見出し画像

初心者がVRAM6GBでローカル画像生成しようとするとこうなります

マスコマ

最近はChatGPTやGeminiでも簡単に画像生成ができるので、「AI画像生成って気軽にできるんだな」と思っている人も多いと思います。

実際、それはかなり正しいです。
日本語で軽く指示するだけで、それっぽい画像をかなり良い感じに出してくれます。

ただ、そこからローカル画像生成を触ると、印象はかなり変わります。

今回は、初心者がVRAM6GB環境でローカル画像生成を触ると実際どう感じるかを、あまり重くなりすぎないように書いてみます。

結論：VRAM6GBでもローカル画像生成はできる

先に結論を書くと、VRAM6GBでもローカル画像生成はできます。

4年前くらいのRTX3060 Laptop 6GB環境でも、普通に画像生成自体はできました。

ただし、厳しい部分はかなりあります。

  • 高解像度

  • 何回も書き込みするような高品質生成

  • 重いワークフロー

  • 大量生成

  • 動画寄りの重い処理

この辺はかなり苦しいです。

なので、「快適」とは言いにくいです。
ただ、遊ぶくらいなら十分できます。

個人的には、ローカル画像生成って
1枚を高速で試行錯誤するというより、
まとめて回して待つ
みたいな感覚が強かったです。

10枚くらい一度に生成するなら、

「ご飯やお風呂の前に生成ボタンを押しておく」

くらいの使い方がちょうど良い印象でした。

ブラウザ系のサービスみたいに、サクサク何十枚もテンポ良く見る感じとはかなり違います。

でも本当の壁はVRAMではない

初心者が最初に困るのは、たぶんVRAMより導入です。

  • 用語が多い

  • 何を入れればいいのかわからない

  • モデル？

  • workflow？

  • node？

  • エラーが出ても何が悪いのかわからない

かなり「機械を触っている感」があります。

なので、導入時はAIに全部聞くよりも、
わかりやすい動画やブログを見ながらやる方がかなり良いと思います。

AIは便利ですが、環境構築系は

  • 情報が古い

  • 今のUIと違う

  • バージョン差で噛み合わない

みたいなことが普通にあります。

特に画像生成系は更新が速いので、
今その画面で動いている解説
を見ながら進める方が安心です。

AIに聞くなら、

  • エラー文の意味を聞く

  • 用語の意味を聞く

  • 今どこで詰まっているか整理する

  • workflowの考え方を聞く

くらいの使い方が向いていると思います。

プロンプトだけでも一応ここまでは出せる

ローカル画像生成と聞くと、「かなり難しそう」と感じる人も多いと思います。

でも、プロンプトだけでも一応それっぽい画像は出せます。

例えば、

「見つめ合う男の子と女の子」

くらいのシンプルな内容でも、普通に雰囲気のある画像は出せました。

「見つめ合う男の子と女の子」といった簡単なプロンプトだけでも、このくらいの画像は普通に出せました。

ただ、ローカル環境で面白いのは、ここから先です。
単に画像が出るだけではなく、その裏側の工程を自分で触れるところにあります。

comfyUIは画像生成というより「配線ゲーム」っぽい

触っていて面白かったのはcomfyUIです。

最初はかなり意味不明です。

ただ、慣れてくると、

  • この機能を繋ぐ

  • ここで調整する

  • このモデルを通す

  • 最後に書き込みする

みたいな、「部品を組み合わせて生成工程を作る」感覚になってきます。

画像生成というより、配線ゲームや工業系シミュレーションに近い感覚でした。

comfyUIの画面。ブラウザの画像生成だと裏側で自動処理されているような工程を、自分でノードとして繋いでいく感覚です。画像生成というより、かなり配線ゲームに近いです。

ノードという、色々な役割を持ったパーツを繋いで、自分で生成の流れを作っていく感じです。

今回試したものも、
「見つめ合う男の子と女の子」
のような簡単なプロンプトから画像を出しつつ、途中で生成や拡大の流れを組んでいく形でした。

こういう画面を見ると難しそうに感じますが、逆にこの
「工程を自分で触れる」
ところがcomfyUIの面白さでもあります。

なので、

  • 設定を触るのが好き

  • 自動化が好き

  • 配線やworkflowを組むのが好き

  • FactorioやSatisfactoryみたいな工業系シミュレーションが好き

みたいな人は、かなりハマると思います。

逆に、ただ綺麗な画像を手軽に出したいだけなら、comfyUIは少し重いかもしれません。

じゃあ他の画像生成と何が違うのか

他の画像生成との違いです。

初心者目線だと、画像生成AIは全部同じに見えやすいですが、実際はかなり方向性が違います。

大きく分けると、こんな感じだと思います。

  • ChatGPTやGeminiのような会話AIに付いている画像生成

  • 画像生成・動画生成に特化した有料ブラウザサービス

  • 自分のPCで動かすローカル画像生成

ChatGPTやGemini系

会話の延長で使えるのが強いです。
日本語の指示もかなり通りやすく、「こうしたい」と相談しながら画像を作れる感覚があります。

しかもこの辺はかなり上澄みです。
最初にこれを触ると、「AI画像生成ってこんなに簡単なんだ」と思いやすいです。

画像生成・動画生成専用の有料ブラウザサービス

こちらは、最初から制作向けに作られている感じです。
見栄えや演出が出しやすく、動画まで含めてかなり整理されています。

裏では複雑な調整をかなり吸収してくれているので、ユーザー側は比較的わかりやすく使えます。

  • とりあえず綺麗なものを作りたい

  • 面倒な設定をしたくない

  • 演出や見栄えを重視したい

  • 動画生成まで触りたい

  • 環境構築に時間を使いたくない

という人にはかなり向いていると思います。

ローカル画像生成

こちらは手軽さよりも、自由度が強みです。

  • モデルを変える

  • workflowを組む

  • 工程を自分で触る

  • サービス側の制限を受けにくい

この辺が大きいです。

ローカル画像生成の最大の魅力は、
速さや手軽さよりも、自由度と制限の少なさ
だと思います。

ただしその分、取り扱いには注意が必要です。
自由にできるということは、自分で考えて使う必要があるということでもあります。

個人的にはそこまでハマらなかった

私は「表現したいもの」や「環境構築そのもの」への興味がそこまで強くなかったので、画像生成にどっぷりハマるタイプではありませんでした。

面白さはわかります。
特にcomfyUIは、ハマる人がハマる理由もかなりわかります。

ただ、自分の場合は、

「これを使ってどうしても作りたいものがある」

というより、

「なるほど、こういう仕組みで作っているのか」

という理解の方が大きかったです。

なので、私のように表現したいものが明確にない場合は、そこまで深くハマらないかもしれません。

逆に、

  • 作りたい絵がある

  • 演出したい映像がある

  • workflowを組むのが楽しい

  • 自分で細かく制御したい

という人には、かなり強い武器になると思います。

まとめ

VRAM6GBでもローカル画像生成はできます。

ただし、

  • 高解像度

  • 高品質な複数段階の書き込み

  • 重いworkflow

  • 大量生成

この辺は厳しいです。

そして初心者にとって本当に大変なのは、
VRAMよりも導入や操作の方
だと思います。

でも、6GBでも遊べます。
待ちながら使う感覚なら十分触れます。

comfyUIは画像生成ツールというより、
配線ゲームや生成環境を組むツール
に近いです。

向いている人はかなりハマると思います。

逆に、とりあえず綺麗な画像や動画を手軽に作りたいなら、

  • ChatGPT

  • Gemini

  • 画像生成・動画生成専用の有料ブラウザサービス

の方が快適です。

ローカル画像生成は、
「魔法のボタン」ではなく、「自分で組み立てる作業環境に近い趣味」
でした。

音声生成にチャレンジした話も良ければどうぞ。

いいなと思ったら応援しよう！