【実物度No.1】AIに見えないAI。「Z-Image Base」の衝撃的なリアリズムとLoRA活用術｜1クリックで「本物」を作る、ComfyUIハンズオン！

どうも皆さん！最近ダイエットを始めたんですけどめちゃくちゃ楽しいです、 葉加瀬あい（ハカセアイ） です！

今回は、画像生成AIの常識を覆す 「Z-Image Base」 について徹底解説します！

みなさんは、「AIで作った画像って、なんとなく作り物っぽい…」「肌がプラスチックみたい…」そんな風に思ったことはありませんか？

実は、今回ご紹介する「Z-Image Base」は、そんな 「AIっぽさ」を完全に消し去り、実写と見分けがつかないレベルの画像を生成できる 、とんでもないモデルなんです！

ということで、今回お話しする内容はこんな感じです！

1.　 実写を超えた？！「Z-Image Base」の圧倒的リアリズムの秘密
2.　 LoRAの効果が100倍に？！Baseモデルだけの隠された実力
3.　 日本語でOK！最高品質を叩き出す神ワークフロー解説

この記事を読めば、皆さんはAIの壁を越え、「本物」を作り出すクリエイターになれます！

なお、Youtube では note の内容をAIで動画に変換して公開しているので、まだの方は noteのフォロー や YouTubeのチャンネル登録 もお願いします！

https://www.youtube.com/%40AI-Hakase

また、今回の動画版はレンダリングが終了し次第、こちらにて公開していますので、動画派の方はぜひご覧ください！

https://note.com/ai_hakase/m/m093618cdf798

それでは、本日もよろしくお願いします！

実写を超えた？！「Z-Image Base」の圧倒的リアリズムの秘密

「Z-Image Base」がなぜここまでリアルなのか？その秘密は、独自の学習プロセスである 「Z-Imageパイプライン」 にあります。

このモデルは、いきなり完成したわけではありません。
まるで職人が技を磨くように、以下の3段階を経て進化しているんです。

1.　 Low-Resolution Pre-training（基礎力） : まずは低解像度で大量のデータを学習し、画像の「構造」や「構図」の基礎を叩き込みます。
2.　 Omni Pre-training（応用力） : 次にあらゆるジャンルの画像を学習し、どんなリクエストにも対応できる「万能性（Omni）」を身につけます。
3.　 Supervised Fine-tuning（専門性） : そしてここが重要です！ 「Z-Image Base」 の段階で、人間の監修のもと徹底的なファインチューニング（微調整）が行われます。ここで、AI特有の「不自然さ」が削ぎ落とされ、実写のような質感が完成するんです。

さらに、このモデルは 「引き算」の美学 を持っています。
通常、高画質な画像を出すには大量のネガティブプロンプトが必要ですが、Z-Image Baseはその常識を覆します。

左側の「w/o neg prompt（ネガティブなし）」の状態でも十分綺麗ですが、右側の「w neg prompt（ネガティブあり）」では、「西方人（西洋人風の顔立ち）」や「人体畸形（人体の崩れ）」といった要素をピンポイントで排除することで、私たちが求める「理想のリアリズム」に到達しています。

Z-Image Baseは、この 「ネガティブプロンプトへの反応精度」が極めて高い ため、ユーザーは「Sad（悲しい表情）」と一言入れるだけで、画像の雰囲気を劇的に、かつ自然にコントロールできるんです。

そして何より、Z-Imageには高速版の「Turbo」も存在しますが、あえて「Base」を使う最大の理由が 「蒸留」前の純粋な表現力 にあります。

Turboは計算を省略（蒸留）して速度を上げていますが、Baseはその省略を行わず、AIが持つ本来の表現力を100%発揮できる状態です。

だからこそ、髪の毛一本一本の質感、肌のキメ、光の微妙なニュアンスといった「解像度を超えたリアリティ」が生まれるんです。

実際にターボモデルとベースモデルを比べてみると、その差は歴然です。
アニメスタイルの表現もかなり上手ですが…

実写に関しては、本当にびっくりするくらい綺麗になっていますよね！
プロンプトの効きも良くなっているので、まさに「最強の基盤モデル」と言えるでしょう。

LoRAの効果が100倍に？！Baseモデルだけの隠された実力

ここが一番の衝撃ポイントです！
通常、高速なTurboモデルで学習したLoRAは、そのままTurboで使うのが常識ですよね？

しかし、あえて Baseモデルで使うことで「スタイルが100倍綺麗に反映される」 という衝撃の事実が判明しました！

なぜなら、Baseモデルは「蒸留（計算の省略）」を行っていないため、LoRAが持つ繊細なスタイルの情報を余すことなく受け止められるからです。

Redditでの議論でも、この発見は大きな話題になっています。
「z-image turbo」で学習したLoRAを「z-image base」で使うと、スタイルが圧倒的に向上するという報告が多数寄せられています。

https://www.reddit.com/r/StableDiffusion/comments/1qoudtf/loras_work_100x_better_on_zimage_base/

使い分けの極意としては、以下の通りです。

• 「スタイル系LoRA（画風や雰囲気）」 ：Baseモデルで試す価値アリ！圧倒的な表現力が手に入ります。

• 「人物・人種系LoRA」 ：逆にTurboの方が相性が良い場合もあります。ここが面白いところですね！

そして、ComfyUIでこれを実践する際の鍵となるのが、 「ModelSamplingAuraFlow」ノード です。
このノードを使って数値を調整（3.0〜8.0推奨）することで、解像度の不一致や解剖学的なエラーを力技でねじ伏せ、安定した高画質出力を実現できます。

【環境：現実】ハイスペックPCは必要？

「そんなに凄いなら、スーパーコンピューターが必要なんでしょ？」と思うかもしれませんが、現実は意外と優しいです。

生成時間は、RTX 4090で 30〜45秒（30ステップ） 程度。爆速ではありませんが、十分に実用圏内です。

私の環境でも、30ステップで45秒くらいでした。

VRAM消費については、通常17GB程度を使用しますが、設定次第で VRAM 12GB〜16GB環境でも動作可能 です。
つまり、ちょっと良いゲーミングPCがあれば、誰でもこの「プロ級の画質」を手に入れられるということですね！

【あいらぼ限定】日本語でOK！最高品質を叩き出す神ワークフロー解説

ここからはZ-Image Baseを誰でも簡単に使いこなせる特製ワークフローの配布とハンズオン解説を行います！

今回のワークフローのポイントは、何と言っても 「日本語プロンプト対応」 です。

日本語で指示を入れるだけで、AIが最適な英語プロンプトに自動変換してくれるので、英語が苦手な方でも安心して使えます。

さらに、 環境に合わせた最適化 もバッチリ！　　

VRAMが少ない方向けのGGUFモデル切り替えや、高品質な画像を生み出すための推奨設定（CFG 4.0, AuraFlow 3.0~8.0など）を完全網羅しています。

今回もローカル環境や

Runpodなどのクラウド環境でも動かせるようにやっていきたいと思います。

ちなみに、初心者の方とか、ComfyUIがちょっと難しそうで自信がないなっていう方のために、こちらでたった1クリックで使い始められる方法を解説しているのでよかったらぜひ参考にしてください！

https://note.com/ai_hakase/n/n9eb2265f98f7

ぜひ、 このワークフローで「最高品質」を体験してください！

ということで、ここからは私のNoteメンバーシップ「 あいらぼ（Ai-Lab） 」の入門者さん限定でやっていきたいと思います！

https://note.com/ai_hakase/n/ncdcda4208fd7

人数制限 を設けているので、気になる方はお早めに以下のURLから入門して続きをご覧ください！

それでは実際にこちらのワークフローを説明したりお配りしたりしていこうかと思います！

まずは、この先に表示されるメンバーシップ限定エリアから、 「Jupyterノートブック」 と 「ワークフローファイル」 の2つをダウンロードしてください！

• ローカル環境で実行する方 → 「ワークフローファイル」のダウンロードだけで大丈夫です！ただし、セットアップでつまずいてしまった場合は、どちらかの「ipynb」ファイルを参考にセットアップを進めてください。

• PaperSpaceで実行する方（旧バージョン） → 「ワークフローファイル」と「ComfyUI_PPS_HAKASE_v〇〇.ipynb」の両方のダウンロードをお願いします！

• 【推奨】 Runpodで実行する方 → 「ワークフローファイル」と「Rp_run_comfyui_hakase_v〇〇.ipynb」をセットでダウンロードしてください！