ComfyUI20 の履歴(No.2)

私的AI研究会 > ComfyUI20

画像生成AI「ComfyUI」２０（応用編Ⅶ）　== 編集中 ==†

　「ComfyUI」を使ってローカル環境でのAI画像生成を検証する

▲　目　次

画像生成AI「ComfyUI」２０（応用編Ⅶ）　== 編集中 ==
- 『FLUX.3 Image Klein』を検証する
- 更新履歴
参考資料

※ 最終更新:2026/10/18　

↑

『FLUX.3 Image Klein』を検証する†

　2026年10月15日、Black Forest Labs（BFL）が公開した FLUX.3 Image Klein を検証してみる

↑

概要†

「FLUX.3 Image Klein」とは
・ドイツのAI開発企業Black Forest Labs（BFL）が2026年10月に発表した、オープンウェイトの画像生成・編集モデル
- 主な特徴
  ・パラメータ数: 5.6B（56億）規模で、ゲーミングPCなどのコンシューマー向け（一般消費者向け）GPUでも動作
  ・バウンディングボックスによる配置制御: 画面上の座標（バウンディングボックス）を指定して、特定のオブジェクトの位置やサイズをコントロールできる
  ・マルチリファレンス編集: 最大10枚までの参照画像を使った画像編集や、テキスト指示による修正・文字の描き込みに対応
  ・4Kネイティブ生成: アップスケール（高解像度化）の処理を挟まず、最大4Kの解像度で直接画像を生成可能
  ・2つのバージョン:
  　• Klein Base: 追加学習（LoRA学習など）や研究用のベースモデル（50ステップ）
  　• Klein (Distilled): 16ステップで高速生成ができる蒸留（ターボ）版
- 利用環境とライセンス
  ・対応UI: ノードベースのComfyUIなどにネイティブ対応しているほか、Diffusersや公式推論コードで利用できる
  ・ライセンス: 「FLUX Kommunity License v1.0」を採用。非商用利用のほか、年間総収入500万米ドル未満のユーザーは商用利用が可能。
  　• 製品やサービスへの組み込みには別途商用ライセンスが必要
オフィシャルサイト

↑

プロジェクトで作成するワークフロー†

　このプロジェクトで作成するワークフローと関連データは下記にアップロードしている（更新されている場合は再度ダウンロードのこと）

ComfyUI_ex2_proj.zip をダウンロード（随時更新中）※2026/09/22更新
・解凍してできるフォルダ

📂ComfyUI
  └─📂user
        └─📂default
              └─📂workflows　　　　　　　　← ワークフローの保存場所
                    :
                    ├─📂FLUX3　　　　　　　← この章で作成するワークフロー
                    :

・解凍してできる「ComfyUI/」フォルダを「StabilityMatrix/Data/Packages/ComfyUI」へ上書きコピーする

ワークフローと動作環境による生成時間（分：秒）　　軽量版推奨ワークフロー　　　軽量 GGUF版推奨ワークフロー　

ワークフロー機　能モデル CPU CPU

RTX 4070 RTX 4060 RTX 4060L RTX 3050 GTX 1050 i7-1260P i7-1185G7

↑

画像生成のための環境構築†

必要な拡張ノード　→ 拡張ノードの導入

拡張ノード（検索名)	拡張ノード URL	主な機能 / 参照ページ	ワークフロー
rgthree	rgthree-comfy	ノードをスイッチで切り替える
ComfyUI_Custom_Nodes_AlekPet	ComfyUI_Custom_Nodes_AlekPet	プロンプトを日本語入力する

必要モデルのダウンロードと配置

モデル名	ファイル名（.safetensors）	配置先（/StabilityMatrix/Data/）		ダウンロード URL	サイズ
diffusion_models	flux3_image_klein_sd_int8_convrot	Models/	DiffusionModels/	flux3_image_klein_sd_int8_convrot.safetensors	5.83GB
text_encoders	qwen3.5_9b_flux3_prompt_upsampler_int8_convrot		TextEncoders/	qwen3.5_9b_flux3_prompt_upsampler_int8_convrot.safetensors	9.75GB
text_encoders	qwen3vl_4b_int8_convrot		TextEncoders/	qwen3vl_4b_int8_convrot.safetensors	4.86GB
vae	flux2-vae		VAE/	flux2-vae.safetensors	0.34GB

推奨ワークフロー

フォルダ	ワークフロー名 (.json)	モデル	機能 (参照ページ)	特記事項（同じ機能のワークフロー .json）
FLUX3	8501_flux3_klein_t2i	INT8 ConvRot	Text to Image 基本ワークフロー	(image_flux3_klein_t2i.json)
FLUX3	8502_flux3_klein_image_edit		Image Edit 基本ワークフロー	(image_flux3_klein_image_edit.json)
FLUX3	8511_flux3_klein_distilled_t2i		Text to Image 基本ワークフロー	(image_flux3_klein_distilled_t2i.json)
FLUX3	8512_flux3_klein_distilled_image_edit		Image Edit 基本ワークフロー	(image_flux3_klein_distilled_image_edit.json)

↑

Step 1：標準テンプレートを検証する†

　ComfyUI オフィシャルサイトで公開されているテンプレートのシード値を固定して再現性を確保し動かしながら整理する

ワークフローを選ぶ

	① 左端のメニューから「Template」を選択 ②「FLUX3 Image」を入力する・表示された一覧からワークフローを選ぶ ③「image_flux3_klein_t2i: Text to Image」 ④「image_flux3_klein_image_edit: Image Edit」 ⑤「image_flux3_klein_distilled_t2i: Text to Image（蒸留版）」 ⑥「image_flux3_klein_distilled_image_edit: Image Edit（蒸留版）」・ワークフローでエラーが発生する場合はモデルの配置を確認する
	Text to Image 生成画像

Text to Image ワークフロー　動作確認を行ってから保存する

プロンプト
close up profile of a young male athlete with closed eyes pressing his sweaty forehead against a soccer ball, right hand gripping the ball, stark white background, athletic jacket, white ball with jagged red graphic patterns, high contrast studio lighting, highly detailed skin texture, sharp focus Absolutely no text, no typography, no letters, no words, no numbers, no logos, no watermark, no captions, pure imagery only.
目を閉じた若い男性アスリートの横顔のクローズアップ。汗をかいた額をサッカーボールに押し当て、右手でボールをしっかりと掴んでいる。背景は真っ白。アスリート用ジャケットを着用。サッカーボールは白地に赤いギザギザの模様が入っている。コントラストの強いスタジオライティング。肌の質感まで精細に描写され、ピントは鮮明に合っている。文字、タイポグラフィ、数字、ロゴ、透かし（ウォーターマーク）、キャプションなどは一切含まない、純粋な画像のみ。

FLUX3 Text toImage ワークフロー	FLUX3 Text to Image　SubGraph

「FLUX3/」image_flux3_klein_t2i.json

▼　内部生成プロンプト

内部で生成されるプロンプト（プロンプト・エンハンサーを使った場合）

Close-up studio photograph against a stark white seamless background, high-contrast directional lighting from the upper left creating hard-edged shadows and bright highlights. A young male athlete in his early twenties with medium brown skin is shown in strict profile facing right, filling nearly the entire frame. His eyes are closed as he presses his sweaty forehead firmly into the center of a soccer ball. Beads of sweat cover his brow, temple, cheekbone, and nose, with several droplets running toward his jaw; pores, fine facial hairs, creases around the eyelids, and damp strands of short black hair remain sharply resolved. He wears a fitted dark navy athletic jacket with a plain raised collar and no markings. On the right, his bent arm wraps around the ball, and his right hand grips its lower side with curled fingers pressing into the textured surface. The white soccer ball has jagged red graphic patterns formed only from angular geometric shapes across its pentagonal panels, without symbols or lettering. Its curved seams, pebbled synthetic texture, scuff marks, and compressed contact point beneath his forehead are crisp. Hard light catches the sweat on his scalp and knuckles while deep shadow defines the underside of his face, neck, hand, and ball. Pure imagery fills the composition, consisting entirely of the athlete and unmarked soccer ball against uninterrupted white.

真っ白なシームレス背景を背にした、スタジオでのクローズアップ写真。左上からのコントラストの強い指向性照明が、くっきりとした影と鮮やかなハイライトを生み出している。フレームのほぼ全体を占めるのは、20代前半の、中程度の褐色肌を持つ男性アスリート。彼は右を向き、真横からのアングルで捉えられている。目は閉じられ、汗をかいた額がサッカーボールの中心にしっかりと押し当てられている。額、こめかみ、頬骨、鼻には汗の粒がびっしりと浮かび、いくつかは顎に向かって流れ落ちている。肌の毛穴や細かな産毛、まぶたの周りのシワ、そして湿って束になった短い黒髪まで、鮮明に写し出されている。彼は、装飾やロゴのない、シンプルな立ち襟の濃紺のスポーツジャケットを着用している。右腕はボールを抱え込むように曲げられ、指を丸めた右手がボールの下側を掴み、その指先がボールの表面の凹凸に食い込んでいる。白いサッカーボールには、五角形のパネル全体に、角張った幾何学模様だけで構成された赤いグラフィックが描かれているが、文字や記号は一切ない。ボールの曲線的な縫い目、合成皮革特有の粒状の質感、擦り傷、そして額が押し当てられたことで生じたボールの凹みまで、克明に捉えられている。頭皮や指の関節に浮かぶ汗には強い光が当たり、顔の下側、首、手、そしてボールの裏側は深い影に包まれている。画面内には、アスリートと無地のサッカーボール以外、何一つ余計なものは存在せず、純粋な被写体のみが真っ白な空間に浮かび上がっている。

▼　システムプロンプト

システムプロンプト（プロンプト・エンハンサー内部の設定）

You are the prompt upsampler of a text-to-image model. Expand the user's short request into ONE detailed, self-contained caption: the exact text the image model receives. Output only the caption, with no greetings, explanations, refusals, questions, Markdown, headings, JSON, coordinates, ids or angle-bracket tokens, and no quotes around it. If the input is not clearly an image request, caption a visualization of its concept. The request may begin with a "TARGET CANVAS: W:H" line: compose for that canvas (wide spreads content sideways, tall stacks it) and never mention the ratio or the canvas.

Fidelity and planning: keep every explicit subject, attribute, count, spatial constraint, style cue and piece of wording; never contradict, substitute, drop or narrow the request, and keep an abstract concept abstract. Decide everything left open as ONE concrete, consistent plan; never offer alternatives or hedge. Never re-express a stated constraint through another mechanism; add camera optics (depth of field, bokeh, blur) only when asked for or implied. Without a stated style, plan an actual photograph and open with the medium convention ("Full-color outdoor photograph, ...", "Full-color indoor photograph, ...", "Studio photograph, ...", "Close-up photograph, ..."); keep "Photorealistic" for renders, and turn "photorealistic" or "realistic" requests for photos into the photograph convention. Give a photograph a few ordinary, non-ideal specifics drawn from the scene's own objects instead of the stock-photo ideal. Do not invent names, brands, logos or celebrities; keep user-named ones. A long request keeps its content but not its wording: drop appraisal and sales vocabulary, turn moods into observable physical facts, and add only new concrete content with positions. Time of day is lighting, not rendered text.

Caption format: one continuous prose block in the generative voice, never "this image shows", "we can see" or "is visible". Lead with medium and style, then scene, lighting and camera, then the subjects with concrete colors, materials and state. Every person in focus gets an observable profile: ethnicity, gender, age range, skin tone ("fair skin", "brown skin"), hair and clothing. Make the layout reconstructable from words: frame-relative positions (frame-left, frame-right, upper, lower, foreground, midground, background), sentence-initial anchors ("On the left, ...", "In the background, ..."), relations (holds, faces, behind) and a consistent order; describe up to about ten instances one by one, beyond that give the exact count and arrangement. Out-of-focus or distant planes are shapes, colors and silhouettes, never identities or readable text, and the background takes about a sixth of the caption. Be definite: no hedging adverbs, no quality or emotion judgments, no closing sentence about mood; state negations as what is present. Rendered text: transcribe every wording verbatim inside double quotes in its original language and script, keep the line breaks of multi-line text, and give its typography, color and placement; author concrete, domain-correct wording when the request needs text it does not supply, and name canonical structures (calendar, keyboard, periodic table) exactly with their full layout. All prose is English; only quoted text keeps its language. Typical length is 100 to 350 words, more for complex scenes.

Output only the caption.

あなたは、テキストから画像を生成するモデルのためのプロンプト拡張機能です。ユーザーの簡潔なリクエストを、画像生成モデルが直接受け取る、詳細かつ完結した1つのキャプションへと拡張してください。出力するのはキャプションのみとし、挨拶、説明、拒否、質問、Markdown記法、見出し、JSON形式、座標、ID、山括弧（< >）、引用符などは一切含めないでください。入力内容が画像生成のリクエストとして明確でない場合は、その概念を視覚化したものをキャプションとして作成してください。リクエストの冒頭に「TARGET CANVAS: W:H」という指定がある場合は、そのキャンバスの比率に合わせて構成してください（横長なら要素を横に広げ、縦長なら縦に積み重ねるように配置します）。ただし、比率やキャンバスそのものについて言及してはいけません。

忠実性と計画性：指定されたすべての被写体、属性、数量、空間的制約、スタイルのヒント、文言を維持してください。リクエストの内容と矛盾させたり、置き換えたり、削除したり、限定したりしてはいけません。抽象的な概念は抽象的なまま扱ってください。未指定の要素については、一貫性のある具体的な計画として決定し、代替案の提示や曖昧な表現は避けてください。指定された制約を別の表現に置き換えることはせず、カメラの光学特性（被写界深度、ボケ、ブレなど）は、明示的に求められた場合や示唆されている場合にのみ追加してください。スタイルが指定されていない場合は、実際の写真として構成し、「フルカラーの屋外写真、……」「フルカラーの屋内写真、……」「スタジオ写真、……」「クローズアップ写真、……」といった、媒体を示す定型句から始めてください。レンダリング画像に対しては「フォトリアル（Photorealistic）」という表現を用い、写真に対して「フォトリアル」や「リアル」といった要望があった場合は、前述の写真の定型句に変換してください。写真には、ストックフォトのような理想化されたものではなく、そのシーン内に存在するオブジェクトに基づいた、ありふれた（理想的すぎない）具体的なディテールを盛り込んでください。架空の名称、ブランド名、ロゴ、著名人などを勝手に作り出さないでください（ユーザーが指定したものはそのまま使用します）。長いリクエストの場合、内容は維持しますが、元の文言をそのまま使う必要はありません。評価や販売促進のための言葉は削除し、雰囲気やムードは観察可能な物理的事実へと変換してください。また、配置情報を含めた具体的な要素のみを追加してください。時間帯はライティング（光の表現）として反映させ、テキストとして記述しないでください。

キャプションの形式：生成モデルに適した文体で、途切れることのない1つの文章ブロックとして記述してください。「この画像には～が写っている」「～が見える」といった表現は使用しないでください。まず媒体とスタイルから書き始め、次にシーン、ライティング、カメラ設定を記述し、最後に被写体について、具体的な色、素材、状態を交えて描写してください。焦点の合っている各人物について、民族、性別、年齢層、肌の色（「色白」、「褐色」など）、髪型、服装といった観察可能な属性を記述する。レイアウトは言葉から再構成可能なものとする。具体的には、フレーム内での相対的な位置（左側、右側、上部、下部、前景、中景、背景）、文頭の起点（「左側には…」、「背景には…」など）、対象物同士の関係性（手に持っている、向いている、背後にあるなど）を用い、一貫した順序で記述する。対象が10件程度までの場合は個別に記述し、それを超える場合は正確な数と配置を明記する。焦点が合っていないものや遠景にあるものは、形状、色、シルエットとしてのみ記述し、個人の特定や判読可能な文字には言及しない。背景に関する記述は、キャプション全体の6分の1程度とする。記述は断定的かつ明確に行うこと。曖昧さを生む副詞、性質や感情に関する主観的な判断、あるいは雰囲気についてまとめるような締めくくりの文は含めない。否定的な表現（「〜がない」など）を用いる場合は、代わりに「何が存在しているか」を記述する。画像内の文字については、原文の言語および表記のまま、二重引用符で囲んで逐語的に書き起こす。複数行にわたる場合は改行を維持し、書体（タイポグラフィ）、色、配置についても明記する。元の画像に含まれていないテキストが必要な場合は、その文脈に適した具体的な文言を補完する。カレンダー、キーボード、周期表といった標準的な構造物については、その全体的なレイアウトを含めて正確に名称を記す。キャプションの本文はすべて英語で記述し、引用部分のみ元の言語を維持する。長さは通常100〜350語程度とするが、複雑な場面ではこれより長くなる場合もある。

キャプションのみを出力すること。

Image Edit ワークフロー　動作確認を行ってから保存する

プロンプト
change the dress color to red
ドレスの色を赤に変更する

入力画像	生成画像	FLUX3 Image Edit ワークフロー
fashion_portrait_blue_silk_gown_vis.png		「FLUX3/」image_flux3_klein_image_edit.json

・ワークフローに含まれる注意書き

FLUX.3 編集（画像編集）
ファイルおよびサンプラーの設定は、テキストから画像を生成する場合（Text-to-Image）と同じです（50ステップ、CFG 3.5、Euler / Simple）
参照画像（リファレンス）	「Set Reference Multi Latent」ノードに複数の入力画像を追加します。プロンプト内では、最初の画像が `<ref_image_0>`、次が `<ref_image_1>`……という順序で指定されます。参照パイプラインの仕様に従い、各参照画像をポジティブプロンプトとネガティブプロンプトの両方に追加してください。
サイズ	ここでは参照画像が約1メガピクセル（MP）にスケーリングされ、出力されるLatent（潜在表現）もそのサイズに合わせられます。BFLのパイプラインでは、参照画像は元のサイズ（最大約16MP）のまま保持されます。メガピクセル数を増やすことで、より詳細な参照が可能になりますが、その分コスト（計算負荷）も増加します。
プロンプト	編集内容を反映させた、結果全体を表す詳細なキャプション（説明文）を記述してください。
ノード
「Empty Flux 2 Latent」ノード	画像サイズをカスタマイズする場合
「Create Bounding Boxes」ノード	精密な編集を行うためのプロンプトを作成する場合