Qwen Image Edit（クエンイメージエディット）

概要

Qwen Image Edit(モデル ID: qwen-image-edit-2509)は、中国 Alibaba の Qwen チームが 2025 年 9 月に公開した画像編集特化マルチモーダルモデルです。Qwen-VL シリーズのマルチモーダル理解能力を引き継ぎつつ、既存画像の編集タスク(物体追加・削除・置換、スタイル変換、マスク領域編集)に特化したファインチューニングが施されています。

ベースとなる画像生成モデルは Qwen-Image であり、それに編集タスクの教師データを追加学習させた構造です。テキスト指示「赤いシャツを青に変えて」「背景を森にして」「左上の人物を消して」といった自然な日本語・中国語・英語プロンプトで、画像のローカル編集が可能です。Adobe Firefly や OpenAI DALL-E 3 の inpainting に対する OSS 対抗として位置付けられ、商用ライセンス利用も可能です。

主な特徴・仕組み

• ベース: Qwen-Image(Diffusion Transformer 系)+ 編集 SFT。
• マルチモーダル入力: テキスト指示 + 元画像 + (オプション)マスク画像。
• ローカル編集に強く、画像全体の整合性を保ちつつ部分のみ変更可能。
• 多言語プロンプト対応(中・英・日)。
• 8GB-24GB VRAM クラスで動作、ComfyUI / Diffusers 経由で利用。
• Apache 2.0 / Tongyi Qianwen License、商用利用条項あり。

競合製品比較

自作PCでの選び方・注意点

VRAM 12GB(RTX 4070 Ti / RTX 5070)があれば実用速度で動作します。24GB(RTX 4090 / RTX 5090)あれば高解像度 1024x1024 の編集も快適です。Mac Studio M3 Ultra なら FP16 で 1 枚 30-60 秒、Mac mini M4 Pro でも実用範囲です。

ComfyUI のカスタムノードや Diffusers Pipeline でサポートされており、ワークフロー組み込みも比較的容易です。商用利用は月間アクティブユーザー数閾値の確認が必要なため、Tongyi Qianwen License の最新版を確認してください。

関連用語との違い

• Qwen-Image: ベース画像生成モデル。Qwen Image Edit は編集タスクへの SFT 派生。
• Flux 2 Dev: Black Forest Labs の生成モデル。生成は強いが編集は ControlNet 経由が必要。
• Stable Diffusion 3.5 inpaint: 標準的な inpainting。Qwen Image Edit の方が指示理解能力が高い。

よくある質問(FAQ)

Q1: マスク画像なしでも編集できますか? A: はい。テキスト指示だけで自動的に編集領域を推定する機能があります。精密制御が必要なら、別途マスク画像を指定する従来のワークフローも可能です。

Q2: ComfyUI での使い方は? A: Hugging Face からモデルをダウンロードし、ComfyUI の models/diffusion_models 配下に配置。専用カスタムノードがコミュニティから公開されています。

Q3: 日本語プロンプトで使えますか? A: はい、日本語プロンプトで自然に動作します。Qwen 系の日本語処理能力は競合 OSS より高い水準にあります。

まとめ

• Alibaba 2025 年 9 月公開、画像編集特化マルチモーダルモデル
• テキスト指示でローカル編集・スタイル変換が可能
• VRAM 12GB+ で実用速度、商用利用可能(条件あり)
• Adobe Firefly / DALL-E 3 inpaint に対する OSS 対抗