Stable Diffusion là gì? Tạo ảnh AI trên máy của bạn

Stable Diffusion là họ model AI tạo ảnh từ một câu mô tả (prompt). Bạn tải model về rồi chạy ngay trên card đồ họa của bạn. Prompt và ảnh đều nằm trên máy bạn. Ngày 23/10/2026 mình thuê một máy RTX 3090 trên AIDev Cloud, và cho 6 model vẽ cùng một prompt. Mỗi ảnh 1024×1024 mất từ 2,8 đến 30 giây tùy model, card 24GB chạy được cả 6.

Tóm tắt những gì mình đo và tra được:

• "Stable Diffusion" ngày nay là cả một họ model: SD 1.5, SDXL, SD 3.5 của Stability AI, cùng Flux của Black Forest Labs (công ty do chính nhóm tác giả Stable Diffusion lập ra).

• Trên RTX 3090, một ảnh 1024×1024 mất 2,8 giây với FLUX.2 Klein 4B, 7,6 giây với SDXL, 30 giây với SD 3.5 Large.

• ComfyUI 0.42.1 tự đẩy phần model không vừa card sang RAM. Khi mình chỉ chừa khoảng 7GiB VRAM (bộ nhớ của card) trống, cả 6 model vẫn chạy, chậm đi nhiều nhất 1,5 giây mỗi ảnh khi model đã nạp sẵn.

• Giấy phép khác nhau nhiều. FLUX.1 schnell và FLUX.2 Klein 4B dùng Apache-2.0. SD 3.5 miễn phí cho thương mại khi doanh thu năm dưới 1 triệu USD.

• Không cần đăng nhập Hugging Face: cả 6 model đều có bản đóng gói sẵn cho ComfyUI tải tự do.

Stable Diffusion là gì?#

Stable Diffusion là một model diffusion (khuếch tán): nó bắt đầu từ một tấm ảnh toàn nhiễu rồi khử nhiễu dần qua nhiều bước, sau mỗi bước ảnh lại khớp prompt hơn một chút. Clip dưới đây là 30 bước của SDXL trên máy mình thuê, mỗi khung là ảnh xem trước mà ComfyUI (phần mềm chạy model mình dùng trong bài) gửi ra sau một bước:

Muốn ComfyUI gửi ảnh xem trước ở mỗi bước, mình chép 4 file giải mã TAESD (taesd_decoder.pth, taesdxl_decoder.pth, taesd3_decoder.pth, taef1_decoder.pth) vào thư mục models/vae_approx rồi khởi động ComfyUI với hai tham số thêm:

python main.py --listen 127.0.0.1 --port 8188 --preview-method taesd --preview-size 1024

Mấy bước đầu chỉ có mảng màu. Khoảng bước 10, bố cục (quầy hàng, đèn) đã cố định. Các bước sau chủ yếu thêm chi tiết. Vì vậy khi giảm số bước, ảnh ra nhanh hơn mà bố cục thường vẫn giữ nguyên. Thời gian theo số bước mình đo ở mục bên dưới.

Chữ "Stable" không có nghĩa là "ổn định" theo kiểu kỹ thuật. Tên đến từ Stability AI, công ty tài trợ phần tính toán để huấn luyện. Nền tảng là bài báo Latent Diffusion của nhóm CompVis đăng ngày 20/12/2021. Model không khử nhiễu trực tiếp trên điểm ảnh mà trên một bản nén nhỏ gọi là latent, nhờ vậy chạy được trên card đồ họa thường. Repo CompVis/stable-diffusion trên GitHub được tạo ngày 10/08/2022, đến ngày 23/10/2026 có 73.533 sao.

Một model gồm những phần nào?#

Một model Stable Diffusion gồm ba phần:

• Text encoder (như CLIP hay T5): đổi prompt thành dãy số mà model hiểu được.

• Mạng khử nhiễu: UNet ở SD 1.5 và SDXL, transformer ở SD 3.5 và Flux. Đây là phần chạy lặp lại ở mỗi bước.

• VAE: giải mã latent thành ảnh điểm ảnh ở bước cuối.

Trong ComfyUI, ba phần này hiện thành các node (ô xử lý) nối dây với nhau. Ảnh bên dưới là giao diện khi mình chạy workflow (sơ đồ các node) mẫu của SD 3.5 Large qua SSH tunnel (mở giao diện web của máy thuê ngay trên trình duyệt máy mình). Ảnh kết quả hiện ngay trong node KSampler:

Có những model nào để chọn?#

Mình tra trên Hugging Face (trang chia sẻ model AI) ngày 23/10/2026 và chọn 6 model đang được dùng nhiều, model nào cũng có bản tải được mà không cần đăng nhập:

Lượt tải 30 ngày là số Hugging Face API trả về cho repo gốc của từng model. SDXL vẫn dẫn đầu xa. Mình đoán phần lớn là nhờ kho LoRA (bản tinh chỉnh nhỏ theo phong cách hay nhân vật) và checkpoint cộng đồng (model do người dùng huấn luyện thêm) xây trên SDXL rất lớn.

Repo gốc của SD 3.5 và FLUX.1 schnell để chế độ gated: bạn phải đăng nhập Hugging Face và bấm đồng ý điều khoản. Mình dùng bản đóng gói của Comfy-Org (nhóm làm ComfyUI) đăng lại trên Hugging Face. Bản này không gated và gom sẵn text encoder với VAE vào một file. Riêng FLUX.2 Klein 4B tách ba file: model chính 7,75GB, text encoder qwen_3_4b 8,04GB và VAE 0,34GB.

Flux không mang tên Stable Diffusion nhưng thường được xếp chung. Trong thông báo thành lập ngày 01/08/2024, Black Forest Labs viết rằng đội của họ từng làm VQGAN, Latent Diffusion và các model Stable Diffusion. Cách dùng trong ComfyUI cũng gần như giống nhau.

Ảnh tạo ra có dùng thương mại được không?#

Tùy model, và đây là chỗ nhiều người bỏ qua. Theo giấy phép ghi trên trang Hugging Face của từng model (mình đọc ngày 23/10/2026):

• SD 1.5 và SDXL (OpenRAIL): dùng thương mại được, kèm danh sách cấm (như cấm dùng để lừa đảo hay làm hại người khác). Khi phát hành lại model, bạn phải chuyển tiếp các điều khoản cấm đó.

• SD 3.5 (Stability AI Community License): miễn phí cho nghiên cứu và dùng cá nhân. Dùng thương mại miễn phí khi doanh thu năm dưới 1.000.000 USD, nhưng phải đăng ký với Stability AI. Vượt ngưỡng thì cần giấy phép doanh nghiệp.

• FLUX.1 schnell, FLUX.2 Klein 4B (Apache-2.0): dùng thương mại tự do, không có ngưỡng doanh thu.

• FLUX.1 dev và FLUX.2 Klein 9B: chỉ cho dùng phi thương mại. Hai model này tên gần giống bản Apache-2.0, nên dễ nhầm.

Nếu bạn tạo ảnh cho khách hàng, chọn model theo giấy phép trước rồi mới tính chuyện chất lượng.

Chạy bằng ComfyUI, A1111 hay Forge?#

Ba giao diện phổ biến để chạy Stable Diffusion là ComfyUI, A1111 và Forge:

• ComfyUI: giao diện dạng node, cập nhật nhanh nhất. Bản 0.42.1 ra ngày 19/10/2026, repo có 142.144 sao. Model mới như FLUX.2 Klein thường có workflow mẫu cho ComfyUI sớm hơn các giao diện khác. Cách cài có ở bài ComfyUI là gì.

• AUTOMATIC1111 (A1111): giao diện web dạng form, quen thuộc nhất (165.113 sao), nhưng lần cập nhật cuối là 02/03/2026.

• Forge: bản A1111 viết lại cho nhanh hơn, 13.078 sao, lần cập nhật cuối 31/07/2025. Cách cài A1111 và Forge, kèm số đo SDXL của cả hai, có ở bài cài Stable Diffusion WebUI.

Tải model vào ComfyUI#

Bài này dùng ComfyUI vì cả 6 model đều có workflow sẵn và ComfyUI có API để đo tự động. Phần riêng cho Stable Diffusion chỉ là tải model vào đúng thư mục. Mình tải cả 8 file cùng lúc bằng curl, đường dẫn theo mẫu https://huggingface.co/<repo>/resolve/main/<file>. Ba lệnh dưới đây tải SDXL, SD 3.5 Large và FLUX.1 schnell; SD 1.5 và SD 3.5 Medium tải theo cùng mẫu:

cd ~/ComfyUI/models
HF=https://huggingface.co
curl -L -o checkpoints/sd_xl_base_1.0.safetensors \
  $HF/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors
curl -L -o checkpoints/sd3.5_large_fp8_scaled.safetensors \
  $HF/Comfy-Org/stable-diffusion-3.5/resolve/main/sd3.5_large_fp8_scaled.safetensors
curl -L -o checkpoints/flux1-schnell-fp8.safetensors \
  $HF/Comfy-Org/Flux-1-Schnell/resolve/main/flux1-schnell-fp8.safetensors

FLUX.2 Klein 4B không vào thư mục checkpoints mà chia ba thư mục theo từng phần:

R=$HF/Comfy-Org/Flux-2-Klein-4B/resolve/main/split_files
curl -L -o diffusion_models/flux-2-klein-4b.safetensors $R/diffusion_models/flux-2-klein-4b.safetensors
curl -L -o text_encoders/qwen_3_4b.safetensors $R/text_encoders/qwen_3_4b.safetensors
curl -L -o vae/flux2-vae.safetensors $R/vae/flux2-vae.safetensors

Trên máy thuê, khi cả 8 file cùng tải một lúc, file SD 1.5 (2,13GB) tải xong sau 281 giây, file lớn nhất (FLUX.1 schnell, 17,24GB) sau 1.180 giây. Tám file cộng lại khoảng 69GB. Nếu chỉ cần một hai model thì bạn chỉ tải những file đó.

Mỗi model tạo một ảnh mất bao lâu?#

Máy mình thuê là RTX 3090 24GB gói Standard (25 vCPU, 53GB RAM) trên AIDev Cloud, chạy ComfyUI 0.42.1 với PyTorch 2.14.1 bản CUDA 13.0. Log khởi động cho thấy card và tính năng DynamicVRAM (tự chia model giữa VRAM và RAM), kèm thời gian 8 ảnh đầu tiên:

Cả 6 model nhận cùng một prompt: a cozy Vietnamese street food stall at night, steaming bowl of pho, warm lantern light, photo, detailed, negative prompt blurry, lowres. Số bước, cfg (mức bám prompt) và sampler (cách khử nhiễu từng bước) lấy theo model card (trang mô tả model) hoặc workflow mẫu của từng model. Mình gửi workflow qua API của ComfyUI, mỗi model 4 ảnh với 4 seed (số khởi tạo nhiễu ban đầu) khác nhau. Thời gian lấy từ dòng ComfyUI tự ghi sau mỗi ảnh:

import json, urllib.request
wf = json.load(open("wf/sdxl.json"))           # workflow dạng API, đổi seed mỗi lần
wf["7"]["inputs"]["seed"] = 43
req = urllib.request.Request("http://127.0.0.1:8188/prompt",
      data=json.dumps({"prompt": wf}).encode(), headers={"Content-Type": "application/json"})
print(urllib.request.urlopen(req).read())       # trả về prompt_id, xem kết quả ở /history/<prompt_id>

Tiền máy tính theo giá RTX 3090 gói Standard 15.000đ/giờ ngày 23/10/2026, chỉ tính giây chạy, chưa gồm thời gian cài đặt. Thời gian các lần sau gần như không đổi (chênh nhau dưới 0,1 giây), nên con số khá tin được.

FLUX.2 Klein 4B và FLUX.1 schnell nhanh vì là bản distilled (chưng cất): được huấn luyện để ra ảnh chỉ sau 4 bước. SD 3.5 Large chậm nhất vì model lớn (8 tỉ tham số) và chạy 28 bước.

Ảnh của 6 model trông thế nào?#

Đây là ảnh lần thứ hai của mỗi model (seed 43), không chọn lọc:

Nhận xét của mình:

• SD 1.5: nhanh nhất nhưng chỉ 512×512, ảnh rối và mờ chi tiết. Hợp để học hoặc chạy trên card rất yếu.

• SDXL: ra ảnh kiểu tranh minh họa dù prompt ghi "photo". Muốn ảnh giống chụp thật thì thường phải dùng checkpoint cộng đồng tinh chỉnh từ SDXL.

• SD 3.5 Medium và Large: ảnh giống chụp thật hơn, bát phở và hơi nước rõ. Cả hai đều vẽ chữ giống chữ Hán: bản Medium trên cốc, bản Large trên đèn lồng.

• FLUX.1 schnell: chi tiết đẹp sau 4 bước, nhưng biển hiệu có chữ vô nghĩa.

• FLUX.2 Klein 4B: giống phố Việt nhất (ghế nhựa, khách ngồi ăn, biển chữ Latin có dấu), dù chữ trên biển vẫn sai. Nếu chỉ chọn một model để bắt đầu, mình chọn model này: nhanh nhất ở 1024×1024 và có giấy phép Apache-2.0.

SD 3.5 Large đi từ nhiễu tới ảnh theo cách khác SDXL: bát phở xuất hiện rất sớm, các bước sau thêm khói và đèn lồng.

Số bước và độ phân giải ảnh hưởng thế nào?#

Mình giữ SDXL, đổi số bước rồi đổi độ phân giải. Mỗi mức chạy hai lần, lấy lần thứ hai (model đã nằm sẵn trong bộ nhớ):

Thời gian tăng gần như tuyến tính, mỗi bước thêm khoảng 0,27 giây. Từ 25 lên 50 bước thì thời gian gần gấp đôi. Theo clip ở đầu bài, bố cục đã cố định từ khoảng bước 10, nên với SDXL mình thấy 20 đến 30 bước là đủ.

Kết quả này làm mình bất ngờ: ảnh 512×512 có số điểm ảnh bằng một phần tư ảnh 1024×1024 mà chỉ nhanh hơn khoảng 1 giây. Công suất đỉnh ở 512×512 chỉ 219W, trong khi giới hạn của card là 370W, tức card chưa chạy hết sức. Mình đoán mỗi bước có một phần thời gian cố định, không phụ thuộc kích thước ảnh, nhưng chưa đo để khẳng định. Dù sao thì SDXL vốn được huấn luyện cho ảnh khoảng 1024×1024, nên giảm kích thước cũng không lợi gì nhiều.

Ở 1536×1536, FLUX.2 Klein 4B mất 6,78 giây, SD 3.5 Large mất 77,70 giây, VRAM cả card lần lượt lên 21.872MiB và 20.844MiB.

Stable Diffusion cần bao nhiêu VRAM?#

Câu này khó trả lời bằng nvidia-smi (lệnh xem trạng thái card NVIDIA) vì ComfyUI 0.42.1 bật DynamicVRAM: card còn trống bao nhiêu thì nó dùng bấy nhiêu. Mình đọc VRAM đỉnh của cả card bằng lệnh dưới đây, lấy mẫu mỗi 0,5 giây. Số đo trên card 24GB nằm ở cột thứ hai của bảng bên dưới.

nvidia-smi --query-gpu=memory.used,power.draw --format=csv -lms 500

Giả lập card 12GB và 8GB#

Muốn biết card nhỏ hơn có chạy được không, mình giả lập bằng cách cho một process Python khác giữ sẵn một phần VRAM, rồi khởi động lại ComfyUI và chạy lại cả 6 model:

import sys, time, torch
x = torch.empty(int(float(sys.argv[1]) * 2**30), dtype=torch.uint8, device="cuda")   # giữ N GiB
print("giu", sys.argv[1], "GiB; free", round(torch.cuda.mem_get_info()[0] / 2**30, 2), "GiB")
while True: time.sleep(60)

Giữ 12GiB thì ComfyUI còn 11,04GiB trống, gần bằng card 12GB. Giữ 16GiB thì còn 7,04GiB, gần bằng card 8GB:

Cả 24 ảnh đều chạy xong, không lỗi hết bộ nhớ. So với lúc card còn trống, lần chạy thứ hai chậm hơn nhiều nhất 1,5 giây (SD 3.5 Large, 31,49 so với 30,0 giây). ComfyUI giữ phần model không vừa card ở RAM (máy có 53GB RAM) rồi chuyển dần sang card khi cần. Trong log, mỗi lần nạp model đều có dòng prepared for dynamic VRAM loading.

Phép thử này có giới hạn: nó vẫn chạy trên RTX 3090, với nhân tính toán, băng thông bộ nhớ và PCIe của 3090. Card 8GB thật (như RTX 3060 Ti hay 4060) có nhân yếu hơn nên sẽ chậm hơn, và máy của bạn phải có đủ RAM để chứa phần model bị đẩy ra. Mình chưa chạy trên card 8GB hay 12GB thật. Model card của FLUX.2 Klein 4B ghi model "vừa khoảng 13GB VRAM" và chạy được trên RTX 3090, 4070 trở lên.

Nếu chưa có card đủ VRAM, bạn có thể thuê RTX 3090 theo giờ trên AIDev Cloud: cả lượt đo trong bài, gồm cài đặt, tải 69GB model và chạy gần 80 ảnh, xong trong 56 phút.

Lỗi mình đã gặp#

1. Ảnh thứ hai chỉ mất 0,07 giây#

Lần đo đầu, mình gửi cùng một workflow 4 lần với cùng seed và nhận được số đẹp đến khó tin:

[INFO] Prompt executed in 6.72 seconds
[INFO] Prompt executed in 0.07 seconds
[INFO] Prompt executed in 0.07 seconds
[INFO] Prompt executed in 0.07 seconds

ComfyUI lưu kết quả của từng node. Workflow không đổi gì thì nó trả lại ảnh cũ, không vẽ lại. Với SDXL cũng vậy: lần thứ hai chỉ mất 0,28 giây. Cách sửa: đổi seed mỗi lần (mình dùng seed 42, 43, 44, 45 cho bốn lần chạy), khởi động lại ComfyUI rồi đo lại. Nếu bạn tự so tốc độ model, nhớ kiểm tra chỗ này.

2. ConnectionResetError: [Errno 104] Connection reset by peer#

Đúng lúc ComfyUI chuyển từ SDXL sang nạp SD 3.5 Medium, script đo của mình gọi /history và nhận lỗi này:

  File "/root/lab/do_anh.py", line 58, in <module>
    time.sleep(0.5); h = json.loads(goi(f"/history/{pid}")).get(pid)
ConnectionResetError: [Errno 104] Connection reset by peer

ComfyUI vẫn chạy tiếp và ghi Prompt executed in 7.62 seconds cho ảnh đó. Mình đoán kết nối bị cắt khi ComfyUI đang bận nạp model mới. ComfyUI không hề sập. Nếu bạn viết script gọi API ComfyUI, hãy bọc lời gọi /history trong vòng thử lại.

3. Tải từ GitHub trên máy mới thuê rất chậm#

Hôm đó git clone ComfyUI từ máy thuê chạy 3 phút mới được 13MB, trong khi tải từ Hugging Face đạt khoảng 23MB/s với 4 kết nối song song. Mình tải gói mã nguồn ComfyUI v0.42.1 về máy mình (8 giây) rồi dùng scp đẩy lên. Nếu gặp tình trạng tương tự, đừng chờ, đổi đường tải ngay.

Khi nào không nên tự chạy model tạo ảnh?#

• Bạn chỉ cần vài ảnh minh họa mỗi tháng và không quan tâm ảnh đi qua dịch vụ của ai. Một công cụ tạo ảnh online sẽ nhanh gọn hơn việc tải 7 đến 17GB model. Bài Stable Diffusion miễn phí: online, Colab hay GPU thuê thử cùng một prompt trên trang online và Space Hugging Face, kèm giới hạn của từng cách.

• Ảnh cần chữ đúng chính tả, đặc biệt là tiếng Việt có dấu. Trong 6 ảnh mình thử, chỗ nào có chữ (biển hiệu, đèn lồng, cốc) đều là chữ sai hoặc vô nghĩa.

• Bạn cần đúng sản phẩm hoặc khuôn mặt cụ thể. Stable Diffusion cơ bản không làm được, phải huấn luyện thêm LoRA hoặc dùng các công cụ chỉnh ảnh theo ảnh mẫu.

• Doanh nghiệp của bạn có doanh thu năm trên 1 triệu USD và định dùng SD 3.5. Hãy chọn model Apache-2.0 hoặc mua giấy phép doanh nghiệp.

Câu hỏi thường gặp#

Stable Diffusion có miễn phí không?#

Model tải miễn phí, chạy trên máy bạn cũng miễn phí. Phần bạn trả là card đồ họa: mua card, hoặc thuê theo giờ. Trên RTX 3090 thuê 15.000đ/giờ, một ảnh SDXL tốn khoảng 32đ tiền máy.

Nên chọn SDXL, SD 3.5 hay Flux?#

Mới bắt đầu thì chọn FLUX.2 Klein 4B: nhanh nhất ở 1024×1024 (2,8 giây trên RTX 3090), ảnh giống chụp thật, giấy phép Apache-2.0. Chọn SDXL khi bạn cần kho LoRA và checkpoint cộng đồng. SD 3.5 Large cho ảnh chi tiết nhưng chậm gấp khoảng 10 lần Klein.

Card 8GB có chạy được Stable Diffusion không?#

SD 1.5 thì chạy thoải mái. Với các model lớn hơn, khi mình giả lập chỉ còn 7GiB VRAM trống, ComfyUI 0.42.1 vẫn chạy được cả 6 model nhờ đẩy phần model dư sang RAM. Card 8GB thật sẽ chậm hơn RTX 3090 và máy cần nhiều RAM. Mình chưa thử trên card thật.

Stable Diffusion có hiểu prompt tiếng Việt không?#

Hiểu một phần, và model càng mới càng hiểu tốt hơn. Trong bài ComfyUI là gì, mình thử prompt tiếng Việt trên SDXL và ba model mới hơn: model mới hiểu tốt hơn hẳn SDXL, nhưng chưa lần nào viết đúng hoàn toàn chữ tiếng Việt có dấu lên ảnh. Prompt tiếng Anh vẫn cho kết quả ổn định hơn.

Tạo một ảnh mất bao lâu?#

Trên RTX 3090, ảnh 1024×1024 mất 2,8 giây (FLUX.2 Klein 4B), 7,6 giây (SDXL) đến 30 giây (SD 3.5 Large), chưa tính lần đầu nạp model (13 đến 39 giây).

Đọc tiếp#

• AI Local: chạy LLM và AI tạo ảnh trên máy bạn: bài tổng quan của chuyên mục, nên mua card hay thuê.

• ComfyUI là gì: cài ComfyUI từng bước và thử prompt tiếng Việt.

• Cài Stable Diffusion WebUI: A1111 và Forge, so tốc độ với ComfyUI.

• ComfyUI trên GPU thuê: chạy ComfyUI trên GPU thuê theo giờ.

• Giá thuê GPU theo giờ: giá từng gói và tiền cho từng việc.

Muốn chạy thử cả 6 model với prompt của bạn mà chưa có card 24GB, bạn có thể thuê GPU theo giờ trên AIDev Cloud, tải model cần dùng, tạo ảnh rồi trả máy.

Đo ngày 23/10/2026 trên máy AIDev Cloud RTX 3090 24GB gói Standard (25 vCPU, 53GB RAM, Ubuntu 24.04, driver 610.43.02). ComfyUI 0.42.1, PyTorch 2.14.1+cu130, Python 3.13.13. Lượt tải và ngày tạo repo theo Hugging Face API và GitHub API cùng ngày.