Qwen-Image 日本語対応の核心は、画像の中に日本語の文字を崩さず描けるかどうかで決まる。T2I(Text-to-Image)を使うと、構図は完璧なのにポスターのキャッチコピーが「文字のような模様」になる場面に何度も出会う。Qwen-ImageはAlibabaのQwenチームが公開した20BパラメータのT2Iモデルで、GitHubスターは8,000を超える。漢字を含むCJK(中国語・日本語・韓国語)文字の描画を最大の売りにしている。本記事では何ができ、何を解決し、何を代替するのかを、公式リポジトリと技術レポートを一次ソースに整理する。

オープンウェイトモデルの前提知識は LLMとは?仕組み・主要モデル比較・ローカル実行・量子化を一気にまとめる2026年版 にまとめている。

「Qwen 日本語」で来た方へ

  • ・Qwen(LLM):文章生成・要約・コード用。日本語で会話できるかを知りたい場合は本記事の対象外
  • ・Qwen-Image(本記事):画像を生成するモデル。ここでの「日本語」は、生成画像の中に日本語の文字を描けるかという意味
Qwen-Imageの生成例。中国語の店名看板、Qwen Coffeeのチョークボード、書の掛け軸、英語の映画ポスターなど、画像内テキストを含む作例が並ぶ
Qwen-Image公式の生成例。画像に読める文字が入っている(出典: QwenLM/Qwen-Image README)

30秒でわかるQwen-Image

  • ・何ができる:漢字を含む文字を画像内に描くT2Iと、既存画像の文字や被写体を編集するモデル群
  • ・何を解決する:日本語ポスターやUIモックの文字が崩れるT2Iの弱点
  • ・何を代替する:文字目的で使うクラウド専用サービス。Apache-2.0なのでローカル実行も商用利用もできる

Qwen-Imageとは|日本語対応の20B画像基盤モデル

Qwen-Imageは、Qwen(通義千問)チームが2025年8月に技術レポート(arXiv:2508.02324)とともに公開した画像基盤モデルだ。中核はMMDiT(Multimodal Diffusion Transformer)で、テキストと画像を同じトランスフォーマー内で相互に注意させながら拡散過程を進める。FLUXやStable Diffusion 3系と同じ系統の方式である。

TEXT IN IMAGE文字描画の違い

日本語を読める文字で描き、しかも自分の環境で動かせる

SDXL・FLUX など

オープンだが文字が弱い

  • 日本語は別の字に崩れやすい
  • FLUX.1 [dev] は非商用ライセンス
  • ローカルで動かせる

Qwen-Image

文字描画に寄せたオープンモデル

  • 漢字を含む文字を意味として描く
  • Apache-2.0 で商用利用も可
  • ローカルで動かせる
出典: QwenLM/Qwen-Image README・arXiv:2508.02324

用途別に派生モデルがある。

・Qwen-Image:基本のテキスト→画像。本記事の主役
・Qwen-Image-Edit:指示文で既存画像を編集。文字の差し替えに強い
・Qwen-Image-2512:人物のリアリティと自然物のディテールを強化した更新版
・Qwen-Image-Edit-2511:複数画像の合成と人物の一貫性を強化した編集版
・Qwen-Image-Layered:レイヤー分離に対応(2025年12月公開)

READMEによると、Qwen-Image-2512は1万回を超えるAI Arenaのブラインド対戦で、オープンソース画像モデル最上位と評価されている。この評価は2512についての報告で、初版の数字ではない。

商用利用とライセンス

Qwen-ImageのライセンスはApache-2.0(READMEで確認)だ。生成物の商用利用も、モデルの改変・再配布もできる。FLUX.1 [dev] は非商用ライセンスで、商用には別契約が要る。GPT ImageやIdeogramはモデルが公開されておらず、APIの規約とクラウド依存から離れられない。

Qwen-Image 日本語の文字が崩れにくい理由

文字描画の強さは、テキストエンコーダ・学習データ・指示の扱いという3点の設計から来ている。

PIPELINE生成の流れ

文字の指定が入口から出口まで落ちずに伝わる

  1. プロンプト

    「看板に千問と書く」

  2. Qwen2.5-VL

    意味まで読むエンコーダ

  3. MMDiT 20B

    拡散で潜在表現を生成

  4. VAE

    画像へ復元

出典: arXiv:2508.02324(構成の要約)

・テキストエンコーダ:CLIP系の軽量エンコーダではなく、Qwen2.5-VLでプロンプトを解釈する(技術レポートの設計)。「上部に大きく新春セール、下部に小さく日付」のような位置と内容を伴う指示が、拡散本体まで届きやすい
・学習データ:中国語圏のチームが文字を含む画像を重視して学習させている。漢字を「めったに見ない模様」ではなく「描くべき形」として扱える
・長い指示への対応:READMEは1k トークン級の指示から、スライドやポスターなど文字が主役の画像を直接生成できるとしている

日本語は「日」と「目」、「未」と「末」のように一画の違いで別の字になる。文字を模様として覚えたモデルはこの差を再現できず、別字を描く。中国語で磨かれた漢字の描画力は、漢字を共有する日本語にも効きやすい。

日本語での検証範囲

  • ・公式ベンチマークは中国語と英語が中心で、日本語単独のスコアは公表されていない
  • ・かな・カタカナ・和文の言い回しは中国語と一致しない。本番投入前に実際の見出しで試し生成し、字形を確認する

SDXL・FLUX・クラウド型との比較

技術レポートは、テキスト描画ベンチマークでQwen-Imageを主要モデルと比べている。中国語の長文描画LongText-Bench (ZH) ではQwen-Imageが0.946、Seedream 3.0が0.878、GPT Image 1が0.619だった。

Qwen-ImageとGPT Image 1・Seedream 3.0・FLUX.1・BAGELの比較ベンチマーク。中国語・英語のテキスト描画でQwen-Imageが最上位
左:生成・編集、右:文字描画(出典: Qwen-Image README / arXiv:2508.02324)

日本語運用の観点で並べると次のようになる。文字描画の列は本記事の整理で、公式ベンチは中国語と英語が中心のため、日本語での直接比較ではない。

モデル ライセンス 本記事の評価(日本語直接比較ではない) ローカル実行
Qwen-Image Apache-2.0 CJKを含め最上位クラス 可
FLUX.1 [dev] 非商用 英語は可・日本語は弱い 可
Stable Diffusion XL OpenRAIL++ 文字は崩れやすい 可
Ideogram 3.0 クラウド専用 英語に強い 不可
GPT Image 1 クラウド専用 英語と中国語で比較あり 不可
Seedream 3.0 クラウド専用 中国語に強い 不可

文字描画が得意なクラウド型はローカル実行も商用の自由度も限られ、ローカルで動くFLUXやSDXLは日本語の文字が弱い。日本語の文字描画・ローカル実行・商用利用の3条件を同時に狙えるのは、この表ではQwen-Imageだけだ。SDXLはLoRAやControlNetなどのエコシステムが厚く、スタイルの作り込みでは今も有力な選択肢になる。

Qwen-Image 日本語ポスターの作り方|Diffusersの手順とプロンプト

試す経路は、Qwen Chat・Hugging Face Space(Qwen/Qwen-Image)で見る、Diffusersでコードから叩く、ComfyUIでワークフロー化する、の3つ。GUIで組みたい場合は ComfyUIとは|使い方・インストール(デスクトップ版)からワークフロー構築まで入門ガイド2026 を先に読むとよい。

Diffusersの準備はREADMEどおり、transformers 4.51.3以上と最新のdiffusersを入れる。

pip install git+https://github.com/huggingface/diffusers
pip install "transformers>=4.51.3" accelerate

日本語の見出しを入れたポスターの生成例。READMEのサンプルを日本語プロンプトに替えた構成で、20Bモデルでの実生成は未検証。

from diffusers import QwenImagePipeline
import torch

dtype = torch.bfloat16 if torch.cuda.is_available() else torch.float32
device = "cuda" if torch.cuda.is_available() else "cpu"
pipe = QwenImagePipeline.from_pretrained("Qwen/Qwen-Image", torch_dtype=dtype).to(device)

prompt = (
    "縦型のイベントポスター。上部に大きく力強い日本語で「夏の音楽祭」、"
    "中央にステージのイラスト、下部に小さく「2026年8月10日 開催」と記載。"
    "背景は夕焼けのグラデーション、モダンでミニマルなデザイン"
)
image = pipe(
    prompt=prompt,
    negative_prompt="低解像度, 文字化け, 崩れた文字, 余分な文字",
    width=928, height=1664,
    num_inference_steps=50,
    true_cfg_scale=4.0,
    generator=torch.Generator(device=device).manual_seed(42),
).images[0]
image.save("poster.png")

解像度はREADMEの推奨値を使う。1:1は1328×1328、16:9は1664×928、9:16は928×1664、4:3は1472×1104、3:4は1104×1472。外れると構図も文字も乱れやすい。

プロンプトは「どこに・どんな大きさで・何と書くか」を明示する。描かせたい文字列はカギ括弧で括り、位置(上部/中央/下部)と相対サイズ(大きく/小さく)を添える。雰囲気だけ伝えて文字をモデル任せにすると、別の言葉が入り込みやすい。曖昧な指示は、リポジトリ同梱のプロンプト書き換えツール(src/examples/tools)でQwen言語モデルに詳細化させる手もある。

文字を編集するQwen-Image-Edit

Qwen-Image-Editの作例。魔法使いの帽子を被ったクマが持つ本の「Dreams」の文字が正確に描かれている
Qwen-Image-Editの作例。本のタイトル文字が正確に描かれている(出典: Qwen-Image README)

編集はDiffusersのQwenImageEditPlusPipelineに入力画像と指示文を渡す。「看板の文字を『営業中』に書き換える。他はそのまま」のような指示ができ、商品画像の文言差し替えやバナーの日本語化を元の質感のまま行える。使い方の全文はREADMEにある。

日本語運用の失敗パターンと向いている用途

BEFORE SHIPPING日本語運用の3点

崩さないコツは短く・推奨サイズ・目視の3つ

  1. 1.文字は短く分ける

    見出し1行・日付1行のように分けて指示

  2. 2.推奨解像度を守る

    9:16 なら 928×1664 など README の値

  3. 3.生成後に目視する

    固有名詞・日付・数字は1字違いに注意

出典: README の推奨解像度と本記事の運用整理

最も多い失敗は、長い日本語の文章をそのまま流し込むことだ。文章量が増えるほど誤字は増える。ポスターなら「キャッチコピー1行+日付1行」に絞り、細かい本文は後からテキストレイヤーで重ねる。AIで下地を作り、人が仕上げる分業が確実だ。

フォントを細かく指定しすぎるのも破綻のもとになる。「明朝体で」「ゴシックで」程度に留め、ブランドフォントは生成後にデザインツールで置き換える。同じ文字列を画像内に何度も出す指定も崩れやすいので、1回だけ生成して複製する。速度が要るときはQwen-Image-Lightningのような少ステップ蒸留版がある。

VRAMは20Bモデルだけに重い。READMEはDiffSynth-Studioによる層ごとのオフロードとFP8量子化を紹介しており、手元のGPUが小さい場合はこれらか蒸留版を組み合わせる。ComfyUIで動かす場合、ワークフローの保存と再現は ComfyUI ワークフローの保存先と共有・再現ガイド2026 が参考になる。

向いている用途は次のとおり。

・日本語の販促バナー・SNS画像の量産:文言差し替えの繰り返しを自動化できる
・社内資料の図版生成:外部APIに出せない環境でもローカルで完結する
・製品への組み込み:Apache-2.0なのでSaaSやアプリの一機能にできる
・ECの商品画像:編集モデルで背景や文言を一貫した品質で差し替える

単発で1枚だけ作りたい個人用途なら、Qwen ChatやHugging Face Spaceで足りる。

リポジトリの現況|2026-02-10以降pushが止まっている

QwenLM/Qwen-Image を2026-09-07にGitHub APIで確認したところ、次の状態だった。

・GitHubスター 8,294、ライセンスは Apache-2.0
・最新のpushは2026-02-10。確認時点で209日間、どのブランチにもコミットが入っていない
・タグ付きリリースは無し

pushed_at はどのブランチへのpushでも更新される値なので、209日は「リポジトリ全体が止まっている」ことを意味する。重みの配布リポジトリは、確定後にコード更新が止まるのが普通で、モデル本体はHugging Faceで配布され続ける。ただしバグ修正や新しいdiffusersへの追随は期待しにくい。サンプルコードが将来のライブラリ版で動かなくなったときは、自分で直す前提で採用を決めたい。

まとめ|日本語T2Iの選択肢を一段広げたモデル

・何ができる:日本語・漢字を含む画像内テキストの生成と、既存画像の文字や被写体の編集
・何を解決する:日本語ポスターやUIモックの文字が崩れるというT2Iの弱点
・何を代替する:文字目的のクラウド専用サービスを、オープン・ローカル・商用可の環境に置き換える

まずはQwen ChatかHugging Face Spaceで、日本語の見出しを1つ生成してみてほしい。

参照ソース

・QwenLM/Qwen-Image — GitHub公式リポジトリ(README・利用コード)
・Qwen-Image Technical Report — arXiv:2508.02324(アーキテクチャ・ベンチマーク)
・Qwen-Image 公式ブログ — qwenlm.github.io(開発チームによる解説)
・Qwen/Qwen-Image — Hugging Face(モデル本体・Space)