Qwen-Image 2.1 Turboをローカル実行：RTX 4090で画像1枚4秒
RTX 4090での生成時間を検証。ComfyUIの設定に加え、DiffusersのスケジュールとTurbo LoRAを紹介します。
👁 119閲覧数
Qwen-Image 2.1 Turboは、Qwen-Image 2.1を高速化したモデルです。Alibabaが2026年10月9日に公開しました。通常版の25ステップに対し、Turboは8ステップで画像を生成します。RTX 4090を使い、ComfyUI上で通常版と同じ4つのプロンプトを試しました。Turboは1024×1536の画像を4秒で生成し、通常版は20秒。画質はかなり近く、ポーランド語の文字を含む2つのテストではTurboの結果がより良好でした。なお、テストで使ったプロンプトはポーランド語で、以下の例はその日本語訳です。日本語で同じ結果が得られることを示すものではありません。
2026年10月17日時点
- RTX 4090での生成時間：画像1枚あたり3〜4秒（通常版2.1は13〜20秒）、約4〜5倍高速。
- メモリ：int8版でカード全体のVRAM使用量は最大16.8〜18.6 GB。
- モデルファイル：7.26 GB。テキストエンコーダーとVAEは2.1と共通のため、2.1をすでに使っている場合、追加でダウンロードするのはこのファイルだけです。
- ライセンス：Qwen Research。商用利用はできません。
- ComfyUI：バージョン0.41からネイティブ対応。テンプレートブラウザーに既製のテンプレートがあります。
シリーズ：RTX 4090で動かすローカルAI、2026年10月17日のテスト
Qwen-Image 2.1 Turboとは
Qwen-Image 2.1（7B）と同じモデルを、蒸留によって高速化したものです。通常版は10月初旬のArtificial Analysisランキングで、オープンな画像生成モデルの中で最高評価でした。蒸留では、より少ないステップで完成画像にたどり着けるようモデルを学習させます。Qwenチームは10月9日にHugging Faceで重みを公開し、翌日にはComfy-OrgがComfyUI向けパッケージを追加しました。パッケージにはint8版とbf16版があります。
今回使ったComfyUIテンプレートでは、sigma値のリストを使う8ステップ、samplerはeuler、CFGは1です。通常のKSamplerのようにステップ数を指定するのではなく、テンプレートに用意されたリストを使います。一方、Diffusersではチェックポイントに保存されたスケジュールが自動で読み込まれます。
RTX 4090でTurboと通常版2.1を比較
テスト環境はRTX 4090 24 GB、RAM 64 GB、Windows 11、ComfyUI 0.41.0です。モデルはint8版で、USB接続のSSDに保存しました。両モデルに同じ4つのプロンプトと同じシード（7）を使用しています。Turboは8ステップ、CFG 1、通常版2.1は25ステップ、CFG 3です。時間はジョブを送信してからファイルが保存されるまでを計測し、VRAMはnvidia-smiで0.5秒ごとに読み取りました。文字描画テストのプロンプトはポーランド語で、下記の文言はその日本語訳です。実際に日本語でテストしたわけではありません。
| プロンプト（日本語訳） | 解像度 | Turbo | 通常版2.1 |
|---|---|---|---|
| ポーランド語の文字入りポスター | 1024×1536 | 45.4秒* | 38.1秒* |
| 漁師のポートレート | 1024×1536 | 4.0秒 | 20.1秒 |
| 1980年代の店 | 1536×1024 | 4.0秒 | 20.1秒 |
| 商品写真 | 1024×1024 | 3.0秒 | 13.0秒 |
* シリーズ最初の画像には、モデルをディスクからGPUメモリに読み込む時間が含まれます。Turboの生成処理だけなら、その後の画像と同じ4秒です。
ポーランド語の文字入りポスター
テストで使ったポーランド語のプロンプトは、赤い見出し「ジャズ・ナド・オドロン（原文の地名を日本語表記）」と、キャプション「ヴロツワフ、2026年11月14〜16日」を指定するものでした。ここに示した文言はテスト用プロンプトの日本語訳です。実際の生成では、両モデルとも見出しのポーランド語表記を正しく出力し、鼻母音を示す記号も再現しました。一方、地名ではポーランド語特有の文字が抜け、通常のラテン文字で出力されました。Turboは見出しが大きく、サックス奏者の全身も描写しました。2.1は濃紺の余白が多く残りました。
1980年代の店と値札
このテストでは、ポーランド語の店舗名「スポウェム」の看板（ポーランド語原文の翻訳）と、酢の値札を指定しました。プロンプトと値札の文言は、ポーランド語のテスト素材を日本語に訳したものです。実際のテストでは、Turboは値札の文字を正しく描きましたが、看板は省略しました。通常版2.1は店舗名の一部にポーランド語原文テストにおける文字化けを出力し、値札には数字だけが残り、酢を示す語は抜けました。旧共産圏時代のポーランドの店らしい雰囲気は両方で再現されましたが、通常版2.1のほうが棚の商品は多く描かれています。
ポートレートと商品写真
桟橋に立つ漁師のポートレートは、どちらも映画のワンシーンのような仕上がりです。しわ、濡れた上着、灰色の光が描かれています。Turboはコントラストが少し強く、広告写真のような印象です。並べて見なければ、8ステップと25ステップのどちらで生成した画像か判別できないほどでした。
ComfyUIでTurboを使う方法
- ComfyUIをバージョン0.41以降に更新します。古い0.37にはTurboのテンプレートがありません。
- Comfy-Org/Qwen-Image-2.1リポジトリから
diffusion_models/qwen_image_2.1_turbo_int8_convrot.safetensors（7.26 GB）をダウンロードし、ComfyUI/models/diffusion_modelsに保存します。 - 通常版2.1を持っていない場合は、テキストエンコーダー
qwen3vl_8b_int8_convrot.safetensors（9.35 GB、text_encodersに保存）とVAEqwen_image_2.1_vae_bf16.safetensors（0.68 GB、vaeに保存）もダウンロードします。 - ComfyUIで「Workflow」から「Browse Templates」を開き、「Qwen Image 2.1 Turbo」を選びます。
- テンプレートでは、プロンプト拡張機能（別モデルのQwen 3.5 9B、9.5 GB）が初期設定で無効になっています。使わない場合は、シーンの説明を英語で詳しく書いてください。「ソファの上の猫」のような短いプロンプトでも画像は生成できますが、平凡な仕上がりになります。
WindowsでComfyUIをインストールする手順はComfyUIをゼロから始めるで、ローカルで動作するモデルの一覧はローカルAIガイドで紹介しています。
ライセンスと商用利用
TurboのライセンスはQwen-Image 2.1と同じQwen Researchです。モデルの実行、テスト、研究はできますが、顧客向けの表紙や広告、商品など、収益を得る目的で使うにはAlibabaから別途許可を得る必要があります。商用利用できるローカルモデルを探している場合は、Apache 2.0ライセンスで同程度の時間で画像を生成するZ-Image Turboも選択肢です。
Qwen-Image 2.1 Turboが向いている用途
- アイデアを素早く試す：画像1枚4秒なら、プロンプトを変えてすぐに結果を確認できます。通常版2.1では約5倍の時間がかかります。
- まとめて生成する：1024×1536の画像を100枚生成する場合、約7分で済みます。通常版では約33分です。
- 通常版2.1を使う場面：背景の情報量が多く、細部まで作り込んだ単独の画像には通常版を使うのがよさそうです。
手軽に使うならHangar
Turboは、Windows向けの無料ローカルモデル管理ツールHangarのカタログにあります。アカウントもサブスクリプションも不要で、実行エンジンにはComfyUIを使います。int8版のファイル合計は17.3 GBです。内訳はTurboモデルが7.26 GB、通常版2.1と共通のQwen3-VL-8B int8エンコーダーが9.35 GB、VAEが0.68 GBです。ライセンスも通常版2.1と同じQwen Researchで、商用利用はできません。通常版2.1はHangarでのテストを済ませており、読み込み込みで画像1枚52秒でした。Turboの設定はまだテストしていません。
- Hangarのページからインストーラー（14 MB）をダウンロードします。デジタル署名はまだないため、Windows SmartScreenの警告が表示されたら「詳細情報」をクリックし、「実行」を選びます。
- HangarがGPUを検出します。対応するのはCUDA対応のNvidia GPUで、VRAMは8 GB以上、12 GB以上が推奨です。モデルがGPUに収まるかどうかも表示されます。
- カタログでQwen Image 2.1 Turboを探すと、ファイルサイズ、ライセンス、EU域内での利用可否を確認できます。
- 現時点では、上記の手順に沿ってComfyUIで生成します。HangarはComfyUI portableを新規にセットアップするか、すでにあるComfyUIに接続できます。新規セットアップにかかった時間は筆者の環境で231秒でした。
Hangarのカタログにはモデルがありますが、Hangar経由の生成機能はまだ動作しません（2026年10月17日時点）。現時点では上記のとおりComfyUIを使います。ツールの詳細はHangarを参照してください。
よくある質問
Qwen-Image 2.1 TurboにはVRAMがどれくらい必要ですか？
筆者の環境では、int8版のVRAM使用量はカード全体で最大16.8〜18.6 GBでした。VRAM 16 GBのカードではComfyUIが重みの一部をRAMに移すため、生成は遅くなります。モデル単体で14.2 GBあるbf16版は、VRAM 24 GB以上の環境向けです。
Turboはポーランド語の文字を描けますか？
一部は描けます。ポスターの見出しと値札の数字は正しく出力されましたが、地名ではポーランド語特有の文字が抜け、店舗の看板は省略されました。同じテストでは通常版2.1より良い結果でしたが、長いポーランド語の文字列は確認なしで使わないほうがよいでしょう。この評価はポーランド語で行ったテストに基づくもので、日本語の文字描画性能を示すものではありません。
Turboで写真を編集できますか？
ComfyUIには「Qwen Image 2.1 Turbo Image Edit」という別のテンプレートがあります。筆者はまだ編集機能を試しておらず、今回計測したのはテキストからの画像生成だけです。
ComfyUIなしで動かせますか？
Diffusersライブラリや、モデルを通常のアプリに組み込むフロントエンドを使えば可能です。10月14日からは、stable-diffusion.cppを使うオープンソースのエディターKokonも利用できます。ただし、NVIDIA GPUを持っていて、すぐ使えるテンプレートが必要ならComfyUIが最も手軽です。
TurboとZ-Image Turboのどちらを選ぶべきですか？
以前のテストでは、Z-Image Turboは画像1枚を4.2秒で生成しました。Qwen Turboも同程度の速さで、ポーランド語の文字描画とシーンの意味の表現ではより良い結果でした。一方、Z-Imageは収益目的の利用が可能なApache 2.0ライセンスです。
Diffusersの設定とTurbo LoRA
Qwenの公式モデルカードでは、TurboをDiffusersのQwenImage21Pipelineから直接読み込む方法を紹介しています。チェックポイントには推奨の8ステップスケジュールが保存され、パイプラインが自動で読み込みます。上記のComfyUIテンプレートでの設定とは区別してください。
ステップ数を試す際は注意が必要です。公式説明によると、num_inference_stepsだけを指定しても保存済みスケジュールは上書きされません。また、Comfy-Orgの配布ページには、Turboモデル本体のほかにTurbo LoRAも掲載されています。どちらも今回のRTX 4090での比較テストとは別の利用方法です。
Diffusersでスケジュールを手動設定する必要はありますか？
推奨設定を使う場合は不要です。保存済みの8ステップスケジュールが自動で読み込まれます。
ComfyUI向けにはTurbo本体以外の選択肢もありますか？
はい。Comfy-OrgはTurbo LoRAも掲載しています。今回の比較ではLoRAを試していません。
更新部分の出典
Google · あなたの情報源GoogleでKiramesuをもっと上位に表示-ワンクリックで設定お気に入りの情報源に追加 →出典
- Hugging FaceのQwen/Qwen-Image-2.1-Turbo（モデルカードとライセンス、2026年10月17日確認）
- Comfy-Org/Qwen-Image-2.1（ComfyUI用ファイル）
- ComfyUIの変更履歴（Turboは2026年10月13日に追加）
- RTX 4090での筆者による計測、2026年10月17日。
Kiramesuの関連記事
