AI画像生成モデルの傾向
いろんな画像生成モデルがあるので、いったん現状がどんな感じかまとめることにした。
クラウドにおけるAI画像生成モデル
1. 静止画（画像）生成AI 比較表
| 提供元 |
サービス・モデル名 |
特徴・強み・固有機能 |
料金の目安 |
人気度 |
精度・品質の傾向 |
| Adobe |
Firefly（Adobeモデル） |
Photoshop等と連携。Adobeの“Fireflyモデル”はライセンス/許諾済み等のデータ中心で、商用利用の安心感を強く訴求（※アプリ内で他社モデルも選べるため、条件付きで記載推奨）。 |
無料枠あり / 有料プラン |
★★★★☆ |
高（商用制作に寄せた安定感） |
| Google |
Imagen 4 |
写実〜イラストまで高品質。プロンプト追従・文字/タイポ改善が進んだ世代。利用はGemini/Vertex AI等で提供形態が分かれる。 |
一部無料 / API従量制（提供形態で差） |
★★★★☆ |
最高峰（写実・プロンプト忠実度） |
| Google |
Gemini（Nano Banana / Nano Banana Pro） |
Gemini内蔵の画像生成/編集。文字の描画、対話しながらの部分編集、複数画像の合成・一貫性が強み。 |
一部無料 / 有料枠（プランで差） |
★★★☆☆ |
高（文字・対話的編集） |
| Ideogram |
Ideogram（Ideogram 3系） |
文字入りデザイン（ロゴ/ポスター/見出し）で定番。タイポ品質を理由に採用されやすい。 |
無料枠あり / 有料プラン |
★★★★☆ |
高（タイポ・デザイン用途） |
| Recraft |
Recraft（V3等） |
ベクター出力やデザイン制作ワークフローに強い。文字配置など“デザイン作業”寄り。 |
無料枠あり / 有料プラン |
★★★★☆ |
高（デザイン・ベクター） |
| Stability AI |
Stable Diffusion 3.5（API/Studio） |
SD系の代表格。コミュニティ資産も強く、用途別の派生が豊富。※利用条件はライセンス/収益条件に依存。 |
API従量制 / プラン |
★★★★☆ |
高（汎用・運用しやすさ） |
| Leonardo |
Leonardo.ai |
ブラウザで高機能UI。ゲームアセット作成に強く、LoRA/学習・スタイル管理などカスタマイズが手軽。 |
無料枠あり / 有料サブスク |
★★★★☆ |
高（カスタマイズ性・ゲーム系） |
| Meta |
Meta AI（画像生成 / Imagine） |
Instagram等のMeta環境と連携しやすい。スタンプ等の“日常用途”で手軽。※提供地域・機能は段階展開の可能性。 |
無料（提供地域/機能で差） |
★★★☆☆ |
中〜高（手軽さ・ポップさ） |
| Midjourney |
Midjourney |
芸術性、映画的ライティング、質感表現が強い。作家性のある画作りで定評。 |
有料サブスク中心 |
★★★★★ |
最高峰（芸術性・美麗さ） |
| OpenAI |
ChatGPT Images（GPT Image / gpt-image-1系） |
ChatGPT上で対話しながら生成・編集ができ、意図理解と修正ループが強い。※DALL·E 3はAPIで廃止予定のため“現行比較”はGPT Image系推奨。 |
ChatGPTプラン等 / API従量制 |
★★★★★ |
高（意図理解・汎用性） |
| xAI |
Grok Imagine（画像） |
画像生成に加え、同一UI/ワークフローで動画化や音声生成まで繋げやすい設計（利用範囲はプラン/APIで差）。 |
X有料枠等 / API従量制 |
★★★☆☆ |
高（統合体験・高速反復） |
| --- |
|
|
|
|
|
2. 動画生成AI 比較表
| 提供元 |
サービス・モデル名 |
特徴・強み・固有機能 |
料金の目安 |
人気度 |
精度・品質の傾向 |
| Adobe |
Firefly Video |
クリエイター向けの制御と既存ツール連携。商用制作を意識した運用設計（※モデル/素材の条件は利用設定に依存）。 |
無料枠あり / 有料プラン |
★★★☆☆ |
高（制作フロー連携） |
| Google |
Veo 3（Veo 3.x） |
高精細映像に加え、効果音・環境音・セリフなど“ネイティブ音声”生成に対応。写実・物理・プロンプト追従が強い。 |
一部無料 / 有料（提供形態で差） |
★★★★☆ |
最高峰（音声同期・高画質） |
| Kuaishou |
Kling AI |
長尺寄りや人物動作の自然さで定評。物理っぽさ・動きの破綻の少なさを狙える傾向。 |
無料枠あり / 有料サブスク |
★★★★☆ |
最高峰級（人物・動作） |
| Luma AI |
Dream Machine |
生成スピードが速く、自然でダイナミックなカメラワーク（視点移動）に定評。 |
無料枠あり / 有料サブスク |
★★★★☆ |
高（スピード・カメラ） |
| OpenAI |
Sora 2 |
空間の連続性・物理一貫性が強み。同期したセリフ/効果音まで含めた生成が可能。Plusに含まれる枠があり、上位プランで増量。 |
ChatGPT Plus〜（上位で増量） |
★★★★★ |
最高峰（空間一貫性・写実） |
| Pika Labs |
Pika |
アニメ/3D寄り表現や編集機能が充実。リップシンク等の“後工程”も含めた体験が強い。 |
無料枠あり / 有料サブスク |
★★★★☆ |
高（アニメ・編集） |
| Runway |
Runway（Gen-3等） |
動画生成の老舗。Motion Brush等、制作向けの制御・編集機能が豊富。 |
無料枠あり / 有料サブスク |
★★★★★ |
最高峰（制作向け制御） |
| MiniMax |
Hailuo（02/2.3等） |
一発生成の質感・動きの滑らかさで定評（提供形態/モデル名は更新が早い）。 |
無料枠あり / 有料プラン |
★★★★☆ |
高（質感・動き） |
| xAI |
Grok Imagine（動画） |
T2V/I2V/動画編集＋“ネイティブ音声”まで統合。短尺中心（長さ・解像度はプラン/APIで変動）。※安全面のガードレール方針は競合と差があるため用途により注意。 |
X有料枠等 / API従量制 |
★★★☆☆ |
高（統合生成・反復） |
3. 動画化・アニメーション生成クラウド比較表
| サービス名 |
提供元 |
特徴・強み |
料金の目安 |
ローカル代替の難易度 |
| Runway（Gen-3等） |
Runway |
Motion Brush等で“動かす箇所”を指定できるなど制御が強い。 |
無料枠あり / 有料サブスク |
【高】 近いことは可能でも、操作性・高画質・安定性の両立が難しい。 |
| Luma Dream Machine |
Luma AI |
高速生成＋ダイナミックなカメラワークが得意。 |
無料枠あり / 有料サブスク |
【高】 大きな視点移動の破綻回避は依然クラウド優位。 |
| Kling AI |
Kuaishou |
人物動作・長尺寄りで定評。 |
無料枠あり / 有料サブスク |
【激高】 長尺×安定の再現はローカルだと重い。 |
| Sora |
OpenAI |
空間一貫性・写実感が強い。 |
ChatGPT Plus〜（上位で増量） |
【激高】 同等品質の再現は計算量的に現実的でない。 |
| Hailuo（MiniMax） |
MiniMax |
一発生成の質感・動きの滑らかさで定評。 |
無料枠あり / 有料プラン |
【高】 同等品質の再現は難しい。 |
4. 音声・セリフ生成クラウド比較表
| サービス名 |
提供元 |
特徴・強み |
料金の目安 |
ローカル代替の難易度 |
| ElevenLabs |
ElevenLabs |
高品質TTS/ボイスクローン。感情表現やナレーション品質で定評。 |
無料枠あり / 有料プラン |
【中】 ローカルでも作れるが、手軽さ・総合品質でクラウド優位になりやすい。 |
| PlayHT（Play.ai系） |
PlayHT |
ナレーション用途で人気。声のバリエーションやワークフローが強み。 |
無料枠あり / 有料プラン |
【中】 ローカルは環境構築・運用が重くなりがち。 |
| Voice Engine（限定プレビュー） |
OpenAI |
少ないサンプルから声色を保つ方向性で注目されたが、提供は小規模プレビュー扱い（一般公開前提の記載は避ける）。 |
提供先限定（一般公開なし想定） |
【高】 少サンプル高精度クローンはローカルの運用難度が高い。 |
| VOICEVOX |
ヒロシバ |
日本語に強い定番ローカル音声合成。「ずんだもん」等、キャラボイス豊富。 |
完全無料 |
【低（ローカル）】 日本語アニメ声/実況系はこれで十分。 |
5. リップシンク・表情制御クラウド比較表
| サービス名 |
提供元 |
特徴・強み |
料金の目安 |
ローカル代替の難易度 |
| Hedra |
Hedra |
1枚絵＋音声で喋り/歌い動画を作る手軽さが強い。 |
無料枠あり / 有料プラン |
【中】 代替は可能だが、自然さ・手軽さで差が出やすい。 |
| Sync Labs |
Sync Labs |
既存動画に高精度リップシンクを後付けするAPI寄り。 |
無料枠あり / API従量制 |
【高】 高精度後付けはローカルで破綻しやすい。 |
| HeyGen |
HeyGen |
ビジネス/解説向けアバター動画が強い。多言語化にも使われる。 |
無料枠あり / 有料サブスク |
【高】 全身アバター含む制作はローカル構築が複雑。 |
| Pika（Lip Sync等） |
Pika Labs |
生成→編集→リップシンクまで一気通貫の体験が強い。 |
無料枠あり / 有料サブスク |
【高】 “一気通貫”の作業効率がローカルでは出しにくい。 |
6. BGM・効果音生成クラウド比較表
| サービス名 |
提供元 |
特徴・強み |
料金の目安 |
ローカル代替の難易度 |
| Suno |
Suno |
ボーカル入り楽曲を指示だけで生成しやすく、完成度が高い傾向。 |
無料枠あり / 有料サブスク |
【激高】 総合品質・手軽さでクラウド優位。 |
| Udio |
Udio |
音質や生音感のあるアレンジで定評。 |
無料枠あり / 有料サブスク |
【激高】 高音質楽曲生成は依然クラウド優位。 |
| Lyria 3（Gemini）/ Lyria（Vertex） |
Google |
高品位な音楽生成（用途は“作曲支援/アイデア出し”寄り）。※Gemini側はLyria 3、VertexのAPI/課金表記はLyria 2中心の時期があるので注記推奨。 |
一部無料 / API従量制（提供形態で差） |
【激高】 高音質楽曲生成はクラウド優位。 |
| ElevenLabs（SFX） |
ElevenLabs |
効果音生成に特化。短い指示で使える素材を出しやすい。 |
ElevenLabsプラン内等 |
【中】 ローカルでも可能だが“一発の当たり”はクラウドが出やすい。 |
| Stable Audio |
Stability AI |
ループや尺指定BGMに強い。ローカル向け公開モデルもあり移行しやすい側。 |
無料枠あり / 有料サブスク |
【低〜中】 ローカル移行の選択肢が比較的ある。 |
ローカルにおけるAI画像生成モデル
1. 静止画（画像）生成AI ローカル最新比較表
| モデル・ツール名 |
開発元 |
特徴・強み（最新トレンド） |
要求VRAM目安 |
| Z-Image-Turbo |
Alibaba/Tongyi |
【軽量寄り×写実】少ない計算量で高い質感を狙える系。テキスト描画は主に英語/中国語が強いとされ、日本語は環境・プロンプト次第（要検証）。 |
8GB〜16GB（16GB推奨） |
| Qwen-Image |
Alibaba/Qwen |
テキスト描画（漢字圏）と写実寄りの肌感に定評。オープンソースで扱いやすい。 |
8GB〜16GB（快適は12GB+） |
| Kolors |
Kuaishou（Kwai） |
中国語/英語のテキスト描画と中国系コンテンツの理解で強いとされるオープンモデル。 |
12GB〜24GB（モデル/実装で変動） |
| HunyuanImage 3.0 |
Tencent |
オープンソースの画像生成モデル群。中国語/英語中心だが“世代更新枠”として強い。 |
12GB〜24GB（モデル/実装で変動） |
| Hunyuan-DiT |
Tencent |
研究実装寄り。要件表が比較的明示されている（GPUでの必要メモリは実装次第）。 |
14GB+（目安） |
| FLUX.1 [schnell] |
Black Forest Labs |
1〜4 stepsの高速生成。品質と速度の両立。 |
8〜16GB（目安） |
| FLUX.1 [dev] |
Black Forest Labs |
プロンプト追従・破綻の少なさで強い“研究/開発枠”。 |
16〜24GB（量子化で下げ可） |
| FLUX.2 [dev] |
Black Forest Labs |
32Bの最新“dev”。生成だけでなく編集/複数参照も強い。非商用ライセンス。フル精度は重く、量子化やテキストエンコーダ分離などの工夫が前提。 |
24GB級推奨（量子化＋工夫で下げ可） |
| FLUX.2 [klein] 4B |
Black Forest Labs |
“実用ローカル枠”。高速・軽量で編集もこなす。Apache 2.0で商用OK。 |
13GB前後（3090/4070級〜） |
| FLUX.2 [klein] 9B |
Black Forest Labs |
kleinの高品質側。品質/レイテンシのバランスが良いが、非商用ライセンスでVRAMも重い。 |
29GB前後（4090以上目安） |
| SDXL |
Stability AI |
生成基盤として成熟。LoRA/追加学習資産の豊富さが最大の強み（特にアニメ/スタイル寄り）。 |
8GB〜12GB |
| SD 3.5（モデル別） |
Stability AI |
SDXLより新世代。品質/追従は向上傾向だが、ライセンス条件（Community License等）とモデルサイズ差に注意。 |
12GB〜24GB（サイズ/設定で変動） |
2. 動画生成AI ローカル最新比較表
| モデル・ツール名 |
開発元 |
特徴・強み（最新トレンド） |
要求VRAM目安 |
| LTX-2（/LTX-Video系） |
Lightricks |
【軽量志向】比較的少ないVRAMで回しやすい系。映像＋音声同期まで単一モデルで扱えるのが特徴（環境差あり）。 |
8GB〜16GB（高解像度/長尺は増） |
| Wan 2.2 |
Alibaba/Wan |
オープン系の有力候補。複雑プロンプトや参照（I2V等）にも対応しやすい傾向。 |
16GB〜24GB（版/設定で変動） |
| Wan 2.2 Lightning |
コミュニティ蒸留版 |
Wan 2.2系の高速化/軽量化を狙った派生。速度重視の選択肢。 |
16GB〜24GB（版/設定で変動） |
| HunyuanVideo 1.5 |
Tencent |
オープン系の動画モデル。軽量（8.3B）で14GB級GPUもターゲットとされる。※ライセンス適用地域など条件に注意。 |
14GB〜（目安） |
| CogVideoX（2B/5B等） |
Zhipu AI |
テキスト理解と安定性で定評。サイズ選択で必要VRAMが大きく変わる。 |
12GB〜24GB（2Bは軽め/5Bは重め） |
| Mochi 1（Preview等） |
Genmo |
高品質寄りで人気。VRAMは重めになりやすい。 |
22GB〜（24GB推奨） |
3. 動画化・アニメーション生成 ローカル比較表
| モデル・ツール名 |
開発元 |
特徴・強み |
要求VRAM目安 |
| AnimateDiff |
有志開発 |
SD系（SD1.5/SDXL等）の画風を保ったまま動画化しやすい定番。ワークフロー資産が多い。 |
8GB〜12GB（解像度/フレームで増） |
| DynamiCrafter |
研究系（Tencent等） |
1枚絵＋テキスト指示で動き（モーション）を付与しやすい。短いループにも向く。 |
16GB〜24GB（目安） |
| EbSynth |
Secret Weapons |
（※厳密には生成AIではない）1枚絵のスタイルを動画全フレームへ転写する老舗。実写→アニメ化の補助で強い。 |
CPU中心（環境差あり） |
4. 音声・セリフ生成 ローカル比較表
| モデル・ツール名 |
開発元 |
特徴・強み |
要求VRAM目安 |
| GPT-SoVITS |
有志開発 |
少量音声からの高品質VC/クローンが可能な定番。学習・前処理込みだとVRAMを食いやすい。 |
4GB〜（学習/快適は8GB+） |
| F5-TTS |
有志開発 |
ゼロショット寄りで短いサンプルから自然なTTSを狙える。構成次第で軽く動く。 |
2GB〜（快適は8GB+） |
| OpenVoice |
MyShell（MIT研究発） |
短い参照音声からの即席クローン。MIT Licenseで商用利用しやすいのが強み。 |
4GB〜（目安） |
| XTTS v2 |
Coqui |
多言語クローンの定番だが、モデルライセンスが非商用なので“仕事用途”資料では注意書き推奨。 |
6GB〜（目安） |
| VOICEVOX |
ヒロシバ |
日本語イントネーション調整が強く、GUIが扱いやすい定番。（声クローン不可） |
CPU可（GPU不要） |
5. リップシンク・表情制御 ローカル比較表
| モデル・ツール名 |
開発元 |
特徴・強み |
要求VRAM目安 |
| LivePortrait |
研究系（Kuaishou等） |
1枚顔＋参照動画で滑らかな表情/首振りを作りやすい定番。※依存モデルに非商用条件が含まれる可能性があるため、商用利用は要確認。 |
6GB〜8GB（目安） |
| MuseTalk |
Tencent系 |
リップシンクの品質・リアルタイム性が強み。軽め構成なら低VRAMでも動くことがある。 |
4GB〜8GB（解像度で増） |
| SadTalker |
有志開発 |
1枚顔＋音声だけで簡単に口パク/まばたきを付けられる。 |
4GB〜8GB（設定次第） |
6. BGM・効果音生成 ローカル比較表
| モデル・ツール名 |
開発元 |
特徴・強み |
要求VRAM目安 |
| AudioLDM 2 |
研究系（有志/論文実装） |
音楽だけでなく効果音（SFX）や環境音生成にも使いやすい定番。 |
8GB〜 |
| MusicGen |
Meta |
テキスト→音楽の王道。BGM用途に十分な品質を狙える。※重みはCC BY-NCで商用不可（運用注意）。 |
8GB〜16GB |
| Stable Audio Open |
Stability AI |
ループ/短尺素材や環境音などを生成。※商用はライセンス条件（Community License等）に依存。 |
12GB〜（目安） |
7. 画像編集・合成（ローカル）比較表：I2I（画像→画像）中心
| モデル・ツール名 |
開発元 |
役割/強み（ざっくり） |
要求VRAM目安 |
ライセンス注意 |
| FLUX.1 Kontext [dev] |
Black Forest Labs |
テキスト指示だけで画像を編集（マスク不要寄り）、参照一貫性が強い。 |
16GB前後〜（量子化で下げ可） |
Non-Commercial（dev枠） |
| SDXL Inpaint + ControlNet |
コミュニティ |
マスク編集・ポーズ/構図制御の定番。ワークフロー資産が多い。 |
8〜12GB（用途で増） |
モデル/拡張ごとに条件差 |