アリババ、画像生成モデル「Qwen-Image-2.1」の商用APIを提供開始

ECサイトの運営や広告制作の現場では、1枚の画像を仕上げるためにツールを行き来する作業が日常茶飯事になっています。画像生成AIでベースを作り、別の切り抜きツールで背景を透過し、さらに別ソフトで商品画像を合成して文字を入れるといった手順です。

ツールをまたぐたびに作業時間が奪われ、被写体のディテールや色合いが崩れてしまう課題が付きまとっていました。

Alibabaはクラウド基盤「Model Studio」を通じて、画像生成モデル「Qwen-Image-2.1」のPro版およびTurbo版APIの商用提供を開始しました。画像生成、編集、透過切り抜き、文字描画を7Bパラメータの単一モデルに集約したのが最大の特徴です。

1つのモデルで制作工程を集約

Qwen-Image-2.1は、32層のシングルストリームDiTを採用した7Bの視覚生成モデルに、8BのQwen3-VLテキストエンコーダと64チャネルのRGBA VAEを組み合わせています。

特徴的なのはマルチ画像処理の効率化です。複数画像を入力する際、最初のデノイズ工程で画像とテキストの特徴量を一度だけ計算してキャッシュし、以降のステップで再利用することで推論速度を大幅に引き上げました。

これにより、現場で求められる複数のタスクを1台でこなせるようになっています。

まず、本物のアルファチャンネルを備えたRGBA画像を直接生成できます。プロンプトから直接背景透過の画像を出力できるほか、既存写真からの被写体切り抜きにも対応するため、専用の背景除去ツールが不要になります。

さらに、最大10枚の参照画像を1度に合成できます。衣服、人物、背景を別々に読み込ませて一貫性を保ったまま着用画像を生成することが可能です。加えて、指定領域のインペイント編集や、2048x2048のネイティブ2K解像度による看板やポスター向けの鮮明な文字描画もサポートしています。

1万枚で160ドル以下の低価格設定

提供形態は明確に使い分けられています。

先行して9月20日にHugging FaceやModelScopeで重みが公開され、Xでの告知は240万回以上表示されました。ただし公開重みは研究評価専用ライセンスとなっており、商用利用にはModel StudioのAPI利用が求められます。

APIは2つのプランが用意されています。大量生成向けのTurbo版はデノイズ工程を通常の40ステップから8ステップに短縮しており、シンガポール拠点で1枚0.016ドル、米国バージニアやフランクフルト、東京などのグローバル拠点では1枚約0.014133ドルで利用できます。1万枚生成しても約140から160ドルに収まる計算です。

高品質なメインビジュアル向けのPro版はシンガポールで1枚0.04ドル、グローバル拠点で0.035333ドルに設定されています。いずれも生成成功時のみ課金され、ファインチューニングにも対応します。

なぜ重要か

私たちは、このモデルが画像生成AI市場における「単機能ツールの統廃合」を加速させるとみています。

これまでは背景透過専用サービスや部分編集ツールなど、特化型SaaSを複数契約してワークフローを組むのが一般的でした。しかし、基盤モデル自体がアルファ透過や高精度なタイポグラフィ、複数画像の合成まで高精度にこなせるようになれば、中間ツールの存在意義は薄れていきます。

特にEC事業者や中小規模の開発者にとって、自前で高価なGPUサーバーを運用することなく、1枚あたり約2円前後の低コストでカタログ制作やバリエーション展開を自動化できるメリットは非常に大きいです。

一方で注意すべきはライセンスの制約です。公開された重みは研究用に限定されているため、自社インフラに組み込んでコストを極限まで削るといった使い方は公式には認められていません。実質的にアリババのクラウドAPIへ依存する形になる点は、導入時に検討しておくべきポイントといえます。