メインコンテンツへスキップ
見出し画像

【ComfyUI】MiniMax H3ベースの画像モデルP-H3-Imageで、美少女イラストをQwen-Image 2.1と描き比べてみた(参照画像からの編集・VRAM 16GB)

    画像
    上段 = 元絵 / Qwen-Image 2.1、下段 = P-H3-Image 4MP / 約1MP

    美少女変身ヒロインの立ち絵を1枚渡して、白いバニーガールに着替えさせた絵です。上段の右がQwen-Image 2.1(アリババの画像生成モデル。参照の絵を渡して編集できます)、下段の左が今回のP-H3-Image。同じ参照、同じ画像生成プロンプト(モデルに渡すプロンプト。以下プロンプト)、同じseed(乱数の種)です。

    MiniMax H3という動画生成モデルがあります。音声つきの動画を手元のPCで作れる、オープンウェイトのモデルです。

    そのH3から作られた画像生成モデルが、11月3日に出ました。P-H3-Imageです。出したのはPrunaAIという、モデル圧縮を本業にしている会社です(MiniMax本体ではありません)。

    私はふだん、参照の絵を1枚渡して衣装や表情を変える使い方を、Qwen-Image 2.1でやっています。なので気になるのはひとつ。同じ参照、同じプロンプトで、P-H3-Imageは代わりになるのか。手元のVRAM 16GBのGPUで、15枚ほど回して確かめました。

    この記事で使うP-H3-Imageの絵は、MiniMax H3を元にしたモデルで作っています(Powered by MiniMax H3)。

    検証した環境は、これです。

    • OS:Windows 11 Home

    • CPU:AMD Ryzen 7 9700X(8コア)

    • GPU:NVIDIA GeForce RTX 5070 Ti(VRAM 16GB)

    • メモリ:64GB

    • ComfyUI Desktop 0.44.0(PyTorch 2.10・CUDA 13.0)

    • P-H3-Imageは、ComfyUIのテンプレートで入るint8の構成(後で書きます)

    P-H3-Imageとは

    モデルの正体を、HFのページと公開ブログから拾うと、こうなります。

    • 元はMiniMax H3(動画)。そこからテキストエンコーダを小さく蒸留し、ステップ数を50から8に減らし、1枚の画像向けにデコーダを学習し直したもの

    • 文字から描く(text-to-image)と、画像を渡して編集する(image edit)の両方ができる。編集は参照を最大8枚まで渡せる

    • 8ステップ、CFGなし、ネガティブプロンプトなし。推奨は8MP(2912×2912など)で、編集は4MPでもよい、とある

    • プロンプト拡張(prompt upsampler)が付いている。内蔵の小さなLLMが、短い指示を長いプロンプトに書き直してから描く仕組み

    MiniMaxとの提携の記述はありません。HFの表記も「finetune」なので、第三者が作った派生モデルと読むのがよさそうです。

    ここで1つ注意。公開から3日しか経っていないので、評判はまだ単発です。この記事も、私の手元の絵だけで書いています。

    入れ方と、16GBで動くか

    ComfyUIのテンプレートから

    ComfyUI Desktopは0.44.0から対応しています。カスタムノードは要りません。

    テンプレートの検索欄に「P-h3」と打つと、「Text to Image」と「Image Edit」の2つが出ます。今回は編集のほうを開きます。

    画像
    テンプレートの検索で「P-h3」。Text to Image と Image Edit の 2 つ

    足りないモデルが右に並ぶので、「すべてダウンロード」。これだけです。

    画像
    不足しているモデル 4 件。「すべてダウンロード」で 15.78GB

    落ちてくる量は、H3の動画モデルを入れているかで変わります。

    • H3を入れていない人:テンプレートのままで約38GB(動画モデルの本体21GBを含む)

    • H3を入れている人:約16GB(LoRA・テキストエンコーダ・VAE・プロンプト拡張の4つ。上の画面の15.78GBがそれです)

    私はH3を入れていたので、後者でした。テンプレートが指すのは「H3の動画モデル本体 + P-H3のLoRA」という構成で、P-H3専用の本体(13〜40GB)は落とさずに済みます。

    プロンプト拡張を使わないなら、さらに7GB減ります。

    VRAM 16GBで動いた

    冒頭に書いたとおり、VRAMは16GB、メモリは64GBです。モデルの本体だけで21GBあるので、VRAMには載りきりません。ComfyUIが一部をRAMに置いて回します。

    開いたワークフローは、こんな形です。左下の「User Inputs」に参照の絵と依頼文を入れるだけで、ほかは触りません。

    画像
    編集のワークフロー全体

    それでも、4MPの編集が1枚16〜32秒で出ました。8MP(2464×3264)の編集も35秒。テンプレートの既定(入れた画像と同じ大きさ。今回は約1MP)なら9〜10秒です。

    Qwen-Image 2.1は約1MP・40ステップで19〜25秒なので、画素が4倍でも時間はほぼ同じでした。ステップ数が40から8に減っているぶんです。

    公式が出しているピークVRAMは、int8の構成(テンプレートで入るもの)で31GB、いちばん小さいw4a8の構成でも21GBです。16GBでは足りない数字ですが、RAMに逃がせば動く、というのが今回の結果でした。生成中のRAMの空きは最小で25GBほど。RAMが32GBの環境では、たぶん厳しいです。

    VRAMが12GBや8GBの環境は試していません。重みはすでにRAMに逃がしているので、RAMが多ければ動く可能性はあります。ただ、落ちるとすれば計算用のメモリのほうで、8GBで4MP以上は危ないです。入れた画像と同じ大きさ(1MP前後)なら通るかもしれません。ここは未確認です。

    ひとつ注意。テンプレートの既定では、入れた画像と同じ大きさで出ます。1MP前後の立ち絵を入れると、その大きさでは参照への忠実さが落ちました(後ろの衣装変更のところで見せます)。4MPに上げて使うのをおすすめします。やり方も衣装変更のところに書きます。

    ライセンス。商用でCG集を売る人へ

    ここは少し長めに書きます。Qwen-Image 2.1との一番の違いが、ここだからです。

    P-H3-ImageのライセンスはMiniMax H3 Community Licenseで、MiniMax公式のものと同じ文面です。読んで分かったことを並べます。

    • 日本は対象地域。使えないのは米国・EU・英国・韓国で、生成した絵もその地域の外では使えない、と書いてあります

    • 商用利用は、年商2,000万ドル以下なら別の許可なしでよい。個人のCG集なら気にしなくていい額です

    • 生成した絵に、MiniMaxは権利を主張しない。本文にそう書いてあります(VI.4)

    • 公開する絵は「AI生成」と分かるようにする。DLsiteやBOOTHのAI申告と重なるので、実害は小さいはず

    • 商用の製品やサービスの画面には「MiniMax H3」と目立つように表示する。これはツールを作る側の義務で、絵を売る人には関係しません

    • 生成した絵を、ほかのAIモデルの学習に使ってはいけない

    Qwen-Image 2.1のほうは研究ライセンス(非商用)で、生成物の扱いは本文に書いてありません。公式のXの返信で「生成物は利用者のもの」までは取れていますが、商用の可否は答えが返ってきていません。

    なので、商用で使うならP-H3-Imageのほうが、書いてあることがはっきりしています。地域の制限と、AI生成の表示。この2つだけ守ればよい、という読みです(私は法律の専門家ではないので、売る前に原文を読んでください)。

    画像
    ライセンスの違い(2026年11月6日に原文を読んだ範囲)

    比べ方

    Qwen-Image 2.1の絵は、私がふだんPixubus(私が作っているツール。後で紹介します)で作っている既存のものを使いました。参照の絵と、そのとき渡したプロンプトがそのまま残っているので、同じ参照・同じプロンプトをP-H3-Imageに入れます。

    条件は次のとおり。

    • 参照の絵とプロンプトは同じ。seedも同じ値。プロンプトで手を加えたのは、参照の呼び方「<image1>」をP-H3の作法「<Picture 1>」に置き換えた1か所だけ

    • P-H3-Imageのプロンプト拡張はOFF。内蔵LLMがプロンプトを書き直すと、同じ条件になりません

    • 大きさは、それぞれのモデルの推奨に合わせました。Qwenは約1MP(Pixubusの既定・40ステップ)、P-H3-Imageは4MP(8ステップ)。縦横比は同じ。画像の見出し帯に、サイズとステップ数を入れてあります

    • 大きさが違うので「同じ条件」ではありません。同じなのは参照・プロンプト・seedの3つで、絵の大きさはそれぞれの得意な設定、という比べ方です。P-H3をQwenと同じ約1MPで回した絵も、衣装変更のところに1枚入れてあります

    • サンプラーはComfyUIのテンプレートの既定(er_sde・8ステップ)

    左が参照、真ん中がQwen-Image 2.1、右がP-H3-Imageです。

    衣装を変える・表情を変える・ポーズを変える

    衣装を変える

    私がPixubusで作った仮面の美少女変身ヒロイン(静華)の立ち絵を、白いバニースーツに着替えさせました。

    画像
    上段 = 参照 / Qwen-Image 2.1、下段 = P-H3-Image 4MP / 約1MP

    上段の左が参照、右がQwen。下段がP-H3-Imageで、左が4MP、右が約1MP(テンプレートの既定 = 入れた画像と同じ大きさ)です。

    4MPのP-H3-Imageのほうが参照に忠実でした。胸と腰の体形、手を胸に当てたポーズ、仮面と赤いリボン。Qwenは体を細くして、手の形も変えています。

    この「体形が参照からずれる」のは、Qwenでポーズ集や衣装変更を使っている方から指摘をもらっている点でもあります。P-H3はこの1枚では保ちました。後ろのポーズ変更では逆に参照より大きく描いているので、どちらかに寄るというより、まだ安定していない、が正直なところです。

    取りこぼしもあります。旧衣装の和風衣装の立ち襟が残り、右手の手袋がありません。プロンプトには「襟も残さない」と書いてあるのに、襟は残りました。

    右下は、同じプロンプト・同じseedで、大きさだけ入れた画像と同じ約1MPにしたものです(テンプレートの既定の動き)。仮面が消えて素顔になり、うさ耳が足され、体も細くなりました。16GBの人がテンプレートのまま使うと、一貫性はここまで落ちます。4MPに上げてください。

    8MPも1枚回しました。4MPと同じ絵で、仮面の線と髪の毛先がはっきりするだけです。

    画像
    P-H3-Image 4MP / 8MP

    この1枚を、手元で再現する

    この白バニーの1枚を、ComfyUIのテンプレートだけで作る手順を、全部書いておきます。使うのは、元絵の立ち絵1枚と、下のプロンプトだけです。

    元絵はこれです。Pixubusで作った、仮面の変身ヒロインの立ち絵(896×1184)。

    画像
    元絵の立ち絵(896×1184)

    プロンプトはこれです(改行は読みやすさのために入れました)。

    The image is the canvas: the face, hairstyle, body proportions, pose, framing and position stay exactly as they are; only the clothing changes, from head to toe, including footwear, socks or stockings and gloves; the hairstyle, hair color and hair accessories stay exactly as they are.
    The character holds nothing: any hand-held item such as a wand, staff, weapon or bag is removed, and the hands are empty.
    The character now wears a pristine white faux-leather bunny bodysuit, gold metallic buttons, a fluffy white tail, white silk gloves, translucent white stockings, and white platform heels.
    The previous clothes are replaced completely: nothing from the old outfit remains, not its shirt, collar, ribbon, skirt, socks, stockings or shoes.
    Where the new outfit leaves the legs or feet uncovered, they are bare, smooth skin with no trace of socks or shoes.

    長いですが、自分で書くなら、衣装を書いている3行目だけ差し替えれば使い回せます。ほかの行は「服だけ変える」「持ち物は外す」「前の服を残さない」と言っているだけです。

    ComfyUIの手順は、テンプレートを開いてから5か所です。番号は下の図と同じです。

    画像
    設定を入れて実行した画面。①画像を読み込む ②Text (Prompt) ③スイッチ ④Upsampler vision size ⑤ランダムノイズ
    • テンプレートの「P-H3-Image: Image Edit」を開く

    • ① 左下の「画像を読み込む」で、元絵をアップロードする(参照は1枚)

    • ② その左の「Text (Prompt)」の中身を全部消して、上のプロンプトを貼る(「Aspect ratio:」「Request:」の行は要りません)

    • ③ 真ん中の「スイッチ」ノードのtrueをfalseにする。これでプロンプト拡張を通らず、貼った文がそのまま渡ります

    • ④ 「画像を読み込む」の下にある紫色の「Upsampler vision size」ノードは、テンプレートでは使わない設定になっています。ノードをクリックしてCtrl+Bを押すと使う設定に変わるので、その中の「メガピクセル」を4.0にする。この設定をしないと、元絵と同じ大きさで出ます

    • ⑤ 右上の「ランダムノイズ」の「生成後の制御」をrandomizeにする。これで実行のたびにseedが変わります(fixedのままだと、2回目から同じ絵が返ってきて何も起きないように見えます)

    • 実行

    この手順どおりに回したのが、これです。1760×2368で、32秒でした。

    画像
    手順どおりに回した白バニー(1760×2368)

    上の4MPの絵とは、絵が少し変わります。テンプレートは元絵を4MPに拡大してから渡すためです。こちらは襟が消えて、手袋も両手にあります。1回目はうさ耳が付いて出たので、もう一度実行したのがこの絵です。seedによって、こうして耳が付いたり付かなかったりします。耳が要らなければ、プロンプトの衣装の行に「no bunny ears」を足すのが確実です。

    プロンプト拡張をONのまま使うなら、「Text (Prompt)」の「Request: 」の後ろに頼みごとを書く、テンプレートどおりの形です(内蔵LLMが書き直すので、同じ絵にはなりません)。

    表情を変える

    魔法少女ルミスティア(私がPixubusで作ったキャラです)を、笑顔に。

    画像
    上段 = 参照 / Qwen-Image 2.1、下段 = P-H3-Image 4MP / 約1MP

    体・衣装・杖・位置は1本の線もずれていません。Qwenと同じです。「eyes softened」を、P-H3は目を閉じた笑顔と読みました(Qwenは目を開けたまま)。顔の線はきれいで、手袋の指も崩れていない。表情差分は、P-H3-Imageでも問題なく作れます。約1MPでもほぼ同じ絵でした。

    ポーズを変える

    レオタードの女性を、シャワー室でぺたん座りに。

    画像
    上段 = 参照 / Qwen-Image 2.1、下段 = P-H3-Image 4MP / プロンプト拡張ON

    上段が参照とQwen、下段がP-H3-Imageです(右下は後で書くプロンプト拡張をONにしたもの)。どちらもシャワー室のぺたん座りになりました。プロンプトの「バストショット(胸から下を切る)」は、どちらも無視して脚まで描いています。P-H3は胸が参照より大きくなり、体形がずれました。網タイツの網目は細かく、脚の関節も自然です。

    2人を合わせる・写実・複数の参照と文字

    2人を合わせる

    ルミスティアとオークの立ち絵を2枚渡して、古城の戦闘シーンを。

    画像
    上段 = 参照 2 枚、下段 = Qwen-Image 2.1 / P-H3-Image 4MP

    上段が渡した2枚、下段の左がQwen、右がP-H3-Imageです。絵としては、P-H3のほうが強い。あおりの角度、ステンドグラスの逆光、火花と砂ぼこり。オークの骸骨のベルト、牙の首飾り、毛皮、腕当てはよく保っていて、両手で斧を握る腕の数も合っています。

    崩れは、ルミスティアの左手の手袋が消えて素手になったこと。杖の先の飾りも簡略化されました。戦闘中なのに穏やかな笑みなのも気になります。

    Qwenのほうは9月に25ステップで作った1枚ですが、2人の配置はプロンプトどおりです。

    写実にする

    ビキニの立ち絵を、砂浜でS字立ちに。プロンプトの最後に「写真のように」と入っています。

    画像
    上段 = 参照 / Qwen-Image 2.1、下段 = P-H3-Image 4MP / プロンプト拡張ON

    下段の左がP-H3-Imageです。写真になりませんでした。背景の海と砂浜は写真風になったのに、キャラはアニメ塗りのまま。参照の画風に引っぱられます。Qwenは人物まで写真にしました。

    ポーズも「片腕を上げる」が両腕になり、後ろの脚が前の脚に重なって、つま先が1つしか見えません。画風の切り替えは、いまのところP-H3の苦手なところです。

    複数の参照と、文字

    2人の立ち絵を渡して、「Qwen Image 2.1」と書いたプレートを持たせました。

    画像
    上段 = 参照 2 枚、下段 = Qwen-Image 2.1 / P-H3-Image 4MP(拡張OFF)

    「Image 2.1」は正しいのに、「Qwen」が崩れました。2人はPixubusで作って保存してあるキャラで、左が小鳥遊、右が委員長です。右の委員長の三つ編みがほどけてロングヘアになり、目の色も変わっています。左の小鳥遊の髪のリボンは白から水色に。参照が2枚になると、髪型や目の色の保持がQwenより弱い、という結果でした。Qwenは文字も三つ編みも正しい。

    これはプロンプト拡張をOFFにした結果です。ONにすると変わるので、次に書きます。

    プロンプト拡張をONにすると

    P-H3-Imageには、内蔵の小さなLLM(Qwen3.5-9Bベース)がプロンプトを書き直してから描く仕組みがあります。テンプレートでは既定でONです。上の比較はすべてOFFで回したので、ここでONにしてみます。

    さっきのプレートの1枚をONで回すと、こうなりました。

    画像
    左 = プロンプト拡張OFF / 右 = プロンプト拡張ON

    文字は「Qwen Image 2.1」と正しく出て、三つ編みも戻りました。書き直し後のプロンプトを見ると、内蔵LLMが参照の絵を見て「dark braided pigtails」「gold lettering」と書き足しています。参照の情報を文に起こし直すから保てる。そういう仕組みのようです。代わりに、うさ耳が垂れたフードのような形になりました。

    写実の1枚もONで回すと、プロンプトが「A photograph of a young woman」で始まる形に書き直されて、2.5Dの半写実になりました(上のP5の右下がそれです)。顔は参照から少し離れます。

    ひとつ注意。この拡張は、露骨な性表現のプロンプトを書き直します。試しに成人向けのプロンプトを通してみると、行為を名指しする語は消え、露出の指定は弱めて残す、という書き換えでした(絵は作っていません)。レオタードやビキニ程度では何も消されませんでした。本体そのものがどこまで描くかは、この記事では見ていません。

    文字から描く(おまけ)

    参照なし、プロンプトだけでも2本描かせました。出る前の予想は「文字からはいまいち」でしたが、思ったより良かったです。

    画像
    左 = Qwen-Image 2.1 / 右 = P-H3-Image

    夜の夏祭りの浴衣。屋台、提灯、人の気配まで描き込んで、Qwenより情報量が多い。手と浴衣の柄もきれいです。気になるのは、キャラはアニメ塗りなのに背景の人物だけ半写実になっているところ。

    画像
    左 = Qwen-Image 2.1 / 右 = P-H3-Image

    ファーストクラスのCA(写実)。注ぐ動作は描けています。体のひねりが大きくて胴が長く見えるのと、肌がテカって「AIの写真」の質感なのが気になりました。肌はQwenのほうが自然です。

    画像生成プロンプトはPixubusで日本語から作った

    ここまでのプロンプトは、Pixubusのリファレンス生成で、日本語で頼んで作ったものです。私は英語を1行も書いていません。

    Pixubusとは

    初めての方へ。

    Pixubusは、キャラクター画像から画像生成用のプロンプトを作る、ローカル動作のWebアプリです。キャラ画像をアップすると、ローカルLLMが外見を読み取って英語に起こします。そこに日本語の要望を足せば、プロンプトの完成。ComfyUIをつないでいれば、ボタン1つで絵になります。

    できることを3枚にすると、こうなります。

    画像
    手持ちのキャラ画像から
    画像
    キャラ画像がなくても
    画像
    その2人をならべて

    動きは、こちらの動画が早いです。

    仮面の変身ヒロイン「静華」を、どう作ったか

    この記事の元絵は、全部Pixubusの中で作りました。順に見せます。

    パーティ作成から。世界観を1行書くと、ローカルLLMが登場人物を考えて、画像生成モデル(ここではAnima)で立ち絵を描きます。今回の世界観は「ミニスカ弓道衣装と魔法少女をモチーフとした美少女戦士変身ヒロイン」。5人のうちの1人が静華です。

    画像
    パーティ作成の画面
    画像
    できたパーティ 5 人。右端が静華

    リファレンス生成。静華の立ち絵を1枚渡して、日本語で「アイマスクを外した立ち絵」と頼むだけ。プロンプトはPixubusが書き、Qwen-Image 2.1が描きます。

    画像
    リファレンス生成の画面。日本語で頼むとプロンプトが書かれ、Qwen-Image 2.1 が 4 枚描く
    画像
    アイマスクを外した静華

    衣装変更。テーマに「バニーガール」と書いて、Ollamaに8着提案してもらいます。提案はプロンプトごと出てくるので、気に入った衣装にチェックを入れて生成。今回の白バニーは、この中の「ピュアホワイト」です。

    画像
    衣装変更の画面。「バニーガール」で Ollama が 8 着を提案
    画像
    元の画像 / クラシックブラック / ピュアホワイト / ミッドナイトブルー

    ポーズ集。ポーズを選んで、場所を「体育館」にすると、同じキャラのまま8枚を順に描きます。

    画像
    ポーズ集の画面(生成中)
    画像
    ポーズ集の 1 枚シート(体育館)

    ここまで、日本語しか書いていません。いまこの画面はQwen-Image 2.1で動いています。P-H3-Imageを試したのは、同じことがP-H3-Imageでもできるようにしたいからです。この記事の比較は、そのための下調べでもあります。

    英語は、最後まで1つも打ちません。全部手元のPCで動きます。詳しくは使い方サイトにまとまっています。

    単品販売はこちら(v3.0)。

    Qwen-Image 2.1に対応した最新版(v3.9・メンバーシップ限定)はこちら。

    いまのPixubusは、P-H3-Imageのワークフローをそのまま置いても動きません。ワークフローの組み方がQwen-Image 2.1と違うためです。今回の結果を見て、対応を検討しています。

    まとめ

    今回分かったことをまとめます。

    • VRAM 16GBで動く。RAMは64GBあったほうがいい。4MPの編集が1枚16〜32秒、8MPも35秒

    • 参照1枚の差分(表情・衣装・ポーズ)はQwen-Image 2.1と同等以上。体形と小物をよく保つ。旧衣装の部品が残ることはある

    • 入れた画像と同じ大きさ(1MP前後)で出すと一貫性が落ちる。4MPに上げる

    • 苦手は、画風を写真に変えること、参照2枚のときの髪型、プロンプト拡張なしでの文字。後ろ2つはプロンプト拡張をONにすると直る

    • 文字からの生成は予想より良い。写実の肌はテカる

    • ライセンスは商用に使える。地域の制限と、AI生成の明示だけ守る

    Qwen-Image 2.1を置き換えるというより、使い分けになりそうです。1枚の参照から差分を量産するならP-H3-Image。写実や、複数キャラの忠実さならQwen。どちらもプロンプトは同じものが使えるので、Pixubusで作ったプロンプトを両方に投げて、良いほうを取る、という回し方ができます。

    試していないことも書いておきます。サンプラーはComfyUIのテンプレートの既定(er_sde)で回しました(配布元の推奨はeuler)。参照3枚以上は試していません。成人向けの題材で本体がどこまで描くかも見ていません。

    Zimoto Creative Studioとメンバーシップ

    Pixubusは、私が作っているローカルLLMのツール群の絵担当です。ネタを広げるMycelink、小説を書くInkubus、絵を描くPixubus、そして動画のVidubus。この4つをまとめてZimoto Creative Studioと呼んでいます。どれも手元のPCだけで動きます。

    画像
    Zimoto Creative Studio。アイデアの Mycelink、小説の Inkubus、絵の Pixubus、映像の Vidubus

    それぞれの紹介と販売はこちらです。

    全部つなげると、アイデアから本や動画まで、あなたのパソコンの中だけで作品になります。

    画像
    すべては、あなたの想像を作品にするために

    4つとも、メンバーシップに入っていれば手に入ります。続きの改善も、メンバーシップから出していきます。ツールを2つ以上使うなら、メンバーシップのほうが早いです。

     
     
    ローカルLLMで小説・イラスト・動画を作りたい人に、ツールと作り方を届けます。"オタクとしての創作AI活用"が中心。小説のInkubus、イラストのPixubus、動画のVidubusは自作。OllamaとComfyUIは自宅のGPUで実機検証。メンバーシップは200人を突破。

    あなたへのおすすめ