Z-Image：アリ・トンギー・ラボが発表した6Bモデルに基づくオンライン画像生成ツール

Z-Imageは、Alibaba Tongyi Labによって開発され、オープンソース化された効率的な画像生成ベースモデルです。スケーラブル・シングルストリームDiT（S3-DiT）と呼ばれる革新的なアーキテクチャを採用し、テキスト、ビジュアルセマンティクス、画像潜在変数を単一のストリームに統合することで、パラメータ効率を大幅に向上させています。数百億のパラメータを持つメガモデルとは異なり、Z-Imageはわずか60億（6B）のパラメータしか持たないにもかかわらず、トップクラスの商用モデルに匹敵するフォトリアリスティックな画像を生成します。このモデルの最大の特徴は、「プロダクション・フレンドリー」であることで、推論速度が速く（ターボバージョンは秒以下の画像を実現）、ハードウェア要件が最小であるため、最大16GBのビデオメモリを搭載したコンシューマー向けグラフィックカードでスムーズに動作する。また、Z-Imageはテキスト処理における従来のグラフィカルモデルのペインポイントを解決し、複雑な中国語や英語のテキストを正確にレンダリングすることが可能で、パフォーマンス、効率、テキスト生成能力のバランスが取れたオープンソースコミュニティの代表的な作品です。

機能一覧

• 高画質画像生成6Bパラメトリックスケールに基づき、フォトリアリスティックで細部まで美しく構成された画像を生成します。
• バイリンガルテキストレンダリング独自のテキストエンコード処理能力により、絵の中の複雑な漢字や英字を正確に生成し、「AIは読めない」という問題を解決する。
• エクストリーム推理（ターボモード）提供 Z-Image-Turbo このバージョンは、蒸留によって推論ステップを8つに減らし、エンタープライズGPUでサブ秒以下の生成を可能にし、コンシューマー向けグラフィックスカードでも非常に高速である。
• 低メモリーフットプリント慎重に最適化されたアーキテクチャにより、RTX 4080/4090のような16GB未満のVRAMを搭載したグラフィックスカードや、それ以下のメモリ構成でも動作します。
• 正確な指示に従う::Z-Image-Edit このバージョンは画像編集用に特別に調整されており、複雑な自然言語コマンドを理解して、画像のローカルな修正やグローバルなスタイル変換を行うことができます。
• シングルストリームアーキテクチャ（S3-DiT）従来のデュアルストリーム（テキストとグラフの分離）設計ではなく、完全なパラメータ共有が可能なシングルストリームアーキテクチャを採用することで、グラフィカルな関係の理解を深めることができます。

ヘルプの使用

Z-Imageは、開発者向けにはPythonコード、デザイナー向けには ComfyUI およびその他のビジュアル・インターフェースを使用する。以下は、一般ユーザーと開発者に基づいた詳細な操作ガイドラインである。

1.ハードウェアの準備

作業を始める前に、お使いのコンピューターが以下の基本要件を満たしていることを確認してください：

• オペレーティングシステムLinuxまたはWindows（Windows 10/11推奨）。
• グラフィックカード（GPU）ビデオメモリ16GB以上のNVIDIAグラフィックスカード推奨（ターボバージョンはより少ないビデオメモリで動作するように最適化されていますが、最高の体験のためには16GBを推奨します）。
• マトリックスPython 3.10+とPyTorchがインストールされていること。

2.ComfyUIで実行する（デザイナー/一般ユーザーに推奨）

ComfyUIはノードベースのAIグラフ生成ツールとして最も普及しており、Z-Imageはすでにコミュニティがサポートするワークフローを持っている。

インストールの手順

1. モデルウェイトのダウンロード::
   HuggingFaceまたはModelScope（Magic Hitchのコミュニティ）にアクセスし、以下を検索してください。 Z-Image-Turbo.
   マスター・モデル・ファイル（通常は .safetensors (フォーマット）。
   ダウンロードしたファイルをComfyUIの models/checkpoints/ カタログ
2. ComfyUIのアップデート::
   ComfyUIが最新版であること、またはZ-Imageアーキテクチャをサポートするサードパーティ製プラグインがインストールされていることを確認してください。 ComfyUI-GGUF (コミュニティーの更新次第では、Z-Imageローダー専用ノード）。
3. ワークフローの読み込み::
   Z-Imageの公式またはコミュニティ提供のダウンロード workflow.json ファイル（通常はGitHubリポジトリまたは シビタイ (で見つけることができる）。
   JSONファイルをComfyUIのインターフェイスにドラッグします。
4. 画像の生成::
   例えば、z-Image は中国語のプロンプトをサポートしています：一张海报，上面写着“通义实验室”五个大字，背景是未来的科技城市.
   キュー・プロンプト "をクリックして、生成を開始する。

3.Pythonコードで実行する（開発者に推奨）

プログラミングに慣れていれば、直接 diffusers ライブラリを使用してモデルを実行する。

依存関係をインストールします：
ターミナルかコマンドプロンプトを開き、以下のコマンドを実行して必要なライブラリをインストールする：

pip install torch diffusers transformers accelerate

実行スクリプトを書く：
という名前のファイルを作成する。 run_zimage.py ファイルに以下のコードを記入する：

import torch
from diffusers import DiffusionPipeline
# 加载 Z-Image-Turbo 模型
# 注意：如果无法直接访问 HuggingFace，请使用 ModelScope 的镜像地址
pipe = DiffusionPipeline.from_pretrained(
"Tongyi-MAI/Z-Image-Turbo",
torch_dtype=torch.bfloat16,
use_safetensors=True
)
# 启用显存优化
pipe.enable_model_cpu_offload()
# 定义提示词（支持中文）
prompt = "一只穿着宇航服的猫在月球上喝咖啡，背景有地球，照片级真实感"
# 生成图像
image = pipe(
prompt=prompt,
num_inference_steps=8,  # Turbo 版本仅需 8 步
guidance_scale=0.0      # Turbo 版本通常设为 0
).images[0]
# 保存图片
image.save("z_image_result.png")

世代交代を行う：
ターミナルで実行：

python run_zimage.py

実行の最後に、ファイル名 z_image_result.png 写真だ。

4.高度な機能：画像編集

既存の画像を修正する必要がある場合は、以下をダウンロードしてください。 Z-Image-Edit モデルウェイトを使用し、同様のコード構造を使用するが、その負荷は Image-to-Image 関連するPipelineと初期画像を入力として提供する。

アプリケーションシナリオ

1. Eコマース・ポスターデザイン
   デザイナーは、Z-Imageの強力なテキストレンダリング機能を活用することで、商品名やキャッチフレーズが正しく表示されたeコマース用ポスターの背景を直接生成することができ、テキストをPS合成する大がかりなポストプロダクションが不要になり、デザインプロセスが劇的に短縮されます。
2. ソーシャルメディア・コンテンツ制作
   セルフメディアクリエイターは、中国語のプロンプトを使うことで、英語のプロンプトの複雑な敷居の高さを気にすることなく、休日の挨拶グラフィックや古風なイラストなど、中国文化の文脈に合ったグラフィックを素早く生成することができる。
3. ゲームアセット・プロトタイピング
   ゲーム開発者は、16GBのグラフィックメモリ開発マシン上で、ゲームのキャラクターやシーンのコンセプトアートを素早く反復することができます。ターボバージョンの秒以下のスピードを活用して、リアルタイムでインスピレーションを得たビジュアライゼーションを行うことができます。
4. 教育とドキュメンテーション
   教師や文書作成者は、科学的な現象や歴史的なシナリオを正確に描写するために、モデルの世界知識を利用した説明文付きの図やイラストを作成することができる。

品質保証

1. このウェブサイトのアドレス z-img.org なぜ開かないのか？
   提供されたURL z-img.org 古い、廃止されたドメイン名か、誤って表示されたアドレスである可能性が高い。この記事では Zイメージ プロジェクトは主にGitHub (github.com/Tongyi-MAI/Z-Image)とHuggingFaceプラットフォームがあります。リソースについては、これらの公式コード・ホスティング・プラットフォームを直接ご覧ください。
2. 安定した拡散（SDXL）に対するZ-Imageの利点は何ですか？
   Z-Imageの強みは以下の通りである。効率歌で応える中国語能力.これは、6Bのパラメーター（SDXLよりは大きいが、SDXLよりは小さい）を維持したまま行う。 フラックス S3-DiTアーキテクチャは、小型でありながら非常に高速な推論を実現し、通常はSDXL上にControlNetを追加する必要がある中国語キューワードと中国語テキスト生成をネイティブでサポートしている。
3. Z-Imageの実行に必要な最小ビデオメモリ容量は？
   公式には、最適なパフォーマンスを得るために16GBのビデオメモリを推奨しています。ただし、8GB～12GBのRAMを搭載したカードでも、数値化されたバージョン（GGUFフォーマットなど）またはExtreme Memory Optimisation（CPUオフロード）をオンにして動作させることは可能ですが、生成速度は遅くなります。
4. 市販されていますか？
   HuggingFaceまたはGitHubページにあるモデルのLicenceファイルを必ず確認してください。一般的に、Ali Tongyiファミリーのオープンソースモデルは、学術研究のために許可されており、商用利用は、最新の公式声明によって、特定のプロトコルまたは登録が必要な場合があります。