Z-Image チュートリアル：Alibaba Tongyi のオープンソース AI 画像生成モデル実践ガイド（2026 年版）

Z-Image は、Alibaba の Tongyi-MAI チームが 2025 年末に公開したオープンソースの text-to-image 拡散モデルです。Scalable Single-Stream DiT（S3-DiT）アーキテクチャを採用し、わずか 60 億パラメータで商用クオリティの画像を生成できます。英語と中国語のバイリンガル文字を画像内に直接描画でき、ライセンスは Apache 2.0。蒸留版の Z-Image-Turbo は H800 GPU で 1024×1024 画像を約 1 秒で生成し、16 GB VRAM のコンシューマー GPU でも動作します。本記事では、Z-Image とは何か、ローカルでの動かし方、効果的なプロンプトの書き方、そして Midjourney、DALL·E 3、Stable Diffusion との実用面の違いを解説します。

Z-Image とは何ですか？

Z-Image は、Alibaba Tongyi-MAI チームによるオープンソース text-to-image 拡散モデルファミリーです。多くのオープンモデルが商用品質に到達するために 120 億以上のパラメータを必要とするのに対し、Z-Image は Scalable Single-Stream DiT（S3-DiT）アーキテクチャを採用することで、わずか 60 億パラメータで同水準の品質を実現しています。S3-DiT はテキストトークン、視覚的セマンティクストークン、VAE 画像トークンを別々のストリームで処理する従来手法と異なり、これらをシーケンスレベルで連結し、単一の統合ストリームとして transformer に入力します。詳細は技術レポート arXiv:2511.22699 に記載されています。

2026 年 5 月時点で、Z-Image ファミリーには以下の 4 モデルが含まれます：

• Z-Image-Turbo：速度を重視した 8 ステップの蒸留版。2025 年 11 月 26 日公開。
• Z-Image：基盤モデル。サンプリングステップは 28〜50 ステップ。2026 年 1 月 27 日公開。
• Z-Image-Omni-Base：生成と編集を 1 つのモデルで両立（順次公開予定）。
• Z-Image-Edit：自然言語の指示による画像編集にファインチューニング（順次公開予定）。

本サイトに埋め込まれているジェネレーターは、この Turbo 版を使用しています。

Z-Image は Midjourney、DALL·E 3、Stable Diffusion と比べてどうですか？

第三者ベンチマークの Artificial Analysis text-to-image リーダーボードでは、Z-Image-Turbo は オープンソース部門で 1 位、クローズドソースを含む総合では 8 位（2026 年初時点）です。下表はユーザー視点での実用面の違いをまとめたものです。

要点：商用クオリティ、オープンライセンス、画像内の英中文字を確実に描画——この 3 つを同時に満たす最初のオープンソースモデルが Z-Image です。

Z-Image を動かすには何が必要ですか？

用途と環境に応じて、Z-Image の利用方法は主に 3 通りあります。

1. 本サイトの無料 Web デモ

トップページにアクセスすれば、サインアップもインストールも API キーも不要で、埋め込みジェネレーターをそのまま使えます。デモは Hugging Face Space 経由で Z-Image-Turbo を呼び出しています。初めて触る場合や日常的な生成にはこれが最適です。

2. 公式 Hugging Face Space

コミュニティ運営の Space が公式モデルにシンプルな UI をかぶせています：huggingface.co/Tongyi-MAI/Z-Image-Turbo。同じモデル、同じ速度で、インストールも不要です。埋め込みデモよりもう少しパラメータを触りたい場合に向いています。

3. diffusers でローカル実行

必要な環境：

• VRAM が 16 GB 以上 の NVIDIA GPU（RTX 3090、RTX 4080/4090、A100、H100/H800 など）。
• CUDA 11.8 以降、Python 3.10 以降。
• Hugging Face diffusers ライブラリ（2026 年 5 月時点では main ブランチからのインストールが必要）。
• bfloat16 対応 GPU——推奨される dtype です。

最小限の動作例：

pip install git+https://github.com/huggingface/diffusers
pip install -U transformers accelerate

# Python
import torch
from diffusers import ZImagePipeline

pipe = ZImagePipeline.from_pretrained(
    "Tongyi-MAI/Z-Image-Turbo",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=False,
)
pipe.to("cuda")

image = pipe(
    prompt="A red origami crane on a wooden desk, cinematic lighting",
    height=1024, width=1024,
    num_inference_steps=9,   # 実際は DiT を 8 回 forward
    guidance_scale=0.0,      # Turbo では 0.0 が必須
).images[0]
image.save("output.png")

このコードで間違えやすい箇所が 2 つあります。guidance_scale=0.0 はタイポではありません。Turbo は CFG（classifier-free guidance）込みで蒸留されているため、推論時に正の値を指定すると逆に品質が下がります。num_inference_steps=9 も正しい値です。スケジューラがステップ 0 をウォームアップとして扱うため、モデル本体の DiT forward は 8 回だけ実行されます。

Z-Image で良いプロンプトを書くには？

高品質なプロンプトの多くは 4 つの要素から成り立っています。明示的にラベルを付ける必要はありませんが、出力がイメージと一致しないときは、これらが抜けていないかを確認すると効果的です。

1. 主題——何の画像か

具体的に書きます。「犬」では弱い。「片耳が垂れたゴールデンレトリバーの子犬が玄関の階段に座っている」のほうが圧倒的に強い指示になります。

2. スタイル——どう見えるか

モデルが理解できる語彙から選びます：油絵、水彩、3D レンダー、アニメ、ピクセルアート、写実的な写真、木炭デッサン、ヴィンテージフィルム、スタジオジブリ調、アールデコのポスター。スタイルは出力に最も大きく影響するレバーです。

3. 光と雰囲気

柔らかい朝の光、ゴールデンアワー、強い昼下がりの日差し、ネオンのグロー、ドラマチックな明暗、曇天、霧、逆光、ろうそくの灯り。光はスタイル以外で画面の感情を最も強く変える要素です。

4. 構図と品質修飾語

クローズアップ、ワイドショット、俯瞰、ローアングル、三分割構図、浅い被写界深度。品質を表す語は必要なときだけ：高精細、シャープなフォーカス、プロ仕様の写真。修飾語は 2〜3 個までで十分で、重ねすぎても効果は出ません。

組み合わせ例：

木製の机の上に置かれた赤い折り鶴、ワイエス風の油絵、左側からの柔らかな窓明かり、クローズアップ、浅い被写界深度、高精細。

Z-Image のバイリンガル文字描画はどのように機能しますか？

Z-Image の評判の多くはこの能力に由来します。多くのオープン画像モデルでは画像内の文字が読めません——文字が滲み、単語が誤綴され、漢字に至っては崩れてしまうことも珍しくありません。Z-Image はバイリンガルタイポグラフィ専用にポストトレーニングされているため、生成画像内に英語と中国語の読みやすい文字列を 1〜2 回の試行で配置できます。

文字を安定して描画するためのポイント：

• 描画したい文字列をストレートクォートで囲む："MORNING BLEND"。
• フォントの特徴を指定する——セリフ、手書き、ネオン、書道など。モデルはフォントをスタイル選択の一種として扱います。
• 文字は短く保つ。1 画像あたり 1 単語または短いフレーズが最も安定します。長文は崩れがちです。
• 同じ画像内に複数の文字体系を混在させる場合は、それぞれを個別に記述する。

英語のコーヒーショップの看板の例：

ヴィンテージなコーヒーショップの黒板メニュー、見出し“MORNING BLEND”は大きな手書きセリフ体、その下に“$4.50”、周囲にコーヒー豆の装飾イラスト。

中国の旧正月ポスターの例：

赤い中国旧正月ポスター、中央に“新年快乐”の 4 文字を金色の書道で配置、縁には梅の花と提灯、伝統的な水墨画のスタイル。

初心者がよく陥る失敗とその対処法

主題が漠然としている。「美しい風景」では汎用的なストックフォトのような結果しか得られません。場所、季節、天候、前景、背景を具体的に指定しましょう。

スタイルが衝突している。「写実的なアニメ水彩 3D レンダー」のような指示はモデルを混乱させます。主スタイルを 1 つ選び、矛盾しない修飾語を 1〜2 個までに抑えます。

ポジティブプロンプト内で否定形を使う。「人を入れない」と書くと逆に人が現れることがあります。否定するのではなく、空間そのものを描写して不要な要素を押し出してください。

Turbo にポジティブな guidance を設定している。Turbo を使う場合は guidance_scale=0.0、num_inference_steps=9 を必ず指定します。蒸留時に CFG が組み込まれているため、推論時の正の値はかえって品質を下げます。

主題がプロンプトの後ろに埋もれている。拡散 transformer は前方のトークンに重みを置くため、最重要要素はプロンプトの冒頭に置きます。

よくある質問

次のステップ

• 公式モデルカードを読む（Hugging Face）：huggingface.co/Tongyi-MAI/Z-Image-Turbo——推奨サンプリング設定、想定用途、既知の制限事項が記載されています。
• ソースコードを確認する（GitHub）：github.com/Tongyi-MAI/Z-Image。
• 関連論文を読む：Z-Image 技術レポート（arXiv:2511.22699）、Decoupled-DMD（arXiv:2511.22677）、DMDR（arXiv:2511.13649）。
• Z-Image-Edit の正式公開を待ち、自然言語指示による画像編集を試してみてください。

上達の最短経路は、たくさん生成し、何が効いて何が効かなかったかを記録し、繰り返し改善することです。AI 画像生成の腕の大半はモデルではなく、頭の中にあるイメージをいかに明確に言葉にできるかにかかっています。

参考文献

• Tongyi-MAI/Z-Image GitHub リポジトリ README、2026 年 5 月 8 日アクセス：github.com/Tongyi-MAI/Z-Image。
• Tongyi-MAI/Z-Image-Turbo Hugging Face モデルカード、2026 年 5 月 8 日アクセス：huggingface.co/Tongyi-MAI/Z-Image-Turbo。
• Z-Image 技術レポート：arXiv:2511.22699。
• Decoupled-DMD：CFG 拡張付き Distribution Matching Distillation、arXiv:2511.22677。
• DMDR：DMD と強化学習の融合、arXiv:2511.13649。
• Artificial Analysis text-to-image リーダーボード、2026 年 5 月アクセス。