします。同じリクエスト 2 回が違う結果を返すのは、潜在ノイズのシードが異なるためです。

rembg モデルは自然画像で学習しています。カワイイ風絵文字はシルエットが明確なのでうまくいきますが、完全ではありません。非常に細い輪郭は時々部分的に削られます。妙な半透明の halo が見えたら再生成してください。

パイプラインは独立 GPU ワーカーのシーケンスとして動きます。ユーザー経路にバッチキューはなく、各リクエストが新規割り当てを獲得します。ピーク時間帯は rembg ワーカーがボトルネックです。

生成された絵文字は保存しません。画像は JSON 応答内の base64 PNG としてブラウザに返ります。元プロンプトとモデル出力は濫用検出のため 30 日ログされ、その後削除されます。

無料トラフィックと Pro トラフィックは同じ GPU プールを共有します。ピーク時に Pro 体感速度が出るのは、キューが詰まった際に無料トラフィックを先に削るからです。

ピッカー UI は生成パイプラインの一部ではありません。完全にブラウザで動き、直近 50 件の生成を localStorage に保存し、選んだペアを API に投げます。

最大の制約は文字の描画です。モデルは単語を綴れないため、🔤 や 🅰️ を含むペアは文字に似て非なる判読不能な形を作ります。

肌色修飾子(Fitzpatrick スケールのバリアント)は対応していません。モデルは潜在事前分布の好きな肌色を選び、ピッカーからは制御できません。

国旗(🏳️‍🌈 など)も未対応です。プロンプト側での回避策を試しましたが、生成しないほうがマシという結果でした。

engineerNoteP1

SDK はまだ公開していません。エンドポイントは十分に小さいので fetch で直接呼べます。API が安定したら公開する予定です。

プライバシーとデータ

パイプラインはあなたの絵文字をディスクに書きません。送ったプロンプトとレスポンスは別々に 30 日ログされ、その後削除されます。完全なデータ取り扱いは プライバシーポリシーへ。