私的AI研究会 > ComfyUI10
「ComfyUI」を使ってローカル環境でのAI画像生成を検証する
| 今話題の最新モデル『Z-Image』を検証する（VRAM 12GB 以下の小規模環境で実行可能なものに限定） |
| 高速かつ高品質な画像を生成することができると評価の高い最新の画像生成AIモデル『Z-Image-Turbo』を検証する |
| 項目 | 仕様 |
| 必要VRAM | 16GB未満（<16GB VRAM）で動作 |
| 推奨解像度 | 1024×1024（学習時の標準解像度） |
| 対応解像度範囲 | 512×512〜2048×2048まで生成可能 |
| 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
├─📂input ← ワークフローに含まれる入力画像
└─📂user
└─📂default
└─📂workflows ← ワークフローの保存場所
:
├─📂etc
└─📂z_imzge ← 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| モデル名 | ファイル名（.safetensors） | 配置先 | ダウンロード URL | |
| Z-Image-Turbo本体 diffusion_models | z_image_turbo_nvfp4 | /StabilityMatrix/Data/ Models/ | diffusion_models/ | https://huggingface.co/Comfy-Org/z_image_turbo/tree/main/split_files/diffusion_models |
| z_image_turbo_bf16 | ||||
| テキストエンコーダー text_encoders | qwen_3_4b_fp4_mixed | text_encoders/ | https://huggingface.co/Comfy-Org/z_image_turbo/tree/main/split_files/text_encoders | |
| qwen_3_4b_fp8_mixed | ||||
| qwen_3_4b | ||||
| vae | ae | VAE/ | https://huggingface.co/Comfy-Org/z_image_turbo/tree/main/split_files/vae | |
| LoRA | Z-Image-Turbo-DistillPatch | Lora/ | https://huggingface.co/Kutches/ImageZ/blob/4d384de2e0993c5e127ea2cb95d57e018e2b52bd/Z-Image-Turbo-DistillPatch.safetensors | |
| ControlNet | Z-Image-Turbo-Fun-Controlnet-Union | /StabilityMatrix/Data/ Packages/ComfyUI/models/ | model_patches/ | https://huggingface.co/alibaba-pai/Z-Image-Turbo-Fun-Controlnet-Union/tree/main |
| turbo (distilled 蒸留版) | base版 | ||
| nvfp4 | bf16 | bf16 | |
| モデル名 (.savtensors) | z_image_turbo_nvfp4 | z_image_turbo_bf16 | z_image_bf16 |
| サイズ (GB) | 4.19 | 11.4 | 11.4 |
| 生成画像 | |  |  |
| 生成時間 (分：秒) | turbo (distilled 蒸留版) | base版 | ||
| nvfp4 | bf16 | bf16 | ||
| GPU | RTX-4070 | 00:07.46 | 00:55.01 | 00:35.91 |
| RTX-4060 | 00:18.99 | 01:15.14 | 01:28.12 | |
| RTX-4060L | 00:27.22 | 00:56.61 | 02:27.91 | |
| RTX-3050 | 00:39.74 | 03:30.16 | 04:10.93 | |
| GTX-1050 | 05:05.45 | 05:01.53 | 23:17.65 | |
| CPU | i7-1260P | 34:09.71 | 36:25.75 | 283:57.25 |
| ・テンプレートのオリジナル・ワークフローに対して「① モデルの変更, ② シード値を固定（同じ画像を再現できるように）」を変更する ・生成途中画像表示と生成結果プレビュー画像表示の追加 |
| オリジナルのワークフローを整理して FHD(1920x1080) 画面内に一括表示できるようにする |
| 2200 基本ワークフロー | 2200 SubGraph |
| Prompt: Latina female with thick wavy hair, harbor boats and pastel houses behind. Breezy seaside light, warm tones, cinematic close-up. | |
| 豊かなウェーブヘアのラテン系女性。背景には港のボートやパステルカラーの家々。海辺の爽やかな光と温かみのある色調、映画のようなクローズアップ。 | |
 |  |
| 「z_image/」2200_z_image_turbo_t2i.json | |
| 2201 基本ワークフロー（展開版） |   |
| Prompt: 20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 | |
 | |
| 「z_image/」2201_z_image_turbo_t2i_simple.json | |
| プロンプト |
|
Close-up portrait of a young woman in her 20s, natural makeup, soft expression. 85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. |
| 20代の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 |
| ワークフロー：「z_image/」2101_z_image_turbo_simple.json | |
 |
| プロンプト |
|
A luxury-style bilingual (Japanease + English) poster advertisement for a minimalist wireless earphone. Show the product on a matte black surface with premium studio lighting, soft highlights on metal edges, deep controlled shadows, and flawless color accuracy. Textures should appear refined and tactile, with micro-detail clarity and a high-end commercial finish. Design the poster in an elegant, high-fashion aesthetic: generous negative space, balanced composition, and minimal visual noise. Use a sophisticated monochrome palette with subtle gold or silver accents to emphasize the premium feel. Include a minimal English headline: “Pure Sound. Perfect Silence.” Add the Japanease counterpart in refined typography: “純粋な音 · 静寂の極み”. Place a small bilingual tagline beneath: “Wireless Crafted Quality · 職人技が宿る仕上り”. Ensure the text integrates naturally with the design without distracting from the product. Background should be a smooth gradient charcoal black with a luxury ambiance. Use centered composition, vertical 3:4 aspect ratio, no logo, no watermark. |
| ミニマルなワイヤレスイヤホンの、高級感あふれるバイリンガル（日本語＋英語）ポスター広告です。 マットブラックの表面に、プレミアムスタジオ照明、金属エッジの柔らかなハイライト、深くコントロールされた陰影、そして完璧な色彩精度で製品を映し出します。 テクスチャは洗練され、触感があり、微細なディテールまで鮮明で、高級感のある商業的な仕上がりを実現します。 ポスターは、エレガントでハイファッションな美学に基づき、十分なネガティブスペース、バランスの取れた構成、そして最小限の視覚的ノイズでデザインします。 洗練されたモノクロパレットに、さりげないゴールドまたはシルバーのアクセントを加え、高級感を強調します。 簡潔な英語の見出し「Pure Sound. Perfect Silence.」を記載します。 洗練されたタイポグラフィで日本語の見出し「純粋な音・静寂の極み」を追加します。 その下に、小さなバイリンガルのタグライン「Wireless Crafted Quality・職人技が宿る仕上り」を配置します。 テキストは、製品から気を散らすことなく、デザインに自然に溶け込むようにしてください。 背景は、高級感のある滑らかなグラデーションのチャコールブラックにしてください。 中央配置、縦長の3:4アスペクト比、ロゴや透かしは使用しないでください |
| ワークフロー：「z_image/」2102_z_image_turbo_controlnet.json | 入力画像 | プロンプト |
 |  |
Close-up portrait of a young woman in her 20s, natural makeup, soft expression. 85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. |
| 種類 | ワークフロー（変更部分） | コントロール画像 | 生成画像 768x1024 |
| Canny |  |  |  |
| Pose |  |  |  |
| Depyh |  |  |  |
| HED LineArt |  |  |  |
| MLSD |  |  |  |
| ワークフロー：「z_image/」2102_z_image_turbo_controlnet_v2.json | 改良点 |
 | ・それぞれの「ControlNet」ノード出力を切り替えることで、ワークフローを接続し直す必要がないようにした → ノードをスイッチで切り替える「rgthree-comfy」 ・「Fast Muter」ノードの該当項目をクリックすることで「ControlNet」の各機能を実行することができる |
| モデルによる検証例： → Z-Imageの例 → HiDream-O1の例 → ERNIE-Imageの例 → FLUX.2 kleinの例 |
| 英語プロンプト | 日本語プロンプト |
| |  |
| プロンプト → z-image の例 | |
| 英語プロンプト | 日本語プロンプト |
| |  |
| プロンプト → z-image の例 | |
| 英語プロンプト | 日本語プロンプト |
 |  |
| プロンプト → FLUX.2 の例 | |
| 英語プロンプト | 日本語プロンプト |
 |  |
| プロンプト → FLUX.2 の例 | |
| 英語プロンプト | 日本語プロンプト |
 |  |
 |  |
 |  |
| プロンプト → z-image の例 | |
| 英語プロンプト | 日本語プロンプト |
 |  |
| プロンプト → FLUX.1 の例 | |
| 英語/日本語プロンプトの違いによる生成画像の違いを検証する |
| 英語プロンプト | 日本語プロンプト |
| ① AURA Skincare Brand Visual System 1024x768 | |
 |  |
| ② Luxury Perfume Sand Ad Photography 768x1024 | |
 |  |
| ③ Logo Miniature Hyper-Realistic Photography 768x1024 | |
 |  |
| ④ Night Street Looking-Back Portrait Photography 1024x768 | |
 |  |
| ⑤ Narrow House Isometric Cross-Section Render 768x1024 | |
 |  |
| ⑥ Ghibli Style 768x1024 | |
 |  |
| ⑦ Fashion Figure Outfit Structure Breakdown 1440x720 | |
 |  |
| ⑧ First-Person City Night Street Photography 720x1440 | |
 |  |
| いろいろなジャンルの画像で 英語/日本語 のプロンプトの違いによる生成画像変化を検証する |
| 英語プロンプト | 日本語プロンプト |
| ① コンセプトポスター 768x1024 | |
 |  |
| ② 日本の夏祭りポスター 768x1024 | |
 |  |
| ③ 夜のカフェで女性のポートレート 1024x768 | |
 |  |
| ④ 喫茶店のオムライス 1024x768 | |
 |  |
| ⑤ 宇治抹茶パッケージデザイン 1024x768 | |
 |  |
| ⑥ 手書き風ポップアップ広告 1024x768 | |
 |  |
| ⑦ 窓越しの雪景色 768x1024 | |
 |  |
| ⑧ 日本の寺院の境内 1024x1024 | |
 |  |
| ⑨ 縦長の三連写真 768x1024 | |
 |  |
| ⑩ リアルな都市の夜景写真 1024x768 | |
 |  |
| ⑪ ぬいぐるみのアヒル 1024x1024 | |
 |  |
| ⑫ 有名なランドマーク 1024x1024 | |
 |  |
| ⑬ 映画のようなポートレート写真 768x1024 | |
 |  |
| ⑭ 全身のファッション写真 1024x768 | |
 |  |
| ⑮ 夜間ストリートポートレート写真 768x1024 | |
 |  |
| ⑯ 超写実的なポートレート写真 768x1024 | |
 |  |
| ⑰「コーヒーガイド」ピクトグラムポスター 1024x768 | |
 |  |
| ⑱「コーヒーの淹れ方」コミック風インフォグラフィック 1024x768 | |
 |  |
| ⑲ 6コマのコミックページ 768x1024 | |
 |  |
| ⑳ 教育的なコミックブックのインフォグラフィック 1024x768 | |
 |  |
| ㉑ デジタルイラスト形式のステッカーシート 1024x768 | |
 |  |
| ㉒ 日本語学学習フラッシュカード 768x1024 | |
 |  |
| model | z_image_turbo_nvfp4.safetensors, qwen_3_4b_fp4_mixed.safetensors, ae.safetensors | |
| steps | 9 | |
| cfg | 1.0 | |
| size (pixel) | 1024x768, 768x1024, 1024x1024, 1440x720, 720x1440 | |
| seed | 96330140554850 | |
| Workflow | | |
| 2101_z_image_turbo_simple.json | ||
| 参照画像とプロンプトから画像生成する Image to Image ワークフローは Text to Image ワークフローから簡単にできるようなので検証してみる → krea2 image to image workflow ? |
| 参照画像 | プロンプト | |
 |
Close-up portrait of a Japanease young woman in her 20s, natural makeup, soft expression.&br85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. | |
|
20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 | ||
| 2202 Image to Image 基本ワークフロー | 2202 SubGraph |
 |  |
| 「Boogu」2202_z_image_turbo_i2i.json | |
| 参照画像 | Gemini で作成したプロンプト | |
 |
Close-up portrait of a Japanease young woman in her 20s, natural makeup, soft expression.&br85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. | |
|
20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 | ||
| 2203 Image to Image ワークフロー 展開版 | |
 | |
| 「Boogu」2203_z_image_turbo_i2i_simple.json |
| モデル名 | Krea 2 | コメント | |
| | ● 日本語プロンプトは英語とほぼ遜色なく使える ● Turbo 版はわずか 8ステップで生成できて超高速 ● テキスト描画については英語は実用レベル 日本語のテキストは漢字・かなとも正確な描画はできない ● | ||
| パラメータ数 | 6B | ||
| 解像度 | 推奨 | 1024x1024 | |
| 対応範囲 | 512x512 ～ 2048x2048 | ||
| 発表時期 | 2025年11月 | ||
| 開発元 | Tongyi Lab (中国) | ||
| 生成画像品質 | ◎ | ||
| プロンプト追従性 | 英語 | 〇 | |
| 日本語 | 〇 | ||
| 文字描画 | 英語 | 〇 | |
| 日本語 | △ | ||
| 生成速度 | 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 ・超高速生成 | ||
| 生成結果比較 (リンクページ) | FLUX.2 ① ②, Z-Image ① ②, ERNIE ① ②, HiDream ① ② | ||
| 推奨モデル (.safetensors) | z_image_turbo_nvfp4 | ||
| 推奨ワークフロー (.json) | T2I | 2101_z_image_turbo_simple | |
| I2I | 2102_z_image_turbo_controlnet | ||
| 基本モデル『Z-Image-base』を検証する |
| 特徴 | Z-Image-Base | Z-Image-Turbo |
| サンプリングステップ | 30-50ステップ | 8ステップ |
| 生成速度 | 遅い | 非常に速い |
| 視覚的ディテール | より豊か | 優秀 |
| 芸術的上限 | より高い | 高い |
| 生成多様性 | より強い | 良好 |
| ファインチューニング適性 | 優秀 | 普通 |
| ネガティブプロンプト応答 | 高応答性 | 良好な応答性 |
| 使用ケース | プロフェッショナル創作、ファインチューニング開発 | 迅速なプロトタイピング、日常創作 |
| モデル名 | ファイル名（.safetensors） | 配置先 | ダウンロード URL | |
| Z-Image-Base本体 diffusion_models | z_image_bf16 | /StabilityMatrix/Data/ Models/ | diffusion_models/ | https://huggingface.co/Comfy-Org/z_image/tree/main/split_files/diffusion_models |
| text_encoders | ※ z_image_turbo と同じ | text_encoders/ | ||
| vae | VAE/ | |||
| ・テンプレートのオリジナル・ワークフローに対して「① モデルの変更, ② シード値を固定（同じ画像を再現できるように）」を変更する ・生成途中画像表示と生成結果プレビュー画像表示の追加 |
| オリジナルのワークフローを整理して FHD(1920x1080) 画面内に一括表示できるようにする |
| 2210 基本ワークフロー | 2210 SubGraph |
| Prompt: A fashion photography work full of surreal romanticism, using a low-angle upward shooting composition, with a clear light blue sky as the background, and the visual focus concentrated on the fantasy blue vegetation and the model walking through it. The vegetation in the picture is processed into varying shades of blue, from light ice blue to deep cobalt blue. The textures of the leaves and branches are delicate and realistic. The warm brown tree trunks form a sharp contrast with the cool blue leaves, resembling a dreamy forest from another world. An African-American model wearing a yellow and white vertical striped long dress walks slowly on the sand. The warm tones of the dress echo with the surrounding cool blue vegetation. The noon sun casts clear shadows on the sand, enhancing the sense of space and reality in the picture. The entire scene, with its clean and transparent colors and fantasy settings, not only exudes the vastness of the natural wilderness but also presents a quiet and poetic high-fashion sense due to the surreal vegetation. | |
| 澄み渡る水色の空を背景に、ローアングルから見上げる構図で捉えられた、シュールでロマンチックな雰囲気のファッション写真作品です。視線は、幻想的な青い植物と、その中を歩くモデルへと自然に引き寄せられます。 画面内の植物は、淡いアイスブルーから深みのあるコバルトブルーまで、様々な色調の青で表現されており、葉や枝の質感は繊細かつリアルに描写されています。温かみのある茶色の幹と、寒色系の青い葉が鮮やかなコントラストを成し、まるで異世界の幻想的な森のような光景を作り出しています。黄色と白の縦縞のロングドレスをまとったアフリカ系アメリカ人のモデルが、砂の上をゆっくりと歩いています。ドレスの温かみのある色調が、周囲の寒色系の青い植物と呼応しています。真昼の太陽が砂の上に鮮明な影を落とし、空間の広がりとリアリティを際立たせています。 清涼感のある透明な色彩と幻想的な情景が融合したこの作品は、自然の荒野の雄大さを感じさせるだけでなく、シュールな植物の存在によって、静謐で詩的なハイファッションの雰囲気を醸し出しています。 | |
 |  |
| 「z_image/」2210_z_image_base_t2i.json | |
| 2201 基本ワークフロー（展開版） |   |
| Prompt: 20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。. | |
 | |
| 「z_image/」2211_z_image_base_t2i_simple.json | |
| プロンプト |
|
Close-up portrait of a Japanease young woman in her 20s, natural makeup, soft expression. 85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. |
| 20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 |
| ワークフロー：「z_image/」2111_z_image_base_simple.json | |
 |
| 228533163497426 | 965272908476212 | 577359144257283 | 937350415573337 |
 |  |  |  |
| 参照画像とプロンプトから画像生成する Image to Image ワークフローは Text to Image ワークフローから簡単にできるようなので検証してみる → krea2 image to image workflow ? |
| 参照画像 | プロンプト | |
 |
Close-up portrait of a Japanease young woman in her 20s, natural makeup, soft expression.&br85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. | |
|
20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 | ||
| 2212 Image to Image 基本ワークフロー | 2212 SubGraph |
 |  |
| 「z_image/」2212_z_image_base_i2i.json | |
| 参照画像 | Gemini で作成したプロンプト | |
 |
Close-up portrait of a Japanease young woman in her 20s, natural makeup, soft expression.&br85mm lens, f/1.4, shallow depth of field, bokeh background. Soft window light from the left, golden hour glow, warm skin tones. Cinematic, realistic, high detail, professional photography. NOT: oversaturated, anime style, low resolution, distorted face. | |
|
20代の日本の若い女性のクローズアップポートレート。ナチュラルメイク、柔らかな表情。 85mmレンズ、f/1.4、浅い被写界深度、背景のボケ。 左から差し込む柔らかな窓の光、ゴールデンアワーの輝き、温かみのある肌色。 映画のような、リアルな、細部までこだわった、プロフェッショナルな写真。 注意点：彩度過度、アニメ調、低解像度、歪んだ顔。 | ||
| 8206 Image to Image ワークフロー 展開版 | |
 | |
| 「z_image/」2213_z_image_base_i2i_simple.json |
