Stable Diffusion XL（SDXL）は何ができるモデル？旧モデルとの違いから
SDXLは誰が作った、どんなモデル？
室谷代表取締役まず基本のところから押さえますか。SDXLはStability AIが開発したテキストから画像を生成するモデルで、公式サイトでは35億パラメータと明記されてます。
ここが曖昧なままだと後の話がズレるんですよね。
ここが曖昧なままだと後の話がズレるんですよね。
テキトー教師DotAI 認定講師名前だけ先に知って「で、何ができるんですか」から入る人が多いので、まずStable Diffusionの系譜の1モデルという整理が必要なんですよ。
室谷代表取締役構造も独特で、BaseとRefinerの2段構え。Base単体でも生成は完結するんですけど、Refinerを重ねると最終段の精緻化が入る。
テキストの読み込みもテキストエンコーダーを2つ併用してるんですよ。
テキストの読み込みもテキストエンコーダーを2つ併用してるんですよ。
テキトー教師DotAI 認定講師そこ、最初に戸惑うのが「Baseだけでいいの？」「Refinerは必須なの？」というところで。必須ではないんですけど、組み方で仕上がりが変わるので一度は試す価値があります。
Stable Diffusion 1.5とSDXLは何が違う？（解像度とパラメータ数）
室谷代表取締役旧世代の1.5と並べると、解像度とパラメータ数の桁が違うんです。1.5が512×512基準でおよそ10億パラメータと言われるのに対して、SDXLは1024×1024を基準に、いろんなアスペクト比で学習されてる。
1.5側の数字はおおよその比較値ですけどね。
1.5側の数字はおおよその比較値ですけどね。
テキトー教師DotAI 認定講師現場感覚で言うと、1024基準になったぶん「最初から大きい絵で作れる」のが効くんですよ。小さいサイズで作って拡大する手間が減るので、試行回数そのものが変わります。
室谷代表取締役ただ、そのぶん重くなる。ここはコストの話で、生成時間もVRAMも増えますから、同じマシンで回せる枚数は落ちるんですよね。
パラメータが増えた分は素直に効いてきます。
パラメータが増えた分は素直に効いてきます。
テキトー教師DotAI 認定講師アスペクト比が複数学習に含まれてるのも見落とされがちで。正方形以外を作るときの安心感が違うんですよ。
公開の流れを一次情報で追う（0.9→1.0→Turbo）
SDXLの公開の流れ（一次情報ベース）
- 2023年6月22日SDXL 0.9 限定公開BaseとRefinerを研究目的で限定公開
- 2023年7月4日技術レポート公開
- 2023年7月26日SDXL 1.0 正式公開
- 2023年11月28日SDXL Turbo 公開1〜4ステップで高速生成できる蒸留版。手法はAdversarial Diffusion Distillation
室谷代表取締役ここ、数字が混ざった解説が多いので一次情報で押さえたいんですけど。2023年6月22日にSDXL 0.9がBaseとRefinerで研究目的の限定公開、7月4日に技術レポート、7月26日に1.0が正式公開という順番です。
テキトー教師DotAI 認定講師0.9が申請制のアクセスだったというのも大きいですね。「もう触れた」という記憶と「まだ触れてない」という記憶が混在してるのは、たぶんそのせいで。
室谷代表取締役そのあと2023年11月28日にSDXL Turboが出てる。1〜4ステップで高速に生成できる蒸留版で、手法はAdversarial Diffusion Distillation。
速度重視の選択肢がここで増えたわけです。
速度重視の選択肢がここで増えたわけです。
テキトー教師DotAI 認定講師年表で並べると「1.0が先、Turboが後」がはっきりするので、そこを混同しないだけで説明が通るようになります。
Stable Diffusion 3.5が出た今、SDXLを選ぶ場面はある？
室谷代表取締役現行の主力はStable Diffusion 3.5で、SDXLとSDXL Turboは公式サイト上では追加の画像モデルという位置づけなんですよ。終了したわけではなくて、今も提供とライセンス提供が続いてる。
ここ、誤解されやすいところです。
ここ、誤解されやすいところです。
テキトー教師DotAI 認定講師「もう古いんですか」と聞かれるんですけど、選択肢として残ってる以上、新しいかどうかではなく用途で選ぶ話なんですよね。
室谷代表取締役Hugging Faceのモデルページだと、Baseのダウンロード数が直近1か月で約457万件と表示されてます。変動するスナップショットですけど、これだけ動いてるものを終わったモデルとは呼べない。
テキトー教師DotAI 認定講師現場でも、作りたい絵の傾向や手元のマシン次第で使い分けてる人が多いです。新しいほうが常に正解、ではないんですよね。
ローカルで動かすには何が必要？PCスペックとVRAMの目安
公式が示す実行手順（Diffusersで読み込むまで）
テキトー教師DotAI 認定講師まず公式が示している手順を押さえましょう。Diffusers経由なら、ライブラリを入れて、モデルを読み込んで、GPUに渡すだけなんですよ。
pip install diffusers transformers accelerateで必要なライブラリを入れるDiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0")でBaseモデルを読み込む- CUDA対応GPUに移して実行する（Apple製デバイスは
mpsを指定）
室谷代表取締役へえ、思ったより短いんですね。ここで詰まる人、どのあたりなんですか。
テキトー教師DotAI 認定講師コードより環境まわりですね。GPUがうまく認識されないまま実行して落ちる、みたいな。
最初に戸惑うのがそこなんですよ。
最初に戸惑うのがそこなんですよ。
室谷代表取締役なるほど。手順そのものは素直なのに、手前の準備で転ぶと。
そこさえ越えれば、あとは生成しながら挙動を見ていけるわけですね。
そこさえ越えれば、あとは生成しながら挙動を見ていけるわけですね。
VRAMはどのくらい要る？公式要件と実務上の目安の違い
室谷代表取締役VRAMの話、公式にはどう書かれてるんですか。
テキトー教師DotAI 認定講師そこが一番混同されやすいところで。Stability AIの公式ページには、具体的な推奨VRAM値が明記されていないんです。
よく言われる16GB以上というのは、コミュニティ側の実務目安なんですよね。
よく言われる16GB以上というのは、コミュニティ側の実務目安なんですよね。
室谷代表取締役公式要件だと思ってる人、たぶん多いですよ。それで「自分のPCじゃ無理だ」と諦めるケースも出てくる。
テキトー教師DotAI 認定講師そうなんです。8GB級のGPUでも、メモリ最適化されたWeb UI（Forgeなど）なら動くという報告が複数あります。
ただし生成速度や同時に回せる数には制約が出ます。ローカル環境構築の全体像はStable Diffusionをローカルで動かすには？スペックと環境構築、商用利用の注意点で詳しく解説しています。
ただし生成速度や同時に回せる数には制約が出ます。ローカル環境構築の全体像はStable Diffusionをローカルで動かすには？スペックと環境構築、商用利用の注意点で詳しく解説しています。
GPUが弱いときの逃げ道（CPUオフロードと軽量ツール）
室谷代表取締役手元のGPUがしょぼい場合、詰みですか。
テキトー教師DotAI 認定講師逃げ道はあります。
pipe.enable_model_cpu_offload()でCPUオフロードができますし、torch 2.0以上ならtorch.compileで推論速度が20〜30%改善する、と公式のモデルカードに書かれています。室谷代表取締役20〜30%って体感でかいんですよね。GPU調達に予算を振る前に、ソフト側で捻出できるならそっちが先ですから。
買い替えの判断は、それでも足りないと分かってからでいい。
買い替えの判断は、それでも足りないと分かってからでいい。
テキトー教師DotAI 認定講師あと、そもそもローカルを用意しない手もあります。無料で試すならClipdropが公式のモデルカードで案内されていますよ。
まず生成の感触を掴んでから、自分の環境を整える順番でも遅くないと思います。
まず生成の感触を掴んでから、自分の環境を整える順番でも遅くないと思います。
BaseモデルとRefinerモデルはどう違う？2段構成の使い方
Baseだけで生成できる？Refinerの役割
室谷代表取締役SDXLって2段構えのモデルなんですよ。Baseが下地を作って、Refinerが最後を仕上げる。
まずはBaseだけで画像を作れるのか、というところから整理したいんですけど・・・実務だと「Refinerまで入れないと使えないの？」って構えてる人、多いと思うんですよね。
まずはBaseだけで画像を作れるのか、というところから整理したいんですけど・・・実務だと「Refinerまで入れないと使えないの？」って構えてる人、多いと思うんですよね。
テキトー教師DotAI 認定講師そこは安心してください、Base単体でも生成できます。むしろ最初に触るならBaseだけの方が挙動が読みやすいです。
Refinerはimg2img専用で、最終段の精緻化に振り切ったモデルなので、役割がかなり違うんですよ。
Refinerはimg2img専用で、最終段の精緻化に振り切ったモデルなので、役割がかなり違うんですよ。
室谷代表取締役じゃあBaseが「絵コンテ」で、Refinerが「仕上げのレタッチ」みたいな分担ですか。工程が分かれているぶん、どこで渡すかが勝負になってくる、と。
テキトー教師DotAI 認定講師近いですね。公式のモデルカードでも、Baseがノイズ入りの潜在表現を作って、Refinerがディテールを詰める2段構成だと説明されています。
だから「Baseの出来に物足りなさがある→Refinerで詰める」という順番で考えると迷いにくいですよ。
だから「Baseの出来に物足りなさがある→Refinerで詰める」という順番で考えると迷いにくいですよ。
denoising_end=0.8のアンサンブル設定をどう使う？
Base→Refiner 2段構成の基本手順
- 01ライブラリをインストールpip install diffusers transformers accelerate
- 02Baseモデルを読み込むDiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0")
- 03Baseで生成（全体の80%）num_inference_steps=40、denoising_end=0.8 を指定
- 04Refinerで仕上げ（残り2割）残りのステップをRefinerに渡してディテールを精緻化
pip install diffusers transformers accelerateでDiffusers・Transformers・Accelerateを入れるDiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0")でBaseモデルを読み込む- Base側で
num_inference_steps=40、denoising_end=0.8を指定して生成する - 残りのステップをRefinerに渡してディテールを仕上げる
室谷代表取締役この0.8っていうのは、全体の80%までBaseで進めて、残り2割をRefinerに任せるという意味ですよね。数字だけ見ると地味ですけど、ここが2段構成の肝なわけですか。
テキトー教師DotAI 認定講師まさにそこです。公式のサンプルコードがこの配分のアンサンブル方式になっていて、Baseで骨格を作ってからRefinerに渡す流れが基本形なんですよ。
最初から最後までBaseに任せると細部が緩くなりやすいので、まずはこの形で一度通してみるのがおすすめです。
最初から最後までBaseに任せると細部が緩くなりやすいので、まずはこの形で一度通してみるのがおすすめです。
室谷代表取締役なるほど。じゃあ普段Web UIで触ってる人は、どこでこの設定を入れるんですか。
テキトー教師DotAI 認定講師画面の項目名や位置はバージョンによって変わるので、公式ヘルプで確認するのが確実です。Web UI自体の導入やRefinerの設定まわりはStable Diffusion Web UIの使い方｜AUTOMATIC1111版の導入と2026年の選び方で解説しているので、そちらを追うと早いですよ。
テキストエンコーダーが2つ使われている理由
室谷代表取締役テキストエンコーダーが2つ、というのも引っかかるんですよ。素人目だと1個で十分に見えるんですけど・・・そこは何を狙ってるんですか。
テキトー教師DotAI 認定講師最初に戸惑うのがまさにそこなんですよね。モデルカードだとOpenCLIP-ViT/GとCLIP-ViT/Lを併用する構成になっていて、プロンプトの言葉を2つの異なる見方で拾っているイメージです。
室谷代表取締役2人体制で読ませる、と。Stability AIのラインアップも今はSD3.5が主力で、SDXLは追加の画像モデルとして残っている立場じゃないですか。
この2段構成もテキスト2本も、今から見ると過渡期の設計に見えるんですよね。
この2段構成もテキスト2本も、今から見ると過渡期の設計に見えるんですよね。
テキトー教師DotAI 認定講師そういう見方はできますね。ただ現場感覚で言うと、両方のエンコーダーに効かせようとしてプロンプトを長くしすぎる人が多いんですよ。
まずは素直に短く書いて出力を比べる方が、結果的に早く掴めます。
まずは素直に短く書いて出力を比べる方が、結果的に早く掴めます。
VAEファイルは何のために入れる？SDXLでの扱いと注意点
VAEってそもそも何？（オートエンコーダーと画質の関係）
室谷代表取締役SDXLって2つのテキストエンコーダーを併用して、Baseで潜在表現を作ってRefinerで精緻化する構成なんですけど、VAEはその出口側、つまり潜在表現を人間が見える画像に戻す係なんですよね。
テキトー教師DotAI 認定講師そこですよね。モデルカードの制限事項に「オートエンコーダー部分が非可逆」とはっきり書かれているんです。
だからVAEの話は、画質を上げる部品というより圧縮と復元の話として捉えたほうが正確だと思います。
だからVAEの話は、画質を上げる部品というより圧縮と復元の話として捉えたほうが正確だと思います。
室谷代表取締役非可逆っていうのは、圧縮して戻すときに完全には元に戻らない、と。要するにVAEは画質の天井を決める部品で、差し替えれば別の味にはなるけど、劣化がゼロになるわけではない、という理解でいいんですよね。
テキトー教師DotAI 認定講師初めて触る人は「いいVAEを入れれば画質が上がる」と思いがちなんですよ。実際は圧縮と復元の誤差をどこまで許容するかの話で、魔法のアップグレードではないんです。
SDXLでVAEを差し替える前に確認しておきたいこと
- 使っているツールの公式ドキュメントやREADMEで、VAEファイルの置き場所と選択箇所を確認する
- モデル本体とVAEは別ファイルとして管理し、いまどちらを読み込んでいるか分かる状態にしておく
- 差し替える前の設定を控えておき、同じプロンプト・同じシードで比較する
- 配布元のライセンス表記を確認する（モデル本体と追加ファイルで条件が分かれている場合がある）
室谷代表取締役Web UI系のツールだと、モデルとは別にVAEを選ぶ項目がある構成が多いですよね。ただ名称も置き場所もツールごとに違うので、思い込みで探すと普通にハマります。
テキトー教師DotAI 認定講師現場でよく聞くのは「入れたのに反映されない」なんですよ。置き場所が違うか、設定側で選択されていないか。
まず公式の手順に戻るのが一番早いです。Web UI自体の導入はStable Diffusion Web UIの使い方｜AUTOMATIC1111版の導入と2026年の選び方にまとまってます。
まず公式の手順に戻るのが一番早いです。Web UI自体の導入はStable Diffusion Web UIの使い方｜AUTOMATIC1111版の導入と2026年の選び方にまとまってます。
室谷代表取締役あと経営目線で言うと、配布元のライセンス確認は工数として最初に見ておくべきなんですよね。モデル本体と追加ファイルで条件が分かれていることがあるので、業務利用のときはそこを後回しにすると後で揉めます。
非可逆な圧縮という前提をどう理解するか
室谷代表取締役非可逆と聞くと不安になるかもしれないですけど、SDXLは1024×1024を基準に様々なアスペクト比で学習されているモデルなので、その基準から外れた使い方を重ねるほど誤差が目立ちやすい、というだけの話なんですよね。
テキトー教師DotAI 認定講師そうですね。それと、文字を正しく読める形で描けない、構成関係の指示が苦手、といった制限も公式に明記されています。
VAEを替えてもそこは解決しないんです。質感の話と、モデルが苦手な領域の話は分けて考える必要があります。
VAEを替えてもそこは解決しないんです。質感の話と、モデルが苦手な領域の話は分けて考える必要があります。
室谷代表取締役そこを混ぜると「VAEを替えたのに文字が崩れる」みたいな期待外れが起きる。原因を切り分けずに部品だけ交換しても、現場だと時間が溶けるだけなんですよ。
テキトー教師DotAI 認定講師なので、替える前と後で同じ条件の画像を並べてみるのが一番早いと思います。変わった部分と変わらない部分がはっきりすれば、次に触るべき場所も見えてきますから。
ローカル環境なしでSDXLを試す方法はある？
ブラウザだけで試せる無料の選択肢
室谷代表取締役そもそもGPUを積んだPCを持ってない人が、まず一回触ってみたいってなったとき、どこから入るのが早いんでしょうね。
テキトー教師DotAI 認定講師公式のモデルカードが、無料で試せる手段としてClipdropを案内してるんですよ。ブラウザで開けば画像生成までたどり着けます。
室谷代表取締役ああ、それは助かる。35億パラメータの重みを落として環境組む前に、プロンプトの当たりを付けられるわけですから。
僕らの立場で言えば、検証の初速が全然違います。
僕らの立場で言えば、検証の初速が全然違います。
テキトー教師DotAI 認定講師現場でよく聞くのが「手元で出した絵と、ブラウザで出した絵が微妙に違う」という戸惑いで。まず感触を掴む用途なら、そこは気にしなくて大丈夫です。
APIやクラウドパートナー経由で使う
室谷代表取締役ブラウザで試して「これ業務に組み込めそうだな」となった次の段階は、APIですか。
テキトー教師DotAI 認定講師たしかに。Stability AIの公式サイトでは、API経由の統合と、Webベースの創作ツールであるStable Assistant、あと追加のインフラを持たなくても使えるクラウドパートナー経由の利用が案内されてます。
室谷代表取締役自前でGPUを抱え込むか、外に出すか、っていう分岐がここで初めて出てくるんですよね。MYUUUでも、検証中にサーバを立てるのは最後の手段にしてます。
テキトー教師DotAI 認定講師最初に戸惑うのが「APIだと何が手元に残らないのか」という点で。モデルの重みを自分で管理する前提じゃなくなるので、そこは用途次第だと思います。
検証段階ではどの方式を選ぶべきか
ローカル環境なしでSDXLを試す流れ
- 01ブラウザで試す公式モデルカードが案内するClipdropなど、無料でブラウザから画像生成。プロンプトの当たりを付ける用途に向く
- 02API・クラウドへ進む業務組み込みが見えてきたら、Stability AIのAPI統合、Stable Assistant、クラウドパートナー経由を検討
- 03費用体系を確認出力の質と用途が噛み合うかを見てから、公式で費用体系を確認して見積もる
室谷代表取締役整理すると、試すだけならブラウザ、作り込むならAPIかクラウド、って順番になるわけですけど、判断軸は何でしょう。
テキトー教師DotAI 認定講師現場感覚で言うと、最初から環境構築に時間を溶かすのが一番もったいないんですよ。動かない原因がスペックなのか設定なのか切り分けられなくなりますから。
室谷代表取締役経営目線で言うと、検証フェーズで固定費を積むのは順番が逆で。まず出力の質と自社の用途が噛み合うかを見て、それから費用体系を公式で確認して見積もる。
順序を間違えると、使わないGPUの減価償却だけが残ります。
順序を間違えると、使わないGPUの減価償却だけが残ります。
テキトー教師DotAI 認定講師たしかに。無料の選択肢で当たりを付けてから、APIなりクラウドなりに進む。
その流れが一番ケガしないと思います。
その流れが一番ケガしないと思います。
SDXLは商用利用できる？ライセンスは2段階で考える
個人・小規模の商用利用はどこまで許される？
室谷代表取締役SDXLの商用利用、まず土台のところから言うと、オープンウェイトで配布されてるモデルのライセンスはCreativeML Open RAIL++-Mなんですよね。これ、個人か商用かを問わず幅広く使える枠組みになってます。
テキトー教師DotAI 認定講師そこが最初の安心ポイントですね。現場でよく聞くのは「生成した画像を仕事で使ったらアウトですか」という不安なんですけど、ライセンスの枠としては商用利用も想定されてる、という理解でいいんですよね。
室谷代表取締役そう。ただ「自由に使える」と「何に使ってもいい」は別なんですよ。
このライセンスは使用目的に関する制限が付いた枠組みで、そこはAttachment Aの禁止事項を見ないと判断できない。MYUUUの現場だと、制作物の二次利用が絡む案件は必ずそこを確認する運用にしてます。
このライセンスは使用目的に関する制限が付いた枠組みで、そこはAttachment Aの禁止事項を見ないと判断できない。MYUUUの現場だと、制作物の二次利用が絡む案件は必ずそこを確認する運用にしてます。
テキトー教師DotAI 認定講師ライセンス名だけ覚えて安心しちゃうのが一番危ないやつですね。初めて触る人は「商用OK」の一言で止まりがちなので、その先まで見てほしいところです。
企業が自社インフラに大規模展開する場合は何が変わる？
室谷代表取締役で、話が一段変わるのが企業が自社サーバーに載せて回す場合なんですよね。Stability AIの公式サイトだと、SDXLを含むモデルについてSelf-Hosted Licenseの取得が案内されてるんですよ。
テキトー教師DotAI 認定講師あ、そこが二段目なんですね。個人がローカルで試すのと、会社のインフラに組み込むのとで、見るべき窓口が違うと。
室谷代表取締役そうなんです。あとAPI経由とCloud Partners経由の利用も案内されてて、要は「重みを持って自前で運用する」のか「提供側の上で動かす」のかで線が引かれてる。
ここって結局、モデルを配る側と使う側の責任分界点の話なんですよね。
ここって結局、モデルを配る側と使う側の責任分界点の話なんですよね。
テキトー教師DotAI 認定講師現場感覚で言うと、その分界点が曖昧なまま進めて、あとから法務に止められるのが一番もったいない。最初に窓口を確認しておくだけで後のスピードが全然違います。
禁止事項はライセンス全文で確認する
SDXL商用利用の2段階ライセンス整理
個人・小規模の商用利用
- ライセンスはCreativeML Open RAIL++-M
- 個人か商用かを問わず幅広く使える枠組み
- 生成画像の商用利用も想定されている
- 使用目的に関する制限あり
- 禁止事項はAttachment Aを確認
- ライセンス名だけで安心するのは危険
企業の自社インフラ大規模展開
- Stability AI公式でSelf-Hosted Licenseの取得を案内
- API経由・Cloud Partners経由の利用も案内
- 重みを持って自前運用か、提供側の上で動かすかで線引き
- モデルを配る側と使う側の責任分界点の話
- 窓口が曖昧なまま進めると後から法務に止められる
室谷代表取締役で、一番大事なのがここで。向こうの案内はあくまで窓口の話なので、最終判断はライセンス全文を読むしかないんですよ。
テキトー教師DotAI 認定講師たしかに。概要だけ読んで「たぶん大丈夫」で進めるのが、一番ハマる人多いんですよ。
禁止事項って目的の話なので、生成物の見た目では判断できないんですよね。
禁止事項って目的の話なので、生成物の見た目では判断できないんですよね。
室谷代表取締役そこが厄介で。うちみたいに受託で画像を作る仕事だと、クライアントに説明する責任もこっちにある。
だから案件のたびに原文を当たる、というコストを最初から見込んでおくのが現実的かなと。
だから案件のたびに原文を当たる、というコストを最初から見込んでおくのが現実的かなと。
テキトー教師DotAI 認定講師ライセンスの考え方自体は他のモデルとも重なる部分があるので、横並びで整理すると判断が速くなりますね。詳しくはStable Diffusionのモデルとは？種類の違いから選び方、商用利用のライセンスまでで解説しています。
公式が認めているSDXLの苦手分野とは？
文字が正しく描けない・構図の指示が苦手
室谷代表取締役ライセンスの話まで来て、次に確認しておきたいのが「何ができないか」なんですよね。Hugging Faceのモデルカードに Limitations and Bias という項目があって、そこに苦手分野がはっきり書かれてるんです。
まず文字。読める形では描けない、と公式が認めてる。
まず文字。読める形では描けない、と公式が認めてる。
テキトー教師DotAI 認定講師現場でよく聞くのがまさにそこです。「看板に日本語を入れたい」と言われるんですけど、文字は後からデザイン側で乗せる前提にしたほうが早いです。
何回か試すと分かるんですけど、記号みたいな形にはなるんですよ。読めない記号に。
何回か試すと分かるんですけど、記号みたいな形にはなるんですよ。読めない記号に。
室谷代表取締役構図も同じで、「青い球の上の赤い立方体」のような関係性の指示が苦手だと明記されてる。物と物の位置関係を言葉で指定するのは、まだ人間が手を動かしたほうが速い領域なんですよね。
テキトー教師DotAI 認定講師たしかに。位置を言葉で詰めるより、構図はパターンをいくつか出して当たりを拾うほうが現実的です。
指示を細かくするほど、かえって狙いから外れることもありますし。
指示を細かくするほど、かえって狙いから外れることもありますし。
人物や顔が崩れることがある
室谷代表取締役あと人物と顔。これも「正しく生成されない場合がある」と公式が書いてる。
経営目線で言うと、広告の人物写真としてそのまま使うのは想定外の使い方になるので、素材の下地を作るところまでと割り切ったほうが判断を間違えないんですよ。
経営目線で言うと、広告の人物写真としてそのまま使うのは想定外の使い方になるので、素材の下地を作るところまでと割り切ったほうが判断を間違えないんですよ。
テキトー教師DotAI 認定講師手が変な形になる、みたいな話は初めて触る人が一度は通る道でして。全体はきれいなのに指だけおかしい、というのが一番びっくりされるポイントかもしれません。
室谷代表取締役根本的なところで言うと、完全な写実性には達しないとも書かれてる。オートエンコーダーが非可逆で細部が劣化する、という構造上の話でもあるわけです。
テキトー教師DotAI 認定講師そうなんです。だから仕上げは人の手で、という前提を持っておくと期待値がずれないですみます。
想定されている用途と想定外の用途
SDXLの苦手分野と想定用途の整理
苦手分野(公式が認める)
- 読める文字を描けない(記号のような形になる)
- 「青い球の上の赤い立方体」のような位置関係の指示が苦手
- 人物や顔が正しく生成されない場合がある
- 完全な写実性には達しない(オートエンコーダーが非可逆で細部が劣化)
想定されている用途(Direct Use)
- 作品制作
- デザイン
- 教育
- 創作ツールへの応用
- バイアス研究などの研究目的
室谷代表取締役もう一つ大事なのが Direct Use の項目で。想定されてるのは作品制作・デザイン・教育・創作ツールへの応用、あとはバイアス研究のような研究目的なんですよね。
つまり「何を作る道具か」が最初から限定されている。
つまり「何を作る道具か」が最初から限定されている。
テキトー教師DotAI 認定講師逆に想定外とされているのが、実在の人物や出来事を事実として表現する用途です。ニュース写真の代わり、みたいな使い方は最初から選択肢から外しておく。
ここは線を引きやすいところだと思います。
ここは線を引きやすいところだと思います。
室谷代表取締役業務で配るなら、なおさらそこは先に決めるべきで。何でも作れるツールとして社内に渡すと、想定外の用途が現場から出てくるんですよ。
先に「これは作らない」を共有しておくほうが、結果的に速い。
先に「これは作らない」を共有しておくほうが、結果的に速い。
テキトー教師DotAI 認定講師現場感覚でも、できる範囲とできない範囲を両方知っておくほうが、安心して試せますからね。
よくある質問
Q1. SDXL用の追加モデルは、旧モデルと混ぜて使える？
室谷代表取締役追加モデルや周辺ファイルの互換性って、世代が変わるとけっこうシビアなんですよね。旧モデル用に揃えたものをそのまま持ってくると、読み込めないとか効きが変わるって話はよく聞きます。
テキトー教師DotAI 認定講師現場でよく聞くのは「前のモデルで使ってた追加データが反応しない」という戸惑いです。配布ページに対応モデルの情報が書かれているので、そこを先に見るのが確実ですね。
室谷代表取締役運用で言うと、モデルごとにフォルダを分けておくと事故が減ります。混在させると、どの組み合わせで出した画像か分からなくなるので。
Q2. 日本語のプロンプトでも生成できる？
テキトー教師DotAI 認定講師日本語でも反応することはありますが、意図した構図や雰囲気を出したいなら英語の方が安定しやすい場面は多いです。初めて触る人は、日本語で考えてから短い英語に直すとハマりにくいですよ。
室谷代表取締役現場だと、よく使う表現をテンプレ化して英語で持っておく運用が多いですね。毎回ゼロから書くより、差分だけ変える方が再現性も上がります。
テキトー教師DotAI 認定講師たしかに。日本語の長い説明をそのまま入れるより、要素を絞って並べる方が伝わりやすいです。
Q3. スマホやタブレットからSDXLは使える？
室谷代表取締役端末単体でローカル生成するのは現実的じゃないので、実質はクラウド側のサービスをブラウザで触る形になります。スマホだと画面が小さいので、設定項目が多いUIはけっこう扱いにくいですけど。
テキトー教師DotAI 認定講師初めての人は「アプリを入れるもの」だと思いがちなんですよ。実際はサービスにログインして生成する形が多いので、通信環境とアカウントの確認が先ですね。
室谷代表取締役出先で試すなら、まずは簡単なプロンプトで挙動を見る。重い設定をいじるのはPCに戻ってからで十分です。
Q4. SDXLのモデルファイルは、どこで入手すれば安全？
テキトー教師DotAI 認定講師配布元がはっきりしている場所を選ぶのが基本です。改変されたモデルは、元のモデルと利用条件が変わっていることがあるので、ファイルの出所をメモしておくと後で困りにくいですよ。
室谷代表取締役業務で使うなら、入手元とライセンスの記録を残すのが大事です。後から「このモデルは商用OKだったか」を追えなくなるのが一番面倒なので。
テキトー教師DotAI 認定講師たしかに。まず配布ページの説明を読み切る、次にファイルを置く、の順が安全ですね。
Q5. 追加学習は個人でもできる？
室谷代表取締役できないことはないですが、データセットの準備とマシンパワーが現実的な壁になります。時給で換算すると、自分で一から作るより、目的に近い既存モデルを探す方が早いケースも多いです。
テキトー教師DotAI 認定講師最初から大きな学習を目指すと挫折しやすいので、まずは軽い追加学習で「どのくらい変わるか」を体感するのがおすすめです。データの枚数より、中身の偏りがないかの方が効いてきます。
室谷代表取締役事業で使うなら、学習に投じる時間と得られる差分を比べて判断する。趣味で試すなら、小さく始めて味を見る感覚でいいと思います。
まとめ
室谷代表取締役SDXLは何ができるかで言うと、汎用の画像生成を回すための土台になるモデルです。ただ、動かす環境と商用利用の線引きを先に押さえないと、後から手戻りが大きい。
テキトー教師DotAI 認定講師そうですね。最初から全部を理解しようとせず、まず動かす、次に設定を比べる、最後に規約を確認する。
この順番だとハマりにくいです。
この順番だとハマりにくいです。
室谷代表取締役経営目線で言うと、ライセンス確認は最初にやるべきなんですよ。生成物を業務で使ってから「このモデルは条件が違った」となると、作り直しになるので。
テキトー教師DotAI 認定講師まずは自分の用途をひとつ決めて、その範囲で試すのがいいですね。公式の最新情報を見ながら、環境と規約をセットで確認してみてください。
