Stability AIがStable Diffusion 3の早期プレビューを発表、文字生成や複数指示の精度が向上

画像生成AIを使ったことがある人なら、画面内に複数の被写体を破綻なく配置したり、指定した英単語を正しく綴らせたりすることがいかに難しいか、身に染みているはずです。

Stability AIは2月22日、次世代テキスト画像生成モデル「Stable Diffusion 3」の初期プレビュー版を発表し、順番待ちリストの受付を開始しました。本格的な一般公開に先立ち、性能向上と安全性の検証を目的にフィードバックを収集する段階としています。

DiTとフローマッチングを採用、800Mから8Bまで展開

Stable Diffusion 3の最大の進化点は、複数被写体のプロンプト再現性、画像全体の品質、そしてテキストのスペリング能力の大幅な改善です。

技術面では、従来のパイプラインから刷新され、Diffusion Transformerアーキテクチャとフローマッチング手法を組み合わせた構成となっています。詳細な技術レポートも追って公開される予定です。

また、単一のモデルではなく、8億（800M）パラメータから80億（8B）パラメータまでのスイートとして提供される計画です。用途やハードウェア環境に合わせて、軽量な動作重視から最高画質重視まで柔軟に選べるように配慮されています。

悪用を防ぐためのセーフティ対策についても、学習段階からテスト、評価、展開に至るまで継続して導入していると説明しています。

なぜ重要か

クリエイターにとって、画像内の文字が崩れずに描けるかどうかは実務での使い勝手を大きく左右します。ポスターやロゴ、モックアップ作成などで、これまで必須だった後工程のフォント打ち替え作業が大幅に減る可能性があるため、早期に試す価値は十分にあります。

業界全体で見れば、オープンソース陣営による強力な巻き返しといえます。先行するDALL-E 3やMidjourneyがクラウドの壁の中で進化する一方、Stability AIが一般公開を前提に開発を続けていることは、ローカル環境で自前のパイプラインを組みたい開発者や企業にとって最大の生命線です。

800Mから8Bという幅広いパラメータ展開は、マシンスペックがバラバラなコミュニティの実情をよく捉えた賢いアプローチだと評価できます。ただし、以前のモデル展開でも見られたように、安全フィルターによる表現の制約やコミュニティでの最適化の手間といった課題が残る可能性はあります。正式なウェイト公開まで、実力の見極めは冷静に進めるべきでしょう。