私的AI研究会 > ComfyUI_sumup
「ComfyUI」ここまでの検証結果のまとめ
| モデル名 | FLUX.2 klein | Z-Image-Turbo | ERNIE-Image | HiDream O1-Image | |
 |  |  |  | ||
| パラメータ数 | 4B | 6B | 8B | 8B | |
| 解像度 | 推奨 | 1024x1024 | 1024x1024 | 1024x1024 | 2048x2048 |
| 対応範囲 | 64x64 ～ 2048x2048 | 512x512 ～ 2048x2048 | 64x64 ～ 2048x2048 | 64x64 ～ 2048x2048 | |
| 発表時期 | 2025年11月 | 2025年11月 | 2026年4月 | 2026年5月 | |
| 開発元 | Black Forest Labs (ドイツ) | Tongyi Lab (中国) | Baidu 百度 (中国) | HiDream.ai (中国) | |
| このサイトでの私的評価 （※ 2026/05/30 現在） | |||||
| プロンプト追従性 | 英語 | 〇 | 〇 | ◎ | ◎ |
| 日本語 | 〇 | 〇 | ◎ | △ | |
| 文字描画 | 英語 | 〇 | 〇 | ◎ | ◎ |
| 日本語 | × | △ | ◎ | ◎ | |
| 生成速度 | ◎ | 〇 | 〇 | 〇 | |
| 総合評価 | ・プロンプトは日/英ほぼ同等に使用可 ・テキスト描画は英語のみ実用レベル ・わずか4ステップで超高速生成 | ・プロンプトは日/英ほぼ同等に使用可 ・テキスト描画は英語のみ実用レベル ・超高速生成 | ・プロンプトは日/英ほぼ同等に使用可 ・日/英テキスト描画は実用レベル | ・プロンプトは英語入力のみ ・日/英テキスト描画は実用レベル ・4Mピクセルで高速生成 | |
| 生成結果比較 (リンクページ) | ① ② ③ ④ | ① ② ③ ④ | ① ② ③ ④ | ① ② ③ ④ | |
| 推奨モデル (.safetensors) | flux-2-klein-4b-fp8 | z_image_turbo_nvfp4 | ernie-image-turbo-fp8 | hidream_o1_image_dev_fp8_scaled | |
| 推奨ワークフロー (.json) | T2I | 3211_flux2_klein_distilled | 2101_z_image_turbo_simple].json | 4201_ernie_image_turbo_t2i_simple | 7110_hidream_o1_dev_t2i |
| I2I | 3230_flux2_klein_image_edit_distilled | 2102_z_image_turbo_controlnet] | 4202_ernie_image_turbo_t2i_general | 7111_hidream_o1_dev_iti | |
| 3231_flux2_klein_image_edit_distilled | |||||
| ワークフロー | 参照ページ | CPU | CPU | |||||
| RTX 4070 | RTX 4060 | RTX 4060L | RTX 3050 | GTX 1050 | i7-1260P | i7-1185G7 | ||
| 3211_flux2_klein_distilled | FLUX.2モデル 基本（蒸留版 fp8） | 00:03.94 | 00:06.27 | 00:15.02 | 01:13.02 | 11:32.16 | 09:13.29 | 27:23.00 |
| 3230_flux2_klein_image_edit_distilled | FLUX.2 klein 画像編集 (1 画像) | 00:10.99 | 00:12.11 | 00:16.16 | 02:27.50 | 04:32.78 | 22:35.62 | 25:34.73 |
| 3231_flux2_klein_image_edit_distilled | FLUX.2 klein 画像編集 (2 画像) | 00:06.98 | 00:16.35 | 00:23.15 | 00:42.70 | 18:19.35 | 43:18.82 | 44:56.34 |
| 2101_z_image_turbo_simple | Z-Image-Turbo 基本ワークフロー | 00:07.46 | 00:18.99 | 00:27.22 | 00:39.74 | 05:05.45 | 34:09.71 | 27:47.87 |
| 2102_z_image_turbo_controlnet | Z-Image-Turbo コントロールネット | 00:07.22 | 00:21.02 | 00:29.68 | 00:43.61 | 05:38.72 | 41:15.66 | 31:09.73 |
| 4201_ernie_image_turbo_t2i_simple | Text to Image 展開版 | 00:16.17 | 00:21.80 | 00:37.37 | 00:57.23 | 07:06.96 | × | × |
| 4202_ernie_image_turbo_t2i_general | Text to Image 汎用版 (4201 Sub) | 00.09.30 | 00:21.46 | 00:41.69 | 00:57.23 | 06:58.80 | × | × |
| 7110_hidream_o1_dev_t2i | dev(蒸留版) Text to Image | 01:19.16 | 01:21.36 | 02:45.37 | ||||
| 7111_hidream_o1_dev_iti | dev(蒸留版) Image to Image | 02:43.84 | 03:30.50 | 06:38.05 | ||||
| モデル名 | LTX-2 | LTX-2.3 | |
 |  | ||
| 発表時期 | 2026年 1月 | 2026年 3月 | |
| 開発元 | Lightricks (イスラエル) | Lightricks (イスラエル) | |
| このサイトでの私的評価 （※ 2026/05/30 現在） | |||
| プロンプト追従性 | 英語 | 〇 | ◎ |
| 日本語 | 〇 | ◎ | |
| テキスト音声変換 | 英語 | 〇 | ◎ |
| 日本語 | △ | 〇 | |
| 生成速度 | 〇 | 〇 | |
| 総合評価 | ・プロンプトは自然言語の英語入力 ・日本語発話は難あり ・モデルを選べば低VRAM 環境でも動作する | ・日本語/英語 自然言語対応のプロンプト入力 ・日本語発話は多少工夫はいるが対応できる ・モデルを選べば低VRAM 環境でも動作する | |
| 生成結果比較 (リンクページ) | 『LTX-2』生成動画集 | 『LTX-2.3』生成動画集 『日本語プロンプトとリップシンク』 | |
| 推奨モデル (.safetensors) | ltx-2-19b-distilled-fp8 | ltx-2.3-22b-distilled-fp8 | |
| 推奨ワークフロー (.json) | T2V | 5202_LTX2_t2v_distilled_simple | 5402v2_LTX-2.3_t2v_distil_simple |
| I2V | 5203_LTX_i2v_distilled_simple | 5403_LTX-2.3_i2v_distil_simple | |
| ワークフロー | 参照ページ | CPU | CPU | |||||
| RTX 4070 | RTX 4060 | RTX 4060L | RTX 3050 | GTX 1050 | i7-1260P | i7-1185G7 | ||
| 5202_LTX2_t2v_distilled_simple | テキストから動画(蒸留展開版 fp8) | 02:42.82 | 04:02.12 | 04:18.52 | 08:08.23 | 非対応 | ||
| 5203_LTX_i2v_distilled_simple | 静止画から動画(蒸留展開版 fp8) | 01:05.98 | 04:56.46 | 04:06.46 | 09:32.85 | |||
| 5402v2_LTX-2.3_t2v_distil_simple | Text to Video 基本(simple) | 01:43.82 | 06:20.09 | 06:36.58 | 17:33.27 | |||
| 5403_LTX-2.3_i2v_distil_simple | Image to Video 基本(simple) | 01:32.83 | 05:54.25 | 06:45.56 | 15:37.77 | |||
| モデル名 | Qwen3-TTS | ||
 | |||
| パラメータ数 | 0.6B/1.7B | ||
| 発表時期 | 2025年9月/2026年1月オープンソース | ||
| 開発元 | Alibaba (中国) | ||
| このサイトでの私的評価 （※ 2026/05/30 現在） | |||
| プロンプト追従性 | 英語 | ◎ | |
| 日本語 | ◎ | ||
| 推奨ワークフロー (.json) | 6001_Qwen3_custom_voice | ||
| 6002_Qwen3_voice_clone | |||
| 6003_Qwen3_simple_voice_clone | |||
| 6004_Qwen3_voice_design | |||
| ワークフロー | 参照ページ | CPU | CPU | |||||
| RTX 4070 | RTX 4060 | RTX 4060L | RTX 3050 | GTX 1050 | i7-1260P | i7-1185G7 | ||
| 6001_Qwen3_custom_voice | Text to Speech | 00:12.23 | 00:14.99 | 00:22.25 | 00:43.66 | 00:47.40※ | 09:52.55 | 00:26.15 |
| 6002_Qwen3_voice_clone | Voice clone Text to Speech | 00:31.24 | 00:41.60 | 00:30.23 | 01:13.86 | 02:22.80 | 27:22.60 | 00:59.02 |
| 6003_Qwen3_simple_voice_clone | Voice clone Text to Speech with ASR | 01:18.47 | 01:22.87 | 01:57.77 | 01:53.62 | 03:29.41※ | 52:06.24 | 01:25.85 |
| 6004_Qwen3_voice_design | Text to Speech with Voise Design | 00:37.40 | 00:42.58 | 00:37.43 | 01:08.75 | 01:56.58 | 17:30.91 | 00:52.28 |