Stability AI、「Stable Diffusion 3」のAPI提供を開始

画像生成AIに文字を描かせようとして、謎の象形文字が出現する現象に悩まされてきた人に朗報です。

Stability AIは最新画像生成モデル「Stable Diffusion 3」および高速版「Stable Diffusion 3 Turbo」のAPI提供を開発者プラットフォームで開始しました。期待されていたローカル用モデルの重み公開は少し先になりますが、開発者はAPI経由ですぐに利用できます。

APIの運用基盤には高速推論で知られるFireworks AIを採用し、99.9%の稼働率を保証するエンタープライズ仕様としています。さらに、SD3と大規模言語モデルを組み合わせたコンテンツ制作ツール「Stable Assistant Beta」の限定プレビューも開始しました。

MMDiTが実現する正確な文字描画

今回の目玉は、新たに導入された「Multimodal Diffusion Transformer (MMDiT)」アーキテクチャです。

従来の拡散モデルではテキストと画像の処理が混在し、細かい指示やスペル再現が苦手でした。MMDiTではテキスト用と画像用に独立した重みセットを用意し、互いの情報をやり取りさせながら生成を進めます。

この改良により、プロンプトの細かな指示に従う能力と、画像内のタイポグラフィ（文字綴り）の精度が飛躍的に向上しました。人間による評価テストにおいて、DALL-E 3やMidjourney v6と同等以上の成績を収めたと報告されています。

重み公開は有料メンバーシップ向けへ

気になるモデルウェイトのオープン化について、Stability AIはモデルの調整と安全検証を続けた後、Stability AI Membershipの登録者向けにセルフホスト用重みを提供する予定だと説明しています。

Fireworks AIと組んでまずAPIから先行提供する背景には、サーバーの安定稼働を求める法人需要を確実に取り込みつつ、安全対策とモデル改善を進める狙いがあります。

なぜ重要か

SD3のAPI先行投入は、Stability AIがコミュニティ志向のモデルから商業実用インフラへと重心を移しつつあることを示しています。

開発者やクリエイターにとって、看板やポスターなどの英文字が正確に出力できるメリットは絶大です。これまでMidjourneyやDALL-E 3に頼らざるを得なかったバナー制作やプロトタイプ開発を、自前のシステムへAPI連携できるようになります。一方で、ローカル環境で自由に動かしたい個人ユーザーにとっては、重みの公開を待つ必要があり、今すぐAPI課金してまで試すべきかは用途次第と言えます。

業界全体で見れば、API提供を絞っているMidjourneyに対して強い牽制になります。エンタープライズ対応の高速APIとして最高水準の描画力が手に入ることは、多くのサードパーティアプリにとって乗り換えの動機になるはずです。

ただし、かつて完全オープンを掲げていた同社が、重みの提供を有料メンバーシップ経由に限定する動きには懸念もあります。制限が強すぎれば熱心なオープンソース開発者の反発を招き、競合の完全オープンモデルに支持を奪われるリスクも抱えています。