メインコンテンツへスキップ
見出し画像

【Qwen Image 2.1】Spectrumで画像編集時間が1.75倍!RTX4070(VRAM 12GB)で実測してみた

    こんにちは、かみもとです!

    Qwen Image 2.1がリリースされて色々検証していますが、RTX4070みたいなミドルGPUで生成すると結構時間かかるんですよね。先日までMiniMax H3の動画生成で124フレーム3分とか4分とか言っていた私からすると高々1枚の画像生成で1分を超えるのが許せない・・。

    そこで今回は、Qwen Image 2.1向けの高速化ノード「Spectrum」がリリースされましたので、導入して試してみました!

    結果としては、画像を描き出すサンプリング部分がなんと約2倍に高速化!総生成時間が平均32.63秒から19.83秒へと短縮されました!

    とはいえ、いくら生成スピードが速くなっても、画質が劣化しては実用になりませんよねー。

    そこで今回は、処理速度の計測データだけでなく、実際に生成された画像も並べて比較してみました。

    さらに記事の後半では、2048×2048の正方形2Kサイズにおいて、生成時間とメモリ使用量がどう変化するのかを調べた追加検証もお届けします!


    試した条件

    参照画像は1枚で固定

    前提として、今回はQwen Image 2.1の画像編集で速度を比較しました。1枚の画像を入力して、編集させるタスクですね。

    画像
    参照画像

    元画像のサイズは1024×1536です。今回の5種類の編集では、すべてこの元画像を共通の入力として使っています。

    通常版とSpectrum版の比較では、同じ編集プロンプト、同じseed値、同じモデルを使用しています。seed値は編集テーマごとに変えていますが、比較する2枚のペアの中では完全に同一に揃えました。

    • GPU:GeForce RTX 4070(VRAM 12GB)

    • モデル:Qwen Image 2.1(INT8 ConvRot)

    • Text Encoder:Qwen3-VL 8B FP8

    • VAE:Qwen Image 2.1 BF16

    • 出力解像度:832×1248(各条件1枚ずつ生成)

    • 生成設定:25 steps、Euler/simple、CFG 1、denoise 1

    • 比較枚数:5種類の編集 × 2条件 = 計10枚

    なお、キャッシュによって後から実行した側だけが有利になってしまわないよう、各ノードは毎回、再実行します。さらに通常版とSpectrum版の実行順序についても、テストの組ごとに入れ替えて測定しています。

    Spectrumはモデルとサンプラーの間に入れるだけ

    今回使用したのは、ComfyUI向けのコミュニティ移植版であるQwen Image 2.1向けのSpectrumカスタムノードです(Spectrumの論文著者による公式実装とは別のコミュニティ版となります)。

    導入手順はとてもシンプルで、このリポジトリをComfyUIの「custom_nodes」フォルダに配置してComfyUIを再起動するだけ。追加で特殊なPython依存パッケージをインストールする必要もなく、既存のQwen Image 2.1環境ですんなりと動作してくれたのは嬉しいポイントですね!

    ワークフロー上では、モデルの出力とKSamplerの間に「Spectrum (Qwen-Image-2.1)」ノードを挟み込むだけでOKです。

    Spectrumの各種パラメータは、今回はすべて既定値(デフォルト)のまま検証しました。「25ステップ中、実計算が12回・予測が13回」という配分で処理をスキップしています。サンプラーのステップ数そのものを12に削っているわけではなく、中間処理を賢くスキップしているのが面白い仕組み。

    なお、検証で使ったワークフローの1つを置いておきます。API版です。


    検証結果:サンプリング時間は約半分に短縮

    まずは、純粋に画像を描き出す「サンプリング部分」にかかった時間を見てみます。なお、プロンプトテキストや参照画像のエンコード処理、VAEによる画像デコード、PNG画像の保存にかかる時間は、下のグラフの数値には含めていません。

    画像
    geminiが書いたグラフなのでフォントが微妙・・。

    グラフをご覧いただければ分かる通り、5種類すべての編集において、Spectrumを適用した方が短時間で完了しました!

    • 通常版のサンプリング時間:1枚あたり平均24.46秒

    • Spectrum版のサンプリング時間:1枚あたり平均12.23秒

    • 5組の合計時間比:約2.00倍の高速化(所要時間は約50%短縮!)

    初回実行時の初期化処理やキャッシュの影響を考慮して、最初の1組を除外した残りの4組で再計算してみても、24.03秒から12.26秒へ短縮されており、約1.96倍という結果でした。初回のブレだけで見かけの「2倍」になっているわけではないことが分かりますね。

    一方、ユーザーが生成ボタンを押してからPNG画像の保存が完了するまでの「全体の所要時間」で見ると、平均で32.63秒から19.83秒へ(約39.2%短縮)となりました。こちらも初回の1組を除いた場合、31.63秒から19.91秒へ短縮され、約37.1%短縮となっています。

    画像生成には前後のエンコードや保存処理もあるため、待ち時間全体が丸ごと半分になるわけではありません。ですが、1枚あたり約12秒も待ち時間が削れるのは、衣装や背景のプロンプトを少しずつ変えながら何度もリトライしたい場面において、体感的な快適さにものすごく大きく効いてきますね!


    検証結果:5種類の編集を画像で徹底比較

    ここからの比較画像は、すべて左側が通常版、右側がSpectrum版となっています。公平に見比べられるよう、掲載用に同じ縮尺で並べました。

    1.ネッカチーフの色だけを変える

    まず、赤いネッカチーフを濃い青色に変更する、局所的な色替え編集です。

    画像

    ご覧の通り、どちらもしっかりとネッカチーフが鮮やかな青色へと変わり、布の結び目や自然な折り目も綺麗に残っていますね。顔の表情や髪型、腕のポーズ、スカートのチェック柄もほぼ同等のクオリティで再現されています。Spectrum版だからといって不自然に輪郭が崩れたり色が滲んだりする様子はまったく見られませんでした。

    2.制服を紫陽花柄の浴衣へ衣装チェンジ

    続いては、衣装をガラッと変更するテストです。

    画像

    どちらの画像も、浴衣の落ち着いた紺色、紫陽花の花柄、珊瑚色の帯、そして金色の帯留めが再現されています! 元画像が持っていた顔立ちや髪型、腕の自然な角度もしっかり引き継がれていますね。Spectrum側で柄が潰れたり消えたりすることなく、同じ画質をキープできています。

    3.背景を秋の日本庭園へ変更

    今度は人物と制服はそのままキープし、背景だけを赤く色づいた紅葉や黄色いイチョウが映える秋の日本庭園へと変更しました。

    画像

    真っ赤な紅葉や鮮やかな黄葉、苔むした石灯籠がしっかりと配置され、元画像の青々とした夏の庭から一転して、しっとりとした秋の風情漂う空間に見事に生まれ変わりました! 人物の表情や立ち姿、右手側にある木枠の構造も綺麗に維持されています。こちらもSpectrumだからと言って画質が劣化していないのは高評価。

    4.手を上げて、笑顔で振ってもらうポーズ変更

    色や服装の変更に続いて、今度は人物の「ポーズ変更」に挑戦です。右手を顔の横あたりまでグッと上げ、手のひらを開いて振ってもらい、口元をキュッと開いた明るい笑顔にするよう指示を出してみました。

    画像

    見比べてみると、どちらも画面左側の手を高く掲げて、パッと明るい笑顔をこちらに向けてくれていますね! 開いた手にはちゃんと5本の指が綺麗に描かれており、反対側の腕が自然に下がっているバランスもバッチリです。

    AI画像生成で最も崩れやすい手指の描写ですが、Spectrum版だからといって指の数が増減したり、手が不自然に変形したり、顔のパーツが崩れたりするような現象は見当たりませんね。優秀。

    5.日本語入りのポスター風デザインに仕上げる

    前半のラストは、夕焼けの空を背景にした映画のポスター風デザインへの編集です。画像内に以下の2行の日本語テキストを描き込んでもらいました。

    • タイトル:放課後の約束

    • サブタイトル:また明日、ここで。

    画像

    何を約束したのかは定かではないですが、通常版・Spectrum版のどちらも、メインタイトルはもちろん、サブタイトルの句読点「、」や「。」に至るまで、極めて高い可読性でくっきりと描画してくれました!意外と日本語もいけますね。Spectrumによる文字の乱れや文字化けも発生していません。


    追加検証:2048×2048で生成時間とメモリ使用量を検証

    ここまでの検証は、実用的な解像度である832×1248で行ってきました。

    でも、ローカルAIユーザとして気になるのは、「さらに大きな高解像度画像でもちゃんと速くなるのか?」「手元のRTX 4070(VRAM 12GB)でメモリ不足(OOM)にならずに動かせるのか?」という点ですよね。

    そこで、Qwenの公式モデルカードに記載されている公式推奨の正方形2K解像度、2048×2048を使って追加検証を行ってみました!

    背景変更の処理を両方式で1枚ずつテスト

    先ほどと同じ参照画像を使用し、「背景を秋の日本庭園に変更する」という編集を行いました。GPUやモデル、25 stepsといった基本設定は前半と共通です。

    縦長だった元画像(1024×1536)の左右にそれぞれ256pxずつの余白を加えて1536×1536の正方形にしてから、参照解像度を2048に指定しました。生成後にAIでアップスケールしたわけではなく、最初から2048×2048のネイティブ解像度で参照・生成を行う本格的な高解像度処理です。左右の余白部分も庭園の風景で埋めるようプロンプトに追記し、同じプロンプト・同じseed値で両方式を走らせました。

    実行順序は通常版→Spectrum版の順で各1回。両方とも実行直前にモデルとノードキャッシュを解放した状態で測定しています。

    総生成時間は約4分から約2分18秒へと大幅短縮!

    まずは生成時間の結果です。

    • 通常版の全体時間:241.47秒(約4分1秒)

    • Spectrum版の全体時間:138.19秒(約2分18秒)

    • 結果:約1.75倍の高速化! 待ち時間が103.28秒(約42.8%)も短縮!

    1枚あたり約1分43秒も待ち時間が短くなりました! 2Kという巨大なサイズになると、1分以上の時間短縮は本当にありがたいですね。Spectrumのログを確認したところ、2048×2048の環境でもしっかり「25ステップ中、実計算12回・予測13回」で動作していました。

    VRAMとRAMの消費量はほぼ同等

    続いてメモリ使用量です。

    • GPU全体のVRAMピーク:11.19 GiB → 11.28 GiB

    • ComfyUIの物理RAMピーク:10.45 GiB → 10.46 GiB

    • PCシステム全体のRAM使用量:21.07 GiB → 21.20 GiB

    ご覧の通り、どちらの方式でもRTX 4070のVRAM 12GBの枠内で、クラッシュすることなく無事に2048×2048の画像編集を完走できました! メモリ消費をほとんど増やすことなく、待ち時間だけを大きく削ることができていますね。

    生成された2K画像を見比べてみる

    画像

    生成された2K画像を確認してみると、両方式ともに背景には鮮やかな紅葉や黄色いイチョウ、石灯籠が美しく描かれ、手前の人物と制服のディテールもしっかり保たれています。

    ただ一点、左右の余白を庭園の風景で埋め尽くすという追加指示については、通常版・Spectrum版の双方ともに達成できませんでした。解像度自体はきっちり2048×2048で出力されているものの、左右に白い余白がそのまま残る形となっています。

    今回はあくまで2K環境下での処理時間とメモリ挙動を検証するためのテストですので、余白が埋まらなかった結果も含めてありのまま掲載しています。おそらくQwen Image 2.1は元絵を忠実に維持していく傾向が強いのだと思います。余白は余白。プロンプトに書いてあっても余白と。頑固ー!


    まとめ

    今回は、Qwen Image 2.1の参照画像編集ワークフローに高速化ノード「Spectrum」を組み込み、RTX 4070環境で832×1248の5パターン比較と2048×2048の追加テストを実施しました。

    • サンプリング速度が約2倍で、総生成時間も大幅短縮

    • 画質や編集精度も良好

    • 2K解像度でも高速・省メモリ

    画質を維持したまま、総生成時間が1.75倍になるのは非常に嬉しい限り。グラボ高騰していますから、RTX4070でも十分生成に耐えられる時間になってくれるのはいいですよね。

    さらに今回分かったのは、やはりQwen Image 2.1は画像編集タスクが得意という点です。三面図をリファレンスとして画像を生成させたり、キャラLoRAを使っても元絵を再現できませんでしたが、編集タスクだと維持できています。やはり使い所としては画像編集ですねー!


    最後まで読んでいただき、ありがとうございました!

    もしこの記事が「参考になった」「面白かった」と感じていただけたら、画面下の【スキ(ハートマーク)】を押していただけると、検証の苦労が吹き飛ぶほど励みになります!

    今後も気になるローカルAIの検証や便利ツールなどをどんどん発信していきますので、フォローもぜひよろしくお願いします!


     
     
    かみもと ひろた(神下紘汰)。ソフトウェアエンジニア+R&Dエンジニア。Codex + Claude使い(Geminiはオマケ)。コスパの良いRTX4070のローカル環境で画像生成・音声生成・LLMを実行させたり、アプリ開発したり、最新技術のフォローアップをしたりします。

    あなたへのおすすめ