Ideogram 4.0 をローカル環境で動かす (GeForce RTX 5060Ti 16GB)

本サイトで紹介している商品・サービス等の外部リンクには、アフィリエイト広告が含まれる場合があります。

SHARE

概要

2026年6月、画像生成AI の Ideogram 4 がオープンウェイトモデルとして公開されました。
特に画像内の文字生成性能（タイポグラフィ）は従来の画像生成AIよりも非常に高く、ポスターやサムネイル、ロゴデザインなどの用途で注目されています。

これまで Ideogram は Web サービスとして提供されていましたが、今回公開された Ideogram 4 はモデルウェイトが公開されており、GPU を搭載したローカルPCでも実行できるようになったので試してみました。

Ideogram 4 とは

Ideogram は2023年に設立されたスタートアップで、Google Brain 出身の研究者らによって開発されています。

特徴としては

  • 約9.3Bパラメータ
  • Diffusion Transformer (DiT) ベース
  • 画像内文字生成性能が非常に高い
  • 日本語を含む多言語対応
  • 最大2048pxネイティブ生成
  • レイアウト制御性能が高い
  • JSONベースの高度なプロンプトにも対応

などがあります。

特に

  • 画像内文字（タイポグラフィ）
  • ポスター
  • 広告デザイン
  • ロゴ

などの生成品質が非常に高いとされています。

本稿更新時点で、Ideogram の Hugging Face 上でオープンウェイトとして公開されているのは以下です。
学習済みパラメータは共通ですが、重みの量子化方式が異なるため、モデルサイズや必要なVRAM、実行速度が異なります。

ModelParamsWeight QuantizationSupported HardwareDiffusers SupportLicense
Ideogram 4 (nf4)9.3Bnf4CUDAYesIdeogram 4 Non-Commercial
Ideogram 4 (fp8)9.3Bfp8AllNoIdeogram 4 Non-Commercial
https://github.com/ideogram-oss/ideogram4?utm_source=chatgpt.com#model-zoo

補足) Diffusers は Hugging Face が提供している画像生成モデル用ライブラリです。

また、Github の Prompting Guide として以下の記述があります。

  • JSON プロンプトの利用
    • Ideogram 4 は JSON キャプションを前提として学習されています。
    • 自然文でも利用できますが、JSON の方が意図を正確に反映できます。
  • Magic Prompt
    • 自然文プロンプトを入力した場合でも、そのままモデルへ渡されるわけではありません。
    • 生成前に Magic Prompt が自然文を詳細な JSON キャプションへ変換してから画像生成を行います。
  • Bounding Box（bbox）によるレイアウト指定
    • オブジェクトや文字ごとに bbox を指定することで、画像内のおおよその配置を制御できます。
    • 人物・背景・文字などを個別にレイアウトできるため、ポスターやサムネイルの作成に適しています。
  • Color Palette
    • color_palette に16進数カラーコードを指定することで、画像全体の配色を誘導できます。
  • Compositional Deconstruction
    • シーン全体を背景や複数のオブジェクトへ分割し、それぞれを詳細に記述することで、構図や配置を細かく制御できます。
  • 画像内文字の生成
    • type: "text"を利用して画像内に表示する文字や配置を指定できます。
    • タイトルやロゴ、ポスターなど、画像内文字の再現性が高いことも Ideogram 4 の大きな特徴です。

公式サイト

Ideogram 社のページ
https://ideogram.ai

Github
https://github.com/ideogram-oss/ideogram4

Hugging Face
https://huggingface.co/collections/ideogram-ai/ideogram-4

ライセンス

Ideogram Non-Commercial ライセンスで公開されています。
詳細は、ライセンスを直接ご確認ください。

https://huggingface.co/ideogram-ai/ideogram-4-nf4/blob/main/LICENSE.md
https://huggingface.co/ideogram-ai/ideogram-4-fp8/blob/main/LICENSE.md

参考情報

今回は Stability Matrix で用意した ComfyUI で生成します。
https://docs.comfy.org/ja/tutorials/image/ideogram/ideogram-v4

モデルも ComfyOrg による再パッケージ版を利用します。
https://huggingface.co/Comfy-Org/Ideogram-4

ComfyOrg の再パッケージ版だと、fp8 だけでなく、ComfyOrg が fp8 版から作成した nvfp4 版があります。
(NVFP4はNVIDIA Blackwell GPU向けに設計されたFP4フォーマットなので、RTX 5060Ti など対応 GPU では高速化が期待できます。)

ローカル実行環境の用意

PC 環境

NVIDIA GeForce RTX 5060 Ti 16GB を搭載した自作 PC を使用します。

参考
RTX 5060Ti 16GB でナイスミドルな自作PC
アプつ

Stability Matrix + ComfyUI の実行環境の用意

ComfyUI は、以前 Stability Matrix で用意したものを使います。準備方法については、過去記事をご参照ください。

参考
Stable Diffusion の実行環境を用意する (GUI / Stability Matrix, 2024年12月)
アプつ

Stability Matrix と ComfyUI のアップデート

古いバージョンだと正常に動作しない可能性があるため、事前に更新しておきます。

  • Stability Matrix – Settings – アップデート
  • Stability Matrix – パッケージ – ComfyUI の更新


以下では、
Stability Matrix 2.16.1
ComfyUI v0.27.0
で試しています。

必要なモデルファイルのダウンロード

(1) 必要なモデルファイルをダウンロードします。

今回は ComfyOrg による再パッケージ版を使います。
比較のため fp8, int8, nvfp4 版をそれぞれダウンロードします。

ファイルの配置

ダウンロードしたファイルを以下のフォルダに置きます。
※ Stability Matrix ではなく、ComfyUI を直接インストールしている場合は適宜読み替えてください。

(1) Diffusion Model
ideogram4_fp8_scaled.safetensors
ideogram4_int8_convrot.safetensors
ideogram4_nvfp4_mixed.safetensors
ideogram4_unconditional_fp8_scaled.safetensors
ideogram4_unconditional_int8_convrot.safetensors
ideogram4_unconditional_nvfp4_mixed.safetensors
　　→ StabilityMatrix のインストールフォルダ\Data\Models\DiffusionModels

(2) テキストエンコーダ
qwen3vl_8b_fp8_scaled.safetensors
gemma4_e4b_it_fp8_scaled.safetensors
　　→ StabilityMatrix のインストールフォルダ\Data\Models\TextEncoders

(3) VAE
flux2-vae.safetensors
　　→ StabilityMatrix のインストールフォルダ\Data\Models\VAE

C:\StablilityMatrix にインストールしている場合は以下のような形になります:


C:\STABILITYMATRIX\DATA\MODELS

├─DiffusionModels
│      ideogram4_fp8_scaled.safetensors
│      ideogram4_int8_convrot.safetensors
│      ideogram4_nvfp4_mixed.safetensors
│      ideogram4_unconditional_fp8_scaled.safetensors
│      ideogram4_unconditional_int8_convrot.safetensors
│      ideogram4_unconditional_nvfp4_mixed.safetensors
│
├─TextEncoders
│      qwen3vl_8b_fp8_scaled.safetensors
│      gemma4_e4b_it_fp8_scaled.safetensors
│
└─VAE
        flux2-vae.safetensors

画像生成してみる

まずは、ComfyUI から読み込めるワークフローをそのまま実行してみます。

(1) ComfyUI – 左側 [テンプレート] – “ideogram4” で検索 – [Ideogram v4：テキストから画像へ] をクリック
注意) : API と書いてない方を使います。

ComfyUI - テンプレート
ComfyUI - テンプレート - Ideogram v4 : テキストから画像へ をクリック
Ideogram 4.0 用のワークフロー

約 90 秒で生成されました。

Ideogram 4.0 用のワークフロー 主要部を拡大表示
デフォルトのまま実行
デフォルトのワークフローで作成した画像

次に、プロンプトと seed は同じで、int8 版のモデルを使ってみます。

unet_name と unconditonal_unet を Int8 のモデルに変更
Int8 のモデルで画像生成

約 78秒 で生成されました。

Int8 のモデルで生成した画像

さらに、NVFP4 版のモデルを使って、同じプロンプト・seed で生成してみます。

unet_name と unconditonal_unet を nvfp4 のモデルに変更
nvfp4 のモデルで画像生成

約 67 秒で生成されました。

nvfp4 のモデルで生成した画像

生成にかかった時間をまとめると以下です。RTX5060Ti だと、やはり NVFP4 の恩恵はあります。

Model生成にかかった時間
FP8約90秒
INT8約78秒
NVFP4約67秒

最後に柴画像を生成してみる。

Ideogram は、JSON による細かい指示や文字入れが可能となっていますので、プロンプトを工夫して柴犬画像を作成してみます。

プロンプト

{
  "high_level_description": "A photorealistic Japanese blog thumbnail featuring a single authentic Japanese Black Shiba Inu sitting in the center of a quiet residential street.",

  "style_description": "Professional Japanese pet photography. Documentary realism. Premium DSLR photography. Natural colors. Soft overcast daylight. Slightly elevated front view. 50mm lens. Shallow depth of field.",

  "camera": {
    "angle": "Front-facing, slightly above eye level.",
    "composition": "Perfectly centered and symmetrical.",
    "framing": "Full body visible."
  },

  "background": {
    "location": "A quiet Japanese residential neighborhood street.",
    "ground": "Gray asphalt road.",
    "details": "Concrete walls, curbs, utility poles and greenery softly blurred in the background."
  },

  "main_subject": {
    "breed": "Authentic Japanese Black Shiba Inu",
    "count": 1,
    "orientation": "Facing directly toward the camera.",
    "pose": "Sitting naturally with a relaxed posture.",
    "expression": "A gentle smiling expression with the tongue sticking out slightly. Bright, friendly eyes. Mouth slightly open.",
    "tail": "Naturally curled over the back.",
    "ears": "Standing upright.",
    "fur": "Healthy, smooth black coat with natural tan and cream markings."
  },

  "typography": {
    "text": "黒柴",
    "layout": "Horizontal",
    "position": "Bottom center",
    "font": "Extra Bold Japanese Gothic",
    "fill_color": "White",
    "outline": "Very thick black outline",
    "shadow": "Soft drop shadow",
    "bbox": [0, 800, 1024, 1024]
  }
}

Seed : 849315529740087
アスペクト比 : 1:1

nvfp4 のモデルを使って柴犬画像を生成
柴犬画像生成

生成された画像

生成した柴犬画像

文字がきれいに収まりました。

参考となれば幸いです。

▼ 関連

参考
RTX 5060Ti 16GB でナイスミドルな自作PC
アプつ
参考
Stable Diffusion の実行環境を用意する (GUI / Stability Matrix, 2024年12月)
アプつ