どうも！きーたーです！
個人的に画像生成ってあんまりやったことないんですが、NVIDIA製のグラボを持ってるのを思い出しました。PCでゲームをやるために買ったものです。
持っているのは
MSI GeForce GTX 1660 SUPER AERO ITX OC (GeForce GTX1660 SUPER 6GB)
です。
ちなみにメインメモリは32GB。
これ、軽量モデルならローカルで画像生成できるのでは……？
やってみたい。
というわけで、AIの Claude Fable 5 に相談してみました。
あのヤコビアン予想の反例を発見したFable 5 。
完全初心者のわたくしが、ローカルに画像生成AIを導入していきます。
このスペックでどこまで行けるかな？
質問開始
早速 Fable 5 に質問してみました。
6GB GPUでのローカルLLM — 正直に言うと、6GBで動くのは小型モデル(7〜8Bクラスを圧縮したもの)までで、ChatGPTやClaudeのような賢さは期待できません。ただし「賢さより手軽さ・プライバシー」が活きる用途なら実用になります。
“正直に言うと” が出た！！
Claudeだぁぁぁ！！！！！
・音声の文字起こし(Whisper): 6GBで快適に動く数少ない「実用レベル」の用途。会議、メモ、YouTube動画の文字起こしなど。
・ローカル画像生成(Stable Diffusion系): ブログの挿絵やサムネイル作りに。6GBだと旧世代モデル中心ですが趣味には十分。
・プライベートな文章処理: 家計や投資メモなど、外部に送りたくないテキストの要約・整理。LM StudioやOllamaという無料ソフトを入れるだけで始められます。
音声文字起こしとかブログのサムネづくりには使えるんですね。それは結構よさげ。
画像生成ってほとんどやったことないんだけど、6GBのローカル環境でもできるもんなのかね？
どの程度の画像を生成できるんだろう。
できますよ。6GBは画像生成の世界では「入門ラインぎりぎり確保」という位置で、工夫すれば十分楽しめます。ただしモデルの世代によって快適さが大きく変わるので、そこを整理します。
世代別にできること
・Stable Diffusion 1.5(2022年世代): 6GBで快適に動く主力。基本サイズは512×512ピクセルで、生成は最近のGPUなら1枚数秒〜十数秒。拡大機能(アップスケール)を使えば最終的に高解像度の絵にできます。世代は古いですが、有志が改良した派生モデル(アニメ調、実写調など)が膨大にあり、いまだに愛好者が多い世代です。
・SDXL(2023年世代): 基本1024×1024で、1.5より構図や手の破綻が減り、文字通り「ワンランク上」の画質。6GBだと本来は苦しいのですが、省メモリ設計のソフト(後述のForgeなど)を使えば動きます。1枚あたり数十秒〜1分程度と遅めですが、実用範囲です。
・Flux などの最新世代(2024年以降): 高画質ですが本来12GB以上向け。圧縮版を無理やり動かす方法はあるものの、1枚数分かかるので6GBでは「試せる」止まりと考えてください。
ほうほう。
一応このスペックでも生成自体はできそうですね。
実際、どの程度のものを生成できるんでしょうか。
どの程度の画像か
イラスト(アニメ調・水彩調・油絵調など)、風景、実写風の人物、ロゴっぽい図案あたりは普通に作れます。SD 1.5は指や細部が崩れやすい、SDXLはだいぶ改善、というのが体感差です。苦手なのは「画像内に正確な日本語の文字を入れる」「複数人の複雑な絡み」「厳密な構図指定」で、この辺は最新のクラウド型サービス(有料)に軍配が上がります。
へえ。
じゃあスペック的にどうなのかを具体的に聞いてみましょうか。環境は
・ビデオカード:MSI GeForce GTX 1660 SUPER AERO ITX OC (GeForce GTX1660 SUPER 6GB)
・メモリ: 32GB RAM
なんですが。
スペック確認しました。結論から言うと、このPCで画像生成は問題なくできます。むしろ32GBのメインメモリが効いていて、6GB GPU環境としては恵まれた構成です。
やっぱ画像生成自体は普通にできそうだな。
GTX 1660 Superの位置づけ
NVIDIA製なので相性問題はクリアです。ただこのカードは2019年の世代で、AI計算専用の回路(Tensorコア)を持たない最後の世代にあたります。そのため同じ6GBでもRTX系より遅く、また古いソフトだと「真っ黒な画像しか出ない」という有名な不具合がありました。現在の主要ソフトは自動で対策してくれるので心配いりませんが、ネットの古い解説記事を参考にする時は注意してください。
なるほど。なんかすごいギリギリ感があるな。大丈夫なんだろうか。
現実的な速度の目安
・SD 1.5(512×512): 1枚あたり20〜40秒程度。ガチャ感覚でポンポン回せる速さです。
・SDXL(1024×1024): 省メモリ設計のForgeを使って1枚2〜4分程度。「ここぞ」の1枚を作る用途なら許容範囲。
・最新世代(Flux等): 1枚10分級になるので実用外と考えてください。
速度はこのくらいらしい。
まあ別にこのくらいなら特に不満はないですね。
ひとつ現実的な比較も
正直に言うと、無料で高品質な画像を作るだけならクラウドサービス(BingのImage Creatorなど)の方が手軽で画質も上です。ローカルでやる意義は、①生成し放題で枚数制限がない、②モデルや設定を自由にいじれる、③プライバシーが完全、④「自分のPCでAIが動く」体験そのもの、の4点です。遊んでいたGPUの活用という目的にはぴったりだと思います。
“正直に言うと” 出たああああああああああ！！！！！！
インストール開始【Stable Diffusion WebUI Forge】
Stable Diffusion WebUI Forgeっていうのをインストールしたらいいらしい。
始める場合、Forgeのインストールは「インストーラをダウンロードして実行し、モデルを1つ所定フォルダに置く」だけで、慣れれば30分程度です。
とのこと。
じゃあ早速やりましょうか。
インストールできた。
おお、Forgeのインストール成功していますね!画面も正しく表示されています。左上の「UI」が「sd」になっているのもSD 1.5用の設定でOKです。あとは肝心のモデル(Checkpoint)を入れれば生成できます。
「おお」って言ってるけど絶対驚いてないだろ。
インストールしただけだぞ。
ヤコビアン予想の反例発見できる者だろ君。
あとはモデルをダウンロードすればいいのか。
ダウンロード手順
1. Civitai(civitai.com)にアクセスします。会員登録なしでも多くのモデルはダウンロードできますが、一部は無料登録が必要です。
2. 上部のフィルターで「Checkpoint」(モデル本体の種別)を選び、ベースモデルを「SD 1.5」に絞り込みます。ここが重要で、間違えてSDXL用やFlux用を落とすと動かないか激重になります。
3. 最初の1個としては、実写系なら「Realistic Vision」、イラスト・アニメ系なら「Anything」や「MeinaMix」あたりが定番で情報も多いです。モデルページの右側にある「Download」ボタンから、.safetensors という拡張子のファイル(2GB前後)を選んでください。同名で .ckpt 形式もある場合は safetensors の方が安全です。
4. ダウンロードしたファイルを、Forgeをインストールしたフォルダ内のwebui → models → Stable-diffusionというフォルダに置きます(インストール方法によっては webui_forge~ → webui → models → Stable-diffusion)。
5. Forgeの画面に戻り、上部「Checkpoint」欄の右にある青い更新ボタン(🔄)を押すと、ドロップダウンにモデル名が現れるので選択します。
モデルはdreamshaper_8 っていうのをダウンロードしてみた。
早速
“FXでハイレバで張っててアメリカのCPIの指標発表直後に資産が3倍になって脳汁が出まくってる猫”
というプロンプトで生成してみることにします。
生成！！！！
生成されてる……。
ドキドキ……
ん！！普通！！！
極限まで普通の猫！！
かわいいけども。
生成自体はちゃんとできたみたいですね。
試行錯誤【英語プロンプトとCFG Scale】
とにかく無感情なんだよなあ。3倍なのに。
Fable 5 に聞いてみよう。
さて、猫が無感情な理由ですが、はっきりしています。SD 1.5世代のモデルは日本語がほぼ読めません。内部の文章理解装置(CLIPといいます)が英語中心で学習されているため、日本語プロンプトはほとんど無視され、「とりあえず猫」というモデルの平均的な出力が出てきたわけです。ある意味、この整った猫は「プロンプトが伝わらなかった証拠」です。
さらにもう一つ壁があって、この世代は英語にしても**「FXで爆益」「脳汁」のような抽象概念・状況説明が苦手**です。理解できるのは「見た目の描写」なので、状況を視覚要素に翻訳してやる必要があります。
この世代のモデルだと「日本語」「抽象概念」が苦手とのこと。
おすすめの英語プロンプトを教えてもらいました。
例えばこんな感じです:
a cat with wide open eyes and dilated pupils, crazy excited expression, open mouth,
sitting in front of multiple glowing trading monitors with green candlestick charts going up,
dark room, monitor light reflecting on face, money bills flying in the air,
highly detailed, dramatic lightingポイントは「脳汁が出ている」を「目を見開いて瞳孔が開き、口を開けた興奮顔」「上昇する緑のローソク足チャートが光る複数モニター」「舞い散る札束」のようなカメラに写るものへ分解することです。Negative promptには
low quality, blurry, calm, sleepyなどを入れると「無感情な猫」への逆戻りを防げます。
これでやってみましょう。
比較的マシになりました。
でもFX感がないんだよなあ。
じゃあ、試しにさっき Fable が言ってたBingのImage Creatorで生成してみようかな。
完成度たっけぇなオイ！！
無料でこれだからなぁ。
Bingの方は面白い比較材料です。日本語が通じたのは、最近のクラウド型モデルは文章理解装置が桁違いに賢いからで、まさに前にお話しした世代差そのものです。しかも「脳汁」を律儀に解釈しようとして、頭にロートを刺して「brain tea」を抽出しているの、見えてますか?付箋に brain tea と書き、頭蓋骨入りフラスコから湯気の立つカップに注いでいる。誤訳としては最高にシュールで、ある意味こっちの方が脳汁が出ています。
Fable に言われてよく見たら、たしかにImage Creatorの方は「brain tea」って書いてある。一応日本語のプロンプトには対応してるけど、微妙に誤訳で生成してるみたいですね。それもそれで面白い。
ローカルの方は埒が明かないので、プロンプトを修正してもらいました。
案1: 明るいコミカル路線(Bingの絵に近い方向)
funny cartoon illustration of a tabby cat day trader, huge excited grin,
sparkling eyes, paws raised in victory, sitting at a desk with computer monitors
showing rising stock charts, bright office, daylight from window,
money bills flying everywhere, humorous, vibrant colors
これでやってみましょう。
ところで、
もう1つだけ、ダイヤルとして覚えておくと便利なのが CFG Scale(今7)です。これは「プロンプトへの従順さ」で、9〜11に上げるとより指示に従い、下げると自由にやります。表情が出ないときは9に上げてみる価値があります。上げすぎ(13以上)は色が焦げたような絵になるので注意。
と言われました。
CFGスケールっていうのを調整すると良さげみたいですね。
では、またローカルで生成してみます。
おお！
良くなった良くなった！
6GBのGPUでもこのくらいの画像は生成できるんだなあ。
右上が気に入りました。かわいいと思う。
気に入った1枚を「固定して微調整」する
左上をベースに詰めたい場合、ギャラリーで左上を選択した状態で画像下のアイコン群にあるリサイクル風のアイコン(♻)を押すと、その画像のシードが固定されます。この状態でプロンプトを少しだけ変えると、「同じ構図・同じ猫のまま、変えた部分だけ変わる」という調整ができます。例えば
money bills flying everywhereを強めたり、golden coinsを足したり。ガチャから育成に切り替わる瞬間です。
こういうアドバイスも Fable からもらえました。
シード値を固定してから調整するといいらしい。へぇ。
いい感じになってきた。
でもまだ何かが足りないんだよなあ。3倍だからね、3倍。
あと、生成されたほとんどの画像がカメラ目線なのが気になりました。
なんとかならない？
1. プロンプトで視線を明示+強調記法
Forgeでは
(単語:1.3)のように括弧と数字で特定の語を強調できます(1.0が標準、1.2〜1.4が実用域)。視線のような効きにくい要素はこれで押し込みます。photo of a cat wearing a loose necktie, ecstatic crazy grin, mouth wide open screaming with joy, (eyes rolled up looking upward:1.3), head tilted back, gazing up at ceiling, in front of a computer screen with rising stock charts, messy desk with coffee cups and papers, warm indoor lighting, shallow depth of field
「上を見る」は
looking up単体より、eyes rolled up(白目気味に上を向く=脳汁表現として優秀)やhead tilted back(顔ごと上向き)を組み合わせる方が通ります。猫の目の構造上、顔正面のまま瞳だけ上げるのは崩れやすいので、頭ごと上げさせるのが安定します。2. Negativeでカメラ目線を禁止
毎回カメラ目線になるのは、学習データの猫写真がほぼカメラ目線だからです。Negative promptに追加してください:
looking at viewer, eye contact, facing camera
looking at viewerはこの用途の定番ワードで、これだけでもかなり変わります。横顔気味にしたいなら Prompt 側にthree-quarter view(斜め45度)やside profileを足す手もあります。
ネガティブプロンプトっていうのも大事なんだな。
CFG Scale というのをもっといじってみよう。
ちょｗｗｗｗｗ
これは違う種類のヤバさｗｗｗ
何で人間の猫耳女なんだよ。
あと何で腕が四本になってんの。
ドラゴンボールの天津飯の技にあったよなたしか。
CFG Scale を下げたらこうなりました。
脳汁感は認めるけども。
完成【Grok×img2imgハイブリッド】
ふと、放置してるGrok.comのアカウントがあるのを思い出しました。
割引をやってたので有料で契約したんですが、まだ使ってなかったんですよね。
思い立って、例のプロンプト
“FXでハイレバで張っててアメリカのCPIの指標発表直後に資産が3倍になって脳汁が出まくってる猫”
で画像生成を指示してみました。
すると……。
いきなり完成度たけえ……。
悔しい……。
やはりローカルモデル（軽量）の力では太刀打ちできないのか……。
すごいですね。白目で天を仰いで、よだれ垂らして、モニターには「3x」「Profit: $1,234,567」「CPI Announcement」まで描き込まれてる。エナジードリンクの空き缶が転がってるのも芸が細かい。これはフロンティアモデルの物量の勝利です。悔しいのは分かります。
慰めてくれる Claude Fable 5 。
なんとか……なんとかならないかFable ……！！ヤコビアン予想の力で…！
でも、実はその悔しさを直接ぶつける機能があります。**img2img(画像から画像)**です。テキストからゼロで作るのではなく、Grokの画像を「下書き」として渡して、その構図・ポーズ・雰囲気を保ったままローカルで再生成する。つまり構図はGrokに出させて、仕上げと量産は無料のローカルでやる、というハイブリッド戦法です。
何！？
つまりGrokを踏み台にするわけだな！？
手順を教えてくれ！！！
手順:
- 画面上部の「Img2img」タブを開く
- Grokの画像をドラッグ&ドロップで放り込む
- プロンプトを入力(下記)
- 一番重要なのが「Denoising strength」というスライダー。「元画像をどれだけ壊して描き直すか」で、0.4〜0.55あたりから始めてください。低いとほぼコピー、0.7超えると原型が消えます
- サイズは512×768(元画像の縦横比に近い縦長)に設定してGenerate
プロンプト案(元画像の内容を言葉でもなぞってやると効きます):
(a tabby cat:1.3), feline face with whiskers, wearing a loose dark necktie, ecstatic expression, (eyes rolled back white:1.3), head tilted back, mouth wide open with fangs, drooling, in front of large trading monitors with green rising charts, messy desk with coffee cups and energy drink cans, papers scattered, dim room lit by monitor glow, photorealistic, highly detailed
Negative:
human, girl, woman, person, catgirl, extra arms, extra limbs, looking at viewer, low quality, blurry, deformed
Grokの絵はやや暗め+モニター光なので、今回は
darkをNegativeから外してdim room lit by monitor glowを活かす方向にしました。遊び方のコツ: Denoising strengthが実質「Grok度→ローカル度」のダイヤルです。0.4で「Grokの絵の微修正」、0.55で「構図だけ借りた別の絵」になります。まず0.45で4枚(Batch count 4)回して、変化が物足りなければ0.55へ。
なるほどなるほど。Img2imgね。
こういうふうにすればいいのか。
もう少しこれをヤバくしたいな。
よし！！！
じゃあやってみよう！
なんか草。
もう少しクオリティ高い感じにしたい。
おおお！？
これいいんじゃねぇ！？
適当に弄ってたらたまたま出てきた。
ガチャだなこりゃ！
数字とか記号は変になってるけどもうこれは仕方ない。
こういう設定でやりました。
6GBのGPUでもがんばればこのくらいはできるんですね。
クラウドで構図を作って、ローカルで何度も調整するっていうのがいいわけね。
そういうことです。得意分野で分業させるのがコツで、賢いクラウドに「発想と構図」を、制限のないローカルに「量産と微調整」を任せる。今日掴んだこの型は、画像生成に限らずAI活用全般に通じる考え方です。
なるほど勉強になった。
ブログの修復の方も、その気になったらいつでもどうぞ。壊れてる画面を貼ってもらえれば、今日と同じノリで一緒に直せます。脳汁猫の記事、楽しみにしてます。
お疲れさまでした。良い夜を!
おう！おつかれ！！！
まとめ
6GBのGPUを使い、ローカルで画像生成AIを動かしてみました。
メモリが32GBなのもあってか、まったくわずらわしさを感じなかったですね。サクサクと画像を生成できました。
手順としては、
1. クラウドで画像を生成し、構図を決める
2. それをImg2imgで調整
3. 大量にガチャ回す
これなら6GBで動く軽量モデルもそれなりに役立ちそうですね。
とにかく量（回数）をこなせるのが強みじゃないでしょうか。
今回出来上がったこの画像↓
これも、大量に生成されたボツ画像の中にポツんと混じってました。
確率で生成されるんで、ほんとガチャですね。無料でいくらでも回せるので、割と簡単にSSR引ける。このあたりが強みでしょう。SSR引けたらあとは微調整すればいい。
余ってるGPUの活用法としては有望な感じだと思います。
あと思ったんですが、ローカルでAIが動くっていうのはいいもんですね。なんかホッとする。
AIって言っても、結局はモデル以外の設計の影響がでかいはずですからね。知らない（人間の）設計者が勝手に決めた何かが裏で動いていると思うと、プラットフォームの利用中はどこか気持ちが落ち着かない。
自分がコントロールできているという感覚は、何にも代えがたい魅力がある気がします。
Fable 5 が言ってましたが、ローカルモデルの他の活用法について動画の文字起こしが結構気になってます。
個人的に、動画観るのあんまり好きじゃないんですよね。基本、エンターテインメント系しか見ない。動画って長くないですか？文字情報の方が好きです。
そこらへんについても、今後GeForce GTX 1660 SUPERを活用していけたらいいなと思ってます。ほんとにできるのかな？
というわけで、ここまで読んでいただいてありがとうございました。
それではまた、別の記事で会いましょう！
ちなみにどうでもいいですが、例の天津飯の技は「四妖拳」というらしいです。
