【完全自動化】Googleの怪物AI「Gemma 4」非検閲モデルで作る、画像＆動画1クリック生成ワークフロー配布｜ComfyUI

どうも皆さん！最近「とてと」って曲が、病んでる時に優しくされてるみたいな感じがして好きです、 葉加瀬あい（ハカセアイ） です！

今回は、ローカルLLM界隈を席巻しているGoogleの最新AI 「Gemma 4」の「非検閲モデル」 を使った、とんでもないワークフローをご紹介します！　　

AIで画像や動画を作るとき、「英語のプロンプトを考えるのが苦手…」「静止画から動画まで、一気にパパッと作りたい！」
そんな悩み、ありませんか？

今回は、Gemma 4の圧倒的な推論力を活かして、 日本語の簡単な指示から「プロ級の英語プロンプト」を自動生成し、そのまま高品質な画像と動画を連続で生み出す魔法のワークフロー を大公開しちゃいます！　　

ということで、今回お話しする内容はこんな感じです！

1.　 Googleの刺客！「Gemma 4」が超巨大モデルを圧倒する理由
2.　 忖度ゼロ！「非検閲（Uncensored）」モデルがもたらす自由と実益
3.　 プロンプト考案はAIにお任せ！1クリック実行ワークフロー徹底解説

この記事を読めば、皆さんのPCが専属のプロンプトエンジニア兼映像スタジオに変わります！

なお、Youtube では note の内容を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

それでは、本日もよろしくお願いします！

「Gemma 4」がローカルAIの常識を覆す理由

さて、ということで今回の主役となるGoogleの最新オープンモデル 『Gemma 4』 ですが、これの何がそんなに凄いのか？
ローカルLLM界隈が今、なぜこれほどまでに熱狂しているのか、その核心に迫っていきましょう！

一言で言えば、Gemma 4は 「コンパクトなのに、超巨大モデルを圧倒するほど賢い」 んです！

これまでのAIは、「賢くしようとすればするほど、モデルのサイズ（パラメータ数）が巨大になり、一般のPCでは動かせなくなる」というのが常識でした。
しかしGemma 4は、その常識を見事に破壊しました。

1.　驚異の「パラメータ効率」：MoEとDenseの最適化

Gemma 4の最大の進化は、そのアーキテクチャ（構造）にあります。
今回、主に「26B（260億）」と「31B（310億）」という、個人のハイスペックPCでもギリギリ扱えるサイズのモデルが登場しました。

• 26B MoEモデル:
  「MoE（Mixture of Experts：専門家混合）」という仕組みを採用しています。
  全パラメータ（26B）を持っていながら、実際に動くのはその一部だけなので、 VRAM（ビデオメモリ）の消費を抑えつつ、レスポンスが爆速 になります。

• 31B Denseモデル:
  こちらは「Dense（高密度）」と呼ばれる、全パラメータをフル稼働させるタイプです。速度はMoEに劣りますが、複雑な論理パズルや数学の筆算、プログラミングなど、 ごまかしの効かない厳密なタスクにおいて最強クラスの思考力 を発揮します。

実際、あるベンチマーク（FoodTruck Benchというビジネスシミュレーション）では、この31Bモデルが、あの最強クラスの商用AI「Claude 4.6 Opus」に迫る成績を叩き出しています！

しかも、クラウドのClaudeが1回の処理で何千円もかかるのに対し、ローカルで動かすGemma 4は 電気代だけで実質「タダ」 。コストパフォーマンスが180倍以上という、異次元のコスパを見せつけているんです！

• 参考文献 (Reddit): Gemma 4 just casually destroyed every model on the FoodTruck Bench...

2.　圧倒的な「コンテキスト長」と「マルチモーダル対応」

さらに、Gemma 4は一度に読み込める情報量（コンテキストウィンドウ）が、驚異の 256,000トークン（文庫本数冊分！） に拡大されました。
何百枚ものPDF資料や、巨大なソースコードを一気に読み込ませて分析させることが、ローカル環境だけで可能になったんです。

そして、テキストだけでなく画像や動画、さらには音声までネイティブに理解できる「マルチモーダル」な能力も強化されています。今回のワークフローで「画像からプロンプトを作る」という魔法ができるのも、この能力のおかげですね！　　

3.　永遠のライバル「Qwen 3.5」との比較・使い分け

さて、ここで気になるのが、私が以前から激推ししているAlibabaの最強オープンモデル 「Qwen 3.5」との違い ですよね。
Redditなどの専門コミュニティでも、この「Gemma 4 vs Qwen 3.5」の比較検証が連日行われています。

• 参考文献 (Reddit): Gemma 4 vs Qwen 3.5 benchmark comparison

検証結果から見えてきた、両者の「得意・不得意」はこんな感じです。

• Qwen 3.5の強み：【実務と論理のワーカー】
  複雑なコーディング、ツール呼び出し（外部アプリの操作）、10万文字を超えるような超長文からの正確な情報抽出（Needle-in-a-haystack能力）において、圧倒的な強さと安定感を見せます。

• Gemma 4の強み：【感性と表現のコンパニオン】
  文章作成、翻訳（特に欧州言語）、そして 人間らしい自然な対話 において、Qwenを凌駕します。AI特有の「過剰な絵文字」や「機械的な言い回し」が少なく、クリエイティブな表現力が非常に高いです。

【葉加瀬の結論：プロンプト生成にはどっちがいい？】

結論から言うと、 「プロンプトのようなクリエイティブな文章を生成させるならGemma 4は非常に優秀だけど、安定して動かしたいならQwen 3.5」 という印象です。

Gemma 4は文章表現が豊かで素晴らしいプロンプトを作ってくれるのですが、まだリリース直後ということもあり、ローカル環境（llama.cppなど）で動かす際に「無限ループに陥る」「エラーで止まる」といった不安定な挙動がチラホラ報告されています。

一方でQwen 3.5は、すでに環境が成熟しており、非常に安定してサクサク動いてくれます。
そのため、今回のワークフローでは「安定感」を重視し、引き続きQwen 3.5をベースにした仕組みをおすすめしていますが、Gemma 4のポテンシャルは計り知れないので、環境が安定するなら、使用するとプロンプト生成のメインエンジンとして大活躍すること間違いなしです！

なぜ「Gemma 4」はそこまで優秀なのか？技術の深淵に迫る

さて、先ほど「Gemma 4が超巨大モデルを圧倒するほど賢い」とお伝えしましたが、なぜそんなことが可能なのか？
その技術的な裏側について、少しだけマニアックに深掘りしてみましょう！ここを知っておくと、AIの進化の凄まじさがよりリアルに感じられるはずです。

Gemma 4がこれほどの推論能力や表現力を発揮できる理由は、Google DeepMindが最先端のアーキテクチャ（AIの構造）を惜しみなく投入しているからです。

1.　革新的な「Per-Layer Embeddings (PLE)」

今回のGemma 4で最も注目すべき技術の一つが、 「Per-Layer Embeddings（層ごとの埋め込み）」 です。

通常、AI（LLM）は入力されたテキストを「数値のベクトル（Embeddings）」に変換し、それを何十層もの処理レイヤーに通して答えを導き出します。
しかしGemma 4では、この埋め込み層を 各レイヤーごとに個別に配置 しているんです！

これ、何が凄いかというと、AIが文脈を処理する過程で「この言葉は、この層ではこういう意味合いで使われているな」と、より深く、多角的に意味を捉え直すことができるんです。
さらに、VRAM（ビデオメモリ）を節約するために、SSDなどのストレージにデータを一時的に逃がす（オフロード）際の効率も上がり、低スペックなPCでも巨大モデルが動かしやすくなるという恩恵ももたらしています。

2.　計算効率の鬼「MoE (Mixture of Experts)」の進化

先ほども少し触れた 「MoE（専門家混合）」 ですが、Gemma 4の26Bモデルに採用されているこの仕組みが、圧倒的な「速さ」と「賢さ」を両立させています。

全体で260億個のパラメータ（脳細胞）を持ちながら、実際の計算（1トークンの生成）で動くのは、そのうちの必要な数パーセント（約40億パラメータ分）だけ。
まるで、「法律の専門家」「数学の専門家」「翻訳の専門家」がチームを組んでいて、質問が来るたびに一番詳しい専門家だけがパッと答えるようなイメージです。

3.　圧倒的な「Intelligence-per-parameter（パラメータあたりの知能）」

Google公式の発表でも強調されているのが、この「パラメータあたりの知能」の高さです。
つまり、Gemma 4は 「無駄な知識がなく、学習の質が極めて高い」 ということ。

それを支えているのが、AI同士が推敲と修正を繰り返す 「Iterative-correction loop（反復修正ループ）」 などの高度な学習手法です。
AIが自分の出した答えを何度も見直し、過去の失敗を「長期メモリバンク」に記憶しておくことで、同じ間違いを繰り返さずに正解へと近づいていく。この訓練アルゴリズムの優秀さが、巨大モデルを凌駕するスコアを叩き出している最大の要因なんです！

【実践編】Gemma 4「非検閲モデル」で究極の表現を！

さて、この技術の結晶であるGemma 4ですが、今回はその中でも特別なモデルを使用します。

それが、 Gemma 4の「GGUFモデル」かつ「非検閲（Uncensored）モデル」 です！

「非検閲モデル」とは何か？
これは、AIに組み込まれている「倫理的な理由でお答えできません」という安全フィルター（過剰な忖度）を取り払い、クリエイターの意図を100%反映できるようにしたモデルのことです。

以前、こちらの記事で「Qwen 3.5の非検閲モデル」について詳しく解説しましたよね。

https://note.com/ai_hakase/n/nd7ae0508c721

今回も、この「AIによるフィルターが一切ない」自由な環境を使って、生成の方を行っていきたいと思います！

具体的には、Gemma 4の圧倒的な文章生成能力（プロンプト理解力）を使って、緻密でリアルなキャラクターのプロンプトを自動生成し、そこから画像を作成。

さらにそれを高精細にアップスケールして、 実写と見紛うようなハイクオリティな画像 を作っていく、という一連の流れをハンズオン形式でやっていきたいかなと思っています！　　

アイデアを即映像化！1クリック実行ワークフロー解説

ここからは、その 「Gemma 4 非検閲モデル」 を使った特製ワークフローを、無料のAIツール「ComfyUI」から簡単に使っていく方法について、ハンズオンで解説していきたいと思います！

今回私が特別にご用意したワークフローは、皆さんの頭の中にある「アイデア（日本語の簡単な指示）」を入力するだけで、以下の処理が 全自動 で行われます。

1.　 Gemma 4 が指示を汲み取り、詳細でプロ級の英語プロンプトに変換。
2.　そのプロンプトを元に、 「Z-Image」 で超高画質な画像を生成。
3.　生成された画像をベースに、 「LTX 2.3（3Passサンプラー搭載）」 で滑らかで一貫性のある動画を生成！

今回も、 ローカル環境 はもちろん、

Runpod などのクラウド環境でも、どちらでも動かせるように調整してあります！

ちなみに、「初心者だからComfyUIって難しそう…」「環境構築でいつも挫折しちゃう…」
そんな方のために、こちらで たった1クリックで全ての準備が完了する魔法のような方法 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、皆さんもこの「アイデアが全自動で映像になる感動」を味わってみてください！　　

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！

ワークフローのセットアップ手順

それでは実際に、こちらの特製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Noteの限定リンクから、 「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。

• 【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！