Stable Diffusion 3.5 ローカル活用ガイド｜導入から応用まで

Stable Diffusion 3.5 ローカル活用ガイド｜導入から応用まで

2026 年 4 月現在、生成 AI の画像領域におけるローカル環境の役割は決定版に至っています。以前はクラウドサービス依存が強かった SDXL や SD3 と比較し、Stable Diffusion 3.5 はその性能と効率性のバランスにおいて新たな基準を打ち立てました。本ガイドでは、この最新モデルを個人 PC で最高品質かつ効率的に運用するための完全なロードマップを提供します。ローカル環境の構築は初期設定こそ大変ですが、一度確立されれば、通信制限や課金なしで無限に高画質画像を生成できる利点は計り知れません。特に NVIDIA GeForce RTX 4070 Ti SUPER 16GB を搭載するマシンのような、VRAM（ビデオメモリ）が豊富な環境では、商用利用可能なレベルの出力が可能になります。本記事は、初心者から中級者までを対象に、具体的なコマンドライン操作からプロンプト技法、そしてライセンス管理に至るまで、数値と製品名を交えて解説します。

Stable Diffusion 3.5 のアーキテクチャと進化

Stable Diffusion 3.5 は、従来の拡散モデルの限界を超えるために設計された次世代アーキテクチャを採用しています。核心的な変化は、UNet デコーダーから MMDiT（Multimodal Diffusion Transformer）への移行にあります。これにより、画像生成の処理がより深層ニューラルネットワーク的に最適化され、複雑なプロンプトに対する理解度が劇的に向上しました。具体的には、3 つの異なるテキストエンコーダを同時に使用します。一つは Google 製の「T5-XXL」で、これは長文や複雑な文脈の理解に優れ、約 80 億パラメータの重みを持ちます。もう二つは「CLIP-L」と「CLIP-G」であり、これらは画像の特徴量抽出や短縮プロンプトの処理を補助します。このトリプルエンコーダ構成により、SD3.5 は単に単語を認識するだけでなく、「光の当たり方」「質感」「構図」まで言語的に解釈することが可能になりました。

生成プロセスにおいては、従来の逆拡散（Denoising）に加え、「Flow Matching」という最適化アルゴリズムが採用されています。これにより、学習された分布から画像へ到達までのステップ数が削減され、生成速度と品質の両立が可能になっています。具体的には、ノイズマップから最終画像への遷移をより直線的に処理するため、少ないステップ数でも高い忠実度を得られるようになります。例えば、従来の SD1.5 では 30 ステップ必要だったものが、SD3.5 Large では 20 ステップ程度で同等以上の画質が得られます。これは、特に ComfyUI や Forge のようなワークフロー管理ツールにおいて、プロンプトの修正やパラメータの調整を繰り返す際の待機時間を大幅に短縮する要因となります。

また、モデルサイズは主に「Large（8B パラメータ）」と「Medium（2.6B）」の 2 つが提供されています。Large は高画質・高精度な生成向けで、1024×1024 の解像度での生成に最適化されており、プロンプトの指示を正確に反映します。一方、Medium は軽量化版であり、VRAM が少ない環境でも 768×768 程度の高品質画像を迅速に生成することを意図しています。これにより、ユーザーはハードウェア性能に応じてモデルを選択しきれる柔軟性を得ています。2025 年後半から 2026 年初頭にかけてのアップデートでは、これらのアーキテクチャの利点を活かしつつ、FP8（8 ビット浮動小数点）や NF4（擬似正規分布 4 ビット）といった量子化技術との相性が向上し、低 VRAM 環境での実用レベルが確立されました。

推奨ハードウェア構成と VRAM の重要性

Stable Diffusion 3.5 をローカルで円滑に動作させるためには、GPU と VRAM（ビデオメモリ）の容量が最も重要な要素となります。特に MMDiT アーキテクチャは、テキストエンコーダと画像生成モデルを同時に処理するため、VRAM 使用量が従来のモデルよりも膨大になります。推奨構成として、NVIDIA GeForce RTX 4070 Ti SUPER 16GB が挙げられます。この GPU は、24GB VRAM を誇る上位機種ほどではありませんが、FP8 や FP16 の量子化を適切に適用することで、SD3.5 Large の実質的な動作を可能にする「コストパフォーマンスの最高峰」として評価されています。RTX 40 シリーズは Ada Lovelace アーキテクチャに基づき、Tensor Core の効率性が向上しており、FP8 演算処理がハードウェアレベルでサポートされているため、生成速度において顕著なメリットがあります。

VRAM 使用量を管理するための最適化技術として、メモリクアライズ（量子化）の選択が不可欠です。具体的には、モデルデータの種類によって必要な VRAM が異なります。FP16（半精度浮動小数点）を標準で使用する場合、SD3.5 Large モデルだけで約 12GB〜14GB の VRAM を消費します。これにプロンプト処理や生成後の画像展開を加えると、16GB を超えるケースも珍しくありません。一方、FP8（8 ビット浮動小数点）を使用すると、VRAM 使用量は半減し、約 7GB〜9GB で動作可能になります。さらに極端な量子化である NF4（擬似正規分布 4 ビット）や Q4_K_M（GGUF 形式）では、10GB 以下の VRAM でもモデルを読み込めるようになりますが、画質への影響を最小限に抑えるための調整が必要です。

下表は、主要な GPU と VRAM 容量ごとの推奨設定を示しています。これに基づいて自身の環境を確認し、最適な量子化設定を選ぶことが成功の鍵となります。また、CPU の性能も無視できません。特にモデル読み込み時の Python 処理や、プロンプトの前処理においては、Intel Core i7-14700K や AMD Ryzen 9 7950X などのハイエンド CPU がスムーズな体験を提供します。ただし、生成速度自体は GPU に依存するため、CPU の優先度は VRAM が不足している場合の代替手段として考えるべきです。

また、OS の設定も影響します。Windows 11 Pro 24H2 または最新の Linux ディストリビューション（Ubuntu 24.04 LTS など）を使用することで、CUDA ドライバの更新やメモリ管理が安定し、クラッシュリスクを低減できます。特に Windows ユーザーは「NVIDIA GeForce Experience」ではなく、直結した Studio Driver をインストールすることが推奨されます。これにより、AI アプリケーションにおけるドライバーの最適化が優先され、生成中のスナップショット保存時の遅延を防ぎます。

インターフェース選定：ComfyUI vs Forge vs A1111

Stable Diffusion 3.5 の利用には、大きく分けて 3 つの主要なユーザーインターフェース（UI）が存在します。それぞれに明確な強みと弱みがあり、用途やスキルレベルによって最適な選択が異なります。最も人気のある「Automatic1111 WebUI」は、プラグインの豊富さと直感的な UI で初心者にも親和性が高いです。しかし、SD3.5 のような高負荷モデルを扱う場合、メモリ管理が追いつかず、頻繁に Out of Memory エラーが発生するリスクがあります。これに対処するため、「Forge」という WebUI のフォーク版が開発されました。Forge は VRAM 最適化コードを組み込み、FP8/FP16切り替えをワンクリックで可能にし、特に A1111 を使用していたユーザーにとっての移行先として最もスムーズな選択肢です。

対照的に、「ComfyUI」はノードベースのワークフロー管理 UI です。これは初心者には複雑に見えますが、一度ワークフローを構築すると、生成条件やパラメータを保存・再利用できるため、中級者以上の生産性向上に寄与します。SD3.5 のアーキテクチャである MMDiT は、入力テキストと画像データの結合処理が多いため、ComfyUI のノード接続方式で細かく制御できる利点が際立ちます。例えば、テキストエンコーダの切り替えや、LoRA の重み付けを個別のノードとして分離して管理できるため、複雑なプロンプト構成でもエラーの発生を抑えられます。また、ComfyUI はメモリ使用量が少ない傾向があり、16GB VRAM の GPU でも SD3.5 Large を快適に動作させることができます。

下表は、各インターフェースの特徴を比較したものです。自身の PC 環境やスキルセットに合わせて選定してください。特に、商用利用で大量のバッチ生成を行う場合や、特定の画風を固定して一貫性を出したい場合は ComfyUI のワークフロー機能が決定的な優位性を持ちます。逆に、パラメータを都度変更しながら試行錯誤するスタイルの場合は Forge や A1111 が適しています。2026 年現在、各 UI は SD3.5 への対応を終えており、それぞれ公式およびコミュニティのアップデートが活発に行われています。

インターフェース選定：ComfyUI vs Forge vs A1111 の詳細運用

それぞれの UI を実際に導入する際の具体的な手順と違いを掘り下げて解説します。まず ComfyUI は、Python スクリプトを実行してサーバーモードとして起動するか、スタンドアローン版の ZIP ファイルを解凍して実行します。特に 2026 年時点では、comfyui_windows_portable_mps.7z のようなパッケージが標準となり、CUDA 環境構築の手間が大幅に削減されました。起動後はブラウザで http://127.0.0.1:8188 を開き、左側のノードリストから「Load Checkpoint」を選択して SD3.5 Large モデルを指定します。ここでの注意点は、T5-XXL テキストエンコーダの読み込みです。ComfyUI には標準で埋め込まれていますが、ローカル環境に models/text_encoders フォルダを作成し、適切なモデルファイルを配置する必要があります。

Forge では、Automatic1111 の拡張タブと同様に「Load Model」ボタンから SD3.5 モデルを選択できますが、設定画面の「Advanced」セクションで VRAM 最適化オプションが追加されています。「Use FP8 for Text Encoder」というチェックボックスを有効にすることで、テキストエンコーダ部分の VRAM 消費を抑えられます。これは特に RTX 4070 Ti SUPER のような 16GB モデルにおいて、生成中のメモリ不足を防ぐための必須設定です。また、「Dynamic Vram」オプションをオンにすると、VRAM が足りなくなった際に CPU メモリへスワップする機能がありますが、これにより速度が著しく低下するため、基本的にはオフにして GPU メモリ内に収まるよう量子化調整を行うべきです。

Automatic1111 WebUI の最大の弱点は、SD3.5 用の T5-XXL モデルの読み込み時にメモリリークを起こしやすい点です。これを防ぐために「Xformers」や "xFormers Patch" のインストールが推奨されますが、2026 年現在のバージョンでは torch ベースの最適化が標準に含まれるようになりました。ただし、ComfyUI に比べると複雑なワークフロー（例：画像からテキストを抽出して再生成）を組むには不向きです。そのため、単発生成やプロンプトテストには Forge が最もバランスが良いと言えます。一方、ComfyUI は「Workflow Manager」機能により、一度完成させた設定を JSON ファイルとしてエクスポートし、他の PC やチームメンバーと共有できます。これは企業内での標準化作業においても重要な機能です。

モデルのダウンロードと管理 (Checkpoints/LoRA)

Stable Diffusion 3.5 を動かすためには、適切なモデルファイルの入手と配置が不可欠です。公式の Stability AI は SD3.5 Large と Medium の重みファイルを公開していますが、ローカルでの利用にはコミュニティによって微調整された「Fine-tuned」モデルも多数存在します。主要なダウンロード先としては Hugging Face や Civitai が挙げられます。特に Hugging Face 上の stabilityai/stable-diffusion-3.5-large リポジトリから、公式の .safetensors ファイルを取得可能です。.safetensors は従来の .ckpt 形式よりもセキュリティが高く、メモリ負荷が低いフォーマットです。ダウンロード後、ローカルのディレクトリ構造を整理します。ComfyUI の場合 models/diffusion_models/ フォルダに配置し、Forge や A1111 では stable-diffusion/ フォルダ内の models/Stable-diffusion に配置します。

LoRA（Low-Rank Adaptation）モデルの管理も重要です。LoRA は特定の画風やキャラクターを学習させた追加ファイルであり、メインのチェックポイントに重み付けして適用します。SD3.5 用の LoRA は、テキストエンコーダへの影響が小さいように設計されている必要があります。2026 年現在では「SDXL-LoRA」と互換性のあるものも多いですが、正式な SD3.5 対応 LoRA を使用することで、プロンプトに対する反応の精度が高まります。ファイル名には必ず sd3_ または sd35_ というプレフィックスが含まれることが多く、これによって UI が自動的に SD3.5 モデルとして認識します。また、Textual Inversion（Embedding）ファイルも管理フォルダに配置し、プロンプト内で {keyword} 形式で呼び出すことで、特定の画質やスタイルを固定化できます。

モデルのバージョン管理においては、チェックポイントのハッシュ値を確認することが推奨されます。同じ名前でもトレーニングデータが異なるモデルが存在するためです。例えば、SD3.5-Large-Beta1 と Beta2 では、人物生成の顔の歪み具合に差があります。また、ComfyUI を使用している場合、「Model Previewer」ノードをインストールすると、ファイル名を表示するだけでなく、そのモデルで生成したサンプル画像をプレビューとして表示できます。これにより、どの LoRA が適用されたかを確認しやすくなり、管理が容易になります。さらに、自動更新スクリプトを使用することで、新しいバージョンのモデルがリリースされた際に通知を受け取る設定も可能です。

プロンプトエンジニアリング技法

Stable Diffusion 3.5 の性能を最大限引き出すには、自然言語プロンプトの記述法を理解する必要があります。従来の SD1.5 や SDXL では、カンマ区切りや括弧内の重み付け（例：(keyword:1.2)）が重要視されましたが、SD3.5 は MMDiT により文脈理解能力が高まったため、より自然な英語の文章を入力することで高精度な描写が可能になります。例えば、「A beautiful girl with long hair」よりも「A portrait of a woman with flowing dark hair, cinematic lighting, shot on 35mm lens」のように詳細な説明を加えることで、生成される画像の画質が向上します。また、ネガティブプロンプト（望まない要素）も依然として有効です。「blurry, low quality, deformed hands」などを指定することで、構造化された欠陥を排除できます。

CFG Scale（Classifier Free Guidance Scale）は、プロンプトと生成画像の親和性を制御するパラメータで、0〜20 の範囲で使用します。SD3.5 ではデフォルトが 7.0 程度ですが、より忠実な生成を目指す場合は 9.0〜11.0 に設定すると効果的です。ただし、値が高すぎると画像のコントラストが強くなりすぎて不自然な色合いになるため注意が必要です。Sampling Steps（サンプリングステップ数）も重要で、Flow Matching の特性により、20 ステップ程度が効率と品質のバランス点となります。1024×1024 生成において、50 ステップ以上行うことは、時間あたりの処理効率が低下する割に画質向上が頭打ちになるため推奨されません。

下表は、プロンプト設定におけるパラメータ調整の影響を示しています。これらを組み合わせて、目的の画像品質を達成してください。また、2026 年時点では「Prompt Weights」の記述方法が統一されており、[keyword:weight] の形式を使用するとより確実な重み付けが可能です。特に、複数のオブジェクトを指定する際にも、順序通りに処理されるため、「A car followed by a tree」と入力することで、車の後に木がある構図が保証されます。

ControlNet と IP-Adapter の活用テクニック

画像生成の制御性を高めるための重要なツールに、ControlNet と IP-Adapter が挙げられます。ControlNet は、入力したスケッチや深度マップを参照して、生成された画像の構図を厳密に制御する機能です。SD3.5 では、Canny（エッジ）、Depth（深度）、OpenPose（人体ポーズ）などのプロファイルが標準対応しています。例えば、「特定の人物のポーズを維持しつつ背景だけ変えたい」という場合、OpenPose の Skeleton ファイルを読み込み、ControlNet の重みを 0.8 に設定することで、ポーズは固定されつつも画像の詳細部分が生成されます。ComfyUI では、Preprocessor（前処理）ノードと ControlNet Apply ノードを接続するだけで、複雑な制御ワークフローが組めます。

IP-Adapter（Image Prompt Adapter）は、参照画像をプロンプトとして取り込む技術です。これにより、「この画像の画風を参考にして新しい人物を描いて」といった指示が可能になります。SD3.5 では IP-Adapter Plus が提供されており、より強力な画風転写が可能です。具体的には、1 枚の画像を入力し、その配色や構図を学習させます。例えば、風景写真から生成された画像に「同じような夕焼けの色合い」を適用する際、IP-Adapter の重みを 0.6 に設定することで、色調を維持しつつ被写体を変更できます。2025 年以降の IP-Adapter は、顔認識機能と統合されており、「この人物の顔の特徴」を保持したまま別の画像に適用することも可能です。

下表は、ControlNet と IP-Adapter の主要な機能比較です。これらを組み合わせることで、プロンプトだけで実現不可能な細部制御が可能になります。特に IP-Adapter は、LoRA と併用することで、特定の画風と特定のキャラクターを同時に再現する強力なワークフローを実現します。

LoRA と Textual Inversion のカスタマイズ

LoRA は、特定のキャラクターや画風を学習させた軽量モデルファイルです。SD3.5 では、従来の SDXL 用の LoRA と互換性があるものが多いですが、正式な SD3.5 対応版を使用することで精度が向上します。LoRA を適用する際は、ComfyUI の「Load LoRA」ノードや Forge の設定画面で、モデルファイルを読み込みます。重み付けは 0〜1.0 の範囲で行い、0.8 程度だと画風を強く反映しますが、元の画像との統合性が失われる可能性があります。Textual Inversion（Embedding）も同様に扱われ、低解像度のプロンプトで特定の効果を付与できます。

LoRA はトレーニングデータによって動作が異なります。「キャラクター LoRA」は顔の特徴を保持するため、ポートレート生成に必須です。「画風 LoRA」は特定の画家のスタイルや、アニメ調、写真調などを表現します。2026 年現在では、ComfyUI の「Train LoRA」機能を使用することで、ローカル環境でも手軽に LoRA を生成・調整できます。具体的には、10〜20 枚の対象画像を準備し、プロンプトとセットで学習させます。また、LoRA ファイル名には SD3.5_ というプレフィックスを含めることが推奨されており、これにより UI が自動的に互換性を判定します。

商用利用においては、LoRA のライセンスが個別に設定されている点に注意が必要です。多くの LoRA はクリエイターによって CC0 または Creative Commons Non-Commercial で公開されています。商用利用する場合は、必ず作者の許諾を得るか、商用利用可能なライセンス（例：CC-BY）のものを使用してください。また、Stable Diffusion 3.5 の本体ライセンスである Stability AI Community License との整合性も確認する必要があります。特に、SD3.5 自体が商用利用を許可している場合でも、LoRA が禁止している場合は複合的な制限が適用されるため、注意深い管理が求められます。

商用利用ライセンスと Stability AI Community License

Stable Diffusion 3.5 の商用利用に関するライセンスは、2026 年時点の「Stability AI Community License」に基づきます。このライセンスでは、AI モデルをローカル環境で学習・使用し、生成された画像を商業目的で使用することを許可しています。ただし、いくつかの重要な制限事項があります。最も重要なのは、「モデルそのものを再配布すること」や、「他の AI サービスとして提供すること」が禁止されている点です。つまり、SD3.5 の重みファイルを販売したり、それを使って SaaS を構築して利用料を徴収することはできません。しかし、生成された画像を広告や出版物で使用するのは問題ありません。

ライセンスの条件を正確に理解するために、以下の注意点を確認してください。まず、生成された画像の著作権については、Stability AI が所有権を持つわけではなく、ユーザーが権利を持つことが原則とされています。ただし、モデルの使用規約には「18 歳未満の人物を含む画像」や「政治的プロパガンダ」などの生成を禁止する規定が含まれています。これに違反した場合、ライセンス違反となり、アカウント利用停止や法的措置の対象となる可能性があります。また、商用利用においては、「Stability AI のロゴを使用しないこと」という条件があります。

下表は、Stability AI Community License と従来の SDXL ライセンスの主な違いを比較しています。2026 年現在では、SD3.5 を使用したプロジェクトにおいて、ライセンス条項を遵守することで法的リスクを回避できます。特に、法人で利用する場合は、社内の法務部門と相談し、生成画像の使用範囲（社内資料のみか、外部公開かなど）を確認することをお勧めします。

よくある質問 (FAQ)

Q: RTX 3060 (12GB) で Stable Diffusion 3.5 Large は動きますか？ A: はい、動作しますが、FP8 または NF4 の量子化バージョンを使用する必要があります。フルスペックの SD3.5 Large モデルは VRAM 不足を引き起こすため、軽量版 SD3.5 Medium を使用するか、ComfyUI でメモリ管理を最適化する必要があります。1024×1024 生成よりも、768×768 での生成が推奨されます。

Q: ComfyUI と Automatic1111 のどちらを使うべきですか？ A: VRAM が少ない場合や複雑なワークフローを組む場合は ComfyUI が有利です。一方、プラグインを多用して直感的に操作したい場合は Forge（A1111 フォーク）がおすすめです。2026 年現在では、ComfyUI の学習コストは下がっており、初心者でもテンプレートを使用すれば容易に扱えます。

Q: プロンプトで指定した文字列が反映されません。 A: CFG Scale が低すぎるか、サンプリングステップ数が不足している可能性があります。CFG を 9〜10 に上げ、25 以上のステップ数に変更してください。また、T5-XXL テキストエンコーダの読み込みが完了していない場合も確認が必要です。

Q: モデルファイルの拡張子が .ckpt ですが使用可能ですか？ A: SD3.5 では .safetensors が推奨されます。.ckpt ファイルでも動作しますが、セキュリティリスクとメモリ負荷が高いため、変換ツールを使用して .safetensors 形式に変換することをお勧めします。

Q: ControlNet を使用すると生成速度が極端に遅くなります。 A: ControlNet は追加の計算処理を必要とするため、当然ながら遅くなります。FP8 モデルを使用し、ControlNet の重みを 1.0 から 0.5 に下げることで速度向上が見込めます。また、ComfyUI の「Queue Prompt」機能でバッチ生成を行うと効率的です。

Q: 商用利用のために画像を生成していますが、ライセンスは問題ありませんか？ A: Stability AI Community License はローカルでの商用利用を許可しています。ただし、モデル自体の販売や SaaS 化は禁止されています。また、生成物に他人の顔や著作権のあるキャラクターが含まれないよう注意が必要です。

Q: VRAM エラーが出る場合、どうすればよいですか？ A: まず「Use FP8 for Text Encoder」オプションをオンにしてください。それでもダメな場合は、SD3.5 Medium モデルを使用するか、解像度を 768×768 に下げてください。ComfyUI の場合は --lowvram パラメータを追加して起動すると効果的です。

Q: LoRA を適用した後の画像が崩れます。 A: LoRA の重み付けが高すぎることが原因です。0.6〜0.8 程度に下げて調整してください。また、LoRA が SD3.5 対応していない可能性があります。モデル名に「SD3.5」または「SD35」と明記された LoRA を使用してください。

Q: プロンプトの順序は重要ですか？ A: はい、重要です。MMDiT アーキテクチャでは、先に入力した単語ほど重み付けが強くなる傾向があります。「赤い車」を生成したい場合は、「red car」と入力し、「car red」ではなく「red car」としてください。

Q: 2026 年に SD4 がリリースされましたが、SD3.5 は廃れますか？ A: SD4 は登場していますが、SD3.5 のアーキテクチャは依然としてローカル環境で最も効率的です。SD4 はクラウド向けに最適化されている場合が多く、個人 PC では SD3.5 Large/Medium が主流であり続けます。

まとめ

本ガイドでは、2026 年 4 月時点での Stable Diffusion 3.5 ローカル活用について詳細を解説しました。以下の要点を押さえてください。

• ハードウェア: RTX 4070 Ti SUPER 16GB が推奨。VRAM の最適化（FP8/NF4）が必須です。
• UI 選定: ComfyUI はワークフロー管理向け、Forge は手軽な操作向けです。用途に合わせて使い分けます。
• プロンプト: 自然言語を重視し、CFG Scale を 9〜10 程度に設定して忠実度を高めます。
• 拡張機能: ControlNet と IP-Adapter を活用することで、構図と画風の制御性を飛躍的に向上させます。
• ライセンス: Stability AI Community License に従い、商用利用は許可されていますがモデル再配布は禁止です。

これらの設定を適切に行うことで、ローカル PC でもクラウドサービスに匹敵する生成品質を実現できます。