プロンプト作成ノード｜ローカルLLM翻訳でVRAMを使わず生成｜ComfyUI｜単独運用可能｜API不使用｜Gemma4｜えすた式プロンプト職人

【追記】
2026年5月6日 Ver.3.2にアップデート。内容は以下の記事で解説。

2026年5月19日 Ver.3.3.1にアップデート。内容は以下の記事で解説。

2026年5月24日V3.4にアップデート。内容は以下の記事で解説。

2026年5月31日V3.5にアップデート。内容は以下の記事で解説。

2026年6月8日 ComfyUIのアップデートによりUIが変更されたので、導入方法を修正。

2026年6月27日 Animaを独立させ、各モデルの翻訳の最適化、品質タグ、年代タグの修正。内容は以下の記事で解説。

2026年7月10日 GoogleとOpenRouterの無料APIモードを追加。

※アップデートしたファイルは、この記事の有料部分に追加している。

※以降の内容は、アップデート前の内容になるので、最新の記事を確認していただきたい。

【概要】
画像生成用のVRAMを一切消費せず、システムRAMとCPUだけで最新LLM（Gemma 4）を回し、プロンプトの自動翻訳・最適化を行うComfyUIデスクトップ版専用ノードを作った。APIも使用しない。グラフィックボードにいくらVRAMが積まれているかは、まったく関係なく動作する。
最新の量子化フォーマットを読み込むためにはC++の自己ビルドが必須となるため、環境変数を引き継げる「Desktop版の内蔵ターミナル」での運用を完全推奨とする。

すでにVer.3.1なのは、それだけ時間を溶かしたということだ。最初はシンプルだった。あれこれ機能を追加していたらこうなった。興味をもってもらえたらうれしい。

【1】VRAMを1Byteも汚さない「分業の美学」

えすた式プロンプト職人 Ver.3.1が解決するのは、多くのStable Diffusion使いが抱えている悩みだ。
プロンプト生成用のLLMをメモリに乗せると、VRAM（作業机）の上が埋まる。
そのまま画像生成を走らせると、モデルが作業机からはみ出して床（システムRAM）に置かれる。速度が落ちる。

このノードは、LLMをそもそも作業机（VRAM）に乗せない。最初から床（システムRAM）に置いて、そこで動かす。

画像生成はVRAMを独占する。プロンプト錬成はCPUとシステムRAMに全部任せる。この「分業の美学」が、限られたVRAMという器を余すことなく画像生成に捧げる唯一の設計思想だ。

【2】コア機能①：3つのアーキテクチャへの自動最適化

ComfyUIのワークフローでは、SDXLとPony、FluxやZ Imageを使い分けていることが多い。問題は、それぞれが要求するプロンプト形式が全く違うことだ。

・Ponyはスコアタグ（score_9, score_8_up）とBREAK構文を要求する。
・SDXLはDanbooruタグと自然言語のハイブリッドが効く。
・FluxはT5-XXLの自然言語理解力を活かした情景描写の文章が最適解だ。

これを人間が毎回切り替えるのは、設定の管理コストが高い。
毎回AIに出力させるのもやや面倒だ。

このノードはワークフロー上でモデルタイプ選択をし、最適な形式でプロンプトを錬成して出力する。
クオリティータグのオンオフ、年代タグの追加、スタイルの選択が出来るようになっている。下記画像のように、単体で何もないキャンパスに置いて使用することも出来るし、当然、普段の画像生成ワークフローに組み込むことも可能だ。

日本語→英語プロンプト（生成モード）

■ Danbooru Tags（Pony/Animagineなど）

クオリティタグを前方に自動装填（Enable選択時）し、キャラクター描写と背景描写の間にBREAKを自動挿入する。アテンションの希釈（カラーブリード）を物理的に防ぐ設計だ。モデルの注意力が、キャラクターと背景の間で混ざり合わない。

■ Standaed English Tags（汎用英単語/Juggernautなど）

CLIPの解釈力を最大化するため、Danbooru系の短いタグと、CLIPが理解できる自然言語フレーズをハイブリッドで構成して出力する。どちらか一方に偏らない。

■ Natural Language（Flux/Animaなど）

タグの羅列を禁止する。最適な「シーン全体の情景＋被写体の状態と心理を含む自然言語文章」に展開する。短い入力が、モデルが処理できる密度の文章になって出てくる。

英語プロンプト→日本語（解析モード）

どこかで見つけたプロンプトを日本語に変換して、どんな内容なのかを確認するための解析モードも搭載した。日本語に変換し内容を確認して、プロンプトの微調整するなどに使って欲しい。※このモードは単体で使用して欲しい。ComfyUIの使用上Kサンプラーが繋がっていると画像生成が始まってしまう。

【3】コア機能②：待たない微調整「0秒パススルー」

LLMによる推論（日本語から英語プロンプト）には時間がかかる。4Bモデルで十数秒。環境次第ではもう少しかかるかもしれない。

英語でプロンプトを書いている時（生成モード時）は、翻訳の推論待ちは要らない。微調整のたびに数秒ずつ消えていく、ということにはならないようにした。

Ver.3.1は入力テキストを正規表現で解析し、日本語文字が含まれているかを判定する。日本語がなければ、LLMの推論を完全にスキップする。代わりに、選択されたモデルのアーキテクチャに対応した品質アンカー（クオリティタグ）のみを0秒で付与して次のノードへ渡す。

英語ユーザーには「ただ最適なタグが付く機械」として機能する。日本語ユーザーには「翻訳して最適化するエンジン」として機能する。両者で、使い勝手の差は発生しない。

【4】コア機能③：完全防弾辞書による「版権キャラ物理パージ」

CIVITAIで公開されている「Danbooru tag complete csv [tagcomplete用辞書&日本語翻訳辞書]」を使用させてもらった。コレを用いて最適なタグに変換されるようにしている。興味があれば以下から見て欲しい。

CSV辞書の読み込み時、特定のバグが発生していた。

光（hikari） という単語が hikari_(zero) にヒットする。一般名詞のタグが、同名の版権キャラクタータグに引っ張られて、意図しない学習データの残滓をプロンプトに混入させる現象だ。

Ver.3.1は辞書の読み込み段階で、括弧付きの版権タグ（character_name_(series_name) 形式）を完全に除外する。辞書に版権キャラが入っていても、出力プロンプトには絶対に混入しない。

これは安全装置であり、同時に品質担保機構でもある。「誤って版権キャラの残像を踏んで、意図した絵柄から外れる」という徒労がなくなる。

私のように、英語ができなくてプロンプトをChatGPTやGeminiに作らせたり、翻訳ソフトで四苦八苦している人は、ComfyUI上で完結することが可能になることでストレスから解放される。思い通りの画像が出ない度に、ブラウザを出して、文字を打ち込みAIの応答を待ち、生成されたプロンプトをコピペして＿＿＿。これらをスキップして快適な画像生成を楽しんで欲しい。

有料エリア前の確認事項

■ 同梱物

【1】えすた式プロンプト職人  本体（LLMモード & APIモード、汎用SDXL、Pony、Illustrious、Flux（自然言語）、Anima、Z Imageに対応）

【2】llama-cpp-python 自己ビルド完全手順書（Desktop版内蔵ターミナル専用）
【3】アップデートファイル（更新ごとに追記していく）

■ 対象環境

・OS：Windows 11
・ComfyUI：Desktop App版

▼▼▼ 有料エリア ▼▼▼