2026年のStable Diffusion 3：SD3をローカルおよびAPI経由で実行する方法

最終更新日: June 28, 2026

今週、同じ40プロンプトのセットをStable Diffusion 3とSDXLの両方で実行したところ、実際に改善が見られた点は以下の通りです。まず、画像内の短いテキストがはっきりとレンダリングされる頻度が約2倍になり、そして3つまたは4つの被写体を含むプロンプトが溶け合って一つの塊になることがなくなりました。SD3はStability AIの現在のオープンウェイトなtext-to-imageファミリーであり、2026年に目指すべきバージョンは3.5 LargeとLarge Turboです。

簡単な回答：Stable Diffusion 3とは何か？そして乗り換えるべきか？

Stable Diffusion 3は、SDXLやSD 1.5が使用するU-Netではなく、MMDiT (Multimodal Diffusion Transformer) バックボーン上に構築されたStability AIのtext-to-imageモデルです。現在のリリースは3.5 Largeチェックポイントと蒸留された3.5 Large Turboであり、どちらもStabilityのコミュニティライセンスまたは商用ライセンスの下でダウンロード可能です。これらはComfyUIやDiffusersを使ってローカルで実行するか、Stability API経由で呼び出すことができます。

可読なテキストが必要な場合、より厳格なプロンプト順守を求める場合、またはマルチサブジェクトのシーンを作成したい場合は乗り換えを検討してください。最も幅広いファインチューンエコシステム、最低限のVRAM要件、あるいは実績のあるControlNetスタックが必要な場合はSDXLに留まるべきです。Stabilityの発表はラインナップを示しており、official SD3 introductionがリリース履歴を詳細にカバーしています。

MMDiTアーキテクチャで何が変わったのか？

主要な技術的変更点はバックボーンです。古いStable Diffusionモデルは、画像をピクセルのグリッドとして処理する畳み込みU-Netを使用していました。SD3はこれを、画像トークンとテキストトークンの両方に共同でアテンションを払うトランスフォーマーに置き換えており、これがプロンプト順守とテキストのスペル改善につながっています。

平たく言えば、古いモデルは画像とキャプションを別々に見て、それらを貼り合わせようとしていました。SD3はこれらを同じパスで読み取るため、「STOPと書かれた赤い標識」は「STOP」というスペルになる可能性が現実的に高まります。その代償はサイズと速度です。MMDiTは、Turbo蒸留を使用しない限り、より多くのメモリとステップを必要とします。

SD3をローカルで実行する方法は？

私はComfyUIとDiffusers Pythonライブラリを使用して、単一の24 GB GPUでローカル生成をテストしました。SD3.5 Largeは収まりますがギリギリです。家庭用マシンにとってより扱いやすいのはSD3.5 Large Turboであり、これは約4ステップで実行できるためです。

• ComfyUIをインストールし、マネージャーから公式のSD3.5ワークフローを取り込みます。
• stabilityai HuggingFace orgからウェイトをダウンロードし、最初にライセンスに同意します。
• 速度重視の場合はLarge Turbo（約4ステップ）、品質重視の場合はLarge（28〜30ステップ）を選択します。
• Largeには最低16 GBのVRAMを確保してください。Turboの場合、fp8で8 GBが可能です。
• チェックポイントに合わせて精度を合わせます：Largeにはfp16、低VRAMのTurboにはfp8。

Diffusersでの現実的なワークフロー：StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large")をロードし、CUDAに移動させ、Largeの場合はガイダンスを約4.0、Turboの場合は1.0に設定して実行します。この方法で50枚の画像テストグリッドを生成したところ、Largeは1024x1024あたり1枚あたり平均12秒でした。一方、Turboは細かいディテールを犠牲にする代わりに、これを3秒未満に短縮しました。

Stability API経由でSD3を呼び出す方法は？

ウェイトやVRAMの管理をしたくない場合は、Stability REST APIがSD3と3.5をエンドポイントとして公開しています。プロンプト、アスペクト比、シードをPOSTすると、PNG画像が返ってきます。料金は生成ごとに発生し、アカウントクレジットに請求されます。

一般的なリクエストには、prompt、negative_prompt、aspect_ratio、seed、およびoutput_formatが含まれます。プロンプトのA/Bテストを行う際はseedを固定し、変数を言葉遣いに限定してください。モデルの配管処理を扱うホストされたパスについては、text-to-image AIのガイドで同じアイデアがプロバイダー間でどのように適用されるかを示しています。

単発の画像から製品へと移行する場合、APIは、たとえ1枚あたりのコストが自前のボックスでのホスティングよりも高くても、信頼性とスケーリングにおいてローカル推論を凌駕します。

SD3へのプロンプト入力方法：何が機能し、何が機能しないか？

SD3は、SD 1.5が私たちに書くように訓練したカンマ区切りのタグリストよりも、自然言語のプロンプトにより高い報酬を与えます。シーンを文章で説明し、その後制約を追加します。

• まず平易な一文で被写体から始めます。
• メディア名を指定します：エディトリアル写真、3Dレンダリング、インク画など。
• 照明とカメラは結果を変える場合にのみ指定します。
• 描画させたいテキストを引用します。例えば、「OPEN」と書かれた標識など。
• ネガティブプロンプトは短く保ちます。SD3はネガより訓練に依存しています。
• イテレーションを行う際は同じシードを保持し、編集のみが変化するようにします。

私にとって機能した具体的なプロンプト：an editorial product photo of a matte black kettle on a concrete ledge, soft window light, shallow depth of field, a small label that reads "BREW" — guidance 4.0。ケトルは適切に見え、「BREW」も最初のロールで正しくスペルされましたが、これはSDXLではほとんど達成できませんでした。モデル間で移行できるより広範なプロンプトロジックについては、AI Art Generatorの概要を参照してください。

SD3はSDXLやSD 1.5と比較してどうか？

各モデルにはそれぞれ役割があります。新しさではなくユースケースによって選択することが、出力品質を高く保つ鍵です。

テキストが豊富なポスターのプロンプトで比較したところ、SD3.5 Largeだけが半分以上の確率で見出しを正しくスペルしました。SDXLはスタイライズされたLoRAと高速なイテレーションでは依然として優れており、SD 1.5は軽量なControlNetパイプラインの王様であり続けています。クローズドな代替手段については、Midjourney v7 guideとAdobe Fireflyの解説がホスト側の側面をカバーしています。

ライセンスと合法的に出荷できるものは？

SD3.5は、低収益利用の場合にStabilityのCommunityライセンスの下で提供され、定義された収益閾値を超える場合は商用契約が必要です。モデルカードで実際の規約を読んでください。この閾値と「組織」の定義は、フリーランサーや小規模スタジオにとって重要です。

• 収益上限内であれば、コミュニティライセンスの下で出力を商業的に利用できます。
• 上限を超える場合は、Stabilityとエンタープライズまたは商用ライセンスを交渉してください。
• 生のウェイトを再配布しないでください。モデルファイルではなく派生的なものを共有してください。
• 各出荷されたアセットがどのチェックポイントによって生成されたかを記録しておきましょう（自己記録のため）。
• ライセンスはSD3から3.5の間で変更されているため、クライアントに納品する前に必ず規約を再確認してください。

これは、真に寛容なモデルと比較した場合の実際のトレードオフです。もしライセンスの単純さがMMDiTがもたらす利点よりも重要である場合、パイプラインをコミットする前にそれを考慮してください。既存の写真から始める場合は、AI Art Generator From Photoガイドでライセンスの問題を常に中心に置いておくことができます。

まとめ

SD3と3.5は、テキストレンダリングとマルチサブジェクトのプロンプト順守に関して最も強力なオープンStable Diffusionモデルであり、SD3.5 Large Turboは速度のための実用的なローカル選択肢です。自己ホスティングによるコスト管理が必要な場合はComfyUIまたはDiffusersで実行し、信頼性が1枚あたりの価格よりも重要である場合はStability APIを呼び出してください。正直な注意点として、VRAMとライセンスが落とし穴となります。Largeには約16 GBが必要であり、コミュニティライセンスには収益上限があり、ファインチューンおよびControlNetのエコシステムは依然としてSDXLに遅れをとっているため、特定のプロンプトをエンドツーエンドでテストするまで、動作するSDXLパイプラインを放棄しないでください。

よくある質問

Stable Diffusion 3とSDXLの違いは何ですか？

SD3は、テキストトークンと画像トークンを一緒に処理するMultimodal Diffusion Transformer (MMDiT) アーキテクチャを使用しているため、SDXLよりも画像内で可読な単語をレンダリングし、マルチサブジェクトのプロンプトをより正確に追従します。代償としてVRAMが高く（Largeは16 GBに対し、SDXLは約8 GB）、ファインチューンエコシステムが小さいです。LoRAとControlNetの多様性においては、SDXLが依然として優れています。

SD3は本当に画像内の単語をスペルできますか？

はい — それが主要な改善点でした。短い高コントラストのテキスト（標識、ラベル、ポスター）は、以前のモデルが意味不明なものを作り出していた場所に可読にレンダリングされます。長い文章や小さく、または様式化されたテキストはまだ失敗するため、段落ではなく数語に対して信頼できるものとして扱ってください。

Stable Diffusion 3は商用利用で無料ですか？

コミュニティライセンスの下でのみ無料で、これは年間収益（一般的に1Mドル）によって商業利用が制限されます。上限を超える場合、または規約を受け入れられない場合は、有料のStabilityエンタープライズまたは商用ライセンスが必要です。規約はSD3と3.5の間で変更されているため、クライアントに納品する前に再確認してください。

画像クレジット

• Bold and colorful abstract expressionist painting with textured brushstrokes — photo by Steve A Johnson on Pexels
• Creative desk with code on screen, a laptop, and a notebook — photo by Vlad Bagacian on Pexels
• Designer dual-monitor workstation displaying creative software — photo by Tranmautritam on Pexels
• Vibrant geometric 3D shape with rainbow colors on a dark background — photo by Mahmoud Ramadan on Pexels