
Tạo ảnh AI trên máy: SD-Turbo 32 giây một ảnh
Do thật SD-Turbo trên CPU không GPU: 1 bước 32,3 giây, 4 bước 70,7 giây, 768px gấp đôi thời gian. Kèm ba bẫy cài đặt diffusers và cách tránh.
Tôi cài diffusers và chạy SD-Turbo trên CPU để đo thật. Kết quả: 32,3 giây cho một ảnh 512px một bước. Chậm hơn Flow hoặc Midjourney khoảng 100 lần — nhưng miễn phí và không gửi gì lên mạng.
Bài này cho bạn biết chính xác nó chậm bao nhiêu, chậm ở đâu, và khi nào vẫn nên dùng.
Bảng số đo thật
Máy test: 8 nhân CPU, PyTorch 2.15.0 bản CPU, không dùng GPU (card GTX 1060 3GB không đủ VRAM cho pipeline này ở chế độ ổn định).
| Cấu hình | Thời gian | Giây/bước |
|---|---|---|
| 1 bước, 512×512 | 32,3 s | 32,3 |
| 2 bước, 512×512 | 40,3 s | 20,1 |
| 4 bước, 512×512 | 70,7 s | 17,7 |
| 2 bước, 768×768 | 80,9 s | 40,5 |
Nhận xét quan trọng: chi phí cố định rất lớn. Bước đầu tốn 32,3 giây, nhưng mỗi bước thêm chỉ khoảng 12,8 giây.
Nghĩa là: đừng dùng 1 bước để tiết kiệm. Từ 1 lên 4 bước chỉ tăng 38,4 giây (gấp 2,2 lần), nhưng chất lượng khác hẳn.

Vì sao bước đầu đắt
32,3 giây cho bước đầu gồm:
| Khâu | Chi phí |
|---|---|
| Nạp model vào RAM | 62,9 s (chỉ lần đầu tiên) |
| Mã hoá prompt (CLIP) | ~2–3 s |
| Khởi tạo noise | ~0,1 s |
| Mỗi bước khử nhiễu (UNet) | ~12,8 s |
| Giải mã VAE ra ảnh | ~4–5 s |
Cái bẫy: nếu bạn viết script tạo một ảnh rồi thoát, mỗi lần chạy trả giá 62,9 giây nạp model cộng 32,3 giây tạo ảnh. Tổng gần 95 giây cho một ảnh.
Cách đúng: giữ pipeline trong bộ nhớ và tạo nhiều ảnh trong cùng một tiến trình.
pipe = AutoPipelineForText2Image.from_pretrained(
"stabilityai/sd-turbo", torch_dtype=torch.float32)
pipe.set_progress_bar_config(disable=True)
# tao 10 anh trong cung tien trinh
for i, prompt in enumerate(prompts):
img = pipe(prompt=prompt, num_inference_steps=4, guidance_scale=0.0).images[0]
img.save(f"out_{i}.png")
Với cách này, ảnh thứ 2 trở đi chỉ tốn ~17–18 giây mỗi ảnh 4 bước.
SD-Turbo khác Stable Diffusion thường thế nào
Đây là điểm then chốt khi chọn model. SDXL thường cần 20–30 bước. SD-Turbo cần 1–4.
| Model | Số bước | guidance_scale | Thời gian CPU (ước tính) |
|---|---|---|---|
| SD 1.5 | 20–30 | 7,5 | ~5–7 phút |
| SDXL | 25–30 | 7,0 | ~15+ phút (không khả thi) |
| SD-Turbo | 1–4 | 0,0 | 32–71 giây |
Lưu ý bắt buộc: SD-Turbo phải đặt guidance_scale=0.0. Nếu để 7,5 như SD thường, ảnh sẽ bị bão hoà màu và vỡ. Đây là lỗi phổ biến nhất khi chuyển từ SD sang Turbo.
# DUNG
img = pipe(prompt=p, num_inference_steps=4, guidance_scale=0.0)
# SAI - anh se hong
img = pipe(prompt=p, num_inference_steps=4, guidance_scale=7.5)
Tăng độ phân giải: chi phí tăng theo bình phương
Từ 512 lên 768 (gấp 1,5 lần mỗi chiều) làm thời gian tăng từ 40,3 s lên 80,9 s — gấp 2,0 lần.
Lý do: UNet chạy trên latent space có diện tích tỉ lệ với bình phương cạnh. 1,5² = 2,25 — gần đúng với 2,0 đo được.
Hệ quả thực tế: đừng tạo ảnh lớn trực tiếp trên CPU. Tạo 512px rồi phóng to bằng model upscale (Real-ESRGAN) — nhanh hơn nhiều.
# tao 512 truoc
img = pipe(prompt=p, num_inference_steps=4, guidance_scale=0.0).images[0]
# roi upscale 2x bang Real-ESRGAN (nhanh hon nhieu)
# pip install realesrgan

Cài đặt đúng: ba cái bẫy
Tôi mất khá nhiều thời gian vì ba lỗi cài đặt. Bạn sẽ gặp đúng những lỗi này.
Bẫy 1: diffusers và transformers xung đột
Cài diffusers bản mới nhất vào môi trường có sẵn thường hỏng:
ImportError: cannot import name 'KolorsPAGPipeline' from 'diffusers.pipelines.pag'
Hoặc:
ImportError: cannot import name 'MT5Tokenizer' from 'transformers'
Nguyên nhân: transformers 5.x đã bỏ MT5Tokenizer, nhưng diffusers cũ vẫn import nó.
Cách sửa: dùng môi trường riêng và ghim phiên bản.
python -m venv venv_sd
venv_sd\Scripts\activate
pip install torch --index-url https://download.pytorch.org/whl/cpu
pip install "diffusers==0.35.2" "transformers==4.46.3" "huggingface-hub<1.0" accelerate pillow
Ba ghim bắt buộc: diffusers==0.35.2, transformers==4.46.3, huggingface-hub<1.0. Thiếu một cái là hỏng import.
Bẫy 2: model tải vào ổ C làm đầy đĩa
Model SD-Turbo khoảng 2,5 GB, nhưng cache HuggingFace tích luỹ rất nhanh. Trên máy tôi, cache đã lên 8,6 GB và ổ C đầy 100% giữa lúc đang tải.
OSError: I/O error: IO Error: There is not enough space on the disk. (os error 112)
Cách sửa: trỏ cache sang ổ khác trước khi tải.
import os
os.environ["HF_HOME"] = "D:/ai_bench/cache" # phai dat TRUOC import diffusers
Hoặc dùng biến môi trường HF_HOME khi chạy. Phải đặt trước dòng import diffusers, nếu không nó đã đọc cache cũ.
Bẫy 3: torch bản CUDA không cài được
Lệnh này thất bại trên môi trường của tôi:
pip install torch --index-url https://download.pytorch.org/whl/cu121
# ERROR: Could not find a version that satisfies the requirement
Nguyên nhân: Python 3.14 quá mới, chưa có wheel CUDA tương ứng. Dùng bản CPU:
pip install torch --index-url https://download.pytorch.org/whl/cpu
Bản CPU chạy được mọi thứ, chỉ chậm hơn. Với 3GB VRAM thì GPU cũng không giúp nhiều vì model không vừa.
Khi nào nên dùng, khi nào không
| Tình huống | Nên dùng? |
|---|---|
| Cần ảnh minh hoạ cho bài viết, không gấp | có — 18 giây/ảnh sau lần đầu |
| Cần ảnh nhạy cảm, không muốn gửi lên cloud | có — chạy hoàn toàn local |
| Cần 50 ảnh cho một chiến dịch | không — 15 phút, dùng cloud nhanh hơn |
| Cần ảnh chân thực chất lượng cao | không — SD-Turbo yếu ở chi tiết mặt và tay |
| Cần chữ trong ảnh | không — model diffusion viết chữ rất tệ |
| Máy không có GPU rời | được, nhưng chấp nhận 18–70 giây/ảnh |
Prompt hiệu quả cho SD-Turbo
SD-Turbo không cần prompt dài như SD thường. Cấu trúc hiệu quả:
[chủ thể] + [bối cảnh] + [ánh sáng] + [phong cách]
vi du:
"a serene mountain lake at sunrise, soft light, photorealistic"
"a red fox in snow, golden hour, 85mm photo"
"flat vector illustration, cream background, pastel teal"
Đừng dùng negative prompt với SD-Turbo. Ở guidance_scale=0.0, negative prompt không có tác dụng — CFG bị tắt thì không còn đối trọng để đẩy khỏi negative. Muốn loại bỏ thứ gì, hãy mô tả điều bạn muốn thay vì điều bạn không muốn.
Phù hợp với ai
Dùng SD-Turbo local nếu:
- Bạn cần ảnh minh hoạ đơn giản, số lượng ít.
- Bạn làm việc với nội dung nhạy cảm cần giữ riêng.
- Bạn muốn thử nghiệm, học về diffusion mà không tốn tiền.
- Bạn chấp nhận 18–70 giây mỗi ảnh.
Dùng dịch vụ cloud nếu:
- Bạn cần chất lượng cao, chân thực — SDXL/Flux mạnh hơn nhiều.
- Bạn cần số lượng lớn hoặc ảnh độ phân giải cao.
- Bạn cần chữ trong ảnh đọc được.
Ba điều tôi học được
1. Chi phí cố định lớn hơn chi phí mỗi bước. 1 bước tốn 32,3 s, 4 bước tốn 70,7 s. Nghĩa là bước đầu chiếm 46% tổng thời gian. Đừng tối ưu số bước — hãy tối ưu bằng cách tạo nhiều ảnh trong một tiến trình.
2. Độ phân giải tính theo bình phương. 512→768 chỉ gấp 1,5 lần cạnh nhưng thời gian gấp 2,0 lần. Trên CPU, tạo 512 rồi upscale luôn nhanh hơn tạo trực tiếp.
3. Ghim phiên bản là bắt buộc. Cài "bản mới nhất" của diffusers + transformers hỏng ngay khi import. Ba ghim diffusers==0.35.2, transformers==4.46.3, huggingface-hub<1.0 là tổ hợp đã chạy được.
Nguồn tham khảo
- Stability AI — SD-Turbo — Model card, hướng dẫn dùng guidance_scale=0.0
- diffusers — tài liệu — AutoPipelineForText2Image, các tham số suy luận
- PyTorch — bản CPU — Chọn index-url phù hợp với nền tảng
- HuggingFace — biến môi trường cache — HF_HOME, cách dời cache sang ổ khác
- Real-ESRGAN — Phóng to ảnh sau khi tạo ở 512px
- Stability AI — SDXL — Model chất lượng cao hơn, cần nhiều bước và VRAM