Z-Image Turbo/Base/Editの違いと選び方

監修者_SD以外

監修者プロフィール

森下浩志

日本最大級のAI情報プラットフォーム「romptn ai」編集長。著書に「0からはじめるStable Diffusion」「0からはじめるStable Diffusion モデル・拡張機能集編」など、AmazonベストセラーのAI関連書籍を多数執筆。AIにおける情報の非対称性を解消するための社内研修や出張講義も行う。

Z-Imageとは?モデルが複数ある理由

Z-Image(ゼットイメージ)は、Alibaba の Tongyi Lab が公開している画像生成モデルです。約60億パラメータの単一ストリーム型 DiT(Scalable Single-Stream DiT)というアーキテクチャを採用し、英語と日本語を含む文字をきれいに描けるバイリンガル文字描画と、写実的な表現に強みがあります。ライセンスは商用利用もしやすい Apache-2.0 です。

戸惑いやすいのは、Z-Image が「1つのモデル」ではなく、目的の違う複数のチェックポイントに分かれている点です。HuggingFace や ComfyUI では Z-Image-Turbo・Z-Image(通称 Base)・Z-Image-Edit といった名前が並び、どれを選べばよいか迷いがちです。

この分かれ方はシンプルで、「速さ」のTurbo・「品質と学習の土台」のBase・「指示で編集」のEdit という役割分担になっています。次章から、それぞれの中身と選び方を順に整理していきます。

3つのバリアントの役割

Z-Image のチェックポイントは、ざっくり3つの役割で覚えると混乱しません。

つまり「まず試す・量産する」なら Turbo、「画質を詰める・自分用に育てる」なら Base、「すでにある画像を直す」なら Edit、という住み分けです。

なお、現時点で実際にダウンロードして使えるのは Turbo と Base が中心で、Edit は順次公開が進んでいる段階です。次の3つの小見出しで、各チェックポイントをもう少し具体的に見ていきます。

① Turbo:速度重視の蒸留版

Turbo は、生成を高速化するために「蒸留」という手法でチューニングされたチェックポイントです。通常のモデルより大幅に少ないステップ数で1枚を生成でき、ガイダンス(CFG)もオフ前提で動くため、待ち時間が短いのが最大の魅力です。

ハイエンド GPU ではほぼ待たされずに生成でき、必要なメモリも抑えめなので、コンシューマ向けの 16GB クラス GPU でも動かしやすいのが実用上のポイントです。推奨ステップ数や必要メモリの目安は、このあとの一覧で具体的に確認できます。

その代わり、蒸留版は画づくりの「伸びしろ」をやや絞っているため、最高画質や細かな作り込み、追加学習の土台にはあまり向きません。まず Z-Image を触ってみたい人や、枚数を多く出したい人の最初の1本として最適です。迷ったらここから始めるのがおすすめです。

② Base:品質と学習の非蒸留版

Base は、蒸留していない「素」のチェックポイントです。HuggingFace 上の正式なリポジトリ名は単に Z-Image ですが、ComfyUI やコミュニティでは Turbo と区別するため通称「Base」と呼ばれています。

性格は Turbo と正反対です。生成に踏むステップ数は多く時間もかかりますが、その分だけ描き込みの密度や表現の幅が広がり、ネガティブプロンプトの指定もよく効きます。さらに非蒸留ゆえに追加学習(LoRA やファインチューニング)の土台に向くため、自分用のスタイルやモデルを育てたい人に適しています。

なお公式には、生成と編集の両方を想定したさらに素に近い系統として「Omni-Base」も予告されています。少しややこしいですが、本記事でいう Base は「いま使える非蒸留の foundation(=Z-Image)」を指すと考えてください。

③ Edit:指示で編集する派生版

Edit は、自然な文章の指示で既存の画像を編集する image-to-image 系の派生チェックポイントです。「背景を夜にして」「この服を赤に」といった言葉ベースの指定で、狙った部分を書き換えられることを目指したモデルです。

ただし注意したいのは提供状況です。Edit は公式に予告されているものの、本記事の執筆時点では一般公開が順次進んでいる段階で、Turbo や Base のようにすぐ落として使えるとは限りません。最新の公開状況は HuggingFace の Z-Image コレクションで確認するのが確実です。

いますぐ画像編集をしたい場合は、Edit の公開を待つ間、Base や Turbo を使った通常の image-to-image や、他の編集対応モデルで代用するのが現実的です。Edit が正式に揃えば、Z-Image 単体で生成から編集まで完結しやすくなります。

スペック比較表で違いを把握

3つの違いは、表で並べると一目で掴めます。迷ったときは、まずこの表を基準にしてください(数値は目安で、設定や提供状況によって変わります)。

表のとおり、速さの Turbo・品質と学習の Base・編集の Edit という軸で性格がはっきり分かれます。次は、この違いを「自分の目的」から逆引きして選ぶ方法を見ていきます。

目的別:どのモデルを選ぶか

どれを選ぶか迷ったら、「何をしたいか」から逆引きするのが早道です。次の基準で1つに絞れます。

実務では「普段は Turbo で素早く当たりを作り、ここぞの仕上げや学習用途だけ Base を使う」という二刀流が扱いやすい組み合わせです。まず Turbo を入れて感触を掴み、必要になったら Base を足す、という順番で十分です。

入手・導入方法とEditの現況

入手先は大きく2つです。1つは HuggingFace の Tongyi-MAI のページで、Turbo と Base(Z-Image)のチェックポイントが配布されています。シリーズ全体の公開状況は「Z-Image」コレクションのページを見ると、どれが公開済みでどれが予定かを一覧で確認できます。

もう1つは ComfyUI です。Z-Image は ComfyUI 側が公開と同時に公式ワークフローを用意しており、ノードを組まなくてもテンプレートから動かし始められます。ローカルで画像生成を回している人は、こちらが導入しやすいでしょう。

Edit の現況については、上記の HuggingFace コレクションが一次情報になります。「使えるようになったか」を知りたいときは、まずそこをチェックするのが確実です。導入で迷ったら、まず Turbo をダウンロードして ComfyUI のテンプレートで1枚出してみるのが、最短の入口になります。

よくある質問

まとめ

Z-Image は1つのモデルではなく、目的別のチェックポイント群です。迷ったら、次の3点だけ押さえれば選べます。

基本は「普段は Turbo、画質と学習は Base、編集は Edit(現状は順次公開中)」という住み分けです。ステップ数や CFG、必要 VRAM の目安は前半の一覧で確認できるので、設定に迷ったらそこへ戻れば大丈夫です。まずは Turbo を1本入れて、ComfyUI のテンプレートで生成を試すところから始めてみてください。