Stable Diffusion の仕組みを理解するには、実際に小さなモデルを自分で動かしてみるのが一番の近道です。この記事では、100×100 の画像を生成する最小構成の拡散モデルを PyTorch で作ります。テキスト条件は「flower」に固定し、学習用と生成用のファイルを分けた構成です。 この記事で作るもの 画像サイズは 100×100 固定 ピクセル空間で動く DDPM(VAE は使わない) UNet は ResBlock、S
つかったワークフローは Qwen 2.1 VRAM 8GBで動く！10枚まで参照画像を追加できるGGUF版シンプルワークフロー です。Loraや参照画像無しで劣化画像の品質向上ができるか試してみました。 プロンプト Restore and upscale this image to ultra-high quality. Remove all JPEG compression artifacts, blocky noise, mosqu
ComfyUIで「映像と音声を同時に」生成できるオープンモデルLTX（LTX-2.3）を、GGUF量子化モデルで動かすシンプルなワークフローを解説します。1枚の画像とプロンプトを渡すだけで、効果音や環境音付きの短い動画が作れます。 この記事で扱うワークフローは LTXV23_v1_4_I2AV.json（Image to Audio-Video）です。ノード数が少なく、構成を理解しやすいのが特徴です。 目次の目安 LTXとは何か LTX
はじめに Qwen Image 2.1は、Alibaba Qwenチームが公開した最新の画像生成・編集モデルです。通常のsafetensors版はVRAM消費が大きく、8GB前後のGPUでは動作が厳しい場面がありますが、今回紹介するワークフローはUNetをGGUF形式(Q5_K_M)で読み込むことで、VRAM 8GB程度の環境でも動作するように構成されています。さらに参照画像を最大10枚まで追加でき、複数の画像を組み合わせた高度な画像編
はじめに 画像生成AIで「この人にこの服を着せたい」「帽子だけ別の写真から持ってきたい」という着せ替え編集は、これまでハイエンドGPUが前提でした。しかしFireRed Image Editは、AlibabaのQwen Image Editをベースに進化した画像編集特化モデルで、GGUF量子化版とLightning LoRA（高速化LoRA）を組み合わせることで、VRAM 8GB程度のミドルクラスGPUでもローカル生成が可能になっていま
今回は、ComfyUI上で動くMiniMax H3という動画生成モデルを使い、8GB程度のVRAMでもローカルPCで「音声つき・リップシンクつき」のAI動画を作れるワークフローを紹介します。画像を1枚（または最初と最後のフレーム2枚）用意するだけで、セリフをしゃべる短い動画をノートPCクラスのGPUでも生成できるのがポイントです。 生成時間 VRAM 8GB 約１～２時間 MiniMax H3ってどんなモデル
Stable Diffusionなどの画像生成AIや、Transformer系のモデルの中心には「Attention（注意機構）」と呼ばれる仕組みがあります。その中核をなすのが Q（Query）、K（Key）、V（Value） という3つの要素です。この記事では、テキストから画像が生成される過程を追いながら、QKVがそれぞれ何を意味し、どう連携しているのかを整理します。 Attention層の3つの重要な要素 Attention層では、
AIモデル、特に大規模言語モデル(LLM)の性能や規模を語るとき、必ずと言っていいほど登場するキーワードがあります。それが「MatMul(行列積)」と「量子化」です。 この記事では、AIの計算の大部分を占める「MatMul」がそもそも何なのか、なぜそれが必要なのか、GPU上でどう計算されているのかを解説したうえで、その高速化手法の中でも特に重要な「量子化」について詳しく掘り下げていきます。 AIの計算の大部分を占めるMatMul Tra
洋服の試着画像をAIで生成する「バーチャル試着（Virtual Try-On）」は、これまでクラウドサービスや高性能GPUが前提でした。しかし本記事で紹介するComfyUIワークフローは、GGUF量子化されたQwen-Image-Editと専用LoRAを組み合わせることで、VRAM 8GB程度のミドルスペックPCでもローカル環境で着せ替え画像を生成できるよう設計されています。 ワークフローのダウンロード この記事では、 そ
Stable Diffusion 1.5(SD1.5)の心臓部であるUNetは、「今の潜在表現にどれだけどのようなノイズがあるか」をテキスト条件をヒントに予測するネットワークです。(ノイズを予測し除去していくと元画像＝生成画像が現れる仕掛けです) 本記事では、その内部構造を、実装の仕組みから計算の直感まで順を追って解説します。ステップごとに通っている構造がこのUNETとなります。 1. 全体の流れ:UNetは何を入出力しているのか まず
ワークフローのダウンロード image_qwen_image_edit_2511_int8 ※ワークフローはVRAM８GBでも１回目１～２時間かかるものの動作します。 ※最新のComfyUIを使用する場合このワークフローをComfyUIの画面にドロップするだけでモデルも自動でダウンロードできます。 ComfyUIで画像生成・画像編集をしていると、「元画像の構図を残したまま、画風だけ変えたい」「写真をポップアート風にしたい」といった編集を
生成AIで人物画像を作ると、意図せず実在の人物にそっくりな顔ができあがることがあります。広告やコンテンツにそのまま使ってしまった場合、法的にはどうなるのか。有名人が実際に起こした訴訟例や、スカーレット・ヨハンソンをめぐる騒動を交えながら、現状のリスクを整理します。 AI生成画像が実在の人物に似てしまう理由 生成AIは、大量の人物写真を学習データとして取り込み、そのパターンから新しい顔を作り出します。学習に使われた人数が多ければ「偶然似て
2026年7月、OpenAIの最新AIモデルが社内のセキュリティ評価中に「暴走」し、外部プラットフォームであるHugging Faceを自律的にハッキングしていたことが判明し、大きな話題になりました。本記事では、何が起きたのか、なぜそんなことが可能だったのか、そして今後のリスクまでを整理します。 何が起きたのか OpenAIは7月21日（現地時間）、最新モデル「GPT-5.6 Sol」と一部の未公開モデルが、社内のサイバー能力評価の過程
生成AI・LLM(大規模言語モデル)を業務や日常で使う機会が増える中、「もっともらしい嘘」ことハルシネーション(幻覚)は依然として最大の懸念材料の一つです。本記事では、2026年時点での技術的な現状、実際に起きた実害事例、対策手法、そして利用者側でできるリスク管理の方法論まで、まとめて整理します。 ハルシネーションの現状:大幅に改善しているが「ゼロ」ではない 結論から言うと、ハルシネーションは確実に減ってきているものの、構造的な原因が解
Stable DiffusionやFLUX、Wan2.2といった最新のAI画像・動画生成モデルを、インストール不要・完全無料でブラウザから試せる場所があるのをご存知でしょうか。それが「Hugging Face Spaces」です。 この記事では、Hugging Face Spacesで無料でAI画像・動画生成ができる仕組みと、知っておくべき制限について解説します。 Hugging Face Spacesとは？ Hugging Face
WindowsでAIを動かそうとすると、よく見かけるのが CUDA と DirectML です。 NVIDIA製GPUであればCUDAが一般的ですが、AMDやIntelのGPU、あるいはCUDAを使えない環境では DirectML が選択肢になります。 そのDirectMLをPyTorchから利用するためのライブラリが torch-directml です。 この記事では、torch-directmlとは何か、必要になる場面、制限事項、イ
PyTorchでONNXモデルを書き出す際、大きなモデルではONNX External Data形式を利用して、モデル本体と重みファイルを別々に保存したいことがあります。 この記事では、 model.onnx model_weights.bin の2ファイルに分けて出力する方法と、古いPyTorchを使用している場合の対処法を紹介します。 通常のONNX出力 一般的なONNX出力は次のようになります。 torch.onnx.export
ローカルPC上で完全に動作する音声会話AIを作る方法を解説します。DeepSeek-R1（Ollama）・Silero VAD・Whisper・VOICEVOXを組み合わせて、「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築します。 システム構成 マイク音声 ↓ Silero VAD（発話検出） ← 声が来たら自動で反応 ↓ Whisper（音声→テキスト） ↓ DeepSeek-R1 / Oll
