ローカルAIモデル新作まとめ 2026年10月：動画・画像・音楽

👁 125閲覧数

2026年10月に出たローカルAIモデルのうち、自分のPCで動かす価値があるのは次の4つです。音声付き動画のKandinsky 6.0（Liteは5秒を約2分、MITライセンス）、画像のQwen-Image 2.1 Turbo（1枚3-4秒、研究用途のみ）とFLUX 3 Image Klein（1枚6-7秒、VRAM 7.5 GB）、ボーカル曲のYuE2です。すべてRTX 4090とComfyUIで動かし、生成時間とメモリー使用量を測りました。文字と歌声のテストはポーランド語で行ったもので、日本語は試していません。詳しい検証記事へのリンクもまとめています。

検証環境：RTX 4090とComfyUI 0.41

• RTX 4090 24 GB、RAM 64 GB、CPU i9-14900KF、Windows 11。
• ComfyUI 0.41.0を使用。FLUX 3、YuE2、Qwen Turboに対応するため、0.37から更新しました。
• モデルはUSB接続の8 TB SSDに保存。NVMe SSDなら初回の読み込みはより短くなるはずです。
• 処理時間はタスクを送信してからファイルが保存されるまでを計測。VRAMはnvidia-smiで確認したグラフィックスカード全体のピーク使用量です。

6モデルの測定結果一覧

動画生成：Kandinsky 6.0

今月の注目モデルです。Kandinsky LabのKandinsky 6.0は、映像と音声を一度に生成します。口の動きに合った音声、効果音、背景音楽に対応。Liteは30億パラメーターで24 GBのVRAMに収まり、Proは290億パラメーターのため、RTX 4090では一部の重みをRAMに置いて動作します。

• Proにポーランド語の文「Dzień dobry! Jabłka prosto z sadu, słodkie jak miód!」（こんにちは！ 果樹園から直送のリンゴ、蜂蜜のように甘いですよ！）を話させたところ、9語中7語が正しく発音されました。英語の文は完璧でした。日本語のセリフは試していません。
• Liteは3倍以上高速ですが、ポーランド語の音声は正確に発音できません。
• ライセンスはMITで、利用できる国の制限はありません。競合のMiniMax H3は、ライセンスでEUなど一部地域での利用を除外しています。

音声付きクリップ8本、処理時間の表、インストール手順はKandinsky 6.0のローカル動画生成の検証記事をご覧ください。

画像生成：Qwen-Image 2.1 Turbo

Artificial Analysisのランキングで最上位だったオープン画像モデルを蒸留したバージョンです。生成ステップは25回から8回に減りましたが、並べて比較しないと品質差が分かりにくいほどでした。ポスターの文字テストでは、「JAZZ NAD ODRĄ」（オーデル川のジャズ）と「OCET 12 zł」（酢 12ズウォティ）は正しく描けましたが、地名の「Wrocław」は「ł」が普通の「l」に置き換わりました。

4つのプロンプトを使った詳しい比較は、Qwen-Image 2.1 Turboのローカル実行をご覧ください。

画像生成：FLUX 3 Image Klein

Black Forest Labsは10月13～15日、FLUX 3シリーズ初のオープンモデルを公開しました。Kleinは56億パラメーターで、テキストからの画像生成、画像編集、最大10枚の参照画像を使った合成に対応します。テキストエンコーダーはQwen3-VL-4Bで、VAEはFLUX.2と同じものです。ComfyUI 0.41から標準対応しています。

• ComfyUI用ファイルのサイズは、int8モデルが5.83 GB、int8エンコーダーが4.86 GB、VAEが0.34 GBです。
• 開発元は生成前にプロンプトを拡張するよう明確に推奨しています。Qwen 3.5 9Bを使う専用の「プロンプトアップサンプラー」か、任意の言語モデルを利用できます。短いプロンプトではありきたりな画像になりやすいとのことです。
• リポジトリの利用にはFLUX Kommunityライセンスへの同意が必要です。ダウンロードにはHugging Faceのアカウントとトークンが必要になります。

1024×1536の画像を15ステップ、int8で生成したところ、1枚あたり6～7秒、グラフィックスカード全体のVRAMピークは7.5 GBでした。Qwen Turboの半分以下です。文字の結果もQwen Turboと同じで、「ODRĄ」と「12 zł」は正しく、「Wrocław」は「ł」が抜けました。同じプロンプトでの比較とダウンロード手順はFLUX 3 Image Kleinのローカル実行をご覧ください。

音楽生成：歌詞の聞き取りやすさはACE-Step 1.5が安定

2番と2回のサビからなる同じポーランド語の歌詞を4つのローカルモデルに入力し、出力をWhisper large-v3で文字起こししました。歌詞のうち、音声から認識できた単語の割合を計測しています。以下はポーランド語と英語での検証結果です。

YuE2はポーランド語の1回の試行で最高の98.8%を出し、英語では100%でした。ただし試行ごとのばらつきが大きく、ライセンス（CC BY-NC 4.0）上、営利目的には使えません。ACE-Step 1.5は最も安定しており、商用利用も可能です。試聴サンプルと設定方法はYuE2の検証記事にあります。

ほかに公開されたモデルと、ダウンロードしなかったモデル

• MiniMax H3（音声付き動画、33B）: 重みのライセンスではEU、米国、英国、韓国が対象地域から除外されています。VRAM 8 GB向けの軽量版FastH3を使っても、この制限は変わりません。
• HY Image 3.5 Preview（Tencent）: 10月13日からComfyUIで利用可能になりました。今回はダウンロードしていません。
• MAGI-2とLTX-2.5（オープンな動画モデル）: 今回は試していません。MAGI-2 Previewは80 GBのGPUを8枚必要とする規模です。

どのモデルから始めるか

1. ComfyUIをインストールするか、0.41以降に更新します。ComfyUIを直接触りたくなければ、無料のモデル管理ツールHangarも使えます。
2. 最初に試すならFLUX 3 Klein（約11 GB、VRAM 8～12 GBのカードでも動作）か、Qwen-Image 2.1 Turbo（7.3 GB + 共通ファイル10 GB、VRAM 24 GB環境で最速）がおすすめです。
3. 動画にはKandinsky 6.0 Lite（6.4 GB + 共通ファイル約18 GB）を試せます。
4. 曲の生成には、商用利用できて歌詞が安定して聞き取れるACE-Step 1.5、または英語の歌詞で個人利用ならYuE2（7.8 GB + 1.4 GB）が候補です。

言語モデルも含め、ローカル環境で検証したモデル一覧はローカルAIガイドをご覧ください。

よくある質問

VRAM 16 GBのカードで使えますか？

Qwen Turbo、YuE2、Kandinsky Liteは動作しますが、一部の重みをRAMに移す必要があり、今回の計測より時間がかかります。Kandinsky 6 ProはVRAM 16 GBではおすすめしません。

商用利用できるモデルはどれですか？

Kandinsky 6.0（MIT）、DiffRhythm 2（Apache 2.0）、ACE-Step 1.5（MIT）は商用利用できます。Qwen-Image 2.1 Turboは研究用途に限られ、YuE2はCC BY-NC 4.0です。FLUX 3 Kleinは独自のFLUX Kommunityライセンスです。収益化する前に条件を確認してください。

ディスク容量はどれくらい必要ですか？

一覧のモデルをすべて保存する場合、公式のbf16版を除き、Kandinsky Proのint8版を含めて約100 GB必要です。Kandinsky Proはint8版が30.5 GB、bf16版が60.3 GBです。

Macでも動きますか？

検証環境はNVIDIAカードを搭載したWindows PCのみです。一部モデルにはMac向けのMLX版（YuE2やQwen Turboなど）もありますが、こちらでは確認していません。

出典と確認日

• Hugging FaceのKandinsky 6.0
• Hugging FaceのQwen-Image 2.1 Turbo
• Hugging FaceのFLUX 3 Image Klein
• Hugging FaceのYuE2
• GitHubのDiffRhythm 2
• ComfyUIの変更履歴
• RTX 4090での独自計測、2026年10月17日。

2026年10月30日に確認。

// 続きを読むAIアップスケーラーとは？写真の高画質化に使える無料・有料ツールAIツールGemini Omni 1.2 Flash徹底検証：15秒動画とAPI価格AIツールGPT-6 CyberのAPI価格：トークン単価とエクスプロイト作成コストAIツール