Stable Diffusion

概要

Stability AI は Stable Diffusion の開発元として知られるAI企業。オープンソース画像生成モデルのパイオニアで、コミュニティ主導の画像生成エコシステムを牽引してきました。現行世代は 2026年4月6日発表の Stable Diffusion 4（SD4） で、U-Net から拡散トランスフォーマ（DiT）へアーキテクチャを刷新し、SD4 Base と SD4 Ultra の2階層で提供されています。

現行モデル: Stable Diffusion 4

SD4 は用途とハードウェアに応じて Base / Ultra の2つから選ぶ構成です。どちらもコミュニティライセンスでオープンウェイトが配布されます。

モデル	ネイティブ解像度	必要 VRAM	特徴
SD4 Base	1024×1024	12GB〜	軽量版 DiT。RTX 4090 で 8〜12 秒程度。コミュニティ利用の主力
SD4 Ultra	4096×4096	24GB〜	フル DiT ＋専用テキストグリフモジュール。PBR ライティング対応。エンタープライズライセンスあり

主な特徴

1. DiT アーキテクチャへの刷新

SD4 は U-Net バックボーンを捨て、局所アテンションと大域アテンションを混在させた拡散トランスフォーマ（DiT）に RoPE 空間埋め込みを組み合わせています。手指の描画など、従来オープンモデルが苦手だった構造の正確さが大きく改善しました。

2. 画像内テキストの描画（SD4 Ultra）

Ultra は専用のテキストグリフモジュールを備え、ロゴ・看板・パッケージなど画像内の文字を破綻させずに描けます。オープンウェイト系が Midjourney などクローズド勢に最も差を付けられていた部分です。

3. 4K ネイティブ生成

Ultra は 4096×4096 をネイティブ解像度として生成できます（A100 で最大解像度なら 45〜90 秒程度）。アップスケーラを挟まずに印刷用途に耐える解像度が出せます。

4. 高いカスタマイズ性

LoRA・ファインチューニングでスタイル特化モデルを作れます。ComfyUI や Automatic1111 などのコミュニティ UI と組み合わせたワークフローが広く使われています。

5. Stable Audio 2.5（エンタープライズ音声生成）

画像以外では、企業向けに設計した音声生成モデル Stable Audio 2.5 を提供しています。GPU 1 枚で3分尺のトラックを数秒で生成でき、WPP の WPP Open 経由でも配信されています。

6. ゲーム開発向けの EA 協業

Electronic Arts と戦略的パートナーシップを結び、PBR マテリアル・2D テクスチャの生成と 3D 環境のプリビジュアライゼーションを共同開発しています。

ライセンス

Stability AI Community License で提供。

✅ 商用利用可能
✅ 非商用利用も可能
✅ ファインチューニング・カスタマイズ自由
⚠️ 年間売上 $1M 超の企業は Enterprise ライセンスが必要

代表的な活用例

プロダクト画像生成: 商品画像・広告クリエイティブ
ゲームアセット: キャラクター・背景・UI 素材、PBR マテリアル
カスタムモデル構築: LoRA / Fine-tuning でスタイル特化
ローカル実行: プライバシー重視・API コスト不要
クリエイティブワークフロー: ComfyUI、Automatic1111 などのUI と組み合わせ

提供形態と料金

ローカル実行はモデルさえ落とせば無料で、ホスト API はクレジット制（1 クレジット = $0.01）です。

提供形態	料金
モデルダウンロード	無料（Community License）
Stability AI API — Stable Image Core	1枚 $0.03（3クレジット）
Stability AI API — Stable Image Ultra	1枚 $0.08（8クレジット）
API メンバーシップ	$20/月で 6,000 クレジット
Amazon Bedrock	AWS 経由で利用可