AIREITERZ-Image Turboでは、ネガティブプロンプトを別欄に書くのではなく、必要な条件をすべてメインプロンプトへ集約する。画像の指示はタグの羅列ではなく、簡潔なクリエイティブブリーフとして組み立て、最後に仕上がりの制約も同じ文脈で加える。Tongyi-MAIとfalが案内しているのも、この使い方だ。
Z-Image Turboで結果を左右する、最初のプロンプト設計
まずは画像の種類と主題を示し、構図、場所、光、スタイル、制約へと続ける。一語タグを積み上げるより、自然な文章でひとつの制作指示にまとめるほうが安定する。公式モデルカードではTurboを8 NFEに蒸留したモデルとし、guidance_scale=0.0を指定している。falのプロンプトガイドでも、ネガティブプロンプトには対応しないと明記されている。
まずは次の順番で書くと組み立てやすい。
- 画像形式と構図：寄りのポートレート、商品写真、エディトリアルイラスト、16:9のシネマティックな場面など。
- 被写体と動き：何が、あるいは誰が写っているか。何をしているか。見た目を決定づける具体的な特徴は何か。
- 環境：場所、時間帯、背景、意味のある小物を1〜2点。
- 光と配色：光源、向き、柔らかさ、色温度、主な色。
- スタイルの軸：ドキュメンタリー写真、クリーンな商品写真、水彩画など、媒体はひとつに絞る。
- メインプロンプト内の制約：シャープなピント、整った背景、自然な手、正確な引用テキスト、透かしやブランド表示なし。
ふわっとした指示を、制作で使えるプロンプトに直す
以下の書き換え例では、制作上の要件を一度にひとつずつ足している。適当に形容詞を増やすのではなく、どこで破綻したのかを切り分けやすくなる。
形容詞より先に、画面の優先順位を決める
曖昧なプロンプト：
Beautiful woman in a garden, cinematic, highly detailed, 8K.
制作向けプロンプト：
Medium portrait of an adult woman pruning red roses in a Victorian garden, three-quarter view, her hands and pruning shears visible in the foreground. Moss-covered stone wall behind her, early morning, dappled sunlight through oak leaves, muted green and warm red palette, documentary lifestyle photography, soft natural skin texture, sharp focus on her face and hands, clean composition with no logo or watermark.
後者は、ショットの種類、動作、奥行き、光、配色から先に指定している。「beautiful」のような曖昧な形容詞だけでは、Z-Image Turboが描くべき具体像を得られない。
ネガティブプロンプトではなく、本文に制約を書く
Turboのパイプラインで、negative_prompt: "blur, extra fingers, clutter"のような別フィールドを頼りにしてはいけない。欲しい特徴も避けたい要素も、メインプロンプトへ書き込む。
| 避けたい失敗 | メインプロンプトで試す表現 |
|---|---|
| 被写体がぼやける | sharp focus on the subject, crisp fine detail |
| 背景がごちゃつく | simple clean backdrop, uncluttered negative space |
| 手の形が不自然 | natural hands with five clearly separated fingers |
| 不要なブランド表示 | plain unbranded surface, no visible logo or watermark |
| 意味のない文字が混じる | no extra lettering, only the quoted title is readable |
Turboには独立したネガティブプロンプト欄がない。ただし「no watermark」のような除外条件は、主プロンプトの中に書ける。
カメラ指定は一つで十分
カメラやフィルムの手がかりは一つにとどめ、残りの文章は被写体とレイアウトに使う。たとえば35mm street-photography framing, cool window light, visible fabric textureのような指定でよい。
基本は8フォワードパス。スピードだけを追わない
公式のZ-Image-Turboサンプルはnum_inference_steps=9を使用しており、Tongyi-MAIのモデルカードでは、これはDiTのフォワードパス8回に相当すると説明されている。同じ例ではguidance_scale=0.0、固定シード、1024 × 1024の画像を使っている。ただし、これは再現可能なモデル設定であって、実時間の速度保証ではない。プロジェクトが掲げるサブ秒の生成は企業向けH800ハードウェアに基づくものであり、コンシューマー環境では大幅に遅くなることがある。
falのモデルページでは、1〜8ステップを設定可能で、1リクエストあたり最大4画像、出力は最大4メガピクセルとしている。制作フローでは、ラフなサムネイルには低いステップ数を使い、残す価値のある素材だけを8ステップに近づけるのが合理的だ。
| 項目 | 実用的な出発点 | 変わるもの |
|---|---|---|
| 推論ステップ | 8フォワードパス。設定画面では9として表示されることが多い | Turboにおける品質と待ち時間の主なトレードオフ |
| Guidance scale | 0.0 | Turboは通常のCFG制御なしで蒸留されている |
| 解像度 | バランス確認には1024 × 1024 | 大きい出力ほどコストが増え、構図の粗も目立つ |
| アスペクト比 | 正方形、縦長、横長のプリセット | 掲載先の媒体に合わせてキャンバスを決める |
| シード | プロンプトを直している間は固定 | 文言変更の影響を比較しやすくなる |
| バッチ | 対応時は2〜4バリエーション | 1枚だけを信じず、選別できる |
| プロンプト拡張 | 任意。主に短いプロンプト向け | 情報は増やせるが、詳細な指示では過剰に膨らむ場合がある |
高速モデルと比べると何が違うか
公開情報ではハードウェアや設定条件が揃っていない。ここでは同一GPU上の速度比較ではなく、ワークフローとしての違いを整理する。
| モデル | 文書化された高速設定 | プロンプトと品質のトレードオフ | 向いている判断 |
|---|---|---|---|
| Z-Image Turbo | 8 NFE。16 GBのコンシューマーデバイスで動作可能とされ、H800ではサブ秒レイテンシーをうたう | フォトリアリズムと英語・中国語テキストに強みを掲げる一方、モデル表では多様性が低評価で、TurboはCFGを使わない | 大量の初期案出しや、バイリンガルの商用コンセプトに選ぶ |
| FLUX.1-schnell | 1〜4ステップ。公式Diffusersサンプルは4ステップとguidance_scale=0.0を使用 | 幅広いローカル環境とApache 2.0ライセンスを持つ12Bモデル。モデルカードに実時間ベンチマークはない | 1〜4ステップの運用や、確立済みのローカルツール群をZ-Imageのテキスト重視より優先したい場合 |
| SDXL Turbo | 1〜4ステップ、guidance_scale=0.0。512 × 512で学習・標準設定 | Diffusersのドキュメントでは768²と1024²で品質が落ちるおそれがあると注意されている。商用ライセンスは要確認 | 512pxのリアルタイムプレビュー、または既存のSDXLパイプライン向け |
アダプターについては、モデル表とエンドポイントのドキュメントで完全には一致していない。公式モデル群ではTurboのファインチューニング可否がN/Aとなる一方、falのガイドではTurbo向けLoRAエンドポイントを案内している。LoRAの可用性はラッパー依存として扱うべきで、アダプター学習が中心ならベースのZ-Imageから始めるほうが安全だ。
バッチ生成でも崩れにくいプロンプトパターン
量産時は、文言を調整している間はシードを固定し、構図が安定してからシードを変える。
進め方は3段階に分けるとよい。
- 探索：短く構造化したプロンプトと複数のシードを使い、低め、またはバランス重視のステップ設定で案を出す。
- 選別：意図が伝わる構図を残し、シードを固定してテキスト、手、商品配置を詰める。
- 仕上げ：キャンペーン用の1カットで最大限の細部、多様性、ファインチューニングが必要なら、選んだ案をより遅いモデル、または制御性の高いモデルへ移す。
記事用ビジュアルとSNS投稿
視覚的な比喩は一つ、焦点も一つにする。サムネイルサイズでも意味が読める構成が重要だ。
テンプレート：Editorial illustration of [subject] showing [visual metaphor], [foreground focal object] placed at [left/center/right], [simple background], [two-color palette], [lighting], clean thumbnail-readable composition, no text, no watermark.
例：Editorial illustration of a crowded AI content pipeline narrowing into a single human editor’s desk, a bright blue funnel on the right guiding scattered paper drafts toward one selected page, warm orange and teal palette, clean isometric composition, soft studio lighting, no text, no watermark.
商品写真とパッケージ
商品カットでは、雰囲気より形状と素材の見え方を優先する。商品の位置、材質、光の方向、表示必須の文字を明示したい。
例：Photorealistic matte-black coffee bag standing upright on a warm-gray stone surface, front-facing three-quarter product view, softbox from the upper left, controlled shadow to the right, subtle paper texture, premium packaging photography. The front label contains only the readable text “YUNNAN COFFEE” in small cream serif capitals, no other lettering, no logo, no watermark.
パッケージ上の必須テキストは短くし、引用符付きで正確に指定する。公式Z-Imageモデルカードは英語と中国語の文字描画を強調しているが、密度の高いメニューや小さな文章より、短いラベルのほうが制作では安全な目標になる。
加工感の薄いポートレート
ポートレートでは、「photorealistic」だけに頼らない。日常的な動作、具体的な表情、抑えた質感の手がかりを一つ加えると、過度にエアブラシをかけたような仕上がりを避けやすい。
例：Candid medium portrait of an adult man repairing a bicycle outside a neighborhood workshop, slightly uneven eyebrows, natural skin texture, worn navy work jacket, eyes focused on the bicycle rather than the camera, late-afternoon side light, muted blue and rust palette, 35mm documentary photography, sharp hands and face, clean background with no branding.
文字入りの画像
正確な文字列は十分早い位置に置き、その後に配置と書体を説明する。英語と中国語を同じデザインに含める場合も、それぞれ別要素として記述したほうがよい。
例：Photorealistic tea-bar storefront at dusk, centered hanging sign with the exact Chinese text “山茶” above the exact English text “MOUNTAIN TEA,” both in large cream serif lettering, warm interior light, clean glass facade, menu board with only the short word “OOLONG,” uncluttered urban composition, no extra text, no logo, no watermark.
小さなラベルより、大きく配置した短い見出しのほうが安定する。公開前には必ず文字出力を確認したい。
実際によくある失敗と直し方
次の表では、まずプロンプトを一箇所だけ直し、そのあとでシードや実行条件を変える順番を勧める。あるユーザーは使用感をこうまとめている。
“It was Z Image Turbo, it can be janky sometimes, and needs proper prompting but it can deliver really good stuff.” — @RodAndByte
| 症状 | 最初に直すプロンプト | 次に変えること |
|---|---|---|
| 顔がプラスチックのよう、視線が固定される | 実際の動作、candid、unposed、明確な視線の向きを加える | 文言が固まってからシードを変える |
| 文字が崩れる、余計な単語が出る | 短い正確な文字列を引用し、サイズと配置を指定。副次的なコピーは削る | 別シードを試し、最終出力サイズで確認する |
| 商品シーンが散らかる | 小物を1〜2点に絞り、前景・背景の位置を定義する | ステップを増やす前にスタイル表現を減らす |
| 手がおかしい | 見えている手の動作を説明し、自然な5本指の解剖学的形状を求める | 複数シードを生成する。1枚で解決するとは考えない |
| ローカル生成が遅い、または不安定 | プロンプトを書き直す前に、ラッパー、dtype、GPUメモリ、解像度を確認する | スループット確認にはホスト型エンドポイントを使う |
@iamzhihuiと@9o_zZz_o6の報告を見ると、ローカルでの速度はMac、旧世代のGTXハードウェア、構成によって変わる。プロンプトを評価する前に、ラッパー、dtype、メモリ、解像度、コンパイル状態を確認しよう。
Z-Image Turboプロンプトガイド FAQ
Z-Image Turboでネガティブプロンプトは使える？
文書化されたTurboのワークフローでは、独立したネガティブプロンプト欄はサポートされていない。「no watermark」のような除外条件も、望む特徴とともにメインプロンプトへ書く。
推論ステップは8と9のどちらを使うべき？
エンドポイント側の表記に従えばよい。Tongyi-MAIではDiTのフォワード8回に対してnum_inference_steps=9を使い、falでは1〜8の範囲を公開している。
Z-Image Turboのプロンプトはどのくらいの長さがよい？
コミュニティのプロンプトマニュアルとMindCraftガイドはいずれも、およそ80〜250語を実用的な範囲としている。これは公式のトークン上限ではない。詳細を足す前に、競合するコンセプトを削ることを優先したい。
Z-Image TurboはFLUX schnellやSDXL Turboより速い？
公開情報には、同一ハードウェアで比較できる公平なレイテンシーテストがない。Z-Image Turboは8 NFEを使う一方、FLUX.1-schnellとSDXL Turboは1〜4ステップを案内している。
大規模な画像生成バッチにも向いている？
初期コンセプトの生成と選別には向いている。falでは1リクエストあたり最大4画像を指定できるため、プロンプト修正時はシードを固定し、選別時にシードを変えるとよい。
ローカル実行が遅い、または不安定なのはなぜ？
サブ秒という主張はH800ハードウェアに紐づく。ローカルの遅さをプロンプトの失敗と判断する前に、VRAM、dtype、解像度、ラッパー、コンパイル設定を確認しよう。