タグ: SD

Stable Diffusion開発元の、Stability AI Japan – External AdvocateのD̷ELLさんによる寄稿です。

Stable Diffusion開発元の、Stability AI Japan – External AdvocateのD̷ELLと申します。
今回、Stable Diffusion最高モデル Stable Diffusion 3 80億パラメータ（8B） を搭載したAPI「Stable Image」の、最上位サービス 「Stable Image Ultra」の体験会 第2回を実施しました。
実施内容をレポートにまとめましたので、報告させて頂きます。

概要

• Stability AIからStable Diffusion 3 2B のモデルがリリースされ、世界を席巻した
• Stability AI APIでは、最上位モデルの Stable Diffusion 3 8B が利用可能
• 性能を体験してもらうために、たくさんの人にまた利用してもらったらやっぱり凄かった

経緯

先日、Stable Diffusion最高モデル Stable Diffusion 3 8B を搭載したAPI「Stable Image」の、最上位サービス 「Stable Image Ultra」 の体験会を実施しました。ご協力頂いた Discordサーバー AI声づくり技術研究会様、ありがとうございます。

前回は突発での開催でしたが、今回は事前にアナウンスを行い、40名以上の方にご参加いただきました。

https://j.aicu.ai/SD3UC

どなたでもご利用可能ですので、ぜひこの機会にStable Image APIをお試しください。

生成画像集

みなさまの生成された画像と、プロンプト、利用コメントを頂いております。
個性の出ている、多種多様な画像を生成いただいておりますので、ぜひお楽しみください。

こちらのNotionでも、当日生成された140枚の画像とプロンプトを閲覧できます。 まとめて頂きましたゆんたん様、ありがとうございます。

yutoさん

生成のボタンを押すたびにワクワクする。初めてStable Diffusionを触ったときの感情を思い出した。

holy-fox/小狐さん

凄すぎて感想が言語化できないｗ

ゆんたんさん

シャケさん

うんわさん

想像力の限界へ

エクスヴェリアさん

これまでの画像生成を過去にする
ウルトラすごいハイパーすごいえーあいです

雫さん

一つのモデルでいろんな絵が出せるのがすごい

なかむらしっぽさん

やっぱりUltraはMediumとは全く次元が違う

Art Natureさん

一つのモデルでこれだけ幅広い出力ができるのがすごい。長文対応と出力の良さも高い。

うみせさん

画像がほしい？ならUltraでしょ

やなぎ(Yanagi)さん

いままで触ったモデルの中で一番広い表現力を感じました！
自然言語で使えるのも直感的でたのしいです！

やまとーるさん

1 girlから初めていろいろ追加をしていったらちゃんと出力してくれたので楽しかったです

flyfrontさん

まだまだ隠れた性能がいろいろありそう！

TylorShineさん

描ける！使える！！Stable！！ 文字表現に忠実な画像が出てくる！！感動！！

kokurenさん

従来のタグの組み合わせメインでの画像生成から自然言語での自由な生成の時代が来たことを実感できました。

れみおさん

リアル系も出来てすごい！

へむろっくさん

週末はSD3でステイブろう

ハニーさん

ひつきさん

SD3を使わせて頂きありがとうございます🙇‍♂️
使ってみた感想としましては従来のSD1.5やSDXLに比べ、単純なプロンプトでも破綻しづらくて使いやすかったです！✨

Shinjuboshiさん

ぼうりきさん

マッキーさん

Gongonさん

NSFWを回避しながら癖に刺さるイラストを生成するの楽しい

おやつさん

日本風アニメへの造詣が深くて凄いなーと思いました。ほとんど最新のアニメ絵まで出せるんじゃないかな

Akikazeさん

クォリティが高くてAIとは思えないです･･･！

はるさん

いろんなものがぽんぽん出てくる宝石箱でした～～。

生の声

#SD3Ultra
SD3Ultraを体験させていただいたのですが自然言語の効きや表現力の幅にビックリしました pic.twitter.com/TxIEd4GmA9

— kokuren (@wangoroge333) June 21, 2024

#SD3Ultra 今日もお試し
左老騎士 右女騎士の指定は結構守られてた
4枚目は…うん、そうだね pic.twitter.com/zS4zytWUF7

— flyfront (@flyfront) June 21, 2024

4時間 #SD3Ultra を触っていた。 pic.twitter.com/CjlEQapJKf

— Gongon (@uo6uo6) June 21, 2024

遊んできたよー。背景の精度が高くていい感じ。SD3 ultra なぜか日本のアニメ表現に強い https://t.co/RKo6KnWXPc pic.twitter.com/PylEeSVfIN

— おやつ (@oyatsuai13144) June 21, 2024

ChatGPTとの連携

前回、プロンプトは、ChatGPTに生成してもらったという方が多くおられました。

そのため、今回はプロンプト作成用特設 GPTs を うみせさんに作成していただきました。

https://chatgpt.com/g/g-C8XsG8POL-huronhutomasuta

今回のイベント用に作成されたオリジナルです。ぜひこちらもご利用くださいませ。

また、Stable Diffusion 3 は自然言語処理に対応しておりますので、一般的な英文でも高品質な画像が生成できます。詳細はこちらをご覧ください。

https://qiita.com/nqdior/items/bd980e2664966871272e

まとめ

いかがでしょうか？ひとつのモデルで、ここまで幅の広い画像を生成可能です。
また、今回実装されたWEB-UIにより、APIの機能をすべて利用可能となりました。

ぜひこの機会に、全世界最高峰・最上位の画像生成AIをお試しくださいませ。

ご協力いただいたみなさまに感謝申し上げます。
最後までご覧いただき、ありがとうございました。

こちらの記事はDELL氏にご寄稿いただいた記事を読みやすく推敲させていただきました。価値あるレポートを作成いただいたDELL氏に編集部より御礼申し上げます。

すべての画像生成AIを過去にする Stable Image API (Stable Diffusion 3 8B+) が凄絶すぎた件 – Qiita

Stable Diffusion開発元の、Stability AI Japan – External AdvocateのD̷ELLさんによる寄稿です。

先日、Stable diffusion 3 Mediumのモデルが公開され、Stable Image APIでもLargeモデルが利用可能となりました。

Stable Diffusion 3の真の性能を発揮するには、既存のStable Diffusionとは違うテクニックが必要なことをご存知でしょうか？今回は、Stable Diffusion 3の性能を最大限に引き出す方法 をご紹介したいと思います。
※ 本記事の内容は、Replicate, Inc.のfofr氏によって執筆された記事を和訳したものです。

Stable Diffusion 3で変わった重要なポイント

記事によると、SD3で変わった重要なポイントは以下の３点です。

• 長いプロンプトに対応し、テキストエンコーダーにより異なる品質の画像を生成できる
• プロンプトは詳細かつ具体的に記述し、 ネガティブプロンプトは使用しないこと
• 推奨設定は 28ステップ、3.5～4.5のCFG、dpmpp_2m sgm_uniformスケジューラー付きサンプラー、3.0シフト

どういうことなのか、ぜひ記事本文をご覧ください。

【和訳】Stable Diffusion 3 で最高の結果を得る方法

How to get the best results from Stable Diffusion 3
Posted June 18, 2024 by @fofr
https://replicate.com/blog/get-the-best-from-stable-diffusion-3

Stability AI は最近、2億パラメータのテキストから画像へのモデルである Stable Diffusion 3 Medium の重みをリリースしました。このモデルは、フォトリアリズム、タイポグラフィ、およびプロンプトの追従に優れています。

公式の Stable Diffusion 3 モデルを Replicate で実行できますし、商用利用も可能です。また、私たちは Diffusers と ComfyUI の実装をオープンソース化しました（ComfyUI ガイドを読む）。

このブログ投稿では、Stable Diffusion 3 (SD3) を使用して最高の画像を得る方法、特に以前の Stable Diffusion モデルとは少し異なるプロンプトの方法について説明します。

実験を助けるために、ここで議論したすべての設定を公開している SD3 エクスプローラーモデル を作成しました。

SD3 のバージョンの選び方

Stability AI は、できるだけ多くのデバイスで実行できるように、SD3 Medium をさまざまな方法でパッケージ化しました。

SD3 は3つの異なるテキストエンコーダーを使用します。（テキストエンコーダーは、プロンプトを受け取り、モデルが理解できる形式に変換する部分です）。これらの新しいテキストエンコーダーの1つは非常に大きく、多くのメモリを使用します。 SD3 Hugging Face Weight を見ると、異なるテキストエンコーダー構成の4つのオプションが表示されます。利用可能な VRAM に基づいて、どれを使用するかを選択する必要があります。

sd3_medium_incl_clips_t5xxlfp8.safetensors

このエンコーダーには、モデルの重み、2つの CLIP テキストエンコーダー、および圧縮 fp8 フォーマットの大きな T5-XXL モデルが含まれています。シンプルで最高の結果を得るために、これらの重みをお勧めします。

sd3_medium_incl_clips_t5xxlfp16.safetensors

sd3_medium_incl_clips_t5xxlfp8.safetensors と同じですが、T5 部分がそれほど圧縮されていません。fp8 の代わりに fp16 を使用することで、画像品質がわずかに向上しますが、メモリ使用量が増加します。

sd3_medium_incl_clips.safetensors

このバージョンでは T5 要素を完全に排除しています。2つの CLIP テキストエンコーダーだけで重みを含みます。VRAM が少ない場合に良いオプションですが、完全版とは大きく異なる結果が得られる可能性があります。このバージョンでは、プロンプトの追従性が低下し、画像内のテキストの品質も低下する可能性があります。

sd3_medium.safetensors

このモデルはテキストエンコーダーなしの基本的な重みだけです。これらの重みを使用する場合は、テキストエンコーダーを別々に読み込むようにしてください。Stability AI はこれに対する ComfyUI ワークフローの例 を提供しています。

プロンプトの作成

SD3 の使用における大きな変化はプロンプトの作成です。非常に長く詳細なプロンプトを入力しても、プロンプトに非常に忠実な画像を返すことができます。もう CLIP テキストエンコーダーの77トークンの制限を気にする必要はありません。

プロンプトは10,000文字、または1,500語以上にすることができます。実際にはそのような長さは必要ありませんが、プロンプトの長さを心配する必要はありません。

非常に長いプロンプトの場合、現時点では画像にどの部分が反映されるかを予測するのは難しいです。プロンプトのどの部分にモデルが注意を払うかは明確ではありません。しかし、プロンプトが長く複雑になるほど、何かが欠ける可能性が高くなります。

ネガティブプロンプトを使用しないでください

SD3 はネガティブプロンプトでトレーニングされていません。ネガティブプロンプトは SD3 では期待通りに機能しません。すでに SD3 を試したことがある場合、ネガティブプロンプトを与えると画像が変わることに気付いたかもしれませんが、その変化は意味のあるものではありません。ネガティブプロンプトは不要な要素を除去するのではなく、コンディショニングにノイズを加え、単に出力を変動させるだけです。

プロンプト技術

長いプロンプトが許可されるようになった今、望む画像を説明するために平易な英語の文章と文法を使用できます。以前のようにカンマで区切られたキーワードを使用することもできますが、具体的なものを目指す場合は、プロンプトを詳細かつ明確にすることが重要です。このレベルのプロンプトは、Midjourney バージョン6や DALL·E 3 のプロンプトの方法に似ています。

画像の要素を説明するときは、その説明が画像の他の部分にも適用されないようにするために、曖昧さのない言葉を使うようにしてください。

以下は、SD3 で良好なプロンプト追従性を示す長く詳細なプロンプトの例です：

a man and woman are standing together against a backdrop, the backdrop is divided equally in half down the middle, left side is red, right side is gold, the woman is wearing a t-shirt with a yoda motif, she has a long skirt with birds on it, the man is wearing a three piece purple suit, he has spiky blue hair（例を見る）

a man wearing 1980s red and blue paper 3D glasses is sitting on a motorcycle, it is parked in a supermarket parking lot, midday sun, he is wearing a Slipknot t-shirt and has black pants and cowboy boots （例を見る）

a close-up half-portrait photo of a woman wearing a sleek blue and white summer dress with a monstera plant motif, has square white glasses, green braided hair, she is on a pebble beach in Brighton UK, very early in the morning, twilight sunrise（例を見る）

各テキストエンコーダーに異なるプロンプトを使用

3つのテキストエンコーダーを持つようになったため、技術的には各エンコーダーに異なるプロンプトを渡すことができます。例えば、CLIP テキストエンコーダーには画像の一般的なスタイルとテーマを渡し、T5 部分には詳細な主題を渡すことができます。我々の実験では、まだ特別な

技法は見つかっていませんが、引き続き試行しています。

CLIP と T5 エンコーダーに異なるプロンプトを渡した例はこちら。

triple_prompt_t5
the words written across the sky say “hello world”, written in clouds from a plane, above the dog
空一面に書かれた文字は「hello world」と書いてあります。

triple_prompt_clip_g
a cartoon, dreamy anime background, a photo of a dog
漫画、夢のようなアニメの背景、犬の写真

triple_prompt_clip_l
a cartoon, dreamy anime background, a photo of a dog
漫画、夢のようなアニメの背景、犬の写真

設定

SD3 では、画像出力を変更するための多くの新しい設定があります。以下に良いデフォルト設定をいくつか推奨しますが、自分の好みに合わせて実験することをお勧めします。

要約すると、以下の設定から実験を開始することをお勧めします（詳細は後述します）：

• 28ステップ
• 3.5から4.5の CFG
• dpmpp_2m sgm_uniform スケジューラー付き サンプラーと
• 3.0 のシフト

幅と高さ

SDXL と同様に、SD3 は約1メガピクセルで最高の出力を提供します。解像度は64で割り切れる必要があります。以下の一般的なアスペクト比に対して、次の幅と高さを推奨します：

• 1:1 – 1024 x 1024（正方形の画像）
• 16:9 – 1344 x 768（シネマティックおよびワイドスクリーン）
• 21:9 – 1536 x 640（シネマティック）
• 3:2 – 1216 x 832（風景のアスペクト比）
• 2:3 – 832 x 1216（ポートレートのアスペクト比）
• 5:4 – 1088 x 896（風景のアスペクト比）
• 4:5 – 896 x 1088（ポートレートのアスペクト比）
• 9:16 – 768 x 1344（長い縦長の画像）
• 9:21 – 640 x 1536（非常に背の高い画像）

以前に Stable Diffusion 1.5 や SDXL をトレーニングされた解像度よりも大きな解像度で使用したことがある場合、歪んだ画像、複数の頭、繰り返しの要素など、奇妙な出力に馴染みがあるかもしれません。（以前の SDXL ガイドでいくつかの例を見られます。）これは SD3 では発生しません。SD3 では、予想される解像度よりも大きくすると、中央に合理的な画像があり、周辺には奇妙な繰り返しのアーティファクトが表示されます（ここに大きすぎる画像の推論結果の例があります）。同様に、解像度が小さすぎると、画像が厳しくトリミングされます（ここに小さすぎる画像の推論例があります）。

ステップ数

この設定は、モデルが画像を生成する際のノイズ除去ステップの数です。SDXL では通常この値は20前後であり、Lightning モデルでは4ステップです。ステップ数は画像生成にかかる時間の主要な要因です。ステップが多いほど良い画像、ステップが少ないほど早く画像が生成されます。

SD3 では28ステップを推奨します。この数値は、興味深い前景と背景を持ち、VAE アーティファクト（生成された画像に見られるノイズパターン）が少ないシャープな画像を提供し、それほど時間もかかりません。

ステップを増やすことの効果

ステップが画像品質に与える影響は、以前の Stable Diffusion モデルとは異なります。従来のモデルでは、ステップが品質を段階的に向上させ、ある点で効果が頭打ちになり、画像がほぼ静的になるのが一般的でした。しかし、SD3 ではステップが増えると異なる現象が見られます。

SD3 は通常、8〜10ステップである程度見栄えのする画像を生成できます（ここに10ステップの推論結果の例があります）。

ただし VAE ノイズアーティファクトや一部の画像が一貫性を欠く場合があります。これはプロンプトとシードにも依存します。ステップが増えると、より一貫性があり興味深い画像が得られます。最適な範囲は26〜36ステップです。

画像とその主題は、ステップ値によって劇的に変わることもあります。例えば、人の曖昧なプロンプトの場合、ステップが増えるにつれて年齢、性別、民族が変わることがあります。これらの2つの出力を比較してください：10ステップのものと、同じ設定とシードを使用した 32ステップのもの。

ガイダンススケール

ガイダンススケール（または CFG、classifier-free guidance）は、出力がプロンプトにどれだけ似ているべきかをモデルに指示します。SD3 では、SD 1.5 や SDXL よりも低い値を使用する必要があります。

3.5から4.5の範囲を推奨します。出力が「焼けた」ように見え、コントラストが強すぎる場合は CFG を下げてください（CFG が高すぎる場合の焼けた画像の例）。

また、CFG を低くすると、異なるテキストエンコーダーオプション間で出力の類似性が高まることも指摘しておく価値があります（つまり、T5 テキストエンコーダーを fp8、fp16 で使用するかどうかに関係なく）。非常に低い CFG を使用する場合、大きな T5 エンコーダーを省略しても画像品質にはほとんど影響しません。例えば、同じシードと CFG 1.5 を使用した2つの出力を比較してください：fp16 を使用した出力と、非常に似ている CLIP のみの出力。

サンプラーとスケジューラー

異なるツールではこれらのラベルが異なりますが、基本的にはモデルがノイズを管理するために使用するアルゴリズムです。異なるアルゴリズムは異なる画像を生成します。

SD3 では、ComfyUI で dpmpp_2m サンプラーと sgm_uniform スケジューラーを使用することを推奨します。Automatic1111 では dpm++ 2M を使用します。Euler も良い結果をもたらすことがあります。

一部のサンプラーとスケジューラーは SD3 では機能しません。特に ancestral と sde サンプラー、および人気のある SDXL ノイズスケジューラー karras は機能しません。

シフト

シフトは、SD3 で変更できる新しいパラメーターです。これはタイムステップスケジューリングシフトを表し、シフト値が高いほど高解像度でノイズをうまく管理できます。基本的には、ノイズがよりよく処理され、シフトを使用すると見栄えの良い画像が得られます。タイムステップスケジュールシフトの理論については、SD3 の研究論文 を参照できます。

3.0 は人間の好みの評価に基づく推奨デフォルト値ですが、もちろん変更することもできます。ComfyUI では、「ModelSamplingSD3」ノード

でこの値を見つけることができ、Diffusers では FlowMatchEulerDiscreteScheduler にシフトパラメーターを渡すことができます。

シフト値 6.0 は人間の評価で高評価を得ており、試す価値があります。2.0 や 1.5 のような低い値を使用すると、より生の「未処理」な見た目の画像が得られ、特定のプロンプトにはうまく機能します。

結論

これらのヒントを使用して Stable Diffusion 3 を楽しんで実験してください！SD3 を使用する際の詳細については、最近のブログ投稿をチェックしてください：

• API を使用して Stable Diffusion 3 を実行する
• ComfyUI を使用して自分のマシンで Stable Diffusion 3 を実行する
• カスタムバージョンの Stable Diffusion 3 をプッシュする

解説

プロンプトの作成

Stable Diffusion 3の大きな特徴は、そのプロンプトの柔軟性です。以前のバージョンではプロンプトの長さが制限されていましたが、今回のバージョンでは10,000文字, 1,500語以上まで入力できます。これにより、非常に詳細で複雑な指示が可能になり、具体的なイメージをより正確に生成できるようになりました。

例として、途中でいくつかサンプルが出てきましたね。

a man and woman are standing together against a backdrop, the backdrop is divided equally in half down the middle, left side is red, right side is gold, the woman is wearing a t-shirt with a yoda motif, she has a long skirt with birds on it, the man is wearing a three piece purple suit, he has spiky blue hair

これを和訳すると、以下のようになります。

男性と女性が背景を背にして立っています。背景は中央で左右に均等に分かれており、左側は赤、右側は金色です。女性はヨーダのモチーフが描かれたTシャツを着ており、鳥のデザインが入った長いスカートを履いています。男性は3ピースの紫のスーツを着ており、青いとがった髪をしています。

既存のStable Diffusionのプロンプトに直すと、こんな感じでしょうか。

2 characters, man, woman, standing, red background, gold background, split background, Yoda T-shirt, bird design skirt, long skirt, purple suit, 3-piece suit, blue spiky hair

ですが、Stable Diffusion 3では、サンプルのような細かいプロンプトが指定可能となりました。
前回の記事でご紹介したような、ChatGPTを用いてプロンプトを生成する方法は、意図せず有効打だったことが判明しましたね。

参考：ChatGPTを用いたプロンプト生成例

Stable Diffusion Prompterを利用

テキストエンコーダー

テキストエンコーダーの構成も重要なポイントです。Stable Diffusion 3は3つの異なるテキストエンコーダーを使用しますが、その中でも特に大きなT5エンコーダーは多くのメモリを必要とします。このエンコーダーを使うと、より高品質な画像が得られます。メモリが限られている場合は、CLIPエンコーダーだけを使うオプションもあります。※ その場合はプロンプトの追従性や画像内のテキストの品質が少し落ちるかもしれません

ご自身の環境に合わせた調整ができることにより、可能性が広がりますね。

プロンプト技術

プロンプトの作成方法についても注意が必要です。Stable Diffusion 3はネガティブプロンプトには対応していないので、**ネガティブプロンプトを使用しても期待通りの結果は得られません。**代わりに、プロンプトを詳細かつ具体的に記述することで、より良い結果を得ることができます。
先に記載したように、「赤と青の3Dメガネをかけた男性がバイクに座っている」といった具体的な描写を使うと、モデルがより正確にイメージを生成してくれます。

設定

推奨される設定は以下の通りです。

• ステップ数：28ステップ。これは画像のノイズ除去ステップの数で、増やすとよりシャープで詳細な画像が得られます。
• CFG（ガイダンススケール）：3.5から4.5。この値が高すぎると画像が「焼けた」ように見えることがありますので、注意が必要です。
• サンプラー：dpmpp_2m。これはノイズを管理するためのアルゴリズムで、異なるサンプラーを試すことで画像の雰囲気が変わります。
• スケジューラー：sgm_uniform。これもノイズ管理に関する設定で、この組み合わせが安定した結果をもたらします。
• シフト：3.0。タイムステップスケジューリングシフトの値で、これを調整することで高解像度の画像のノイズ管理が改善されます。

これらの設定を基にして、自分の好みに合わせて実験してみると良いですね。特に、ステップ数やCFGを微調整することで、より自分のイメージに近い結果が得られるはずです。

まとめ

いかがでしたか？新しい設定や技術を活用することで、これまで以上に素晴らしい画像が生成できると思います。

Stable Diffusion 3 Mediumは、以下のURLからダウンロードが可能です。

最も洗練された画像生成モデル、Stable Diffusion 3 Medium のオープンリリースを発表 — Stability AI Japan

Stable Diffusion 3 Large以上のモデルは、以下の記事を参考にAPIをご利用ください。

Stable Diffusionの公式API、1,800枚の画像を生成して比較検証してみた(動画あり)

2024年6月現在、世界最高峰の画像生成AI「Stable Diffusion 3 8B+」を試す

全世界最高峰･最上位の画像生成AI (Stable Diffusion 3 8B+) が凄すぎた件

みなさまがより新しい画像生成体験ができることを祈っております。最後までご覧いただき、ありがとうございました。

こちらの記事はDELL氏にご寄稿いただいた記事を読みやすく推敲させていただきました。価値あるレポートを作成いただいたDELL氏および原作のfofr氏に編集部より御礼申し上げます。

あなたはStable diffusion 3 の真の性能を発揮できていない – Qiita

Stability AI Japan – External AdvocateのD̷ELLと申します。
以下の記事を書いているときに気付いたのですが、APIの利用方法を書いていなかったことに気付き、緊急でカメラを回しております。

全世界最高峰･最上位の画像生成AI (Stable Diffusion 3 8B+) が凄すぎた件

多忙な皆さんのために、2分でユーザー登録を済ませて画像生成を楽しみましょう。

概要

• Stability AIからStable Diffusion 3 2B のモデルがリリースされ、世界を席巻した
• 最上位モデルの Stable Diffusion 3 8B は、Stability AI APIでしか利用できない
• Stability AI APIを利用するための方法の日本語ドキュメントが無いから書いた

1. ユーザー登録（25秒）

① stability.ai | Developer Platformにアクセスする

https://platform.stability.ai

② 右上の [Login] をクリック

③ ページ下部の [Don’t have an account? Sign up] より、Sign upをクリック

④ [Continue with Google]、もしくはメールアドレスとパスワードを入力して登録
　Google認証が手間が少なくて楽だと思います。推奨。

⑤ 画面の誘導通りに進めていけば、登録完了

※ 右上に自分のアイコンが表示されていると思います

Congratulations! stability.ai | Developer Platformに登録完了です。

2. APIキー取得（5秒）

① 右上の自分のアイコンをクリック → APIキーが表示される

② コピーマークをクリックしてコピー

Congratulations! APIキーを取得できました。

2分でAPI登録するはずが、ここまでの所要時間は30秒ほどでしょうか。
Opps! 1分30秒余りましたね。せっかくなので画像生成してみましょう

3. 画像生成（1分）

① Colabにアクセスする

https://j.aicu.ai/SD3UC

Stable Diffusion 3 Medium (2Bモデル) がリリースされましたが、#StabilityAI APIでは、上位モデルである #StableDiffusion3 8Bモデル が利用可能です。

8Bモデルを搭載した Stable Image Ultra をすぐに試せるColab Notebookを作成しました。お気軽にご利用ください。https://t.co/ZDVeXtQc63 pic.twitter.com/IuR8x9ST2Z

— D̷ELL (@xqdior) June 13, 2024

② [ランタイム] → [すべてのセルを実行] をクリック
　私が日本語化した説明がありますが、無視して実行しましょう。読まなくていいです。

③ Enter your API Keyという欄が表示されるので、APIキーを貼り付けてエンター
　体感ですが、実行をクリックしてからだいたい15秒くらいです。

④ 生成された画像を見る
　20～30秒ほど待つと、ページ下部に生成した画像が表示されます。
　Congratulations! これでStable Diffusion 3 8Bが使えるようになりました。

デフォルトでは無料で25クレジットもらえます。Ultraは1回8クレジットです。
あと17クレジット残りますね。2枚、生成を試してみましょう。

---

⑤ Option：プロンプトを変えて再生成してみる
　プロンプトやその他のパラメータを変更して、左側の再生ボタンをクリックしてください。再度画像が生成されます。

なんとここまでで1分30秒です。2回追加で画像生成しても時間が余るくらいですね。
まぁ、なんでも早い方がいいでしょう。30秒余りましたが、だいたい表題の通り2分です。

チュートリアルは以上です。全世界最高峰･最上位の画像生成AIを楽しんでください！

4. Option：クレジットの補充（1分）

① Billingページへアクセス
　このリンクをクリックしたら速いです：https://platform.stability.ai/account/credits
　真っ当なアクセス経路は、Developer Platformのマイページにアクセスし、Billingへ遷移です。

② 中央部に購入したい金額を入力して[Buy]をクリック

③ Stripeで支払い

Congratulations! クレジットが補充されました。
クレジットの補充手続きは以上です。ラクチンですね。

5. 利用料金

最後に、利用料金についても記載しておきます。

10ドルで1000クレジットなので、1ドル150円換算ならば、1クレジットは1.5円ですね。
サービスの利用料金は以下の通りです。Ultraは1回8クレジットを消費しますが、同じ8BモデルのLarge Turboなら半額の4クレジットです。早くて安くて綺麗で、Large Turboが魅力的に感じますね。 どうして普通のLargeより安いんだろう…。

Service	Description	Price (credits)
Ultra	Our most powerful and flexible workflow, leveraging state of the art models like Stable Diffusion 3	8
Stable Diffusion 3 Large	The 8 billion parameter variant of Stable Diffusion 3, our latest base model	6.5
Stable Diffusion 3 Large Turbo	The Turbo variant of Stable Diffusion 3 Large	4
Stable Diffusion 3 Medium	The 2 billion parameter variant of Stable Diffusion 3, our latest base model	3.5
Core	Advanced workflow for generating high quality images quickly	3
SDXL 1.0	Legacy base model – classic, no-frills image generation	0.2-0.6
SD 1.6	Legacy flexible-resolution base model	0.2-1.0

その他の機能の料金は以下のページからご参照ください。

https://platform.stability.ai/pricing

6. まとめ

駆け足で説明しましたが、みなさま無事に画像生成できましたか？
APIを利用すれば、複雑な環境構築も不要で、最高峰のモデルが利用可能です。

ぜひこの機会に、誰より早く最高峰・最上位の画像生成AIを試してみてください。

✨️本記事が面白かったら、X@AICUai, noteのフォロー、シェアをよろしくお願いいたします！

https://note.com/aicu

社内Slack等のシェアでも歓迎です。
また「こんな記事欲しい」といったリクエストがございましたら X@AICUai までメンションやDMでいただければ幸いです。

✨️AICU Inc.は Stability AI 公式パートナーです。
様々なアプリ開発のご相談も承っております！サービスに導入したい、使いこなせる社員をパッと育成したい！そんな需要がございましたら sai@aicu.ai までどうぞご相談ください。

https://corp.aicu.ai/ja/stability-ai-membership

生成AI時代に「つくる人をつくる」AICU社、生成AIリーディング企業「Stability AI」と戦略提携

https://prtimes.jp/main/html/rd/p/000000007.000133647.html

本投稿はこちらの原作より、AICU media編集部に寄稿されたものです。
寄稿日 2024年06月16日
ご協力いただいた皆様、ありがとうございます。
Stability AI Japan – External AdvocateのD̷ELLさんもありがとうございます。
Stable Diffusionの探求を拡げていけるクリエイターのみなさまに感謝です。

Stable Diffusion開発元の、Stability AI Japan – External AdvocateのD̷ELLと申します。
今回、Stable Diffusion最高モデル Stable Diffusion 3 80億パラメータ（8B） を搭載したAPI「Stable Image」の、最上位サービス 「Stable Image Ultra」 の体験会を実施しました。
実施内容をレポートにまとめましたので、報告させて頂きます。

概要

• Stability AIからStable Diffusion 3 2B のモデルがリリースされ、世界を席巻した
• Stability AI APIでは、最上位モデルの Stable Diffusion 3 8B が利用可能
• 性能を体験してもらうために、色んな人に利用してもらったら凄かった

経緯

先日、Stability AIから待望のStable Diffusion 3 Medium（2Bモデル）が発表され、大きな話題を呼びました。しかし、Stability AI APIではさらに上位の Large / Ultra（8Bモデル） が利用できることをご存知でしょうか？

先日モデルリリースされた Stable Image Medium は 2B モデルですが、Stable Image Large は その4倍のパラメータを持つ 8Bモデルです。Stable Image Ultra は、8BモデルであるLargeを調整して更に性能を向上させた、名実ともに 全世界最高･最上位の画像生成AI となります。

Stable Image Ultraの紹介は以下の通りです。

当社の最も高度なテキストから画像への生成サービスであるStable Image Ultraは、これまでにない迅速な理解で最高品質の画像を作成します。Ultraは、タイポグラフィ、複雑な構図、ダイナミックな照明、鮮やかな色合い、芸術作品の全体的なまとまりや構成に優れています。Stable Diffusion 3を含む最先端のモデルから作られたUltraは、Stable Diffusionのエコシステムの最高峰を提供します。

Stable Diffusion 3 8Bの性能を最大限に引き出すように調整されたAPI、ということですね。

その優れた性能をぜひ体験していただきたく、先日Google Colabファイルを提供させていただきました。こちらからご確認いただけます。

Stable Diffusion 3 Medium (2Bモデル) がリリースされましたが、#StabilityAI APIでは、上位モデルである #StableDiffusion3 8Bモデル が利用可能です。

8Bモデルを搭載した Stable Image Ultra をすぐに試せるColab Notebookを作成しました。お気軽にご利用ください。https://t.co/ZDVeXtQc63 pic.twitter.com/IuR8x9ST2Z

— D̷ELL (@xqdior) June 13, 2024

Google Colab notebook への短縮URL
https://j.aicu.ai/SD3UC

とはいえ、急に有償のAPIを利用するのは少しハードルが高いかもしれません。そこで今回は、懇意にしている皆様に、APIの最上位モデルである Stable Image Ultra を利用いただき、その感想を伺いました。

生成画像集

みなさまの生成された画像と、プロンプト、利用コメントを頂いております。
多種多様な画像を生成いただいておりますので、ぜひお楽しみください。

ご協力頂いた Discordサーバー AI声づくり技術研究会様、ありがとうございます。

---

うんわさん

コメント：「あまりプロンプトを工夫してなくても非常に高品質な画像がパッと出てきて、とてつもない進化を感じました。」

A soft, plush toy shaped like a smiling face with two round black eyes and a simple curved smile. The toy is light purple and appears to be made of a soft, fuzzy material. It is positioned on a blue quilted surface with a light gray background, cute, kawaii, close-up shot, high detail.

a breathtaking underwater photo of a hand underwater touching the surface to create a ripple of bright abstract eye galaxy nebula vortex of beauty and nature, sunlight and chaos

robot girl, android,hanging,female, robot_torso,mechanical parts, cable, masterpiece, in a futuristic robotics lab, deactivated, wires, highly detailed, dynamic lighting, pale skin

aurora, milky way, night, night sky, shooting star, space, starry sky, galaxy, sky, city lights, constellation, light particles, skyscraper, cityscape, a girl, long hair, skyline, city, standing, twilight, looking at viewer, yellow eye

an image of a World War II battle scene. Include soldiers in era-specific uniforms, trenches, barbed wire, and debris. Show infantry, tanks, and military vehicles with smoke and fire. Add an overcast sky for a grim atmosphere. Use a muted, gritty color palette.

---

へむろっくさん

コメント：「触ってみな　飛ぶぞ！」

Girls who play games on a gaming PC with multiple monitors at home, willing, aged 20

Girl taking a selfie with her smartphone in the mirror at home, Young girl dressed in black gothic Lolita fashion, kawaii, anime,

---

うみせさん

コメント：「SD3を使ってみて、先日公開されたmediumよりも良い感じに生成できて楽しかったです。これまでにSD1、SD2、XL、cascadeと試してきましたが、SD3はそれらの良いところをうまく取り入れているように感じました。プロンプトの効きと生成結果がとてもよく、体験としては非常に素晴らしかったです。まだultraはAPIのみでの利用ですが、APIに抵抗がない方にはぜひ試してみてほしいです。」

At dusk, in a polished, beautiful fantasy city where light and darkness intersect, god rays rain down from high in the sky, illuminating the city.

A surreal landscape with a giant floating crystal in the sky.

game screen shot of Open world game with a character in a forest, with game hud

a concept pixel art of star night, sky full of stars, a person standing on a hill, looking at the sky, japanese anime style, 16bit, Title logo write 「hello world」

a concept art of Dark soul style weapons, setting sheet,

1girl, solo, cyberpunk, barcode, black footwear, black jacket, black skirt, boots, braid, brown hair, building, car, character name, crosswalk, full body, green eyes, hand in pocket, high heel boots, high heels, holding, holding umbrella, jacket, long hair, long skirt, motor vehicle, phone, pink umbrella, road, road sign, sign, single braid, skirt, smile, standing, twin braids, umbrella

Glittering neon signs and flying cars are reflected in the dark, stagnant river. Skyscrapers built high in the sky, cyberpunk city, cyberpunk

In a vibrant 1990s-style anime illustration, a young girl strikes a fashionable model pose in the heart of a bustling city. She embodies the essence of cyberpunk, dressed in the latest streetwear trends that blend futuristic elements with retro flair. Her outfit features a sleek jacket with neon accents, high-waisted pants, and chunky sneakers, all glowing under the city’s neon lights. She wears stylish sunglasses, reflecting the colorful, electric atmosphere around her. Her confident stance and playful expression capture the spirit of a fashion icon, seamlessly merging the past's nostalgia with the future's edgy vibe. The background is a lively urban scene, filled with towering skyscrapers, bright billboards, and bustling crowds, perfectly encapsulating the dynamic energy of a cyberpunk metropolis.

---

yutoさん

コメント：「未来の技術は今使ってこそ未来の技術と言います。Stable Image API Ultraは今使える未来の技術です!!」

realistic, natural light, photo, long hair, portrait, asian and caucasin mixed girl, beautiful model, white shirt, having card "Yes I am"

realistic, natural light, photo, long hair, portrait, asian and caucasin mixed girl, beautiful model, white shirt,

---

uthreeさん

コメント：「メチャクチャクオリティ高いとしか言いようがない」

a girl falling in the sky, smile, starry night, white hair, anime, vibrant, high quality,

A detailed anime-style character design, featuring a young girl with long flowing purple hair and bright blue eyes. She is wearing a stylish futuristic outfit with intricate details, including a metallic silver jacket, a neon blue skirt, and knee-high boots. Her expression is cheerful, and she is standing in a vibrant, colorful cityscape with tall buildings and neon signs in the background. The sky is stunningly beautiful, with a gradient of colors from deep blue to vibrant pink, adorned with fluffy white clouds and a glowing sunset. The lighting is dynamic, with a mix of natural and artificial light, giving the scene a lively and energetic atmosphere. The overall style is highly detailed, with a focus on capturing the unique elements of anime art and the breathtaking beauty of the sky.

1girl, solo, cyberpunk, barcode, black footwear, black jacket, black skirt, boots, braid, brown hair, building, car, character name, crosswalk, full body, green eyes, hand in pocket, high heel boots, high heels, holding, holding umbrella, jacket, long hair, long skirt, motor vehicle, phone, pink umbrella, road, road sign, sign, single braid, skirt, smile, standing, twin braids, umbrella

A girl, starry night, anime, vibrant, high quality, pixel art

---

雫さん

コメント：「久しぶりに画像生成AIを使いましたが、前に使った時よりすごくプロンプトが効きやすい気がしました。ものすごく楽しかったです。貴重な機会をありがとうございました！」

Black long hair, Anime, kawaii, 1girl, black eyes, headphone, white clothing, looking down at viewer, standing, building, city, frombelow, upper body, side shot

Anime, Kawaii, ilustrated, 1 girl, purple long hair, crimson eyes, sunset, building, city, Aurora front view

In an illustration style, Kawaii and animated, it evokes the interior of a Gothic cathedral, with red ambient lighting showing large stained glass windows on either side, and rays of light in the center illuminating the dust in the air, creating a mysterious atmosphere. And a girl with black wings and red eyes floats in the center, looking at us

---

flyfrontさん

コメント：「長い自然文でもちゃんとイラストに反映されてて良い感じ！」

illustrated in an anime style with the focus on the upper body, from a slightly angled front view. A Japanese woman wearing a lace trimmed blue evening dress off shoulder style is sitting at the counter of a luxury hotel's top-floor bar. The dress shows a collarbone and the feminine curves of her body. She is wearing a jewely necklace and has her silver hair up and red eyes. With a melancholic expression, she gazes out at the fog and rainy skyscraper cityscape through the window. The woman is holding an envelope in her hand, with the word "Invitation" written on it. The bar is elegantly decorated with dim lighting, cocktail glass on counter table, creating a sophisticated and intimate atmosphere. The city lights and rain outside the window create a reflective and moody ambiance. nega:behind, v-neckline, nsfw

kawaii anime style. A medieval girl with blonde hair is swinging a katana toward front with the katana's blade gleaming in the light. She is dressed in traditional European white armor with intricate patterns and details, wearing frilled skirt. Her expression is determined and focused. The background is a blend of a serene landscape, featuring flowers in full bloom, and an ancient cathedral.photorealism, cartoon, samurai, cherry blossoms,

---

焼肉Yakiinkuさん

コメント：「プロンプトの反映がとても自然に感じました！頭で考えたイメージや情景をかなりの精度で絵にしてくれる(しかもすごい生成速度早いっ)ので、「すごい！」もそうなのですが「とっても楽しい！」って感じなので時間を忘れて夢中になります･･！楽しいイベントありがとうございます！」

Anime, kawaii, depth of field, thick fog, smoke, kisser, cigarette, red and white, monotone, petals fused with body, flowers, glamour, Chinese dress, empty eyes, morbid, hair in a bun, long hair, clock tower, crack in space-time,

Anime, kawaii, girl, solo, depth of field, waves, flat colour, best image quality, symmetrical face, summer, water on dress, water droplets, specular reflection, refracted glass shards, prism, moon celestial body, liquid clothing, long yellow dress, harmony,

Anime, kawaii,depth of field, thick fog, Full smiles, happiness, hope, white wedding dress, church, disquiet, grey world, bursts of blood, despair, cracks in the world, slaughter, incident, stillness,

Anime, kawaii, fantasy, Arabian Nights, lamp witch, dragon, fun, flying, magic carpet, light shards, adventure, boy, girl

---

代屋モントさん

A scene where a giant octopus-like monster and a fighting humanoid robot shoot pile bunkers into the octopus.

An androgynous elementary school boy with a dark atmosphere wearing a gothic dress

An anime style of a hero wearing a tiger mask standing on a telephone pole.

(((((((anime))))))) depth of field, wave at the edge of dress, masterpiece, flat color, best quality, BRAKE. ((kawaii)), perfect symmetrical face,summer,wave, ((colorful refraction)), ((beautiful detailed sky)), ((dark intense shadows)), ((cinematic lighting)), ((overexposure)), water on the dress, (water sea red dress blending with sea), from side,beautiful detailed glow, ,detailed lighting, detailed water,(beautiful detailed eyes),(smile), standing in the ocean, detailed wet clothes， partially submerged, Refracting glass fragments, prisms, lunar celestial nature, BRAKE. (liquid clothes:1.2) ,a girl solo: {dress<wave>, {{dissolving dress}},A dress in harmony with the sea,dress floating into sea}, (beautiful detailed girl) (long dress blending with ocean), (yellow long dress:1.5), small breasts, skinny 【Negative】 blur, lowres, bad anatomy, bad hands, text error, missing fingers, extra digits, fewer digits, cropped, worst quality, low quality, standard quality, jpeg artifacts, signature, watermark, username, blurry, glow, slippage, blur, bokeh, pink, multiple views,large breasts, large breasts, medium breasts, huge breasts, enormous breasts ,Hair that doesn't fit into the illustration, blush, flat chest q_version, nsfw, lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, symmetry, outline(painting),cartoons,sketch,(worst quality:2),(backlight:1.2),bad anatomy,bad hands,double navel,collapsed eyeshadow,multiple eyebrows,freckles,signature,logo,2faces,((3fingers:1.2)),((4fingers:1.2)),((6fingers:1.2)),(laugh line:1.2),

---

マッキーさん

kawaii, anime, 1girl, solo, Very beautiful glowing skin., blue eyes, long hair, gray hair, elf, Huge breasts, looking at viewer, upper body, camisole, absurdres, highres,Detailed background,Outdoor Lakeside

Create a high-resolution, upper-body image of a cute anime girl with blue eyes and long, flowing gray hair. She has tanned skin and is an elf with delicately pointed ears. She is smiling warmly and looking directly at the viewer, giving a friendly and inviting expression. She is wearing a light, pastel-colored camisole that complements her complexion. Her hair cascades gracefully around her shoulders, with a few loose strands framing her face. The background should depict a sunny lakeside scene with clear blue skies, a sparkling lake, and lush greenery. Ensure the background is detailed yet softly blurred to keep the focus on the character. The style should be kawaii and highly detailed, capturing the charming and whimsical essence of anime art. Ensure the image is high quality and high resolution, with careful attention to the character's features and expression.

生の声

ちょっとだけお試し。
2Bモデルと比べて表現の幅とPromptの効き方がすごくてよき☺️#StableDiffusion3 #SD3 https://t.co/g2dgSkCHbO pic.twitter.com/k6REuE9w4u

— へむろっく (@Hemlok_AI) June 15, 2024

試してみました https://t.co/8bV0SyvWeL pic.twitter.com/qm4eB08sCD

— 代屋モント (@DaiyaMontoZ) June 15, 2024

プロンプトの効きがハンパないです！！
もう作れない画像ないのでは…？https://t.co/1Y26xBnPHW pic.twitter.com/EhLKfx4hsY

— 山茶花 (@sazankaimoto) June 15, 2024

SD3 medium出たからultra試したけど、meduimよりは良かった。
これはultraラーメンです https://t.co/yrt3X6STBR pic.twitter.com/v0IT0KW781

— 海瀬 稜創 / umise (@UiE029) June 15, 2024

アニメイラスト指定でちゃんとそれっぽい画風で出るんで良い感じね

— flyfront (@flyfront) June 15, 2024

#StableDiffusion3 8Bモデル Ultra というわけで試してみた
アニメ風イラストは問題なくいけるねー(NSFW引っかからない範囲で妖艶な女性のドレス)
雰囲気とても良し！
カードにはInvitationって文字指定したけどサイズ小さいからか読める感じではなかったね https://t.co/laSeIVYoH5 pic.twitter.com/LscZY5J0GN

— flyfront (@flyfront) June 15, 2024

すごく良い感じ。 https://t.co/yhtQV964dp pic.twitter.com/Mt0Oet8ahu

— uthree (@UThree271828) June 15, 2024

https://twitter.com/mckey_draw/status/1801990763578093651

ChatGPTとの連携

プロンプトは、ChatGPTに生成してもらったという方が多くおられました。
GPTsでStable Diffusionのプロンプトを生成できるらしく、ぜひ参考にして頂ければと思います。また、Stable Diffusion 3 は自然言語処理に対応しておりますので、一般的な英文でも高品質な画像が生成できます。

「どんな呪文を使えばいいかわからない…。」という方でも、安心して本稿のような画像が生成可能です。安心ですね。

まとめ

いかがでしょうか？ひとつのAPIで、スタイルの指定など不要で、様々な画像が生成できていることがご覧いただけたかと思います。ユーザーのみなさまは、画像生成のベテランの方から初学者の方まで様々でしたが、望み通りの画像が出力出来たと大好評をいただきました。

APIの利用方法は、以下の記事にまとめておきました。
ぜひこの機会に、全世界最高峰・最上位の画像生成AIをお試しくださいませ。

ご協力いただいたみなさまに感謝申し上げます。
最後までご覧いただき、ありがとうございました。

本投稿はこちらの原作より、AICU media編集部に寄稿されたものです。
寄稿日 2024年06月16日

ご協力いただいた皆様、ありがとうございます。

Stability AI Japan – External AdvocateのD̷ELLさんもありがとうございます。
Stable Diffusionの探求を拡げていけるクリエイターのみなさまに感謝です。

AICU、業務拡大に伴い、新プロジェクトの主軸となるAIアート系人材をオーディション形式で募集開始