中国企業のAlibabaが画像生成AI「Qwen-Image-2.1」を2026年9月20日に公開しました。Qwen-Imageシリーズとしては久しぶりのオープンモデルで、無料でダウンロードしてComfyUIなどの実行環境で画像生成および編集を実行可能。「透過PNG作成機能」や「複数の参照画像をもとにした画像生成機能」などを備えているとのことなので、実際にPCでローカル実行してみました。

Qwen-Image-2.1: Compact, Efficient, and Unified Image Creation

https://qwen.ai/blog?id=qwen-image-2.1

Qwen/Qwen-Image-2.1 · Hugging Face

https://huggingface.co/Qwen/Qwen-Image-2.1

Qwen-Imageシリーズは初期の頃はオープンモデルとしてリリースされていましたが、2026年2月登場のQwen-Image-2.0や2026年7月登場のQwen-Image-3.0はクローズドモデルとして展開されました。今回登場したQwen-Image-2.1はバージョンが逆戻りしたものの、オープンモデルとして公開されており、無料でダウンロードしてローカルで実行することができます。

Alibabaが公開した「各種画像生成AIのベンチマークスコアとパラメーター数をまとめた図」が以下。Qwen-Image-2.1は2026年1月に登場したQwen-Image-2512より小さい70億パラメーターのモデルですが、クローズドモデルであるGoogleのNano Banana 2.0やOpenAIのGPT-Image-1.5より高性能とされています。



すでにComfyUIで使用可能になっているので使ってみます。まずテンプレート一覧から「Qwen Image 2.1：テキストから画像へ」を探してクリック。



「モデルが足りない」というエラーが表示されるので「詳細を表示」をクリック。



diffusion modelの「qwen_image_2.1_int8_convrot.safetensors」、テキストエンコーダーの「qwen3vl_8b_int8_convrot.safetensors 」、VAEの「qwen_image_2.1_vae_bf16.safetensors」をダウンロードするように促されるので「すべてダウンロード」をクリックします。



ダウンロードが完了したらComfyUIを再起動もしくは画面更新。続いて、プロンプト入力欄に画像の説明を入力して「実行する」をクリックすると画像を生成できます。プロンプトは日本語でもOKです。



『写真。室外機に座るメイドさん。日本人女性。髪の毛は赤色のウルフカット。ロリポップキャンディをくわえながら新聞を読む。新聞の見出しは「GIGAZINE」で、「画像生成AI Qwen-Image-2.0が登場」と書かれている』というプロンプトで生成した画像が以下。人間がかなりリアルなのが特長的。一方で、新聞の文字の指示は守れておらず、室外機も歪んでいます。



同じプロンプトでシード値を変更して生成。「画像生成AI Qwen-Image-2.0が登場」というテキストが正しく反映されました。ChatGPTやGeminiなどのオンラインサービスと比べると品質が低めですが、生成回数が無制限なのでシード値を変更しながら何度も生成していると「当たり」の画像を生成できることがあります。



参考までに、「グラフィックボード：Intel Arc Pro B70 Creator 32GB」「CPU：AMD Ryzen 5 7600X」という構成のPCを使って「解像度：1024×1024ピクセル」「ステップ数：25」という設定で生成した結果、初回の画像生成に約45秒、2回目以降は約30秒かかりました。



Qwen-Image-2.1は透過PNG画像の生成にも対応しています。特に複雑な設定は必要なく、プロンプトに「透過PNG」などのワードを含めればOKです。



『透過PNG。デフォルメされたメイドさんの全身イラスト。髪の毛は黒色のショートカットで、オレンジ色の「G」という形状のヘアピンを着用。直立して正面を向いた姿勢。背景は透過』というプロンプトで生成した画像が以下。以下の画像は記事用に縮小して透過状態が失われていますが、画像をクリックするとオリジナルの透過PNG画像を確認できます。



GIMPで開いてみるとこんな感じ。背景がしっかり透過されています。



Qwen-Image-2.1の画像編集機能も試してみます。ComfyUIのテンプレート一覧にある「Qwen Image 2.1：画像編集」を探してクリック。



元画像とテキストプロンプトを入力して生成します。今回はAlibabaのQwen-Image-2.1発表ブログに掲載されているアイキャッチ画像と、先ほど生成した透過PNG画像とともに『大きな会場での製品発表会の様子。1枚目の画像を大型スクリーンに表示。プレゼンターは2枚目の画像のメイドさん。メイドさんが舞台に立って大型スクリーンを指さす。メイドさんのセリフとして「スゴイ！」という吹き出しをつける』というテキストを入力しました。



生成結果はこんな感じ。「スクリーンが湾曲しているのに、文字が湾曲していない」「アイキャッチ画像の左側の構造体が崩れている」「腕が多い」といった問題はあるものの、おおむね指示通りです。



ただし、上記のプロンプトでは成功画像が出る確率が低く、何枚も生成して成功画像を選ぶ必要がありました。失敗画像の例はこんな感じ。ローカル画像生成界隈では「LLMを使ってプロンプトを画像生成AIに適した形に整形する」というプロンプトエンハンサーを用いる手法が流行しているので、Qwen-Image-2.1でもプロンプトエンハンサーの使用を検討するのが良さげです。



なお、Qwen-Image-2.1のライセンスには商用利用を禁止する条項が含まれていますが、Alibabaの公式Xアカウントは「Qwen-Image-2.1で作成した画像の権利はユーザーに属する」と明言しています。