【ComfyUI】MOSS-Imageの使い方｜レイアウト指定でテキストから画像生成

MOSS-Imageは、画像内の文字描画やレイアウト指定に強いOpenMOSSの画像生成モデルです。

2026年10月16日にComfyUI本体がMOSS-Imageに対応し、ネイティブノードで動かせるようになりました。

この記事では、バウンディングボックスで配置を指定してテキストから画像を生成するワークフローの導入方法を紹介します。

MOSS-Imageとは？
ライセンス
ComfyUIのインストール
必要なモデルのダウンロードと配置
ワークフローの読み込み
MOSS-Imageでレイアウトを指定してテキストから画像生成
Create Bounding Boxesの使い方
まとめ

MOSS-Imageとは？

MOSS-Imageは、OpenMOSSが公開している5BパラメータのベースDiTモデルです。

テキストから画像を生成するモデルで、自然言語のプロンプト、タグ列、JSONのレイアウトで指示できます。

モデルは、ベースモデルのMOSS-Image-Baseと、それを厳選したデータでファインチューニングしたMOSS-Image-SFTの2種類です。

主な特徴

画像内の文字や要素の配置をレイアウトで制御できる
画像内に読みやすく正確な文字を描画できる
最大4Kトークンの長いプロンプトに対応
アニメ調から写実的な画像まで生成できる
ベースモデルを独自のタスクや分野向けにファインチューニングしやすい
5Bのバックボーンで効率よく画像を生成できる

GitHub – OpenMOSS/MOSS-Image: Official repository for MOSS-Image, a 5B-parameter base DiT model with high-quality text rendering, layout generation, and efficient fine-tuning.

Official repository for MOSS-Image, a 5B-parameter base DiT model with high-quality text rendering, layout generation, a…

ライセンス

MOSS-Image-BaseとMOSS-Image-SFTのライセンスはApache-2.0です。

ComfyUI向けに再パッケージされたComfy-Org/MOSS-Imageも、同じApache-2.0で公開されています。

詳しくはMOSS-Image-Base、MOSS-Image-SFT、Comfy-Org/MOSS-ImageのHugging Faceページでご確認ください。

ComfyUIのインストール

ComfyUIをまだインストールしていない方は、こちらを参考にしてみてください。

【ComfyUI】の使い方・始め方まとめ｜インストールから基本操作・カスタムノードまで

ComfyUIを始めたいけど、インストール方法がいくつかあってどれを選べばいいか迷う、という方は多いと思います。この記事では、ComfyUIの導入方法の違いと選び方、そして基本的な使い方の入口をまとめて紹介します。各トピックの詳しい手順は、…

MOSS-Imageへの対応は2026年10月16日にComfyUIのPR #17095で本体へ取り込まれたもので、2026年10月15日公開の安定版v0.41.0には含まれていません。

MOSS-Imageを使うには、ComfyUIをnightly版へ更新してください。

切り替えの手順は以下の通りです。

パスは自身のものに置き換えてください。

# StabilityMatrix
cd C:\StabilityMatrix-win-x64\Data\Packages\ComfyUI
git checkout master
git pull
.\venv\Scripts\python.exe -m pip install -r requirements.txt

# ポータブル版
cd ComfyUI_windows_portable\ComfyUI
git checkout master
git pull
..\python_embeded\python.exe -m pip install -r requirements.txt

元に戻す場合はこちらです。

# StabilityMatrix
cd C:\StabilityMatrix-win-x64\Data\Packages\ComfyUI
git checkout v0.41.0
.\venv\Scripts\python.exe -m pip install -r requirements.txt

# ポータブル版
cd ComfyUI_windows_portable\ComfyUI
git checkout v0.41.0
..\python_embeded\python.exe -m pip install -r requirements.txt

安定版リリース後はバージョンアップすれば使えるようになります。

必要なモデルのダウンロードと配置

拡散モデルはSFTとBaseのそれぞれにbf16版とint8_convrot版があります。

テキストエンコーダーはint8_convrot版とw4a8_gptq版の2種類です。

ワークフローのローダーでは拡散モデルとテキストエンコーダーを1つずつ選ぶので、使うファイルをダウンロードしてください。

種類	ファイル名	配置先
拡散モデル	moss_image_sft_bf16.safetensors	ComfyUI/models/diffusion_models
拡散モデル	moss_image_sft_int8_convrot.safetensors	ComfyUI/models/diffusion_models
拡散モデル	moss_image_base_bf16.safetensors	ComfyUI/models/diffusion_models
拡散モデル	moss_image_base_int8_convrot.safetensors	ComfyUI/models/diffusion_models
テキストエンコーダー	qwen3.5_9b_int8_convrot.safetensors	ComfyUI/models/text_encoders
テキストエンコーダー	qwen3.5_9b_w4a8_gptq.safetensors	ComfyUI/models/text_encoders
VAE	flux2-vae.safetensors	ComfyUI/models/vae

ComfyUI/
└── models/
    ├── diffusion_models/
    │   ├── moss_image_base_bf16.safetensors
    │   ├── moss_image_base_int8_convrot.safetensors
    │   ├── moss_image_sft_bf16.safetensors
    │   └── moss_image_sft_int8_convrot.safetensors
    ├── text_encoders/
    │   ├── qwen3.5_9b_int8_convrot.safetensors
    │   └── qwen3.5_9b_w4a8_gptq.safetensors
    └── vae/
        └── flux2-vae.safetensors

Comfy-Org/MOSS-Image · Hugging Face

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

ワークフローの読み込み

MOSS-Imageのワークフローは、ComfyUIのPR #17095に添付されたmoss_image_t2i_bbox.jsonを使います。

ダウンロードしたJSONをComfyUIの画面へドラッグ&ドロップすると、ワークフローを読み込めます。

MOSS-Imageでレイアウトを指定してテキストから画像生成

まずそれぞれのノードでモデルをセットします。

MOSS-Image Layout Promptにプロンプトを入力します。

Empty Flux 2 Latentで画像サイズを指定できます。

・結果

RTX4060Ti（VRAM16GB/RAM64GB）、Base int8モデルで生成は約26秒でした。

・フォトリアル

・アニメ

・フォトリアル（テキストあり）

MOSS-Image Baseで生成した、Morning Crumbs Bakeryの看板があるパン屋のフォトリアル画像 — A realistic photograph of a small corner bakery in the early morning, seen from across a quiet cobblestone street. Above the entrance hangs a dark green wooden sign with gold hand-painted letters that read “Morning Crumbs Bakery”. In the front window, a chalkboard easel says “Fresh Bread Daily – Open 7AM” in white chalk handwriting. Warm golden light spills out from inside, illuminating baskets of baguettes and croissants on display. Soft morning haze, natural colors, shot on a 35mm lens, sharp focus on the signs.

SFT int8モデルも生成時間はほぼ同じ26秒前後でした。

プロンプトは上記と同じです。

MOSS-Image SFTで生成した、雨のカフェの窓辺でコーヒーを持つ女性のフォトリアル画像

Create Bounding Boxesの使い方

指定の領域にオブジェクトやテキストを追加して、画像生成できるノードです。

まず左上のメニューからNodes2.0をONにしてください。

Create Bounding Boxes上でドラッグすると領域を指定できます。

obj（オブジェクト）は人や物、textは文字入れしたいときに使うものです。

例えば指定の位置にカモメを描きたい場合、01のようにします。

左下の02はtextでバス停の標識を指定しているものです。

Create Bounding Boxesでカモメ（01）とバス停の標識（02）の領域を指定した画面

textの場合は、descriptionに追加する内容、textに表示したいテキストを入力します。

Create Bounding Boxesのtextでdescriptionとtextを入力する画面

あとMOSS-Image Layout Promptのcharacter_boxesがデフォルトで1になっています。

これは指定のボックスに対して、”character”というラベルを付けるものです。

"items":[{"label":"character","caption":"a flock of white seagulls flying in the summer sky","bbox":[-481,96,-63,481]},

ただ公式の説明を見ても、結果にどう影響があるのかよく分かりませんでした。

正直あまり結果は変わらない気もするんですが、空にするとラベルはobjectになるので、キャラクターとして扱いたくない場合は空にしてください。

MOSS-Image Layout Promptのcharacter_boxesの入力欄

これでさっきのアニメプロンプトを生成すると、こんな感じでobjとtextが追加できます。

ちゃんとカモメと標識が反映できました。

Create Bounding Boxesでカモメとバス停の標識を追加して生成したアニメ画像

ちなみに左がcharacter、右がobjectのラベルで生成したものです。

結果だけ見ると、characterはカモメがちょっと強調されている気がします。

カモメのボックスをcharacter（左）とobject（右）のラベルで生成したアニメ画像の比較

一応Load Image追加すれば領域指定の目安にはできますが、i2iによる編集ではないので、読み込んだ画像は結果に反映されません。

まとめ

SFTの方がファインチューニングされているとのことなので、そっちの方が結果は良く感じました。

画像生成も遅くないし、プロンプトの追従性も良いし、フォトリアル・アニメどちらも生成できます。

ただPromptの書き方が悪いのか、若干フォトリアルはイマイチな印象です。

ライセンスもApache-2.0で扱いやすいし、プロンプトの書き方も自由度が高いので、Animaとちょっと似た感じのモデルかもしれません。

今後いろんな方のファインチューニングモデルとかが出たらいろいろ盛り上がりそうな気もします。

以上MOSS-Imageの使い方について紹介しました。

参考になれば幸いです。