メインコンテンツへスキップ
見出し画像

【Qwen Image 2.1】Turboモデルを使って画像編集を倍速にしてみた(27秒→13秒, RTX4070)

    こんにちは、かみもとです!

    最近は動画生成AIのMiniMax H3が流行していますが、画像生成についてもQwen Image 2.1が出たり、そろそろFlux.3が出るかもと盛り上がりつつあります。

    今回は、Qwenが公開した高速化モデル Qwen Image 2.1 Turbo を、画像1枚から編集するi2iで試しました!色・衣装・背景・ポーズ・日本語の文字入れという5種類の編集を、通常のQwen-Image-2.1と比較して、画質や生成速度を見てみましたー。

    結論から言うと、
    ・RTX 4070 12GBで832×1248の画像を生成
    ・通常モデルの25ステップで 27.26秒、Turboの公式8ステップで 12.87秒
    ・画質もほぼ問題なし。若干背景の書き込みが少なくなるが許容範囲
    でした!

    それでは導入方法、添付ワークフローの使い方、実際の比較画像を紹介します!

    Qwen Image 2.1 Turboとは?

    Qwen Image 2.1 Turboは、Qwen Image 2.1を8ステップで生成できるようにした高速版モデルです。LoRAじゃないです。テキストからの画像生成と、参照画像を使う編集に対応しています。今回は、既にあるイラストの一部を変更する使い方に絞りました。Qwenの配布ページ・モデル説明

    使うときのポイントは、Turbo用モデルと、公式の8ステップのスケジュールをセットで使うことです。公式モデルには専用のサンプリング設定が保存されており、単に通常モデルのステップ数を8へ減らす操作とは条件が違います。通常モデルと同じサンプリング設定にすると多分絵が崩れますので注意!公式のSampling説明

    ComfyUI向けには、Turboのフルモデルと、通常モデルに適用するLoRAの両方が配布されています。この記事では、TurboのフルモデルをINT8 ConvRot形式で使います。 Turbo LoRAを追加する構成ではありません。Comfy-Orgの配布ページ

    導入方法

    ここでは、ComfyUIが動く環境があることを前提に進めます。Qwen Image 2.1に対応した本体が必要なので、未対応の場合は使っている導入方式の手順で更新してください。ComfyUIの公式更新ガイド

    1. モデルをダウンロードする

    次の3ファイルを用意します。保存先は、使っているComfyUIの models フォルダです。ファイル名の 2.1 と turbo を確認してくださいね。

    通常モデルとの比較も行う場合は、qwen_image_2.1_int8_convrot.safetensors(約7.26GB)を ComfyUI/models/diffusion_models/ に追加します。テキストエンコーダーとVAEは共通です。通常モデルのダウンロードページ

    2. ComfyUIを再起動して、モデルとノードを確認する

    ファイルを配置したらComfyUIを再起動します。添付ワークフローで、拡散モデル・テキストエンコーダー・VAEをそれぞれ選択してください。CLIPLoaderのタイプは qwen_image です。

    このワークフローは標準ノードで構成しています。追加のカスタムノードやプロンプト自動拡張用モデルは使いません。 「Text Encode Qwen Image 2.1」「Qwen Image 2.1 Cache」「ManualSigmas」が見つからない場合は、本体の更新状況を確認してください。Qwen-Image-2.1の基本的なモデル配置と画像編集の説明は、公式チュートリアルにもあります。ComfyUI公式チュートリアル

    添付ワークフロー

    ComfyUIへドラッグ&ドロップして読み込めるGUI形式です。開くと以下のようになります。

    画像

    ワークフローの使い方

    1. 画像とモデルを読み込む

    「1. Input image / 入力画像」の アップロードするファイルを選択 から、自分の画像を読み込みます。画面の画像は、今回の比較に使った操作例です。

    画像

    「2. Resize / 比率を保って縮小」は、lanczos、幅 832、高さ 0、クロップ disabled にしています。高さ0は、元画像の比率から高さを求める設定です。今回の2:3の画像では 832×1248 になり、縦横比を変えずに縮小できます。

    この設定例は2:3の入力を想定しています。別の比率を使う場合は、比率を保ったリサイズと余白追加で幅・高さを32の倍数へ整えた画像を用意し、Resizeの幅・高さを両方0にして、そのサイズのまま渡してください。後段の resolution=0 は寸法を32の倍数へ丸めるため、事前に揃えておくと意図した比率を保てます。

    モデルの3ノードで、Turboの拡散モデル、Qwen3-VL 8Bのテキストエンコーダー、Qwen Image 2.1のVAEを選びます。

    画像

    2. 編集プロンプトを入力する

    「3. Edit prompt / 編集指示」の上側に、変更したい内容を入力します。添付版には、赤いネッカチーフを青にする指示を入れています。

    画像

    今回の色変更で使ったプロンプトです。

    Edit the provided reference image. Preserve the same character identity, facial features, dark hair in a high bun with straight bangs, gray-violet eyes, and clean 2D anime illustration style. Change only the red neckerchief to a rich cobalt blue neckerchief, keeping its knot, folds, highlights, and shadows. Preserve her face, hairstyle, expression, pose, hands, white sailor blouse, dark collar, plaid skirt, garden background, framing, and lighting. Do not add text or accessories.

    「変えるのはネッカチーフの色だけ」「顔・髪・ポーズ・背景は保つ」という内容です。変更したい部分と、残したい部分を分けて書いています。

    下側の negative prompt は空欄、resolution は 0 のまま使います。今回の入力は32の倍数なので、832×1248のサイズを維持して生成されます。「KV cache / 参照キャッシュ」は auto・default です。

    3. 公式8ステップの設定を確認する

    「4. Official 8-step sigmas / 公式スケジュール」の値を、そのまま使います。sigmasは、各ステップで使うノイズ量を指定する数列です。

    画像
    1.0, 0.978453, 0.95418, 0.926626, 0.89508, 0.845148, 0.704534, 0.414568, 0.0

    公式の8点に、ComfyUIで最後の更新先となる0を加えています。数値が9個ありますが、生成の更新は8回です。添付版はManualSigmasを使うので、通常のsteps欄を8へ変更する操作は不要です。公式checkpointの設定

    CFG は 1.0、サンプラーは euler。seedは色変更の比較で使った値を入れ、生成後の変更動作を fixed にしています。別の結果を試すときはseedを変えてください。

    4. 実行してPNGを保存する

    画像

    「6. Save image / PNG保存」の filename_prefix は Qwen_Image_2.1_Turbo/edit です。出力はComfyUIの output/Qwen_Image_2.1_Turbo/ に、edit で始まるファイル名で保存されます。

    モデル・画像・プロンプトを確認したら、画面上部の 実行する を押します。

    生成結果

    それでは生成結果です。まずは実行したPC環境や設定から。

    使用したPCと生成条件

    • CPU:Intel Core i3 12100F

    • RAM:48GB

    • GPU:NVIDIA GeForce RTX 4070 12GB

    • OS:Windows 11 Pro

    • ComfyUI:0.38.0

    • Python:3.13.13 / PyTorch:2.14.0+cu130

    • 入力:同じアニメイラスト1枚。1024×1536から832×1248へ比率を保ってLanczos縮小

    • 出力:832×1248のPNG

    • 共通設定:INT8 ConvRotの拡散モデルとテキストエンコーダー、Qwen-Image-2.1 VAE、CFG 1.0、Euler、KV cache auto・default

    • 比較条件:通常モデル25ステップ(simple)、Turbo公式8ステップ、通常モデルに同じ公式8ステップを渡す対照条件

    • 5種類の編集×3条件、各組合せ1回、合計15枚。同じ編集では入力・プロンプト・seedを揃えています

    入力に使った画像はこちらです。

    画像

    生成時間

    時間は2種類に分けています。サンプリング時間は、モデル読み込み後の画像生成処理をGPU同期して測った値です。総時間は、生成開始から完了通知を受け、計測処理が終わるまでの時間です。総時間にはモデル読み込みやノードの処理を含みますが、ComfyUIの起動・モデルのダウンロード・完了後の画像検査は含みません。

    画像

    5種類の編集での平均は、次のようになりました。

    • 通常モデル・25ステップ:サンプリング20.28秒、総時間27.26秒

    • Turbo・公式8ステップ:サンプリング6.06秒、総時間12.87秒

    • 通常モデル・同じ8ステップの対照条件:サンプリング7.19秒、総時間13.91秒

    通常25ステップに対し、Turboはサンプリングで 約3.35倍の速度、総時間で 約2.12倍の速度 でした。画像全体の処理にはサンプリング以外の時間もかかるので、待ち時間の差はサンプリングの差より小さくなりますが、結構速いのではないでしょうか!

    昔のSDXLなどは1枚生成するのに数十秒かかっていたので、13秒で1枚の画像編集ができるのはメリット。しかもBaseの2倍速いので、同じ時間でも2倍の枚数を編集できます。数枚程度では効果が薄いですが、大量の枚数になる程効果が実感できると思いますー。

    画質比較

    続いて画質の比較です。通常25ステップと、Turboモデルの8ステップ。そして参考としてBaseモデルを無理やり8ステップで生成しています。

    画像

    まずは細かいパーツの色変更ですが、どれも問題なさそうですね。これくらいのタスクであれば、Baseモデルを8ステップで使っても良さそう。

    続いて浴衣へ変更です。プロンプトと生成結果。

    Replace the sailor uniform and plaid skirt with an elegant navy blue yukata decorated with pale blue and white hydrangea flowers, a coral pink obi sash, and a small gold obi clasp.
    画像

    これもうまく着替えができていますね。通常25ステップとTurbo 8ステップはほぼ同じ。通常8ステップは流石に浴衣の柄がぼやけていますね。Turboモデルを使うのが得策ですね。

    次は背景を変更。プロンプトと生成結果は以下。

    Replace the green summer garden behind her with a Japanese garden in autumn, vivid red maple leaves, golden ginkgo leaves, a small stone lantern, and fallen leaves along the path. Keep the wooden doorway at the right edge.
    画像

    やはり通常8ステップは背景がぼやけていますね。Turboモデルもここまで細かい背景描写だとぼやけていますが、許容範囲かなと思います。通常25ステップはさすが、紅葉の描写が優れています。

    続いてポーズの変更。プロンプトと生成結果です。

    Change her pose so that her right hand is raised beside her face, waving toward the viewer with an open palm and five clearly separated anatomically natural fingers. Her left arm hangs relaxed at her side. Give her a cheerful open-mouth smile.
    画像

    これはどれもOKですねー。指の本数が増えたり減ったりといったアノマリーも出ず、優秀です。

    次は日本語描画。これもプロンプトと生成結果を示します。

    Place the exact Japanese title "放課後の約束" in large, sharp, elegant white characters across the top. Place the exact smaller subtitle "また明日、ここで。" near the bottom. Keep all letters fully visible, spell the text exactly, and keep typography away from her face. No other text, logo, or watermark.
    画像

    通常8ステップは全体的にぼやけている感じですが、意外と日本語は描けていますね。通常25ステップとTurbo 8ステップは優秀。デザインはともかく(ダサい・・)、日本語もちゃんと書けています。ひらがなも描けるのはすごいですね!


    まとめ

    今回はQwen Image 2.1-TurboのINT8 ConvRotフルモデルを、公式8ステップの設定でi2i画像編集で使ってみました。

    RTX 4070 12GB、832×1248の画像の平均総時間は 12.87秒。通常モデル25ステップの27.26秒に対し、約2.12倍の速度でした!

    画質に関してもほとんどの場合、通常25ステップと変わらないので、常用できるレベルと思います。どうしても背景の描写を繊細にしたい場合のみ、通常25ステップを使うという使い分けかなと思いますー。

    それにしてもやはりQwen Image 2.1は画像編集能力がすごいですね!他の記事でも色々検証しているので、よかったら見てくださいー。


    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「面白かった」と思っていただけたら、ぜひ画面下の【スキ(ハートマーク)】を押していただけると嬉しいです!

    これからもローカルAIの面白い検証や実践ノウハウをお届けしていきますので、ぜひフォローもよろしくお願いいたします!


     
     
    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