
【VRAM 12GB】Nano Banana超えのローカル画像生成「Ideogram 4.0」をVRAM 12GB環境で生成してみた
こんにちは!神下です。
Nano Banana Pro超えとかいうIdeogram 4.0というローカル生成AIが突如発表されました!
3Dも2D(アニメ)も生成できるようで期待大。
特に文字に強いらしく、Xポストだと日本語も描画させられる模様。NF4モデルだとVRAM 24GBで生成できるそうです。
・・・VRAM 24GB?
中々ハードルが高いですね・・。うちの環境でもできるんでしょうか?(マルチGPU)
ひとまず試してみます!
1.実験環境
OS: Windows11 Pro
CPU: Core i3 12100F
MEM: DDR4 48GB
GPU: RTX4070 12GB + RTX3060 12GB(マルチGPU)
合わせればVRAM 24GBですが、はてさて・・・。
2.ComfyUIで実行
すでにテンプレートにはIdeogram 4.0のワークフローがあります。表示されない方はComfyUIをアップデートしましょう。なんか2つありますが、ひとまず一番右のワークフローを選択。

開くと、不足するモデルが表示されるのでDLします。

それぞれ、DLしたらComfyUIの以下のフォルダに配置します。面白いのは、ideogram4_unconditionalというファイルもdiffusion_modelsフォルダに入れる点です。2つのモデルを使うというのは新しい。
ideogram4_fp8_scaled.safetensors → ComfyUI/models/diffusion_models
ideogram4_unconditional_fp8_scaled.safetensors → 同上
qwen3vl_8b_fp8_scaled.safetensors → ComfyUI/models/text_encoders
用意はこれだけです。簡単ですね!
注意:nf4モデルは使えない?
fp8版だと大きすぎるという場合、nf4版もありますが、2026/6/4時点ではComfyUIの標準ワークフローでは実行できませんでした。
今後改善される可能性はありますが、もしnf4モデルでトライする場合は、上記のHugging Faceページにあるスクリプトから実行しましょう。
3.画像生成実行
モデル配置ができたら、いよいよ画像生成します。ひとまずComfyUIのワークフロー・プロンプトのまま実行します。

VRAM 12GBでも生成できました!文字も綺麗に出ていますね。英語だけですが、指示通りに出ていそうです。
生成速度についても、
生成1回目:52秒
生成2回目以降:40秒前後
となり、Anima Base v1などと同レベル。VRAM 24GB必要という前情報でびびっていましたが、12GBでも全然OKそうです。
生成中のメモリ使用量は以下の通り。

VRAMはほぼMAX, DRAMも使ってますが、10GB程度溢れている感じですかね。VRAM 12GBでもDRAMがそこそこあればIdeogram 4.0で画像生成できそうです。
Ideogram 4.0のプロンプトについて
ワークフローにはデフォルトのプロンプトがすでに入っているのですが、Flux.2やSDXLとは大きく異なっています。詳細を見ていきましょう。
{
"high_level_description": "A vintage 1990s skateboarding magazine poster featuring a dynamic, low-angle shot of a young male skateboarder suspended high in mid-air above a concrete skatepark ramp, overlaid with retro typography and zine-style graphics.",
"style_description": {
"aesthetics": "1990s skateboarding magazine zine aesthetic, strong graphic design layout, heavy film grain, distressed paper texture, washed-out retro color palette",
"lighting": "Bright, crisp outdoor sunlight with deep shadows, mimicking a harsh midday sun or strong low-angle flash typical of 90s skate photography",
"photo": "35mm film photography, low-angle fisheye lens perspective, heavy grain and slight chromatic aberration",
"medium": "mixed media photography and digital graphic design",
"color_palette": [
"#4A90E2",
"#D0021B",
"#F5F5F5",
"#7ED321",
"#9B9B9B"
]
},
"compositional_deconstruction": {
"background": "A crisp, bright blue sky dominating the frame. In the lower distance, a few bare trees, a street light pole, and the steep edge of a concrete skatepark ramp are visible. The entire background has a distressed, washed-out vintage texture with heavy film grain.",
"elements": [
{
"type": "obj",
"bbox": [50, 50, 950, 400],
"desc": "Massive, soft, cloud-like white bubble letters spelling out the brand name 'COMFY'. The letters span across the upper half of the poster, situated behind the main subject in the sky.",
"color_palette": [
"#FFFFFF",
"#F5F5F5",
"#E0E0E0"
]
},
{
"type": "obj",
"bbox": [250, 150, 750, 600],
"desc": "A young male skateboarder suspended high in mid-air in a dynamic, limbs-extended pose. He is wearing a white t-shirt, loose-fitting light blue baggy jeans, and red and white retro skate shoes.",
"color_palette": [
"#7CA8D9",
"#FFFFFF",
"#D0021B",
"#2C2C2C"
]
},
{
"type": "obj",
"bbox": [350, 620, 650, 750],
"desc": "A skateboard detached from the skater, flipping mid-air horizontally below him. The underside of the deck is visible, featuring a brightly colored graphic with collage art and vibrant neon green accents.",
"color_palette": [
"#7ED321",
"#111111",
"#FF007F",
"#FFFFFF"
]
},
{
"type": "obj",
"bbox": [40, 450, 240, 650],
"desc": "Zine-style graphic overlays on the mid-left: bold white text reading 'EFFORTLESS GLIDE' stacked next to a small white graphic of a skater. The graphic is framed by red bracket crosshairs containing the word 'CHILL'.",
"color_palette": [
"#FFFFFF",
"#D0021B"
]
},
{
"type": "obj",
"bbox": [760, 480, 960, 560],
"desc": "Distressed white typographic overlay on the mid-right reading 'NO STRESS. 100%'.",
"color_palette": [
"#FFFFFF"
]
},
{
"type": "obj",
"bbox": [100, 780, 900, 900],
"desc": "A smooth, flowing tribal-style graphic sitting just above a large, bold white tagline reading 'EMBRACE THE FLOW, RIDING WITH EASE'. The word 'EASE' is highlighted by a rough, translucent red spray-paint circle.",
"color_palette": [
"#FFFFFF",
"#D0021B"
]
},
{
"type": "obj",
"bbox": [150, 910, 850, 960],
"desc": "Smaller, distressed white text centered at the very bottom reading 'THE ULTIMATE RELAXED EXPERIENCE WHERE YOU SET THE PACE'.",
"color_palette": [
"#FFFFFF"
]
}
]
}
}
プロンプトは特徴的です。json形式になっており、ぱっと見よく分かりません。解説すると以下のようになります。
全体像:
テーマ: 1990年代のヴィンテージなスケートボード雑誌のポスター
構図: コンクリート製のスケートパークのランプ(傾斜)の上空、高い位置で静止している若い男性スケーターを、下から見上げるようなダイナミックなアングル(ローアングル)で捉えた一枚。
装飾: レトロなタイポグラフィ(文字デザイン)や、ZINE(個人制作のミニコミ誌)スタイルのグラフィックが重ねられています。
スタイル・質感:
美学(Aesthetics): 90年代のスケボー雑誌・ZINEの雰囲気。強いグラフィックデザインのレイアウト、激しいフィルム粒子(ノイズ)、使い古された紙の質感、色あせた(ウォッシュアウトされた)レトロなカラーパレット。
照明(Lighting): 強く、くっきりとした屋外の太陽光と深い影。真昼の容赦ない日差し、または90年代のスケート写真にありがちな「ローアングルからの強いフラッシュ」を再現。
写真の特性(Photo): 35mmフィルムカメラ、下から見上げるような魚眼レンズ(フィッシュアイ)の視点。重い粒子感と、わずかな色収差(レンズのボケによる色のズレ)。
媒体(Medium): 写真とデジタルグラフィックデザインを融合させたミクストメディア。
画面の構成要素:ここがjsonたる所以
画面上部:ブランドロゴ
空を背景に、主役のスケーターの「後ろ側」に配置。
「COMFY」というブランド文字。モコモコした泡のような(バブルレター)、巨大で柔らかい白ベースの文字です。
画面中央:主役のスケーター
手足を大きく広げたダイナミックなポーズで空中を舞う若い男性。
白のTシャツ、ゆったりとしたライトブルーのバギーデニム、赤と白のレトロなスケートシューズを着用。
主役のすぐ下:フリップするデッキ
スケーターの足から離れ、彼の真下で水平に回転(フリップ)しているスケートボード。
デッキ(板)の裏面が見えており、コラージュアートと鮮やかなネオンリーンのアクセントが効いた派手なグラフィックが描かれています。
画面中段・左側:ZINE風のグラフィック
太い白文字で「EFFORTLESS GLIDE」(軽やかな滑り)と書かれ、その横にスケーターの小さな白いグラフィック。
さらにそれを囲むように、赤いブラケット([ ] の照準マーク)と「CHILL」の文字。
画面中段・右側:テキストのオーバーレイ
かすれた白い文字で「NO STRESS. 100%」。
画面下部:メインのキャッチコピー
滑らかな流線型のトライバル柄グラフィックのすぐ下に、大きく太い白文字で「EMBRACE THE FLOW, RIDING WITH EASE」(流れを受け入れ、気楽に乗りこなせ)というタグライン。
特に「EASE」の文字は、透き通った赤のラフなスプレーペイントで丸く囲まれて強調されています。
画面最下部:サブテキスト
最も底の真ん中に、小さくかすれた白文字で「THE ULTIMATE RELAXED EXPERIENCE WHERE YOU SET THE PACE」(自分のペースで進む、究極のリラックス体験)と添えられています。
という感じで、細かく指定ができます。座標なんかも指定できるので、今まで自然言語でなんとか指示しようとしていた部分がより明示的になります。

もちろん、こんな面倒くさいプロンプト指示をゼロから人間が考えるのは困難なので、色々とすでにプロンプト生成サポートのノード・ワークフローができているようです。次回以降は、その辺りを見てみたいと思います!
まとめ
Nano Banana Pro超えと言われるIdeogram 4.0をVRAM 12GBで実行
VRAMはフルで使いDRAMにも溢れるが、1枚40〜50秒で生成可能
特殊なjson形式プロンプトで、指定したところに描画できる
プロンプトの指示が今までのSDXLやFluxなどと違って面白いです。細かく指定ができるので、t2i(text to image)でも明確に指示ができるようになっている点が利点。
今回はVRAM 12GBで生成できるかだけしか試していないので、今後は「プロンプトの簡単な作り方」「日本語はどこまで出せるのか」「2Dアニメ画像は出せるのか」「LoRAは作れるか」「Anima Base v1との違いは」などをみていければと思います。
追記:他のモデルとも比較してみました。
最後まで読んでいただき、ありがとうございました!
もしこの記事が「参考になった」「開発のヒントになった」と感じていただけたら、画面下の【スキ(ハートマーク)】を押していただけると、検証の苦労が吹き飛ぶほど励みになります!
今後も生成AIの技術検証をガシガシ公開していきますので、フォローもぜひよろしくお願いします!