新清士の「メタバース・プレゼンス」 第179回

無料の画像生成AI「Moss-Image」がすごい　日本語も漫画も生成、商用利用OKの実力を試した

ComfyUIで導入し、高速化LoRAで生成時間を短縮

　導入は容易で、最新のComfyUIのテンプレートからMossと検索するだけで見つかります。ただし、基本設定はBaseモデルです。Moss-Imageは、Baseモデルと調整済みのSFTモデルの2種類が存在しますが、通常の画像生成では、追加学習によって出力を調整したSFTモデルをお勧めします。また、基本的には50ステップ（ステップは画像を段階的に生成する処理の回数）が前提となっています。そのため、生成にはかなり時間がかかり、筆者のA6000環境（RTX 3090程度に相当）では1536×1024の画像を生成すると、1枚につき約1分半～2分待つ必要がありました。

　しかし、すぐに8ステップでの生成を可能にする高速化LoRA「lodestones MOSS Image SFT 8steps dmd latest.safetensors」が登場しました。これを組み込むだけで、生成時間はかなり短くなります。筆者の環境では1枚20秒程度で生成できます。ただし、弱点もあり、色あせたり、画像や文字が崩れたりする傾向が高まります。筆者が防止策を試したところ、16ステップに増やすと、生成時間は10秒程度長くなりますが、崩れにくくなりました。

　作例と同じプロンプトとシード値を使っていますが、8ステップでは色味が薄かったり、「アスキー旅行」が「アスキン旅行」になるなど、文字の一部が崩れています。しかし、16ステップでは画像の品質は50ステップほどではないにせよ、品質はかなり向上しています。普段の利用では高速化LoRAを適用し、16ステップで生成することをお勧めします。 　

左が8ステップ、右が16ステップ

　様々な複雑な条件を反映した画像を生成できるのが特徴で、広告用の画像を作成したり、幅広い年齢層の人物を複数描いたり、テキストの指定をかなり自由に反映したりできるなど、NanoBananaやGPT-Imageといったマルチモーダル型の画像AIに匹敵するかなり幅広い表現能力を持っていることがわかります。以下の作例は「Claude Opus 5.5」に作成させたプロンプトで、ComfyUIを通じてMoss-Imageで生成したものです。

　ちなみに、プロンプトを処理するテキストエンコーダーにはAlibabaのQwen系（Qwen3.5-9B）を採用していることもあり、日本語のプロンプトも認識します。

　また、筆者が確認した限りでは、アダルト系はヌードまでは生成できますが、それ以上に露骨なものの生成はうまくいかず、そもそも学習データに含まれていない可能性が高そうです。

Moss-Imageに作らせた実写作例いろいろ

Moss-Imageに作らせたアニメ風作例いろいろ

　漫画も作成可能です。かなり細かい指示にも応じるため、漫画を作らせることもできます。ただし、そのプロンプトは非常に複雑になるため、人間が手作業で書くのは不可能に近く、LLMと共同で作成することをお勧めします。参考までに、記事の最後に、1ページ目のプロンプトを掲載しておきます。これをAIに読ませて、自由に改造して利用してください。

Moss-Imageが生成した漫画。プロンプトはOpus 5.5が作成。現状はリファレンス機能がないのでキャラの一貫性は弱い