背景透過PNGをAIが直接吐き出す — 無料のQwen-Image-2.1、ただし商用には落とし穴

画像生成AIを実務で使っていて地味に面倒なのが、背景の切り抜きだ。生成したアイコンやステッカーを使うには、たいてい別ツールで背景を透過させる一手間が必要になる。

Alibabaが9月20日に公開した Qwen-Image-2.1 は、この一手間を丸ごと消しにきた。7Bのオープンウェイト画像モデルで、アルファチャンネル付きの透過PNGをモデルが直接書き出す。後から背景を抜くのではなく、最初から透明部分を持った画像を生成する、という発想だ。

何ができるモデルなのか

Qwen-Image-2.1は、テキストからの画像生成と画像編集を1つのシステムに統合している。画像を作るのも、既存画像を直すのも、同じモデルで完結する。視覚生成部分は約70億パラメータ（32層のsingle-stream DiT）とコンパクトだ。

目玉は3つある。1つ目が前述のネイティブな透過出力。UIパネル、ステッカー、デカールといった「切り抜き前提」の素材を、背景除去のパスなしで一発で得られる。VRやAR向けにアセットを量産する人には、これだけで導入価値がある。

2つ目が最大10枚の参照画像を1回のパスで受け付ける点。キャラクターの一貫性を保ちたいときや、複数の要素を組み合わせた構図を狙うときに効く。

3つ目が手に入れやすさだ。重みはHugging Face、ModelScope、GitHubに同時公開され、ComfyUI、Diffusers、vLLM-Omni、SGLangが初日から対応した。ローカル環境に組み込むハードルが最初から低い。

これで何が現実になるか

背景透過をモデルが担うということは、画像生成から素材化までのパイプラインが1ステップ短くなるということだ。地味に聞こえるが、大量のアイコンやバナーを回す現場では、1枚あたり数秒の切り抜き作業が積み重なって効いてくる。それがゼロになる。

さらに生成・編集・透過が1本のモデルに乗っているので、ローカルで完結する軽量な素材生成ラインを自前で組める。7Bという小ささなら、それなりのGPUがあれば手元で回せる。ComfyUIのワークフローに組み込めば、「参照画像を10枚渡して、キャラの表情差分を透過PNGでまとめて出す」といった作業を、外部APIに一切データを出さずに自動化できる。素材の権利や機密が絡む案件ほど、ローカル完結の価値は大きい。生成と編集が地続きなので、一度出した素材をそのまま微修正して次のバリエーションに繋げる、という反復も同じ環境の中で回せる。

正直な評価と、見落としがちな落とし穴

素直に良いと思うのは、「透過出力」という実務の痛点をピンポイントで潰してきたことだ。派手なベンチマーク争いより、こういう実装の摩擦を減らす改良のほうが、現場では効く。ベンチマークでもGPT Image 1.5を上回ったとする報告があり、性能面でも侮れない。

ただ、手放しで勧められない大きな注意点がある。ライセンスだ。 Qwen-Image-2.1は「Qwen Research License Agreement」の下で公開されており、商用利用は原則禁止。ビジネスで使うには別途、利用許諾を申請する必要がある。「オープンウェイト＝何でも自由に使える」と思い込むと事故る。個人の実験や研究には最高の選択肢だが、仕事の制作フローに組み込む前に、ライセンス条項は必ず自分の目で確認したほうがいい。

とはいえ、透過対応のオープン画像モデルが無料で手に入る意味は大きい。まずは研究・個人利用で触ってみて、商用の目処が立ったら許諾を取りにいく、という順番が現実的だろう。モデルは Hugging FaceのQwen から入手できる。