ComfyUI10 の履歴(No.18)

私的AI研究会 > ComfyUI10

画像生成AI「ComfyUI」１０（実践編）　== 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

※ 最終更新:2026/03/13　

↑

『Z-Image-Turbo』を検証する†

　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

↑

概要†

「Z-Image-Turbo」とは
- 2025年11月27日、Alibaba グループの Tongyi Lab が発表した最新の画像生成AIモデル
- Apache ライセンスで公開されたオープンソースモデル
- Z-Image-Turbo は、Z-Image 本体に対して蒸留と強化学習を施すことで高速化を実現した派生モデル
  ・蒸留モデルは純度高く綺麗なものしか生成できない
  ・蒸留は汎用を犠牲にして特定用途に特化したもの

主な特徴
- 6B という軽量なパラメータ数ながら、わずか8ステップでの高速生成と、一般的なコンシューマー向け GPU（VRAM 16GB）での動作が可能
- 写真表現だけでなくポスター制作などで求められる文字レンダリング（中国語と英語の両方）で自然な文字描画ができる

VRAM容量別の動作目安

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

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

オフィシャルサイト
- GitHub: Z-Image
- Z-Image Introduction

↑

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_ex_proj.zip をダウンロード（随時更新中）※2026/02/20更新
・解凍してできるフォルダ

📂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

ワークフローと動作環境による生成時間（分：秒）

ワークフロー	機　能	CPU					CPU
ワークフロー	機　能	RTX 4070	RTX 4060	RTX 4060L	RTX 3050	GTX 1050	i7-1260P	i7-1185G7
image_z_image_turbo.json	標準テンプレートによる生成	00:05.62	00:13.96	00:21.22	00:26.36	03:15.97	17:20.62	17:06.47
2101_z_image_turbo_simple.json	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.json	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

↑

画像生成のための環境構築†

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		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本体 diffusion_models	z_image_turbo_bf16		diffusion_models/
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
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

↑

Step 1：標準テンプレートによる生成†

ワークフローを選ぶ

① 左端のメニューから「Template」を選択
② 検索欄に「Z-Image-Turbo」を入力する
③「Z-Image-Turbo Text to Image」を選ぶ
④ アラートダイアログが出るが無視して閉じる
⑤ ワークフローを拡大して「clip_name」をクリック
⑥ 表示されるリストから「qwen_3_4b_fp4_mixed.safetensors」を指定する
ワークフローを実行する

①「Run」を押して画像を生成する
ワークフローを整理する

　※ ワークフロー：「z_image/」image_z_image_turbo.json

↑

Step 2：ComfyUI_examples サイトのワークフローによる生成†

サイトからワークフローをダウンロード

① ダウンロードしたワークフローに「Preview Image」ノードを追加
② ネガティブ・プロンプトは不要なので「ConditioningZeroOut」に置き換える
③ プロンプトを変更する
④ イメージサイズを 1024x768 / 768x1024 / 1024x1024 ピクセルを選択できるようにする
⑤ ノード配置を整理する

ワークフローを実行する

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

日本語文字の入ったカタログを生成してみる

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/」2101_z_image_turbo_simple.json

↑

Step 3：コントロールネットで画像を制御する†

ControlNet とは
・参照画像から構造的な特徴を抽出し、それを生成時に反映できるもの
・構造を維持したまま、スタイルや人物、背景を変えたりすることができる
・Fun-Controlnet-Union は、Z-Image Turbo で Contronet を使えるようにするためのパッチファイル
　Canny、HED、Depth、Pose、MLSD に対応する

ワークフローを作成する

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.

ワークフローを実行する

種類ワークフロー（変更部分）コントロール画像生成画像

Canny

Pose

Depyh

HED
LineArt

MLSD

ワークフローを改良する（V2）

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

↑

『Z-Image-base』を検証する†

　基本モデル『Z-Image-base』を検証する

↑

概要†

2025年末に公開され「Z-Image Turbo」に続いて 2026年1月27日にベースモデルが公開された
Z-Image-Base Z-Imageモデルファミリーの Base バージョン
速度を優先する蒸留版の Z-Image-Turbo とは異なり、アーキテクチャの完全な生成能力を保持している
最適な品質を得るには 30〜50 ステップのサンプリング (CFG 3-5) が必要で、生成時間は長くなる
ネガティブプロンプトが利用でき詳細な調整により豊かな視覚的ディテールとより高品質画像を生成できる

「Z-Image-Base」/「Z-Image-Turbo」比較

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

　　引用 → https://comfyui-wiki.com/ja/news/2026-01-28-alibaba-z-image-base-release

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		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	※ z_image_turbo と同じ		VAE/

ワークフローと動作環境による生成時間（分：秒）

ワークフロー	機　能	CPU					CPU
ワークフロー	機　能	RTX 4070	RTX 4060	RTX 4060L	RTX 3050	GTX 1050	i7-1260P	i7-1185G7
image_z_image_base.json	標準テンプレートによる生成	00:44.88	01:51.22	01:58.97	03:06.63	32:52.39	201:29.30	139:19.53
2111_z_image_base_simple.json	Z-Image-Base 基本ワークフロー	00:35.91	01:28.12	02:27.91	04:10.93	23:17.65	283:57.25	199:24.86

↑

Step 1：標準テンプレートによる生成†

ワークフローを選ぶ

① 左端のメニューから「Template」を選択
② 検索欄に「Z-Image」を入力する
③「Z-Image Text to Image」を選ぶ
④ アラートダイアログが出るが無視して閉じる
⑤ ワークフローを拡大して「clip_name」をクリック
⑥ 表示されるリストから「qwen_3_4b_fp4_mixed.safetensors」を指定する
ワークフローを実行する

①「Run」を押して画像を生成する
ワークフローを整理する

　※ ワークフロー：「z_image/」image_z_image_base.json

↑

Step 2：基本ワークフローを作成†

Step 1 のワークフローを修正する
① Subgraph を展開して元に戻す
② Group は不要なので削除する ③ 画像サイズを選択できるようにノードを追加してレイアウト全体を再配置
④ 必要なときのみ生成画像を記録できるように変更する

ワークフローを実行する

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

・シード値を変更した場合（z-image-turbo はほとんど同じになる）

228533163497426	965272908476212	577359144257283	937350415573337

↑

『FLUX.1』を検証する†

　『FLUX.1』を検証する

↑

概要†

「FLUX.1」とは
- Black Forest Labs が開発した画像生成 AI 技術
- 「pro」「dev」「schnell」の３バージョンが提供されていて、それぞれに用途やライセンスが異なる
- 「schnell」はローカル開発と個人利用に特化したモデル

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		ダウンロード URL
FLUX.1「schnell」	flux1-schnell-fp8	/StabilityMatrix/Data/ Models/	diffusion_models/	https://huggingface.co/Comfy-Org/flux1-schnell/blob/main/flux1-schnell-fp8.safetensors
text_encoders	t5xxl_fp8_e4m3fn		text_encoders/	https://huggingface.co/comfyanonymous/flux_text_encoders/tree/main
vae	ae		VAE/	https://huggingface.co/lovis93/testllm/blob/ed9cf1af7465cebca4649157f118e331cf2a084f/ae.safetensors

ワークフローと動作環境による生成時間（分：秒）

ワークフロー	機　能	CPU					CPU
ワークフロー	機　能	RTX 4070	RTX 4060	RTX 4060L	RTX 3050	GTX 1050	i7-1260P	i7-1185G7
3111_flux1_schnell_simple.json	FLUX.1 モデル基本ワークフロー	01:06.92	01:23.28	01:22.22	05:37.47	04:24.33	32:22.73	×

↑

Step 1：標準テンプレートによる生成†

ワークフローを選ぶ

① 左の画像または下記からダウンロードする
　・ComfyUI_examples/flux/flux_schnell_example.png
② キャンバスへドラッグ＆ドロップ
③ モデル / VAE / テキスト・エンコーダを設定したものに変更する ④ ワークフローを整理して保存する

ワークフローを実行する

プロンプト
a bottle with a beautiful rainbow galaxy inside it on top of a wooden table in the middle of a modern kitchen beside a plate of vegetables and mushrooms and a wine glasse that contains a planet earth with a plate with a half eaten apple pie on it
モダンなキッチンの真ん中にある木製のテーブルの上に、美しい虹の銀河が描かれたボトルがあり、その横には野菜とキノコの皿と地球が描かれたワイングラスがあり、その上には食べかけのアップルパイが乗った皿がある。

ワークフロー：「FLUX/」3111_flux1_schnell_simple.json

↑

『SDXL』を新しいモデルで検証する†

　『SDXL』を新しいモデルで検証する

↑

概要†

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		ダウンロード URL
SDXL model	realvisxlV50_v50LightningBakedvae	/StabilityMatrix/Data/ Models/	diffusion_models/	https://huggingface.co/Comfy-Org/flux1-schnell/blob/main/flux1-schnell-fp8.safetensors
LoRA	add-detail-xl	/StabilityMatrix/Data/ Models/	Lora/	https://civitai.com/models/122359/detail-tweaker-xl

ワークフローと動作環境による生成時間（分：秒）

ワークフロー	機　能	CPU					CPU
ワークフロー	機　能	RTX 4070	RTX 4060	RTX 4060L	RTX 3050	GTX 1050	i7-1260P	i7-1185G7
1111_sdxl_t2i_base.json	SDXLモデル T2I基本ワークフロー	00:36.48	00:50.17	00:44.20	02:36.31	03:29.06	26:12.80	21:03.79

↑

Step 1：標準テンプレートの作成†

もとになるワークフローを選ぶ
① 「_base/」base.json 基本ワークフローを読み出す
②「CLIP Text Encoder」ノードを1つにする
③「Load Checkpoint」ノードの ckpt_name「realvisxlV50_v50LightningBakedvae.safetensors」を選択
④「Load LoRA」の LoRA を「add-detail-xl.safetensors」に変更する
⑤ ワークフローを整理して保存する

ワークフローを実行する

プロンプト
beautiful scenery nature glass bottle landscape, purple galaxy bottle,
美しい風景の自然のガラス瓶の風景、紫色の銀河の瓶、
worst quality, low quality, normal quality
最悪品質、低品質、通常品質

ワークフロー：「SDXL/」1111_sdxl_t2i_base.json

↑

『FLUX.2』†

　『FLUX.2』の超高速・軽量モデル「klein」を検証する

↑

概要†

「FLUX.2」とは
- Stable Diffusionの開発チームが立ち上げた「Black Forest Labs」が 2025年11月に発表した、最新の高性能画像生成AIモデル
- 従来の FLUX.1 から大幅に進化し、最高峰の画質、プロンプトへの追従性、驚異的な生成速度を兼ね備えたオープンウェイトの画像生成AI

FLUX.2の主な特徴
- 最高峰の画質と忠実度:
  　フォトリアル（実写）な画像において、現行の画像生成AIで最高レベルの品質を誇る
- 驚異的な速度と効率:
  　特に軽量モデル「FLUX.2 [klein]」は、NVIDIAコンシューマーGPU環境で1秒未満（約0.5秒）での画像生成が可能
- 高いプロンプト追従性:
  　複雑な指示や文章を理解し、意図通りに描画する能力が向上
- 高性能な画像編集機能:
  　マルチリファレンス編集や4MP（4メガピクセル）出力に標準対応している
- ローカル実行可能:
  　一部のモデルは一般的な高性能ゲーミングPC（VRAM 6GB〜）でローカル環境でも動作する

FLUX.2のモデルファミリー
- [pro]: 最高の画質と忠実度を誇るフラッグシップモデル。API経由で提供される
- [dev]: 自由度が高く、クリエイター向け。APIとオープンウェイトで提供される
- [klein]: 1秒未満で生成可能な超高速・軽量モデル。6GB程度の VRAM でも動作し、コンシューマー GPU に最適化されている

FLUX.1との違い
- 技術的には、Mistral VLM（ビジョン言語モデル）とRectified Flow Transformer（整流フロートランスフォーマー）を組み合わせた新しい構造を採用
- 推論（生成）の効率化と品質向上が最大化されている
- NVIDIA の最新ハードウェアに最適化されている

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		ダウンロード URL
FLUX.2「klein」（蒸留版）	flux-2-klein-4b	/StabilityMatrix/Data/ Models/	diffusion_models/	https://huggingface.co/black-forest-labs/FLUX.2-klein-4B/blob/main/flux-2-klein-4b.safetensors
FLUX.2「klein」（base版）	flux-2-klein-base-4b		diffusion_models/	https://huggingface.co/black-forest-labs/FLUX.2-klein-base-4B/tree/main
text_encoders	qwen_3_4b_fp4_mixed		text_encoders/	https://huggingface.co/Comfy-Org/z_image_turbo/tree/main/split_files/text_encoders
vae	flux2-vae		VAE/	https://huggingface.co/Comfy-Org/flux2-dev/resolve/main/split_files/vae/flux2-vae.safetensors

ワークフローと動作環境による生成時間（分：秒）

ワークフロー	機　能	CPU					CPU
ワークフロー	機　能	RTX 4070	RTX 4060	RTX 4060L	RTX 3050	GTX 1050	i7-1260P	i7-1185G7
3121_flux2_klein_distilled.json	FLUX.2モデル基本（蒸留版）
3122_flux2_klein_base.json	FLUX.2モデル基本（base版）

↑

Step 1：標準テンプレートによる生成†

ワークフローを選ぶ

① 左端のメニューから「Template」を選択
② 検索欄に「FLUX2」を入力する
③「Flux.2[klein] Text to Image」を選ぶ
④ アラートダイアログが出るが無視して閉じる
⑤「clip_name」に「qwen_3_4b_fp4_mixed.safetensors」を指定する（上下 2 か所）
⑥ 上側「unet_name」に「flux-2-klein-base-4b.safetensors」を指定する
⑦ 下側「unet_name」に「flux-2-klein-4b.safetensors」を指定する
⑧「vae_name」に「flux2-vae.safetensors」を指定する（上下 2 か所）

ワークフローを実行する

ワークフロー：image_flux2_klein_text_to_image.json	蒸留版	base版

※ このワークフローは蒸留版（下側） / base版（上側） 2つのモデルに対応する。いずれかを有効にして実行する

ワークフローを整理する

プロンプト
A hedgehog wearing a tiny party hat surrounded by confetti, early digital camera style, slight noise, flash photography, candid moment, 2000s digicam aesthetic, festive birthday celebration atmosphere	A vintage motorcycle parked in front of a retro diner at sunset, warm orange and pink sky, neon signs glowing, 80s vintage photo style, film grain, warm color cast
紙吹雪に囲まれた小さなパーティーハットをかぶったハリネズミ、初期のデジタルカメラスタイル、わずかなノイズ、フラッシュ撮影、自然な瞬間、2000年代のデジカメの美学、お祭り気分の誕生日のお祝い	夕暮れ時、レトロなダイナーの前に停められたビンテージバイク、温かみのあるオレンジとピンクの空、ネオンサインが光る、80年代風のビンテージ写真スタイル、フィルムグレイン、温かみのある色調
ワークフロー (蒸留版)：「FLUX/」&ref(): File not found: "3121_flux2_klein_distilled.json" at page "ComfyUI10";	ワークフロー (base版)：「FLUX/」&ref(): File not found: "3122_flux2_klein_base.json" at page "ComfyUI10";