SDXL vs Flux 画像生成モデル比較｜2026年ローカル画像生成の最適解

はじめに：ローカル AI 画像生成の 2026 年における現状と課題

2026 年現在、ローカル環境での高性能 AI 画像生成は、クリエイターにとって不可欠なスキルとなっています。クラウドサービスが普及している一方で、プライバシーの保護や課金によるコスト削減、そして何より「自分の PC で自由自在に制御したい」というニーズから、Stable Diffusion や Flux といったオープンソースモデルをローカルで動かすための環境構築に関する関心は年々高まっています。特に昨今では生成速度の向上と VRAM（ビデオメモリ）の使用効率改善が著しく進化しており、かつて 24GB を超える GPU が必須だった時代とは異なり、RTX 4070 や RTX 5060 でも高品質な画像生成が可能となっています。

しかし、モデルの種類が多様化している現在、「どの AI モデルを選べば良いのか」という判断基準は初心者にとって依然として複雑です。従来の主流であった Stable Diffusion XL（SDXL）は成熟したエコシステムを持ちますが、Flux.1 の登場により「画質とプロンプト遵守度」の概念が根本から書き換えられました。さらに 2025 年末〜2026 年初頭に発表された SD3.5 Medium は、両者の特性を融合させたような性能で市場に新たな選択肢を提供しています。これらのモデルはアーキテクチャの根幹において大きく異なり、同じ PC でも出力される画像の質や生成にかかる時間が劇的に変化します。

本記事では、2026 年 4 月時点での最新状況を踏まえ、SDXL、Flux.1（Dev/Schnell）、そして SD3.5 Medium を比較検証します。単なる画質比較だけでなく、VRAM の使用量や推論速度のベンチマーク、LoRA や ControlNet といった拡張機能の対応状況まで詳細に解説します。また、ComfyUI を用いた具体的な設定手順や、用途別のおすすめ構成案も提示するため、ローカル AI 画像生成の最適解を見つけたい自作 PC ユーザーやクリエイターの方にとっての実用的なガイドラインとしてご覧ください。

モデルアーキテクチャの根本的な違い：UNet と DiT の進化

AI 画像生成モデルの性能を決定づける最も重要な要素の一つが、その背後にあるニューラルネットワークのアーキテクチャです。Stable Diffusion XL や SD3 シリーズで採用されてきた UNet（Unit Network）と、Flux.1 で採用された DiT（Diffusion Transformer）、そして Flux の改良版である MMDiT（Multi-Modal Diffusion Transformer）では、画像を学習し生成するメカニズムに決定的な違いが存在します。UNet は主に畳み込みニューラルネットワーク（CNN）の構造をベースとしており、画像の解像度を変えながら特徴を抽出・復元していくプロセスが主流でした。これに対して DiT や MMDiT は、Transformer 構造を拡散モデルに直接適用しており、テキストと画像の間の関係性をより柔軟かつ強力に捉えることが可能になっています。

Flux.1 のアーキテクチャである MMDiT は、画像トークンとテキストトークンを同じ Transformer レイヤー内で統合処理する点で画期的です。従来の UNet 方式では、CLIP や T5 といったテキストエンコーダーが生成プロセスの開始前に情報を抽出し、それを UNet が受け取るという「二段構え」の構造が一般的でした。しかし Flux では、テキストプロンプトそのものが拡散プロセスの一部として扱われるため、プロンプトの微妙なニュアンスや順序をより忠実に反映させることが容易になります。これが 2026 年において「Flux はプロンプト遵守度が非常に高い」と評価される所以であり、複雑な指示でも意図した通りの画像が生成されやすくなります。

一方で、このアーキテクチャの違いは VRAM 使用量や計算コストにも影響を及ぼします。DiT/MMDiT アーキテクチャは、パラメータ数が同規模の UNet に比べて多くなる傾向があり、特に T5-XXL という高品質なテキストエンコーダーを使用する場合、VRAM の消費量は SDXL よりも大きくなります。2026 年時点では、FP8 や NF4（Normal Float 4-bit）といった低ビット量子化技術が標準化されており、この VRAM 増大の問題は大幅に解消されていますが、それでも UNet ベースの SDXL に比べるとメモリアクセスのパターンが異なります。したがって、PC を自作する際や既存マシンでローカル生成を行う際は、単なる VRAM の容量だけでなく、メモリ帯域幅（Bandwidth）も重要な判断基準となるため注意が必要です。

画質とプロンプト遵守度：テキスト描画から人物表現まで

画像生成モデルを比較する上で最も重要視されるのが「出力された画像の品質」と、「指示（プロンプト）がどの程度反映されているか」です。2026 年時点でのベンチマークによると、Flux.1 Dev は特にテキスト描画能力において SDXL を大きく上回っています。SDXL では文字を描画する際、崩れた文字列や意味不明な記号の羅列になりがちでしたが、Flux.1 は「T-Shirt with text 'Hello World'」といった具体的な指示に対して、ほぼ正確なフォントでテキストをレンダリングすることができます。これは、DiT アーキテクチャが視覚情報とテキスト情報を統合的に処理する能力の高さを示す証拠であり、ポスター制作やロゴデザインなど、文字要素が必要な用途において決定的な優位性を持っています。

人物描写においても両モデルには明確な特徴の差があります。SDXL は長年の学習データにより、特にアニメ調やイラスト調の人物表現においては非常に安定した品質を発揮します。しかし、リアルな人間の肌質感や複雑な表情については、時折指の本数間違いや目の非対称性が見られることがありました。一方、Flux.1 Dev は人間の解剖学的な構造をより自然に再現する傾向があり、2026 年の最新バージョンでは指の描写が極めて正確です。ただし、SDXL のように特定のスタイル（例：「Ghibli style」や「Cyberpunk style」）を強制した際に、Flux.1 はそのスタイル自体を忠実に守るよりも「リアルな人物像」を優先する傾向があるため、イラスト調の生成には後述する LoRA などの調整が必要になる場合があります。

風景描写においては、SDXL の方が広範囲の景色を構成的に配置する能力が高いと言われています。Flux.1 は近景の詳細さに優れていますが、パノラマのような広大な風景写真では、背景の奥行きが SDXL よりも少し浅く見える傾向がありました。しかし、2026 年現在では Flux.1 の高解像度アップスケーリングワークフロー（例えば 2K 以上への生成）が進化しており、この差はほとんど感じられなくなっています。また、両モデルとも「自然光の表現」や「大気遠近感」においては SOTA（State of the Art）レベルに達しており、どちらを選んでも写真のようなリアルな風景画を作成可能です。重要なのは、何を作るかによって「プロンプト遵守度」と「スタイル適応力」のバランスを取る必要がある点です。

VRAM 要件と量子化技術：FP16 から NF4 までの比較

ローカルで AI モデルを動作させる際の最大のボトルネックは、VRAM（ビデオメモリ）の容量です。2026 年では、RTX 50 シリーズが主流となり、低価格帯モデルでも VRAM の効率化技術が向上していますが、それでもモデル選定による VRAM 使用量の違いは顕著です。特に Flux.1 はテキストエンコーダーに T5-XXL を使用する必要があるため、標準の FP16（半精度浮動小数点）形式でロードすると 24GB 以上の VRAM を必要とするケースがあります。一方、SDXL は CLIP-L と CLIP-G の 2 つのエンコーダーを使用しますが、FP16 状態でも 8〜10GB 程度で動作可能なため、VRAM が少ないユーザーには依然として有利です。

量子化技術（Quantization）の進化により、この VRAM 使用量の壁は大きく下げられています。Flux.1 の公式およびコミュニティ版では、NF4（Normal Float 4-bit）や FP8 に量子化されたモデルが广泛に利用可能です。2026 年時点での一般的なベンチマークデータによると、Flux.1 Dev を NF4 で量子化した場合、VRAM 使用量は約 9GB〜10GB にまで減少します。これは RTX 3060（12GB）や RTX 4070（12GB）でも動作可能であることを意味し、かつては必須だった RTX 3090 や 4090 のようなハイエンド GPU でなくても高品質な生成が可能になりました。しかし、NF4 量子化を行うには ComfyUI などのソフトウェア側での適切な設定と、対応したロード機能が必要となる点に注意が必要です。

下表は、主要なモデルと量子化形式における VRAM 使用量の目安をまとめた比較表です。2026 年時点の最新情報に基づき、ComfyUI における標準的な動作環境での測定値を示しています。

この表から明らかなように、NF4 量子化の採用により、Flux.1 のような高負荷なモデルも中級 GPU で扱えるようになりました。ただし、量子化をかけることで生成速度がわずかに低下するケースや、複雑なプロンプト処理時にエラーが発生しやすくなるリスクがあることも事実です。また、SD3.5 Medium は SDXL と同様に T5-XXL を使用するため、FP8 量子化を行わない限りは VRAM の圧迫が激しくなります。2026 年の環境では、ComfyUI の「Load Model」ノードで容易に量子化形式を選択できるため、利用者の PC スペックに合わせて柔軟な設定を行うことが推奨されます。

生成速度ベンチマーク：RTX シリーズごとの性能差

画像生成の体感速度は、クリエイティブワークにおける継続的な作業効率を決定づけます。2026 年現在、NVIDIA の RTX 50 シリーズ（5070, 5080 など）が市場に投入され、旧世代の RTX 40 シリーズと比較して、特に AI アクセラレーション機能においてさらなる進化を遂げています。しかし、モデルの種類によって最適化された GPU の要件は異なります。SDXL はステップ数が多いため（通常 20〜30 ステップ）、1 枚あたりの生成時間は長くなりますが、Flux.1 Schnell は少ないステップ数で高品質な画像を生み出すため、理論上は高速になります。

RTX 4060 と RTX 5070 の比較において、SDXL を使用した場合、5070 のほうが約 30%〜40% 高速化しています。これは新しい世代の CUDA コアと AI Tensor Core の性能向上によるものです。しかし、Flux.1 Dev（NF4）を使用した場合、VRAM の容量帯域幅がボトルネックになるため、RTX 5070 と RTX 4070 Ti Super では生成速度に大きな差が見られないこともあります。特に T5-XXL エンコーダーのロード時間や、テキストプロンプトを埋め込む処理において、メモリバス幅の違いが顕著に影響します。

下表は、主要な GPU モデルにおける 1024x1024 画像生成にかかる平均時間を示したものです。FP8/NF4 量子化を使用し、ControlNet を使用しない標準的な条件下での測定値です。

このデータから、RTX 50 シリーズが SDXL や Flux.1 の生成速度において、特に大規模なモデルを扱う際に圧倒的なアドバンテージを持っていることがわかります。特に RTX 5080 は VRAM 容量も広く、高解像度や複数枚のバッチ処理においても他の GPU を大きく引き離しています。ただし、RTX 4070 Ti Super のようなハイエンド旧世代モデルでも、量子化を適切に設定すれば十分に実用速度であるため、必ずしも最新機種を追求する必要はありません。予算が限られている場合でも、RTX 5060Ti（仮）や 4070 であれば、Flux.1 Schnell を使うことで非常にスピーディーなワークフローを構築可能です。

エコシステムと拡張機能：LoRA、ControlNet の対応状況

AI 画像生成の実用性を高めるためには、単なる基礎モデルだけでなく、それを拡張するエコシステムの成熟度が重要です。2026 年現在、SDXL は LoRA（Low-Rank Adaptation）や ControlNet のサポートにおいて最も成熟した状態にあります。LoRA とは、モデルの重みを微調整して特定の特徴を学習させる技術です。SDXL では、キャラクターの再現性、特定の画風の適用、または構図の制御など、数千種類以上の LoRA がリリースされており、ComfyUI や Automatic1111 などの UI を通じてワンクリックで適用可能です。一方、Flux.1 は初期段階では LoRA の対応が限定的でしたが、2026 年初頭には主要なプラットフォームで完全に対応しており、SDXL に匹敵する広範なコミュニティモデルが存在します。

ControlNet については、OpenPose（ポーズ制御）、Depth（奥行き制御）、Canny（輪郭制御）などの機能が SDXL で標準化されています。Flux.1 はアーキテクチャの違いにより、当初 ControlNet の実装が困難とされていましたが、現在は Flux ControlNet という専用バージョンが開発され、SDXL と同等の精度で構図制御が可能になっています。ただし、2026 年時点での注意点として、Flux の ControlNet を使用する場合、VRAM の消費量が大幅に増加するため、FP8 または NF4 量子化を必須とする運用が推奨されます。また、IP-Adapter（画像のスタイルや顔の転写）や InstantID（高品質な顔の固定）といった機能も、Flux.1 エコシステムにおいてすでに標準サポートされています。

下表に、主要な拡張機能の対応状況と 2026 年における推奨設定をまとめました。

SDXL は「多機能で安定している」という評価が妥当です。一方、Flux.1 は「InstantID」などの高品質な顔固定技術において圧倒的に優れており、ポートレート生成においては SDXL を凌駕しています。SD3.5 Medium は両者の中間的な位置付けにあり、拡張機能の豊富さでは SDXL に劣りますが、SDXL のような膨大な LoRA アセットをすぐに利用できない場合は、Flux.1 の独自エコシステムを活用する方がスムーズな場合があります。また、ComfyUI では「ComfyUI-Manager」などのプラグインにより、これら拡張機能を容易にインストール・管理できるため、初心者であっても環境構築のハードルは下がっています。

ComfyUI での設定とワークフロー構築ガイド

2026 年現在、ローカル AI 画像生成を効率的に行うためのデファクトスタンダードとなっているのが「ComfyUI」です。他の UI（例：Automatic1111 や Stable Diffusion WebUI）と比較して、ComfyUI はノードベースのグラフ構成を可能にしているため、複雑な処理フローやカスタマイズが容易です。Flux.1 などの最新モデルを動作させる場合、VRAM の効率的な管理や量子化設定を行うには、ComfyUI のような高度な制御が可能になる環境が不可欠です。ここでは、2026 年時点での標準的な ComfyUI を使用したワークフロー構築のステップを解説します。

まず、ComfyUI のインストールと拡張パック（Custom Nodes）の準備が必要です。2026 年の公式リポジトリには「Flux-ComfyUI」や「SDXL_ComfyUI_Extensions」といったパッケージが標準的に用意されており、ComfyUI Manager を経由してワンクリックでインストール可能です。特に Flux.1 を扱う場合は、「ComfyUI-Manager」を通じて「Flux 関連ノード」を必ず追加してください。これにより、モデルのロードや量子化設定を行うための専用ノード群が利用可能になります。また、VRAM が限られている場合、「Load Diffusion Model (Quantized)」のような特定のノードを選択することで、自動的に NF4 や FP8 モデルを読み込ませることが可能です。

ワークフローの具体例として、Flux.1 Dev を使用した高品質生成の流れを説明します。まず「Checkpoint Loader」ノードで Flux.1 Dev のモデルファイル（通常は 20GB 前後の .safetensors）を選択します。ここで重要なのは、量子化されたバージョン（例：flux-dev-nf4.safetensors）を選ぶことです。次に、プロンプトを入力するための「CLIP Text Encode」ノードを接続しますが、Flux ではテキストエンコーダーとして T5-XXL を使用する必要があるため、「T5 Encoder Loader」のような別ノードが自動的に読み込まれる設定を確認します。最後に「KSampler」でステップ数（例：20〜30 ステップ）とシード値を設定し、出力先を接続することで生成開始となります。このように ComfyUI では、各コンポーネントの接続関係を手動で設計する必要があるため、学習コストは高いものの、一度構築したワークフローは非常に安定して動作します。

SD3.5 Medium の位置付けと特性検証

2026 年の AI 画像生成市場において、SD3.5 Medium は SDXL と Flux.1 の両方の長所を備えた「ミドルウェア」としての立場を確立しています。Stability AI が開発したこのモデルは、SDXL の高速性と Flux.1 のプロンプト遵守度をバランスよく組み合わせた設計になっており、特に「汎用性」において優れています。ただし、その性能を引き出すためには適切な設定が必要です。SD3.5 Medium は T5-XXL エンコーダーを使用するため、VRAM 使用量は SDXL よりも多くなりますが、Flux.1 Dev に比べると軽量に設計されています。

2026 年時点での比較評価では、SD3.5 Medium は「写真写りのリアルさ」と「イラストのバランス」において非常に高いスコアを記録しています。特にポートレート生成においては、肌の質感や照明の反射が自然でありながら、Flux.1 のように指の描写ミスが少ないという特徴があります。また、アニメ調のイラストにおいても、SDXL よりも滑らかな線画を描く傾向があり、クリエイターの間で「万能モデル」として評価を得ています。ただし、SD3.5 Medium はまだコミュニティでのサポートが SDXL に比べて限定的なため、特定のスタイル用の LoRA が少ないというデメリットがあります。

下表は、3 つの主要モデル（SDXL, Flux.1 Dev, SD3.5 Medium）の特性を比較したものです。用途に応じて最適な選択を行うための指標としてください。

SD3.5 Medium を使用する場合の注意点として、ComfyUI でのロード設定で「Text Encoder」を T5-XXL に固定する必要がある点です。また、生成速度は SDXL よりも少し遅くなる傾向がありますが、画質向上の対価としては許容範囲内です。2026 年現在では、SD3.5 Medium の Q4_K_M（NF4）版が安定して動作しており、VRAM 12GB 以上の PC であれば快適に使用可能です。「どのモデルを使えば良いか迷った場合」、まずは SD3.5 Medium を試してみるのが正解であると言えます。

用途別おすすめ構成：写真・イラスト・コンセプトアート

最終的にユーザーが選ぶべきモデルは、その人の具体的な用途によって決まります。2026 年時点での主要なジャンル別に、最適なモデルとハードウェア構成の組み合わせを提案します。まず「写真リアル系」を目指す場合、Flux.1 Dev が最有力候補です。人物の質感や肌のテクスチャが極めて自然であり、ポートレート撮影のような表現が可能です。ただし、VRAM 12GB 以上を推奨し、NF4 量子化を使用することで速度とメモリのバランスを取ります。SD3.5 Medium もこの用途で優秀ですが、Flux.1 のほうが微細なディテールにおいて一歩リードしています。

「イラスト系」や「アニメ調」においては、SDXL が依然として強力です。多くのコミュニティ LoRA や ControlNet アセットが SDXL 向けに最適化されているため、特定の画風を再現する際に有利です。例えば、「Ghibli style」や「Manga line art」といったプロンプトに対して、SDXL は即座に応えることができます。Flux.1 でも同様のスタイルは生成可能ですが、追加の LoRA を適用した SDXL のほうが効率的な場合があります。VRAM 要件も比較的低いため、RTX 4060 や RTX 5060 のようなエントリークラス GPU でも高品質なイラストを作成可能です。

「コンセプトアート」や「デザイン系」においては、Flux.1 または SD3.5 Medium が推奨されます。これらはプロンプト遵守度が高いため、「赤い鎧を着たロボット、背景は星雲、光のビームが出ている」といった複雑な指示を正確に反映させられます。特にテキスト要素を含むコンセプトアート（例：ゲーム内の UI デザインやポスター）では、Flux.1 の文字描画能力が必須となります。この用途では VRAM 16GB を推奨し、高解像度での生成も可能にする構成が良いでしょう。ComfyUI でカスタムワークフローを組み、ControlNet を組み合わせて構図を厳密に制御することで、プロフェッショナルな成果物を得られます。

よくある質問（FAQ）

Q1: 2026 年現在、ローカルで最も画質が良いモデルはどれですか？ A: 現時点では Flux.1 Dev が最も高品質です。特に人物描写やテキスト描画において SDXL を上回る性能を発揮します。ただし、VRAM 要件が高いため、NF4 量子化を使用するなどの工夫が必要です。SD3.5 Medium も非常に優秀ですが、特定のスタイルにおいては SDXL の方が適している場合があります。

Q2: RTX 4060 で Flux.1 は動作しますか？ A: はい、可能です。ただし、標準の FP16 モデルでは VRAM が不足するため、必ず NF4（FP8）量子化版を使用してください。ComfyUI の「Load Model」設定で量子化形式を選択することで、8GB VRAM でも動作可能になります。生成速度は RTX 5070 に比べると遅くなりますが、実用範囲内です。

Q3: SDXL と Flux.1 を比較した時の最大の違いは何ですか？ A: 最大の違いはアーキテクチャとプロンプト遵守度です。SDXL は UNet ベースで高速かつ安定しており、Flux.1 は DiT/MMDiT ベースで複雑な指示を正確に反映します。また、Flux.1 はテキスト描画能力が非常に高い一方、SDXL はアニメ調イラストのスタイル適応力が優れています。

Q4: ControlNet は Flux.1 でも使えますか？ A: はい、2026 年現在では「Flux ControlNet」が標準サポートされています。ただし、VRAM の消費量が SDXL よりも大きくなるため、FP8 または NF4 量子化を必須とする運用が推奨されます。ComfyUI を使用すれば容易に導入可能です。

Q5: VRAM が 16GB ある場合、どれくらいの解像度まで生成できますか？ A: Flux.1 Dev の標準設定で約 2048x2048pxまで直接生成可能です。SDXL はさらに高解像度が可能ですが、その場合はタイル処理（Tile Processing）などの技術が必要です。RTX 5070 や RTX 5080 を使用すれば、バッチ処理もスムーズに行えます。

Q6: SD3.5 Medium と Flux.1 のどちらを選ぶべきですか？ A: 用途によります。イラストやアニメ調を優先するなら SD3.5 Medium がバランス良く、ポートレートや写真リアリズムを重視するなら Flux.1 が優れています。また、SD3.5 Medium は拡張機能（LoRA など）の豊富さにおいてやや劣るため、コミュニティアセットを多用する場合は SDXL や Flux.1 が有利です。

Q7: LoRA を複数同時に使うとどうなりますか？ A: VRAM の消費量が急増し、エラーが発生する可能性があります。特に Flux.1 は VRAM 効率が高いため、SDXL に比べて LoRA の重ね合わせに厳しい傾向があります。ComfyUI では「LoRA Stacking」機能がありますが、VRAM に余裕がある場合（16GB 以上）に限って使用することをお勧めします。

Q8: ComfyUI を使わないと最新モデルは動かないのですか？ A: いいえ、Stable Diffusion WebUI などでも動作しますが、ComfyUI の方が VRAM 管理や量子化設定が容易です。特に Flux.1 や SD3.5 Medium のように高負荷なモデルを扱う場合、ComfyUI を推奨します。初心者でも「ComfyUI Manager」を使えば設定は簡単です。

Q9: 生成速度を最優先するならどのモデルが良いですか？ A: SDXL Turbo または Flux.1 Schnell です。これらは 4〜8 ステップで画像を生成するため、RTX 5060 でも数秒以内に結果を得られます。ただし、詳細さや複雑なプロンプトへの対応力は通常版（SDXL/Flux Dev）に劣ります。

Q10: アフィリエイトやクラウドサービスとローカル生成のメリットは？ A: ローカル生成最大のメリットはプライバシー保護と課金コストの削減です。また、自分の PC 環境で動作するため、外部サービスのダウンリスクがありません。ただし、初期の GPU 投資が必要になる点に留意してください。

まとめ

本記事では、2026 年 4 月時点におけるローカル AI 画像生成モデルの比較を詳細に行いました。Stable Diffusion XL と Flux.1 はそれぞれ異なるアーキテクチャと強みを持ち、SD3.5 Medium はその中間的な特性で市場に新たな選択肢を提供しています。以下の要点を踏まえて、ご自身の PC スペックや用途に合わせて最適なモデルを選択してください。

• 画質とプロンプト遵守度: Flux.1 Dev が最も優れており、特にテキスト描画や人物描写において SDXL を凌駕します。
• VRAM 要件: NF4 量子化の進化により、Flux.1 も 8〜10GB VRAM で動作可能になりましたが、SDXL よりもハードウェア負荷は高くなります。
• 生成速度: RTX 50 シリーズを使用することで、どのモデルも非常に高速に動作します。RTX 4070 Ti Super でも十分実用可能です。
• エコシステム: SDXL は拡張機能（LoRA, ControlNet）の数が圧倒的に多く、Flux.1 は顔固定やテキスト描画において優れています。
• 用途別推奨: リアルポートレートなら Flux.1 Dev、イラスト・アニメ調なら SDXL、バランス型なら SD3.5 Medium を推奨します。

ローカル AI 画像生成は技術の進化が著しい分野です。2026 年現在でも最新の最適化技術やモデルバージョンが登場しており、ComfyUI のような柔軟な UI を活用して環境を構築することが成功の鍵となります。本記事が、皆様にとって最適な AI 画像生成環境の構築に役立つことを願っております。