Stable Diffusion 3

Stable Diffusion 3 とは

Stable Diffusion 3 は Stability AI が公開したオープンウェイトの画像生成モデルだ。文章で指示を出すと画像が返ってくる。基本的な仕事は Midjourney や DALL·E と同じだが、購入判断を分ける違いが一つある。重みをダウンロードできるため、自分で管理するハードウェア上で動かせる。

Stability は 2024 年 2 月に SD3 ファミリーを発表し、同年 6 月に Medium を公開した。Medium は 20 億パラメータ。80 億パラメータの上位版は、自社アプリと API の有料アクセスにとどまった。内部ではマルチモーダル拡散 Transformer（MMDiT）と 16 チャネルの VAE を組み合わせる。テキストと画像パッチをまとめて処理する設計で、画像生成器に文字読み取り機を後付けする形ではない。

旧世代の Stable Diffusion と比べて差が出るのは指示への追従性だ。人数の多い場面でも崩れにくく、手や小さな物体の失敗が減り、画像内の短い文字列もしばしば読める状態で出る。この最後の点が、ポスターやモックアップの仕事を SD3 に寄せた。

先に書くべき制約がある。Stability は 2025 年 4 月に自社 API の SD3 エンドポイントを廃止し、利用者を Stable Diffusion 3.5 へ移した。重みは Hugging Face に残り、外部ホストも依然としてこのモデルを配信している。ただし公式の Stability API を前提に計画を立てるチームは、実質的に 3.5 を使うことになる。

はじめかた

1. Hugging Face のアカウントを作り、stable-diffusion-3-medium のページでライセンスに同意してから、重みをダウンロードするか diffusers 版を入れる。
2. 実行環境を選ぶ。ノードベースの作業なら ComfyUI、フォーム形式の設定が好みなら Automatic1111、Python スクリプトとバッチ処理なら diffusers ライブラリが向く。
3. 1024x1024 前後でモデルを読み込み、プロンプトは説明文として書く。SD3 は場面を説明する一文に反応しやすく、カンマ区切りのタグを並べるほど効かない。
4. シードを固定して小さめのバッチを出し、外した箇所はプロンプト側で直す。当てずっぽうに引き直すより速い。うまくいった設定は保存し、同じ見た目を後から再現できるようにする。