無修正 Z-Image Turbo：導入手順、低 VRAM 向けファイル、プロンプト実践ガイド

30 秒でわかる Z-Image Turbo

開発元

Alibaba 通義実験室（Tongyi MAI）

公開時期

2025 年 11 月

サイズ

約 6.15B、S3-DiT

サンプリング

8 ステップ、ガイダンスなし

文字描画

中国語と英語

オープンウェイト？

はい、Apache-2.0

動作環境

コンシューマー GPU、16 GB 未満

無修正版？

公式にはなし

Z-Image Turbo の生い立ち

Z-Image Turbo は、Alibaba の通義実験室に属する Tongyi MAI チームが開発した Z-Image シリーズの最新の高速チューニングモデルです。シリーズで最初に公開されたモデルでもあり、Hugging Face リポジトリの日付は 2025 年 11 月 25 日、GitHub のニュース投稿は 11 月 26 日です。中身は約 61.5 億パラメータの Scalable Single-Stream Diffusion Transformer（S3-DiT）で、プロンプトのトークン、視覚的なセマンティックトークン、画像の潜在表現がひとつの共有シーケンスを流れます。蒸留によってサンプリングはガイダンスなしの 8 回の関数評価にまで短縮されました。チームはデータセンター向け GPU の H800 で 1 秒未満の生成が可能とし、16 GB のコンシューマー向けカードで十分だとしています。Alibaba はウェイトを Hugging Face と ModelScope で公開しており、Alibaba Cloud Model Studio のホスト型エンドポイントは利用手段のひとつにすぎません。

無修正の Z-Image Turbo は手に入る？

この疑問が生まれる理由は 2 つあります。第一に、Alibaba Cloud のホスト型エンドポイントはすべてのプロンプトと完成画像を審査するため、ブドワール写真やピンナップなどの成人向けアートはそこで拒否されます。第二に、Apache-2.0 のウェイトはサーバーを介さず自分のマシンで動作し、Hugging Face にはそれをベースに学習したコミュニティ製 LoRA が数多く並んでいます。つまり正直な答えは一筋縄ではいきません。公式の無修正 Z-Image Turbo は存在せず、ローカルのコピーが何を描くかは隠しスイッチではなく学習データ次第です。非公式の NSFW ファインチューンも存在し、実在の有名人をもとにしたものもありますが、ライセンスが対象とするのはコードとウェイトであって誰かの顔ではないため、ここではリンクしません。20 GB のダウンロードを省きたいなら、Spicy AI のジェネレーターが Seedream、Krea 2、Wan 2.6 を成人（18 歳以上）向けにコンテンツフィルターなしで提供しています。あくまで代替であり、Turbo そのものではありません。

15 分で最初の 1 枚：ComfyUI ルート

ほとんどの人は公式リポジトリに触れることすらありません。2026 年 10 月の 30 日間で、Comfy-Org の再パッケージ版は約 930 万回ダウンロードされたのに対し、Tongyi-MAI のオリジナル版は約 65.4 万回でした。オリジナル版はトランスフォーマーを F32 で約 24.6 GB 保存しているからです。動作する環境には必ず 3 つのファイルが必要で、テキストエンコーダーの入れ忘れは初回起動時の定番エラーです。以下を入手して所定のフォルダに置き、公式の ComfyUI テンプレートを開きましょう。

• ローダー：モデルには UNETLoader、エンコーダーにはタイプを lumina2 に設定した CLIPLoader、VAE には VAELoader を使います。
• テンプレートのまま残したい値：1024×1024、8 ステップ、CFG 1.0、res_multistep サンプラー、simple スケジューラー、ModelSamplingAuraFlow の shift 3。
• ネガティブ側は ConditioningZeroOut でゼロ化されるため、そこに入力した内容は無視されます。
• CFG を 7 に、ステップを 30 に上げても Turbo には逆効果で、色が焼けるか時間がかかるだけです。
• ポーズ、深度、エッジの制御には、Alibaba PAI が Z-Image-Turbo-Fun-Controlnet-Union-2.1 を別途配布しています。

「Qwen3-4B クラス」という表記は ComfyUI のファイル名と設定から推測したもので、モデルカードにはエンコーダー名が明記されていません。

VRAM が足りない？カードに合ったファイルを選ぶ

このモデルのメモリ要件は 3 つの別々の情報源から出ており、それぞれ前提とするソフトウェアが異なるため、ひとつの約束としてではなく並べて読んでください。Tongyi チームは 16 GB 未満で快適に動くとしています。DiffSynth-Studio は CPU オフロードを使った 8 GB 構成を紹介し、FP8 量子化では目に見えて画質が甘くなると注意しています。stable-diffusion.cpp の Wiki には、Q3 または Q4 の GGUF ファイルとオフロードを組み合わせて 4 GB カードで動かすコミュニティのレシピが載っていますが、速度は明らかに落ちます。GGUF ファイルが置き換えるのは拡散モデルだけで、テキストエンコーダーと VAE は別途ダウンロードが必要な点に注意しましょう。

Cache-DiT、LeMiCa、MeanCache はさらなる高速化をうたっていますが、その数値はコミュニティプロジェクトによるもので、Alibaba の発表ではありません。

8 ステップか 50 ステップか：Turbo と遅い兄弟モデル

2026 年 1 月に登場した基盤モデル（通称 Base）は、Turbo と同じアーキテクチャとテキストエンコーダーを持ちながら、classifier-free guidance とネガティブプロンプトを残しています。そのため選択の基準は画質よりもワークフローです。素早く試行錯誤して完成度の高い写真風の仕上がりが欲しいなら、Z-Image Turbo のままで。顔のバリエーション、イラストのスタイル、ファインチューニング用のモデルが必要なら、サンプリング時間がおよそ 4〜6 倍になることを受け入れて Base に切り替えましょう。

多様性とファインチューニングの評価は、公式モデル表に記載されたチーム自身の評価であり、独立したテストではありません。

ネガティブプロンプトを無視するモデルへのプロンプトの書き方

ガイダンスがオフのため、Z-Image Turbo は求められたことしか聞きません。つまりポジティブプロンプトがすべてを担います。カメラマンが撮影の指示を出すように、完全な文で、一定の順序で書きましょう。誰が、どんな見た目で、何をしていて、どこで、どんな光のもとで、どのレンズで、どんなスタイルで。長いプロンプトでも問題ありません。ホスト型 API の上限は 800 文字で、ローカルでも妥当な目安になります。下の比較を見れば、曖昧なプロンプトがどれだけ運任せになるかがわかります。

出発点にできる Z-Image Turbo プロンプト 5 選

角かっこ内を埋め、各要素の順序はそのまま保ってください。5 つとも被写体は成人を前提としています。ComfyUI のテンプレートでも、ホスト型 API でも、上の代替ジェネレーターのたたき台としても使えます。

輝く場面とつまずく場面

コミュニティの反応は設計上のトレードオフとぴったり一致します。速さとリアルさは称賛され、多様性には不満が集まります。チームは 2025 年 12 月 8 日時点で、Artificial Analysis のテキスト画像生成リーダーボードで総合 8 位、オープンモデルの中では 1 位になったと発表しました。ただしこの順位は過去のもので、2026 年 10 月には新しいモデルの登場により上位 20 位から外れています。Gigazine の実機レビューでは、シードを変えても構図が繰り返されること、グループシーンで顔が似通うこと、日本語の文字が苦手なことが指摘され、遅い基盤モデルのほうがイラストや表現の幅で優れていました。

2026 年 10 月時点の普及指標：GitHub スター約 12,100、Unsloth の GGUF 版の 30 日間ダウンロード約 107 万回、人気の LoRA パックのひとつで約 24.1 万回。ダウンロード数は広がりを示すもので、品質を示すものではありません。

実際に作られているもの

1 枚の生成が数秒で済むため、普通なら数回試して諦めるような大量の作業にこのモデルが使われています。中国の EC サイトの出品者は 2 言語を組み合わせたバナーに重宝し、ショートドラマやゲームのチームは、最終的な描画を別のツールで行う前の素早いムードボード作りに活用しています。

• ポートレートとファッションのシリーズ：同じ成人モデルの服装やライティングを何十パターンも一度に。
• バイリンガルの EC 素材：ショップページや SNS 向けに、中国語と英語の見出しを入れた商品シーン。
• プリビズ：ショートドラマ、広告、ゲーム企画のキーフレーム。
• キャラクター LoRA：特定のルック、衣装、画風のためのコミュニティ製アドオン。
• ポーズの再現：ControlNet Union モデルがスケッチから姿勢やレイアウトを写し取ります。
• 古いハードウェア：GGUF 版のおかげで、ノート PC やミドルレンジのゲーミングカードでも定番の選択肢に。

GPU がない？ホスト型の z-image-turbo エンドポイント

Alibaba Cloud Model Studio は z-image-turbo という ID でこのモデルを提供しており、ファミリーの中でそこで利用できるのはこのモデルだけです。各リクエストには、最大 800 文字のテキストプロンプト 1 つを含むユーザーメッセージを 1 件入れ、オプションでサイズ（総ピクセル数 512×512〜2048×2048、デフォルト 1024×1536）、シード、言語モデルにプロンプトを書き換えさせてその推論を返す prompt_extend フラグを指定できます。1 回の呼び出しで PNG が 1 枚返り、そのリンクは 24 時間で失効し、上限は毎分 120 リクエストです。プロンプトと出力は安全チェックを通過する必要があり、バッチ処理、ファインチューニング、関数呼び出しは使えません。便利ではあるものの、厳しくモデレーションされたエンドポイントです。

FLUX.2 や Qwen-Image との比較

技術レポートは、このシリーズを Qwen-Image、HunyuanImage 3.0、FLUX.2 といった 20B 以上のオープンモデルに対する 6B の回答として位置づけています。これは著者側の打ち出し方として受け止めてください。実際の差は運用コストにあります。8 ステップの小さなモデルは 3 つの中で最もコンシューマー向けカード 1 枚に収めやすく、一方で大きなモデルは混み合ったシーンをうまく扱えるかもしれません。乗り換える前に自分のプロンプトで試しましょう。

サイズとライセンスは技術レポートに基づいています。利用前に各モデルカードを確認してください。

ブラウザで無修正ルートを試す

ブラウザなら、ダウンロードもドライバーも不要です。ただし Z-Image Turbo は動いていないため、仕上がりの雰囲気は異なります。Spicy AI は独自の画像モデルを使っています。

• 1. ページ上部のボタンを押して画像ジェネレーターを開きます。
• 2. このページのテンプレートを貼り付け、登場人物はすべて成人として記述します。
• 3. アスペクト比を選び、1 回につき最大 4 枚まで生成します。
• 4. やり直すときは、光、ポーズ、服装のうち 1 つだけを変えます。
• 5. 自分が権利を持つ写真をアップロードすると、画像から画像への編集に切り替わります。

失敗を減らす 5 つの習慣

1. CFG は 1、ステップは 8 のままに。ネガティブプロンプトが必要なら基盤モデルに切り替えましょう。
2. GGUF ファイルと一緒に、テキストエンコーダーと VAE もダウンロードしましょう。
3. 構図の繰り返しを崩すには、シードだけでなく言葉でシーンを変えましょう。
4. 画像に入れる文字はかぎかっこで囲み、公開前に小さな文字を校正しましょう。
5. 登場人物はすべて成人（18 歳以上）として記述し、実在の人物の容姿を本人の同意なく使わないでください。

出典

• GitHub リポジトリ（Tongyi-MAI）
• Turbo モデルカード（Hugging Face）
• プロジェクトブログ
• 技術レポート（arXiv 2511.22699）
• ComfyUI 再パッケージ版（Comfy-Org）
• GGUF 版（Unsloth、サードパーティ）

その他の無修正 AI 画像モデル

• uncensored z image
• uncensored qwen image
• 無修正 Midjourney
• 無修正 DALL·E
• 無修正 Stable Diffusion
• 無修正 Flux
• 無修正 Nano Banana
• 無修正 Nano Banana 2
• 無修正 Nano Banana 2.1
• 無修正 Ideogram
• 無修正 Leonardo AI
• 無修正 Seedream
• 無修正 Seedream 5.0
• 無修正 Krea
• 無修正 Kroma
• 無修正 Qwen-Image
• 無修正 Adobe Firefly
• 無修正 GPT Image 2.5
• 無修正 Text to Image
• 無修正 Z-Image
• 無修正 FLUX.2
• 無修正 FLUX.2 [dev]
• 無修正 FLUX.2 [pro]
• 無修正 GPT Image 1.5