Imágenes para redes en 7 segundos en mi PC: Z-Image Turbo en una GPU de 16 GB

Para hacer contenido uso GPT Image 2 (por ChatGPT) y Nano Banana (por Gemini). Son excelentes, pero tienen cuota, y gastarla en borradores y en “dame 10 variantes para escoger” duele. Así que monté un tercer canal: imágenes en mi propia GPU, sin cuota, sin internet y sin marca de agua.

Uso Z-Image Turbo, el modelo de 6B parámetros de Alibaba (Tongyi-MAI). En mi RTX 5070 Ti de 16 GB saca una imagen de 1024×1024 en unos 7 segundos, y escribe texto en español con acentos dentro de la imagen.

Estas cuatro variantes salieron de un solo comando, en menos de 35 segundos:

Las cuatro dicen “El mejor café de la colonia”, con acento y bien escrito. Hace un año eso era casi imposible en un modelo local.

TL;DR

• Z-Image Turbo cabe completo en 16 GB y genera en 8 pasos: ~7 s por imagen cuadrada y ~8 s en vertical 9:16.
• Licencia Apache 2.0: uso comercial sin restricción de país ni de ingresos.
• Escribe bien textos cortos en español (de 2 a 6 palabras) si los pones entre comillas en el prompt.
• Lo uso desde un script con presets por red social: cuadrado, post (4:5), historia (9:16), youtube (16:9).
• Comparte la instalación de ComfyUI con mi canal de video con voz (ver el post de MiniMax H3).

1. Por qué Z-Image Turbo

Revisé las comparativas de modelos de imagen que caben en 16 GB (octubre de 2026). Para contenido comercial, el filtro decisivo es la licencia, y varios de los más famosos no la pasan:

Z-Image Turbo es el punto medio: es rápido, se ve como foto, escribe texto y la licencia no me pone condiciones.

2. Instalación (tres archivos, ~20 GB)

Uso la misma ComfyUI 0.43 portable que monté para video (en C:\ComfyUI-H3, puerto 8189). Si partes de cero: bajas la portable de NVIDIA de los releases de ComfyUI en GitHub, la descomprimes y listo, ya trae PyTorch con CUDA 13.

Los modelos salen del repo Comfy-Org/z_image_turbo en Hugging Face (split_files/…):

B=https://huggingface.co/Comfy-Org/z_image_turbo/resolve/main/split_files
curl -L -C - -o models/diffusion_models/z_image_turbo_bf16.safetensors $B/diffusion_models/z_image_turbo_bf16.safetensors
curl -L -C - -o models/text_encoders/qwen_3_4b.safetensors            $B/text_encoders/qwen_3_4b.safetensors
curl -L -C - -o models/vae/ae.safetensors                             $B/vae/ae.safetensors

Con la versión bf16 (la de calidad completa) llegué a 15 GB de VRAM. Existen variantes int8 y nvfp4 por si tienes menos memoria.

3. La receta (igual a la plantilla oficial)

En la interfaz de ComfyUI está en Templates → Image → Z-Image Turbo. Los valores que importan:

UNETLoader (z_image_turbo_bf16) → ModelSamplingAuraFlow (shift 3)
CLIPLoader (qwen_3_4b, type "lumina2") → CLIPTextEncode (prompt)
                                       → ConditioningZeroOut (negativo vacío)
EmptySD3LatentImage (ancho × alto)
KSampler: 8 pasos · CFG 1 · res_multistep · simple
VAEDecode (ae) → SaveImage

Dos detalles que confunden al principio:

• CFG = 1 y negativo vacío. Es un modelo “turbo” (destilado): no usa negative prompt. Si subes el CFG se quema la imagen.
• 8 pasos y ya. Más pasos no mejoran la imagen; solo tardan más.

4. Mi script con formatos por red social

No abro la interfaz: mando la receta por la API de ComfyUI desde un script en Python con presets de tamaño. Todos son múltiplos de 16 y rondan el megapíxel que el modelo prefiere:

python comfy_img.py --prompt prompt.txt --formato historia --cantidad 4 --nombre cafe --destino ./salida

--cantidad 4 saca cuatro variantes con semillas consecutivas, así que si una te gusta, la repites con --semilla. El script también mide el tiempo de cada imagen y la VRAM pico.

Así se ven los formatos historia (9:16) y post (4:5):

5. Cómo escribir el prompt para que el texto salga bien

El prompt va en inglés. El texto que quieres dentro de la imagen va entre comillas, exacto y con acentos:

Professional product photo for an Instagram post: a ceramic latte cup with heart latte art on a
rustic wooden counter in a cozy Mexico City coffee shop, golden hour window light, shallow depth
of field. Behind the cup, a small black chalkboard sign with white hand-lettered text that reads
exactly "El mejor café de la colonia". Warm tones, crisp details, commercial photography.

Lo que me funcionó:

• Textos cortos (2 a 6 palabras). Con frases largas empieza a inventar letras; para eso uso GPT Image 2.
• Di dónde va el texto: un pizarrón, un letrero, una etiqueta. Si no hay un soporte en la escena, lo pone flotando.
• Para historias, pide espacio vacío: plenty of empty space at the top for text. El texto final lo pongo en el armado, no en la imagen.

6. Mediciones reales (RTX 5070 Ti 16 GB, 8 pasos)

• La primera imagen de cada tanda paga la carga del modelo. Por eso conviene pedir muchas variantes en una sola llamada.
• A diferencia del video, aquí la RAM no sufre: con Chrome y VS Code abiertos tuve ~10 GB libres todo el tiempo.

7. Cuándo uso cada herramienta

La combinación que más me emociona es la última: genero el fotograma en local y lo animo con voz en local, todo en la misma GPU y sin gastar un peso.

Cierre

Con esto ya tengo los dos canales locales: imágenes en segundos y video con voz en un par de minutos. Los integré a mi agente como etiquetas: le escribo "@img-local hazme 4 posts de…" o "@h3 hazme un clip de…", y él arranca ComfyUI, genera, mide y lo apaga.

El siguiente paso es ordenar todo por red social y por proyecto, con atajos para no repetir instrucciones. Eso va en el próximo post.