アニメ特化の画像生成AI「Zanime」公開　6B全量微調整、4ステップ生成に対応

Zanime（Z-Anime）は、開発者のSeeSee21氏がアリババの「Z-Image Base」アーキテクチャをベースに、アニメ画像を用いてゼロからフルファインチューニングしたオープンソースの画像生成モデルだ。コミュニティで一般的なLoRAマージではなく、60億パラメータ（6B）のS3-DiT（Single-Stream Diffusion Transformer）構造を丸ごと再学習させている。

解像度は512×512から2048×2048まで任意の縦横比に対応しており、ComfyUIやHugging FaceのDiffusersライブラリからそのまま利用できる。

性能とバリエーション

ベースモデルの「Z-Anime Base」は、表現力豊かなアニメキャラクターの描写を得意とする。28〜50ステップ、CFG 3.0〜5.0の推奨設定により、明瞭な主線や布地の陰影、瞳のハイライトなどを緻密に描き出せるほか、壁紙品質の背景美術も生成可能だ。

速度を重視するワークフロー向けには、蒸留モデル「Distill-4-Step」が用意されている。CFG 1.0固定で動作し、わずか4ステップで画像を生成できるため、一般的なGPU環境なら数秒で出力が終わる。SeedVR2などのアップスケーラーやhires fixと組み合わせることで、素早いプロトタイピングから完成原稿レベルの品質までスムーズに引き上げられる。

動作環境の敷居も低い。LoRAの追加学習に適したBF16版（約12GB）だけでなく、わずか6GBに軽量化されたFP8版や、非CUDA環境向けのGGUF版、VAEとテキストエンコーダーを1ファイルに統合したAIO形式が揃っており、8GBのVRAMを積んだ一般的なPCで快適に動作する。

プロンプトの注意点と制約

これまでのアニメ特化型モデルと大きく異なるのは、プロンプトの記述方法だ。カンマ区切りのタグ列を入力すると品質が大きく低下するため、自然言語の文章で情景を指示する必要がある。

また、4ステップなどの蒸留版には機能的な制約もある。CFGの上限が1.5に固定され、ネガティブプロンプトの効果がほとんど発揮されないため、公式ではConditioningZeroOutノードの併用を推奨している。

モデルには安全フィルター（SafetyChecker）が組み込まれておらず、部分的なNSFW生成能力を持つ点にも注意したい。またリポジトリにPythonの実行スクリプト例が含まれていないため、導入はComfyUI経由で行うのが最も現実的だ。

なぜ重要か

オープンソースのアニメ生成界隈は、長らく古いSD系モデルのマージやパッチ当てに依存してきた。Zanimeは現代的なDiTアーキテクチャをアニメ用途にフルファインチューニングすることで、基礎的な描写力と破綻の少なさを大幅に向上させている。

タグ打ちから文章入力への切り替えという慣れは必要だが、6GBのFP8版や4ステップ生成により、普及帯のPC環境でも高速に高品質イラストを出力できる実用性は高い。今後、独自の二次元キャラクターLoRAを育てるクリエイターにとっても、信頼できる強力なベースモデルになりそうだ。