同じキャラを何枚も出したいなら、2026年は参照画像を編集する系のモデル——Qwen-Image-Edit 2511 か FLUX.1 Kontext——を使うのが第一選択です。プロンプトの作り込みとシード固定だけでは一貫性は保てません。ここを取り違えて延々とガチャを回している人が多い領域です。
プロンプトを一字一句同じにしても、ポーズを変えた瞬間に別人が出てくる。シードを固定したら今度は全く同じ絵しか出ない——キャラクターの一貫性は、プロンプト設計とは別系統の問題です。この記事では4つの手法を目的別に整理し、どれをいつ使うかの判断軸をまとめます。
なぜプロンプトを固定しても同じキャラにならない？
text-to-imageのモデルは、プロンプトから毎回ゼロから絵を作っているためです。「黒髪ロング・青い目・赤いリボン」と指定すれば条件は満たされますが、顔の骨格や目の形といった言葉にできない特徴は指定できません。結果、条件は合っているのに別人になります。
シード値の固定も解決になりません。シードを固定すると生成の初期ノイズが同じになるため、プロンプトが同一なら同じ絵が出ます。しかしポーズや背景を変えた瞬間に構図全体が変わり、顔も一緒に変わります。同じ絵は作れても、同じキャラの別カットは作れないのがシード固定の限界です。
「一貫性」には2種類ある
①同じ絵を再現したい（再現性）と、②同じキャラで違う絵を出したい（一貫性）は別問題です。①はシード固定で解決しますが、②には別のアプローチが要ります。この記事は②を扱います。
4つの手法はどう使い分ける？
| 手法 | 向くケース | 手間 | 一貫性 |
|---|---|---|---|
| プロンプト作り込み | ざっくり似ていればいい | 小 | 低 |
| シード固定 | 同じ絵の微調整 | 小 | △（同構図のみ） |
| 参照画像編集（Kontext／Qwen-Image-Edit） | 数枚〜数十枚のバリエーション | 中 | 高 |
| LoRA学習 | 数百枚規模・長期運用 | 大 | 最高 |
2026年時点で費用対効果が最も高いのは3番目です。学習が不要で、参照画像1枚から始められます。漫画やストーリー用に数十枚必要という程度なら、ここで十分足ります。
参照画像編集モデルはどちらを選ぶ？
Qwen-Image-Edit 2511
キャラの顔立ちを保ったまま、服装・背景・ライティングを自由に変えられます。ライセンスはApache-2.0（Hugging Faceの表示）で、ComfyUIでローカル実行できます。ローカル運用ならまずこれです。
FLUX.1 Kontext
参照画像のキャラや物体の特徴を、別のシーンへ引き継ぐ機能を持ちます。Dev（12Bのオープンモデル・ライセンスは非商用・ComfyUIでローカル実行可）、Pro、Max の3系統があり、品質重視ならAPI版のMaxが最上位です。
ライセンスは必ず確認する
FLUX.1 Kontext Dev は非商用ライセンスです（Qwen-Image-Edit 2511 はApache-2.0）。モデルを動かしてよいのは非商用の目的に限られ、対価を得る活動やエンドユーザー向けのサービスは含まれません。生成物そのものは「商用目的を含め、あらゆる目的に使える」とライセンスに書かれていますが、仕事で使う画像を作るなら、モデルの使い方の時点で範囲外です。仕事で使うならPro／Max（API）か、商用可能な別モデルを選んでください（BFLのライセンス（FLUX [dev] Non-Commercial License））。
実際にどう指示すれば一貫性が保てる？
ポイントは、text-to-imageの書き方をやめてedit-styleの書き方に切り替えることです。
まず正面・素直な表情のキャラ画像を1枚だけ、納得いくまで作ります。ここが全ての基準になるため、妥協するとあとで全部やり直しになります。
複数枚を参照させると特徴が平均化されて似なくなります。キャラクターシートを渡す場合も、1枚の画像にまとめたものを使います。
Change the pose to sitting on a chair. のように、今の画像を変えろという指示にします。「黒髪ロングの少女が椅子に座っている」というtext-to-image的な書き方をすると、参照を無視して別キャラが出ます。
「帽子をかぶせないで」ではなく「髪をそのまま見せて」と肯定形で書きます。編集系モデルは否定形の解釈が弱く、逆の結果が出ることがあります。
JSON構造化プロンプトとの併用
基準画像を作る工程では、属性を分離して制御できるJSON構造化プロンプトが効きます。「基準画像はJSONで精密に設計 → バリエーションは参照画像編集で量産」という役割分担が、2026年現在いちばん破綻しにくい組み立てです。
ローカルで動かすには何が必要？
Qwen-Image-Edit 2511 のVRAMの必要量は公式に記載がなく、当サイトでもこのモデル自体は測っていません。同じ系列の20B級の画像生成モデル（Qwen-Image-2512）は、当サイトの16GBの検証機（RTX 4070 Ti SUPER）で、GGUFの量子化（Q4_K_M）とメインメモリへのオフロードで動きました（あふれた分だけ遅くなる＝VRAM不足のコストを測った記事）。12GBでは、さらに量子化を強めるかオフロードを増やすことになります（当サイトでは未測定）。
手持ちのGPUで足りるか怪しい、あるいは環境構築でつまずきたくないという場合は、GPU不要で使えるクラウド環境から試すのが早いです。ConoHa AI CanvasでComfyUIを動かす手順にまとめてありますが、月額課金で試し、合わなければ月末までの予約で解約できるため、GPU購入前の見極めに向いています。なおConoHa AI Canvasの仕様の対応モデルの表はStable Diffusion系ですが、プリインストールの一覧にはQwen-Image-Edit 2509（fp8）が入っています（Kontextは無い・2026年10月11日の公式）。この記事の2511と同じように動くかは、試す前に確かめてください。
※ 環境構築不要・月額1,100円〜（WebUIの無料時間つき・超過は6.6円/分）・解約は月末までの予約制・仕様の対応モデルの表はStable Diffusion 1.5/2.0/2.1/XL・プリインストールの一覧にQwen-Image-Edit 2509（fp8）はあり、Kontextは無い（2026年10月11日の公式）💡 手元のGPUで回し続けるなら：上のとおり、20B級の画像モデルは16GBでも量子化とオフロードが前提です。GPU別の構成と予算の目安はローカルAI画像生成のおすすめBTO PC構成（予算別）にまとめています。
LoRA学習に進むべきラインはどこ？
参照画像編集で足りなくなるのは、次のようなケースです。
- 数百枚単位で使い続ける——毎回参照を渡すより、モデルに覚えさせたほうが速くなります。
- 特殊な衣装やギミックを完全に固定したい——編集系モデルは細部の装飾を落とすことがあります。
- 他のワークフローに組み込みたい——LoRAならComfyUIの任意のワークフローに差し込めます。
逆にいえば、そこまでの規模でなければLoRAは過剰です。学習データの用意と試行錯誤で数時間は溶けるため、まず参照画像編集で足りるか確かめてから判断してください。進む場合はキャラクターLoRAの作り方が入口になります。
まとめ
キャラの一貫性は、プロンプトの精度を上げても解決しません。基準画像を1枚作り込み、参照画像編集モデルで「変える部分だけ」を命令形で指示する——これが2026年時点の最短ルートです。
ローカル運用ならQwen-Image-Edit 2511、商用利用や最高品質を求めるならKontextのPro／Max。規模が数百枚に達したときに初めてLoRAを検討する、という順番で考えれば無駄がありません。
※ 環境構築不要・月額1,100円〜（WebUIの無料時間つき・超過は6.6円/分）・解約は月末までの予約制・仕様の対応モデルの表はStable Diffusion 1.5/2.0/2.1/XL・プリインストールの一覧にQwen-Image-Edit 2509（fp8）はあり、Kontextは無い（2026年10月11日の公式）
コメント