Stable Diffusion 3 ในปี 2026: วิธีรัน SD3 แบบ Local และผ่าน API

อัปเดตล่าสุด: June 28, 2026

สัปดาห์นี้ฉันได้รันชุดพรอมต์ 40 ชุดเดียวกันผ่าน Stable Diffusion 3 และ SDXL และส่วนที่พัฒนาขึ้นอย่างเห็นได้ชัดคือ ข้อความสั้น ๆ ในภาพถูกเรนเดอร์ออกมาได้อย่างชัดเจนมากขึ้นเกือบสองเท่า นอกจากนี้ พรอมต์ที่มีตัวแบบสามหรือสี่ตัวก็ไม่รวมกันเป็นรูปทรงที่ละลายเหลวอีกต่อไป SD3 คือตระกูล text-to-image แบบ open-weights ปัจจุบันของ Stability AI และรุ่น 3.5 Large กับ Large Turbo คือรุ่นที่คุณควรใช้ในปี 2026

คำตอบสั้นๆ: Stable Diffusion 3 คืออะไร และคุณควรเปลี่ยนไปใช้หรือไม่?

Stable Diffusion 3 คือโมเดล text-to-image ของ Stability AI ที่สร้างขึ้นบนโครงสร้าง MMDiT (Multimodal Diffusion Transformer) แทน U-Net ที่ใช้ใน SDXL และ SD 1.5 การปล่อยรุ่นปัจจุบันคือ 3.5 Large checkpoint และ 3.5 Large Turbo แบบ distilled ซึ่งทั้งสองสามารถดาวน์โหลดได้ภายใต้ใบอนุญาต community หรือ commercial ของ Stability คุณสามารถรันโมเดลเหล่านี้แบบ local ด้วย ComfyUI หรือ Diffusers หรือเรียกใช้งานผ่าน Stability API

ให้เปลี่ยนไปใช้ถ้าคุณต้องการข้อความที่อ่านได้ชัดเจน การยึดตาม prompt ที่เข้มงวดขึ้น หรือฉากที่มีหลายตัวแบบ ควรอยู่กับ SDXL ถ้าคุณต้องการระบบนิเวศ fine-tune ที่กว้างที่สุด VRAM floor ที่ต่ำที่สุด หรือ ControlNet stack ที่ได้รับการพิสูจน์แล้ว ประกาศของ Stability ได้เปิดเผยรายละเอียดรุ่นต่างๆ และ official SD3 introduction ให้ข้อมูลประวัติการปล่อยอย่างละเอียด

อะไรที่เปลี่ยนแปลงในสถาปัตยกรรม MMDiT?

การเปลี่ยนแปลงทางเทคนิคที่สำคัญคือโครงสร้างหลัก (backbone) โมเดล Stable Diffusion รุ่นเก่าใช้ convolutional U-Net ซึ่งประมวลผลภาพในรูปแบบตารางของพิกเซล SD3 ได้เปลี่ยนมาใช้ transformer ที่ให้ความสนใจร่วมกันทั้ง image tokens และ text tokens นี่คือสาเหตุที่ทำให้การยึดตาม prompt และการสะกดข้อความดีขึ้น

พูดง่าย ๆ คือ โมเดลเก่าจะมองภาพและคำบรรยายแยกกัน แล้วพยายามนำมาติดเข้าด้วยกัน SD3 จะอ่านทั้งสองอย่างในรอบเดียว ดังนั้น "ป้ายสีแดงที่เขียนว่า STOP" จึงมีโอกาสสูงที่จะสะกดเป็น STOP ต้นทุนคือขนาดและความเร็ว — MMDiT ต้องการหน่วยความจำและขั้นตอนมากกว่า เว้นแต่คุณจะใช้ Turbo distillation

ต้องรัน SD3 ในเครื่องได้อย่างไร?

ฉันได้ทดสอบการสร้างภาพในเครื่อง (local generation) บน GPU 24 GB ตัวเดียว โดยใช้ ComfyUI และไลบรารี Diffusers Python สำหรับ SD3.5 Large นั้นใช้งานได้ แต่ค่อนข้างจำกัด ส่วน SD3.5 Large Turbo เป็นตัวเลือกที่เหมาะกว่าสำหรับเครื่องที่บ้าน เพราะมันทำงานเสร็จภายในประมาณสี่ขั้นตอน

• ติดตั้ง ComfyUI และดึงเวิร์กโฟลว์อย่างเป็นทางการของ SD3.5 จากตัวจัดการ (manager)
• ดาวน์โหลดน้ำหนัก (weights) จาก stabilityai HuggingFace org และยอมรับใบอนุญาตก่อนเป็นอันดับแรก
• เลือก Large Turbo เพื่อความเร็ว (ประมาณ 4 ขั้นตอน) หรือเลือก Large เพื่อคุณภาพ (28 ถึง 30 ขั้นตอน)
• ควรมี VRAM อย่างน้อย 16 GB สำหรับ Large; ส่วน Turbo สามารถทำได้ด้วย 8 GB โดยใช้ fp8
• จับคู่ความแม่นยำ (precision) ให้ตรงกับจุดตรวจสอบ (checkpoint): ใช้ fp16 สำหรับ Large และใช้ fp8 สำหรับ Turbo ที่มี VRAM น้อย

เวิร์กโฟลว์ที่ใช้งานได้จริงใน Diffusers คือการโหลด StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large") ย้ายมันไปที่ CUDA ตั้งค่า guidance ประมาณ 4.0 สำหรับ Large หรือ 1.0 สำหรับ Turbo แล้วรัน ฉันสร้างตารางทดสอบภาพ 50 ภาพด้วยวิธีนี้ และพบว่า Large มีค่าเฉลี่ยประมาณ 12 วินาทีต่อภาพ ที่ขนาด 1024x1024; ส่วน Turbo ลดตัวเลขนั้นลงเหลือต่ำกว่า 3 วินาที โดยแลกมากับรายละเอียดที่ลดลง

จะเรียกใช้ SD3 ผ่าน Stability API ได้อย่างไร?

หากคุณไม่ต้องการจัดการ weights และ VRAM, Stability REST API จะเปิดเผย SD3 และ 3.5 เป็น endpoints คุณสามารถ POST prompt, aspect ratio, และ seed เพื่อรับไฟล์ PNG กลับมา การคิดค่าบริการเป็นรายครั้งที่สร้าง โดยจะเรียกเก็บเงินจาก account credits ของคุณ

คำขอโดยทั่วไปจะต้องระบุ prompt, negative_prompt, aspect_ratio, seed, และ output_format ให้คงค่า seed ไว้เมื่อคุณกำลัง A/B-testing prompt edits เพื่อให้ตัวแปรเดียวคือคำที่ใช้ สำหรับ hosted path ที่จัดการส่วนประกอบของ model plumbing, บทแนะนำ text-to-image AI ของเราแสดงแนวคิดเดียวกันนี้ข้ามผู้ให้บริการ

เมื่อคุณเปลี่ยนจากการสร้างภาพแบบครั้งเดียว (one-off images) ไปเป็นผลิตภัณฑ์, API มีความเหนือกว่าการทำ local inference ในด้านความน่าเชื่อถือและการขยายขนาด แม้ว่าต้นทุนต่อภาพจะสูงกว่าการ self-hosting บนเครื่องที่คุณมีอยู่แล้วก็ตาม

วิธีการ Prompt สำหรับ SD3: อะไรที่ใช้ได้และอะไรที่ใช้ไม่ได้?

SD3 ให้ผลลัพธ์ที่ดีกว่า prompt ที่เป็นภาษาธรรมชาติ มากกว่ารายการแท็กที่คั่นด้วยเครื่องหมายจุลภาคซึ่ง SD 1.5 เคยฝึกให้เราเขียน อธิบายฉากในรูปของประโยค จากนั้นค่อยเพิ่มข้อจำกัด

• เริ่มต้นด้วยหัวเรื่องหลักในประโยคธรรมดาหนึ่งประโยค
• ระบุสื่อที่ใช้: ภาพถ่ายเชิงบรรณาธิการ (editorial photo), 3D render, ภาพวาดหมึก
• กำหนดเรื่องแสงและกล้องเฉพาะเมื่อมันเปลี่ยนแปลงผลลัพธ์เท่านั้น
• อ้างข้อความที่คุณต้องการให้แสดง เช่น ป้ายที่เขียนว่า "OPEN"
• ให้ negative prompts สั้น ๆ เพราะ SD3 อาศัยการฝึกฝนมากกว่า negative prompts
• ใช้ seed เดิมขณะที่ทำการปรับปรุง เพื่อให้มีเพียงส่วนที่คุณแก้ไขเท่านั้นที่แตกต่าง

Prompt ที่เป็นรูปธรรมที่ใช้ได้ผลสำหรับฉันคือ: 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 กาน้ำดูถูกต้อง และคำว่า "BREW" ก็สะกดถูกในครั้งแรก ซึ่ง SDXL แทบจะไม่เคยทำได้สำหรับฉัน สำหรับตรรกะการ prompt ที่ครอบคลุมและสามารถถ่ายโอนระหว่างโมเดลได้ ดูภาพรวมของเราที่ AI Art Generator

SD3 เปรียบเทียบกับ SDXL และ SD 1.5 อย่างไร?

แต่ละโมเดลยังมีจุดเด่นของตัวเอง การเลือกตามกรณีใช้งาน ไม่ใช่ความแปลกใหม่ คือสิ่งที่ช่วยรักษาคุณภาพผลลัพธ์ให้อยู่ในระดับสูง

ฉันได้ทดสอบเปรียบเทียบด้วย Prompt โปสเตอร์ที่เน้นข้อความ และ SD3.5 Large เป็นโมเดลเดียวที่สะกดหัวข้อได้อย่างถูกต้องมากกว่าครึ่งเวลา SDXL ยังคงชนะในด้าน LoRAs ที่มีสไตล์และรอบการทำงานที่รวดเร็ว ขณะที่ SD 1.5 ยังคงเป็นราชาของ ControlNet pipelines แบบน้ำหนักเบา สำหรับทางเลือกแบบปิดของเรา Midjourney v7 guide และบทวิเคราะห์ Adobe Firefly จะครอบคลุมด้านที่โฮสต์ไว้

การอนุญาตให้ใช้สิทธิ์และสิ่งที่คุณสามารถนำไปใช้งานได้ตามกฎหมาย

SD3.5 ถูกเผยแพร่ภายใต้ Community license ของ Stability สำหรับการใช้งานที่มีรายได้ต่ำ และต้องมีข้อตกลงเชิงพาณิชย์เมื่อเกินเกณฑ์รายได้ที่กำหนด โปรดอ่านข้อกำหนดจริงบน model card — เกณฑ์และคำจำกัดความของ "organization" มีความสำคัญสำหรับฟรีแลนซ์และสตูดิโอขนาดเล็ก

• ภายใต้ขีดจำกัดรายได้ คุณสามารถใช้ผลลัพธ์ในเชิงพาณิชย์ภายใต้ community license ได้
• เหนือขีดจำกัด ให้เจรจาขอ Enterprise หรือ commercial license กับ Stability
• ห้ามแจกจ่ายน้ำหนัก (weights) ดิบ; ให้แชร์อนุพันธ์ ไม่ใช่ไฟล์โมเดล
• บันทึกว่า checkpoint ใดสร้างสินทรัพย์ที่ส่งมอบแต่ละชิ้น เพื่อบันทึกของตัวคุณเอง
• ตรวจสอบข้อกำหนดอีกครั้งก่อนส่งมอบให้ลูกค้า เนื่องจากใบอนุญาตมีการเปลี่ยนแปลงระหว่าง SD3 และ 3.5

นี่คือการแลกเปลี่ยนที่แท้จริงเมื่อเทียบกับโมเดลที่อนุญาตอย่างเต็มที่ หากความเรียบง่ายของใบอนุญาตสำคัญกว่าผลประโยชน์ MMDiT ให้พิจารณาเรื่องนั้นก่อนที่จะสร้าง pipeline สำหรับการเริ่มต้นจากภาพถ่ายที่มีอยู่ คู่มือ AI Art Generator From Photo ของเรายังคงให้คำถามเกี่ยวกับใบอนุญาตเป็นประเด็นหลัก

สรุป

SD3 และ 3.5 เป็นโมเดล Stable Diffusion แบบเปิดที่แข็งแกร่งที่สุดสำหรับการเรนเดอร์ข้อความและการยึดตามพรอมต์หลายหัวข้อ และ SD3.5 Large Turbo คือตัวเลือกในพื้นที่ที่ใช้งานได้จริงสำหรับความเร็ว ให้รันใน ComfyUI หรือ Diffusers เพื่อควบคุมต้นทุนแบบโฮสต์เอง หรือเรียกใช้ Stability API เมื่อความน่าเชื่อถือสำคัญกว่าราคาต่อภาพ ข้อควรระวังที่ตรงไปตรงมา: VRAM และใบอนุญาตคือจุดที่ต้องระวัง — Large ต้องการประมาณ 16 GB ใบอนุญาตแบบชุมชนมีเพดานรายได้ และระบบนิเวศของ fine-tune และ ControlNet ยังตามหลัง SDXL อยู่ ดังนั้นอย่าถอด pipeline ของ SDXL ที่ใช้งานได้ออกไปจนกว่าคุณจะได้ทดสอบพรอมต์เฉพาะของคุณตั้งแต่ต้นจนจบ

คำถามที่พบบ่อย

Stable Diffusion 3 แตกต่างจาก SDXL อย่างไร?

SD3 ใช้สถาปัตยกรรม Multimodal Diffusion Transformer (MMDiT) ที่จัดการโทเค็นข้อความและภาพรวมกัน ทำให้สามารถสร้างคำที่อ่านได้ในรูปภาพ และติดตามพรอมต์หลายหัวเรื่องได้อย่างแม่นยำกว่า SDXL ข้อเสียคือ VRAM ที่สูงขึ้น (รุ่น Large ต้องการประมาณ 16 GB เทียบกับ ~8 GB ของ SDXL) และระบบนิเวศสำหรับการปรับแต่ง (fine-tune ecosystem) ที่เล็กกว่า อย่างไรก็ตาม SDXL ยังคงเหนือกว่าในด้านความหลากหลายของ LoRA และ ControlNet

SD3 สามารถสะกดคำในภาพได้จริงหรือไม่?

ใช่ — นี่คือการพัฒนาที่โดดเด่นที่สุด ข้อความสั้นที่มีคอนทราสต์สูง (ป้าย, ป้ายกำกับ, โปสเตอร์) จะแสดงผลได้อย่างชัดเจน ในขณะที่โมเดลก่อนหน้านี้มักจะสร้างข้อความไร้สาระ ประโยคยาวๆ และข้อความขนาดเล็กหรือแบบมีรูปแบบยังคงทำไม่ได้ ดังนั้นควรพิจารณาว่ามันเชื่อถือได้สำหรับคำเพียงไม่กี่คำ ไม่ใช่ย่อหน้า

Stable Diffusion 3 สามารถใช้เพื่อการค้าได้ฟรีหรือไม่?

เฉพาะภายใต้ใบอนุญาตของชุมชน (community license) ซึ่งจำกัดการใช้งานเชิงพาณิชย์ตามรายได้ประจำปี (โดยทั่วไปคือ $1M) หากเกินวงเงินนี้ หรือหากคุณไม่สามารถยอมรับข้อกำหนดได้ คุณจะต้องมีใบอนุญาตระดับองค์กรหรือเชิงพาณิชย์แบบเสียเงินจาก Stability ข้อกำหนดมีการเปลี่ยนแปลงระหว่าง SD3 และ 3.5 ดังนั้นโปรดตรวจสอบอีกครั้งก่อนส่งมอบให้ลูกค้า

เครดิตรูปภาพ

• ภาพวาดแนว Abstract Expressionist สีสันสดใสและมีลวดลายแปรงที่โดดเด่น — ภาพถ่ายโดย Steve A Johnson บน Pexels
• โต๊ะทำงานที่สร้างสรรค์พร้อมโค้ดบนหน้าจอ แล็ปท็อป และสมุดบันทึก — ภาพถ่ายโดย Vlad Bagacian บน Pexels
• ชุดเวิร์คสเตชันแบบ Dual-monitor สำหรับนักออกแบบที่แสดงซอฟต์แวร์สร้างสรรค์ — ภาพถ่ายโดย Tranmautritam บน Pexels
• รูปทรง 3D เรขาคณิตสีรุ้งสดใสบนพื้นหลังสีเข้ม — ภาพถ่ายโดย Mahmoud Ramadan บน Pexels