【アリババ】Qwen-Image・Qwen-LLM・WAN-2.2の整理【ComfyUI】
【追記：2025年9月21日】WAN2.2ワークフローの微修正
はじめに
今年は、画像生成・動画生成・LLM分野すべてAlilbaba製AIでいいんじゃないかと思ってしまうぐらい、ローカルで利用可能な中国アリババ製AIの充実と快進撃が続いています。
そこで、この記事では、筆者が利用しているAlibaba製AIの整理をしようと思います。
※ 支援者様（メンバーシップ）向けの付録欄には、筆者が現在利用している、画像・動画生成用のComfyUIワークフローjsonファイルを添付しています。参考程度にご利用ください。
※ 筆者は決してアリババの回し者ではありません
筆者が利用しているAlibaba系AI
画像生成AI
✅ Qwen-Image
英語と中国語の文字を表現できるというふれ込みで2025年8月に登場
t2i機能（テキストから画像生成）
拡散モデル本体のパラメータ規模は20B（FLUX.1は12B）なので何かと重たい→nunchaku版＋高速化LoRAで完全に解決
Google Imagenのように日本的な画像生成が可能なモデル。オープンウェイトのベースモデルでは唯一だと思われる。
（nunchaku-techによって）nunchaku版が9月に公開され、8GB以下のVRAMでも快適に生成可能に。SDXLと同程度の生成速度
基本的なControlNetも揃っており、nunchaku版と併用も可能
✅ Qwen-Image-Edit
ChatGPTやGoogle Nano-Banana、FLUX Kontextのように、テキストでの指示と画像を入力として新たな画像を生成できるAIモデル
テキストエンコーダは同社QwenVL2.5を利用しているため、日本語をほぼネイティブに利用できる。（Google製AIも含めて、多くの画像生成AIモデルでは、一度英語に翻訳してからトークン化するので、ネイティブ対応は珍しい）
Editモデルもnunchaku版が公開されたため快適に
特に、最近の画像生成AIモデルの肥大化の中、一般的な家庭用（ゲーミング）PCでも快適に生成できるようにするnunchaku技術は素晴らしいと思います。
どんなにオープンソース・ウェイトであっても、物理的にローカルで実行できないのであれば、ローカルAIとは言えませんから。
◆ Qwen-Image基本生成
基本のt2i生成です。背景も（神社などではない）一般的な日本家屋になる点は、Google Imagenに匹敵する性能です。実際にそんな住宅街でイベントされれば迷惑千万ですが。
Imagenに及ばないと感じる点は、時々中国的な要素が入ってしまう事と、顔や日本の構図にあまりバリエーションがない事です。しかし、ちゃんとプロンプト指定すれば解消できます。
生成時間：40秒
ワークフロー：① art3d-nunchaku-qwen-image_m3.json
◆ Qwen-Image-edit生成
画像を入力にして（編集）指示を実行します。この手のプロンプトに日本語が利用できる点は強いと思います。ただし追従性がより高い言語は中国語→英語→日本語の順です。
テキストエンコーダーが日本語を理解できても、本体の学習が中国語と英語なので、他言語での性能が劣るのだと思います。
生成時間：45秒
ワークフロー：② art3d-nunchaku-qwen-image-edit_m0.json
プロンプト：- 画像内のすべてのオブジェクトをフィギュア化する。 - 透明なディスプレイ用のケースに入れる。 - 背景を変更して室内の台所にして、食事用テーブルの上に配置する。
◆ Qwen-Image-editインペイント（LanPaint利用）
画像の一部のみを変更する手法です。Qwenに限らず編集AIモデルを利用すると、微妙に画像全体が拡大縮小したり、不必要な箇所まで変わってしまう事があります。それらを防ぐためのマスクを利用したインペイントです。
※ 通常モデルQwen-Imageのインペイントは可能ですが、Editモデルでのインペイントが難儀します
開発者ベースのdiffusersではネイティブのインペイントが行えるようですが、現状のComfyUIではまだ利用できないため、LanPaintを利用します。LanPaintのカスタムノード導入が必要になります。
※ LanPaintへ行き着いた経緯はこちら、
LanPaintは何度（デフォルト５回）も試行生成を行う手法のため、nunchaku版でも５分必要でした。おそらく単純に時間５倍だと思います。性能は高いですが、高解像画像へのLanPaint適用は現実的ではないかもしれません。
生成時間：約5分
ワークフロー：③ art3d-nunchaku-qwen-image-edit-lanpaint_m0.json
プロンプト：アイドル二人が足を上げてキックポーズする。 その他の背景は一切変更しない。
※ ComfyUIへのnunchaku導入は少し設定が必要です。下記事を参考ください。
※ CLIPローダーにGGUFファイルを利用する場合もイレギュラーな設定が必要です。下記事を参考ください。（ファイル名の変更やモデル入手・配置など）
動画生成AI
✅ WAN2.2 （14B）
2025年7月に公開
ローカルで利用できるモデルには5B版もある。5B版は30fpsが可能。
14B版はhighノイズとlowノイズの２つのモデルで構成されるMoE
ただし、14B版で生成できるフレームレートは16fpsなので、ダンスや激しいアクションシーンは不向き。
t2v版（テキストから動画生成）とi2v版（静止画像から動画生成）のモデルがある ※ 筆者はi2v版しか利用していません
始状態と終状態の画像を指定して動画を生成するFLF（First Last Frame）にも対応
もうひとつの人気ローカル動画生成Framepack（Hunyuan系）との違いは、プロンプト追従性が高い事、一貫性も良い事。しかしFPSが16と低いので、ダンス動画はFramepackの方が良い。
◆ t2v通常生成
生成時間：約18分
ワークフロー：④art3d_wan2_2_14B_m08.json
プロンプト：The idols are dancing in the stage.
※ ワークフローは（筆者環境でもっとも良い品質結果を出したモデル組み合わせの）下記事のものですが、サポート切れの古いカスタムノード（CR Value）を削除して通常のint値ノードへ変更しています。
◆ t2v FLF（Fist Last Frame）生成
アイドルをAI削除した画像が始状態です。
生成時間：約18分
ワークフロー：⑤ art3d_wan2_2_14B_FLF_m0.json
プロンプト：The Japanese idols are emerging to the stage.
大規模言語モデル
✅ Qwen-2.5VL（7B）
画像を入力に利用できるVLM（Vision Language model）
似た用途・規模で競合するGoogle Gemma3と比べても、画像認識能力はより高く、特に画像内日本語の扱いはローカルモデルでは最高峰
LLMとして日本語を扱えるVLMは多いが、OCRのように、画像内の日本語を認識できる（PC実行可能な）オープンモデルは少ない。筆者が知る限り、Qwen-VLとGemma3しかない。
Qwen-Imageのエンコーダとしても利用されている
✅ Qwen-3 （14B）
Qwen最新の大規模言語モデル
リーズニングありなしを切り替えられるハイブリッドモデル
適切な量子化モデルを設定を利用すれば、RTX 3060 12Gにおいて、24〜32k程度のコンテキスト長で利用可能
Google Gemma 12Bと同程度の性能
✅ Qwen-3 2507 MoE（30B）
2025年7月版
推論なしモデル
高圧縮の量子化モデルを利用すれば、12GのVRAMでも実用的に利用できる
１つのモデルが3B程度のMoEアーキテクチャのため、CPU利用でもそれなりに動作する
gpt-oss（20B）と同程度の性能
✅ Qwen-3 Coder 2507 MoE（30B）
推論なしモデル
コード生成に特化したモデル
gpt-oss（20B）と同程度の性能
◆ VLM（Qwen 2.5VL）を活用する
ローカル環境なので、気兼ねなく画像を利用できます。
Ollamaを利用するちょっとしたスクリプトを作成しても便利だと思います。
下記事はFLUX.1 Kontext用プロンプト作成ですが、本質は同じなのでQwen-Image-Edit用でも利用できます。
付録
本記事で紹介した画像・動画生成に利用した（筆者が利用している）Qwen-Image/Wan2.2ワークフローを添付しています。記事支援していただける場合はぜひよろしくお願いします。
ここから先は
この記事が気に入ったらチップで応援してみませんか？
