本記事は Mac でローカル画像生成 10モデル比較したら、最強候補が裏返った のスピンオフ。各モデル単独レビューの v3。
TL;DR
- SDXL Turbo は Stability AI が公開した 1-step 蒸留版 SDXL、Adversarial Diffusion Distillation (ADD) で 30-step を 1-step に圧縮
- Mac M1 Max 64GB / Apple MPS で 1枚 約1秒（初回ロード後）、本記事の10系統で最速
- 画質は 意図的にぼやけている。high-frequency ディテール（毛並み・テキスト・指）が一様にソフト
- ライセンスは Stability AI Non-Commercial、商用 NG
- 採用方針: サムネ大量生成・プロトタイピング・オンデバイス用途のみ。最終成果物には弱い
- Qwen-Image Lightning (8-step LoRA) との比較で「蒸留の本気度」の違いが見える
なぜこのモデルを試したか
「速度の限界」をベンチマーク役として確認するため。蒸留版の極致として:
- 1-step = 50-step Qwen Full の 3000倍速、4-step Flux schnell の 4倍速
- オンデバイス・リアルタイム生成を可能にする設計
- ADD（Adversarial Diffusion Distillation）の論文発表時、SD コミュニティで話題になった
期待していた:
- リアルタイム生成: ライブ配信中にプロンプト即反映、UI モック生成、ゲーム素材即生成
- 「速度を取って品質を捨てた SDXL」がどこまで実用に耐えるか
期待していなかった:
- 1-step では細部が必ず失われる、というのは事前情報通り
- non-commercial ライセンスは 商用記事の挿絵には使えない
結果: 「速度の極限」としての位置づけは正しいが、本記事のような最終成果物比較では明確に最下位の品質。Qwen Lightning の 8-step LoRA がどれだけ「蒸留としては破格」なのかが Turbo を見ると分かる。
環境セットアップ
pip install diffusers==0.37.1 torch==2.11.0 transformers
ロードコード:
from diffusers import StableDiffusionXLPipeline
import torch
pipe = StableDiffusionXLPipeline.from_pretrained(
"stabilityai/sdxl-turbo",
torch_dtype=torch.float16,
).to("mps")
image = pipe(
prompt="...",
num_inference_steps=1, # ★ 1 でいい
guidance_scale=0.0, # ★ Turbo は CFG 不要
height=512, # ★ 512x512 推奨、1024 にすると崩れる
width=512,
).images[0]
ハード要件:
| 項目 | 値 |
|---|---|
| Mac | M1 Max / 64GB |
| モデル | 7GB (fp16) |
| 解像度 | 512x512（1024 だと崩れる） |
| 1枚あたり | 約1秒 (1 step / 512px / MPS) |
iogpu.wired_limit_mb の上限引き上げは不要（7GB は MPS のデフォルトで楽勝）。
8プロンプト全結果
| # | プロンプト | 画像 | 生成時間 |
|---|---|---|---|
| 01 | a cute cat sitting on a wooden bench in a sunny park |  |
4.0秒（初回） |
| 02 | a bowl of ramen with chashu and soft-boiled egg |  |
1.0秒 |
| 03 | a wooden sign with "LOCAL AI" |  |
1.1秒 |
| 04 | a developer's t-shirt with "M1 MAX 64GB" retro 80s style |  |
1.0秒 |
| 05 | a woman developer working at a laptop |  |
1.0秒 |
| 06 | a glowing AI brain made of circuits and neon |  |
1.1秒 |
| 07 | three robots playing chess in a sunlit library |  |
1.1秒 |
| 08 | a wooden izakaya sign with the kanji "居酒屋" |  |
1.0秒 |
8枚合計の生成時間: 約 11秒（うち初回ロード後の生成は 8.4 秒）。Qwen Full の 12時間と比べると 5000倍速。
個別プロンプト評価
01 猫 — 目がおかしい、毛並みも消失
ベンチに座る猫、自然光、レンズのボケ。サムネとしては成立する。ただし原寸で見ると：
- 左右の目の大きさ・形が違う、目の輪郭もぼんやり
- 鼻先のディテール曖昧
- 毛並みのテクスチャが消失（ふわふわ感が無い、毛がツルッとした表現）
→ 動物の顔に必要な高周波ディテール（目・鼻・毛）が一様に苦手。1-step では「目を2つの円として配置する」までは出来ても「左右対称・自然な瞳孔」までは到達しない。
| SDXL base (60秒) | Flux dev (12分) | Qwen Lightning (10分) | SDXL Turbo (1秒) |
|---|---|---|---|
 |
 |
 |
|
| 毛並み細部あり、写実 | アニメ調に流れる | 写実、ベンチも自然 | 毛並みソフト、サムネ向け |
→ 速度比は 720倍、品質差は明確。Turbo は「縮小して使う」前提の素材。
02 ラーメン — 卵・チャーシューの形がおかしい
要素配置は問題なし、パクチーバイアスも控えめ。ただし詳細を見ると：
- 卵が3個に増殖（プロンプトは "soft-boiled egg" 単数形）
- 中央のチャーシューが生肉感、煮込み感ゼロ、ピンクと白の層が剥き出し
- 右側の白い具材（はんぺん？板蒲鉾？）も食材として識別困難な曖昧形状
- 全体的にソフトで、写実というより「綺麗な食事のイラスト」風
→ 1-step では食材ごとの質感（半熟卵の透明感、チャーシューの煮込み感、麺のコシ）を描き分ける時間が無い。食事ブログのサムネ程度なら使えるが、原寸の挿絵では「食欲が湧かない料理」になる。
03 LOCAL AI — 文字すら読めない
"LOCAL AI" を期待した看板に出てくるのは 滲んだ謎の英文字。"L" は読めるが、それ以降は判別困難。SD 1.5 の "OOLDD AIXNIA" よりはマシだが、SDXL base / Flux dev の完璧さに遠く及ばない。
→ テキスト描画は Turbo の最大の弱点。1-step では文字エッジを構築する時間が無い。
04 M1 MAX 64GB Tシャツ — Tシャツ自体は綺麗、文字は崩壊
80年代スタイルのTシャツ、シンセウェーブ調のカラーリングはOK。ただし "M1 MAX 64GB" はほぼ判読不能。記号化されたグラフィックとして処理されている。
05 女性開発者 — 指問題あり、目がおかしい
女性、ラップトップ、コーヒー、自然光。一見ストック写真風だが詳細を見ると：
- 目が半閉じ・ぼんやり、目の輪郭が曖昧（写実プロンプトとして崩れている）
- 左手で顔に触れる仕草の指の角度が不自然、関節の数・向きが解剖学的に変
- 顔のディテール（鼻・口の輪郭）も甘い
- 構図は破綻していないので、サムネ縮小なら問題は見えない
→ Turbo は「描いた結果として崩れる」モデル。SDXL base で見られた指消失や追加要素は出ないが、代わりに細部の精度で崩れる。1-step では指の関節や瞳の輪郭を構築する時間が足りない。
06 AI brain — neon プロンプトが反映されない
プロンプトに glowing AI brain made of circuits and neon, cyberpunk style と明示しているのに、出てきたのはダークなシルエットの脳に金の回路線。neon の発光感がほぼゼロ、cyberpunk のネオンカラー（シアン・マゼンタ・パープル）も無し。
| プロンプト指定 | Turbo の出力 |
|---|---|
| glowing | 発光感無し、暗いシルエット |
| neon | カラーリングなし、金属彫刻調 |
| cyberpunk style | 無し、ダークアート寄り |
→ 1-step ではプロンプトの形容詞（glowing / neon / cyberpunk）を反映する時間が足りない。名詞（brain / circuit / dark background）だけが反映されて、雰囲気指定は捨てられる。「ぼかして誤魔化す」設計の限界がここで見える。
07 ロボとチェス — 構図 OK、表情薄い
3体ロボット、図書館、暖色光。要素配置は問題ないが、ロボットの表情・手のディテール・チェス駒のシャープさすべてソフト。
08 居酒屋 — 漢字どころか看板も曖昧
看板、提灯、夜の路地のシルエット。漢字「居酒屋」は架空字どころか文字として認識できないレベル。SD 1.5 の "お経・巻物" よりは「看板らしさ」がある程度。
→ アジア要素は Turbo の最弱点。Flux dev / SDXL base / Qwen ですら架空字レベルなのに、Turbo はそもそも文字に到達しない。
良かった点
- 1秒生成: 1-step / 512px で 1秒。これより速いローカル画像生成は無い
- ロードも速い: 7GB fp16、初回ロード 170秒（Qwen Full の 953 秒、Lightning の 170秒と比較）
- 要素追加癖が出ない: SDXL base のような勝手な追加マグカップは出ないが、代わりに目・指・食材の細部で崩れる
- オンデバイス動作可能: M1 でも実用速度
- プロンプト忠実度: 1-step なのに要素配置は破綻しない（雰囲気は維持）
悪かった点
- テキスト描画完全 NG: "LOCAL AI" すら綴れない、SD 1.5 同等
- 漢字描画は問題外: 「居酒屋」が文字として認識できない
- 毛並み・粒子・シャープさが一様にソフト: ADD の構造的特性
- Stability AI Non-Commercial: 商用記事の挿絵に使えない
- 解像度 512 固定: 1024 にすると崩れる、原寸利用が限定的
このモデルが活きるユースケース
- ✅ サムネ大量生成: SNS サムネ、ブログのアイキャッチ縮小版
- ✅ プロトタイピング: UI モック、ストーリーボード、ラフ
- ✅ オンデバイス・リアルタイム生成: ライブ配信中の即時生成
- ✅ ローカルでの「軽量試走」: プロンプト調整時の素早いプレビュー → 確定したら Flux dev / Qwen Lightning へ
- ❌ 記事の挿絵（原寸）: 細部のソフトさが原寸で目立つ
- ❌ テキスト含むデザイン: 文字描画 NG
- ❌ 商用利用: ライセンス違反
- ❌ アジア要素: 漢字・ラーメン・居酒屋すべて崩れる
ハマりポイント / Tips
1. num_inference_steps=1 / guidance_scale=0.0 を忘れない
# ❌ ふつうの SDXL のつもりで動かすと無意味
image = pipe(prompt=p, num_inference_steps=30, guidance_scale=7.5, ...)
# ✅ Turbo の意義を活かす
image = pipe(prompt=p, num_inference_steps=1, guidance_scale=0.0, ...)
num_inference_steps を 30 にすると 30倍遅くなるが品質は上がらない（むしろ崩れることがある）。Turbo は 1-step に最適化されている。
2. 解像度は 512x512 固定
1024x1024 にすると 顕著に品質が落ちる。SDXL base の 1024 学習に対し、Turbo の蒸留は 512 を主軸にしているため。1024 が必要なら base か他モデル。
3. プロンプトはシンプルめが効く
# ❌ Flux dev / Qwen Lightning の感覚で詳細プロンプト
prompt = "a cute cat sitting on a wooden bench in a sunny park, photorealistic, highly detailed, 8k, sharp focus, lens flare, ..."
# ✅ Turbo は短いプロンプトの方が安定
prompt = "a cute cat on a bench, sunny park"
1-step なので、長いプロンプトの全要素を反映する時間が無い。短く、コアの要素だけ指定する。
4. ライセンスを確認: Non-Commercial
stabilityai/sdxl-turbo は Stability AI Non-Commercial License。商用利用は NG。本記事のシリーズで採用しないのもこれが大きい。商用なら Flux schnell (Apache 2.0) / Qwen Lightning (Apache 2.0) を使う。
5. 「ぼかして誤魔化す」設計を理解する
Turbo は SDXL base のような「要素追加癖」は出ないが、代わりに目・指・食材の細部が崩れる。1-step では細部を構築する時間が無いため、「ぼかして誤魔化す」設計になっている。サムネ用途なら問題ないが、原寸利用では SDXL base の方がマシなことすらある。
蒸留版 3兄弟の比較
本記事のシリーズで 「蒸留」をやってるモデル が3つある:
| モデル | Step | 速度 | 品質劣化の度合い | ライセンス |
|---|---|---|---|---|
| SDXL Turbo | 1 | 1秒 | 大 (テキスト・細部が崩壊) | NC |
| Flux schnell | 4 | 2分 | 中 (dev に明確に劣る) | Apache 2.0 |
| Qwen-Image Lightning | 8 | 10分 | 逆に向上（過剰ステップ罠を回避） | Apache 2.0 |
→ 蒸留の本気度 は Step 数だけでは決まらない。Turbo は「速度のために品質を捨てる」典型、Lightning は「速度と品質を同時に手に入れる」例外。ADD (Turbo) と LoRA-distillation (Lightning) は別物。
比較記事と次のモデルへ
- まとめ記事: Mac でローカル画像生成 10モデル比較したら、最強候補が裏返った
- 前作 (LLM 6モデル比較): ローカルLLMで読める記事は書けるのか
シリーズ内の関連記事:
- v2 SDXL base 1.0 — 中堅の安定感と「要素を勝手に追加する癖」（Turbo の元モデル）
- v5 Flux.1 [schnell] — Apache 2.0 の 4-step 蒸留、商用OKの代償（中間の蒸留）
- v8 Qwen-Image Lightning — 8-step に蒸留したらローカル最強候補に化けた（蒸留の上限）
検証環境: Mac M1 Max 64GB / macOS 25.4 / Python 3.14 / Diffusers 0.37.1 / PyTorch 2.11 (MPS) 作業ログ: 2026-04-29、SDXL Turbo (stabilityai/sdxl-turbo, 1-step / guidance 0.0 / 512px)
