Speech, images, typed decisions and OpenAI-compatible chat all sit behind one key on api.aicu.ai. This post calls every one of them, in order, and prints what each call actually cost — read straight off the X-AICU-AP-Cost response header, not from a price list.

Total for the whole post: 1,185 AP, about US$0.12.

Tomorrow, in person — Sep 23 (Wed), Hamamatsucho. AICU Japan is exhibiting at Generative AI Expo Vol.6, booths A-7 / A-8, 12:00–17:30, Tokyo Metropolitan Industrial Trade Center Hamamatsucho 5F. We will run all of this at the table, and the booth doubles as the entry desk for the International AI Creator Award 2026. Come and break it in front of us.

First, a key​

Sign up at api.aicu.ai/signup and issue a key at api.aicu.ai/dashboard/keys. During the beta a new account is credited 100,000 AP (about US$10) — enough to run everything in this post roughly eighty times over.

AP is prepaid and nothing is metered per month. 1 AP = US$0.0001. There is no plan to choose, no seat to buy, and a key that lapses deletes nothing: your history and your balance stay, the key simply starts returning 401.

export AICU_API_KEY=aicu_...    # from /dashboard/keys

1. Speech, in Japanese — 5 AP​

The speech endpoint takes the OpenAI /audio/speech body, so an existing client usually needs nothing but a new base URL and key.

curl -X POST https://api.aicu.ai/v1/audio/speech \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"input": "展示会でお会いできるのを楽しみにしています。", "voice": "elena"}' \
  --output hello.mp3

22 characters of Japanese, 3.4 seconds of audio, 5 AP. The default model is eleven_multilingual_v2.

voice takes a character slug — GET /v1/tts/voices with your key lists the ones you can use — or a raw ElevenLabs voice ID if you already have one you like.

2. The same sentence again — 0 AP​

Run the identical request a second time and the response is byte-identical, instant, and free:

x-aicu-ap-cost: 0

Speech is cached on voice, model, seed and the exact text. This matters more than it sounds: an AITuber that greets every viewer with the same line, a game that replays the same barks, a kiosk that loops an intro — all of those pay once. We mark cache hits in your usage history so a zero-cost row never looks like a billing bug. Failed requests are not charged either; reservations are refunded in full.

3. eleven_v3 and inline direction — 7 AP​

Pass model to switch. eleven_v3 reads inline audio tags, so you can direct the delivery inside the text instead of hunting for the right voice.

curl -X POST https://api.aicu.ai/v1/audio/speech \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"input": "[excited]展示会でお会いできるのを楽しみにしています。",
       "voice": "elena", "model": "eleven_v3"}' \
  --output hello-v3.mp3

7 AP. Same sentence, different performance — listen to them back to back:

A deliberate design note: an unknown model value returns 400, it does not quietly fall back to v2. A 200 you did not ask for is worse than an error.

4. An image — 1,170 AP​

The illustration at the top of this post came out of this API. Here is the exact call:

curl -X POST https://api.aicu.ai/v1/images/generations \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"model": "nano-banana", "size": "1536x1024", "n": 1,
       "prompt": "A single ornate brass key lying on warm cream paper, drawn as a clean editorial line illustration with soft watercolour shading. From the teeth of the key, five slender coloured threads fan out to the right and each ends in one small hand-drawn glyph: a sound wave, a paintbrush, a ticked checkbox, a speech bubble, and a film frame. Muted palette: brass, dusty rose, sage green, ochre, slate blue, terracotta. Generous empty space on the left. No text, no letters, no numbers, no logos, no watermark."}'

1,170 AP, 10.4 seconds, returned as b64_json. The body is OpenAI-shaped, so openai.images.generate() works against it unchanged. gpt-image-2.5 is on the same endpoint if you want its quality ladder — we measured that one separately in our GPT-Image-2.5 notes.

Full disclosure, since this post is about receipts: the first attempt at that illustration cost another 1,170 AP and was thrown away. Image generation is iterative, and your ledger will show that.

5. A decision, with a type — 2 AP​

This is the endpoint people don't expect. A chat model answers in prose, so your code has to parse prose back into a branch — every time, forever. /v1/jev relays Jev and answers in types: a choice, a score, or a likelihood.

Here is a real support message going in:

curl -X POST https://api.aicu.ai/v1/jev \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "state": "Customer wrote: The mp3 was generated but my credit balance did not go down. Is something broken?",
    "questions": {
      "intent": { "type": "choice", "instructions": "What is this message mainly about?",
        "criteria": { "billing": "About charges, credits or the balance",
                      "bug_report": "Something appears to be broken",
                      "feature_request": "Asking for something new",
                      "praise": "Positive feedback with no question" } },
      "urgency": { "type": "score", "instructions": "How urgent is this for the customer?",
        "criteria": ["no rush", "answer this week", "answer today", "service is down"] },
      "needs_human": { "type": "noul", "instructions": "How likely is it that a human must reply?" }
    }
  }'

And the answer, trimmed:

{
  "model": "jev-1.13.0",
  "answers": {
    "intent":      { "choice": "billing", "probabilities": { "billing": 0.78, "bug_report": 0.22 }, "confidence": 0.71 },
    "urgency":     { "score": 1.68, "legend": { "0": "no rush", "1": "answer this week", "2": "answer today", "3": "service is down" }, "confidence": 0.63 },
    "needs_human": { "noul": 0.68 }
  },
  "ap_cost": 2
}

2 AP for three typed answers with calibrated probabilities. No regex, no "please respond in JSON", no retry when the model felt chatty. Route on answers.intent.choice and be done. (That example is not hypothetical — it is close to a message a customer actually sent us, and the cache hit in §2 is the answer to it.)

6. Chat, OpenAI-compatible — 1 AP​

curl -X POST https://api.aicu.ai/v1/chat/completions \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"model": "deepseek-v3",
       "messages": [{"role": "user", "content": "Reply in one short sentence: what is an API key for?"}]}'

An API key is used to authenticate and authorize access to an API.

31 tokens, 2.1 seconds, 1 AP. In any OpenAI SDK, two lines:

from openai import OpenAI
client = OpenAI(base_url="https://api.aicu.ai/v1", api_key=os.environ["AICU_API_KEY"])

GET /v1/chat/models lists what is routable right now, and api.aicu.ai/models is the same list with prices.

The bill​

Two headers come back on every billed call:

Log the first one and you have your own cost accounting without waiting for an invoice. The same rows, endpoint by endpoint, are in your usage history.

Paying in yen​

Buying in USD is fine for anyone — individuals, sole traders, a team trying things out. The yen packs exist for a narrower reason: Japanese companies that need a qualified invoice (適格請求書), bank transfer, or a purchase booked against this year's budget. Those are sold by AICU Japan K.K. (法人向け・円建・適格事業者), and the conversion rate is republished weekly against the market rate. From Sep 30 the yen packs move to 1 USD = ¥180. USD pricing is unaffected.

What happens next​

The beta calendar, all times 09:00 JST:

Expiry never deletes anything, and we email the owner a week before any key lapses.

Until then the beta is open, and the fastest way to find out whether this fits your project is to spend about twelve cents finding out.

Every AP figure in this post was measured on 2026-09-22 against production. Reproduce it with your own key and you should land on the same numbers.

AICU 編集部の Slack ボット「AiCuty」は、Raspberry Pi 4（8GB）の Docker Compose 上で動いています。 記事の初稿を書き、カバー画像を描き、X の投稿を引用カードにし、動画を文字起こしする 18 本のコマンドのうち、 生成 AI を呼ぶものはすべて AICU API の鍵 1 本で動くように寄せました。 このページは、その構成と、各コマンドがどのエンドポイントをどう呼んでいるかの技術メモです。 移植の経緯や運用の教訓は、しらいはかせの連載（note / 窓の杜）に譲ります。

構成​

• Raspberry Pi 4 Model B（8GB）、Debian 13、Docker Compose。ボットは Slack Socket Mode で接続するので、Pi 側にポート開放も Tunnel も要りません
• 常駐メモリ 106 MB、CPU 温度 61 ℃（アイドル相当）。Pi の CPU で LLM 推論や画像生成はしません
• 生成 AI の呼び出しは https://api.aicu.ai/v1 に集約。鍵は 1 本（スコープ llm / images / tts / x）

コマンドと経路​

banana（Gemini 固有の画像モデル）だけは Gemini の鍵が要ります。xheader / kdp / upload / members などはローカル処理と R2 で、API を呼びません。

X の投稿を 1 回で引用カードにする​

X は未ログインのアクセスに投稿ページを返さなくなったため（HTTP 403）、ブラウザのスクリーンショットは使えなくなりました。 GET /v1/x/status/:id は本文・著者・投稿日時に加えて添付メディアを返すので、カードはボット側で組めます。

curl https://api.aicu.ai/v1/x/status/2099311063212994603 \
  -H "Authorization: Bearer $AICU_API_KEY"

{
  "id": "2099311063212994603",
  "text": "台風14号の進路予想を更新しました …",
  "author": { "username": "wni_jp", "name": "ウェザーニュース", "profile_image_url": "https://pbs.twimg.com/…" },
  "created_at": "2026-09-14T01:35:35.000Z",
  "media": [
    { "type": "photo", "url": "https://pbs.twimg.com/media/….png", "width": 800, "height": 600 }
  ]
}

• media[] は添付の順。無ければ []。type は photo / video / animated_gif。動画は url が mp4、サムネイルは preview_image_url
• alt_text は元の投稿に代替テキストがあるときだけ付きます
• 同じ id は 10 分間サーバ側でキャッシュされ、その間の再取得は無料
• id は x.com/<user>/status/<id> の末尾の数字。X の API キーは要りません

ボット側は media[0] を本文の下に貼り（高さ 560 px 上限）、created_at を JST に直し、出典 URL を添えるだけです。

画像生成を OpenAI SDK のまま向ける​

POST /v2.5/images/edits は OpenAI の images.edit() と同じ multipart を受けます。SDK の base_url を変えるだけで動きます。

from openai import OpenAI
client = OpenAI(base_url="https://api.aicu.ai/v2.5", api_key=os.environ["AICU_API_KEY"])
img = client.images.edit(model="gpt-image-2.5-flare", image=open("ref.png", "rb"),
                         prompt="記事カバー。参照画像の人物をそのまま、背景を秋の書店に",
                         size="1536x1024", quality="high")

quality は low / medium / high。xhigh / max も 2026-09-21 から使えますが、60 秒を超えると結果はメールで届くため、Slack にその場で返すボットには向きません。 /v1/images/edits は AICU 独自の JSON（reference_image に base64）なので、SDK からは /v2.5 を使ってください。

文字起こしを Pi の CPU から外す​

Pi 4 の faster-whisper（small）は 48 秒の音声に約 5 分かかります。同じ音声を API に投げると数秒で、15 AP です。

curl https://api.aicu.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -F model=whisper-large-v3-turbo -F file=@clip.mp3 -F response_format=srt

yt-dlp と ffmpeg で音声を切り出すところまでが Pi の仕事です。1 リクエスト 30 MB / 30 分まで。

料金（2026-09-14 時点・1 USD = 10,000 AP・課金は HTTP 200 のみ）​

X の投稿取得は 9 月 13 日の告知で 10 AP としていましたが、添付メディアまで返す拡張に合わせて 100 AP に改めました（改訂告知 9 月 14 日、発効の 9 日前）。

仕様​

• X: https://api.aicu.ai/skills/x
• 文字起こし: https://api.aicu.ai/skills/stt
• 画像: https://api.aicu.ai/docs/image-api
• OpenAPI: https://api.aicu.ai/openapi.json

なぜ「歩留まり」で測るのか​

キャラクター API の価値は「1 枚きれいに出る」ことではなく、何度呼んでも同じキャラが出ることです。 GPT-Image-2.5 には seed がないため、再現性は「同じ設計図（プロンプト）から、どれくらいの確率で合格品が出るか」＝歩留まりで評価するのが正直です。

方法（AiCutyBench）​

1. グラウンドトゥルース＝正本プロンプト。AiCuty の各キャラには公式リポジトリに「設計図」としてのプロンプトがあり（github.com/aicuai/AiCuty）、 そこから「変えても残る特徴」を判定軸として抜き出します（例: Mei なら高いサイドポニー・星のヘアピン・そばかす・スカート下のショートパンツ…の 8 項目）。
2. 生成: 正本プロンプトを text-to-image（参照画像なし）で gpt-image-2.5-flare / sunburst に渡す。
3. 採点: 生成物を GPT-4o Vision に渡し、判定軸ごとに present / partial / absent を判定させ、総合スコア（0–100）を出す。
4. 歩留まり: 同条件で N 枚生成し、スコア 85 以上を合格として合格率を出す。

主観を排し、同じ手順を誰が回しても同じ数字が出る設計です（スクリプトは AiCuty リポジトリの bench/ に置いています）。

結果 1: 歩留まり（正本プロンプト → text-to-image）​

GPT-Image-2.5 Flare（6 人 × 各 10 枚 ＝ 60 枚）

GPT-Image-2.5 Sunburst（各 5 枚）

• 6 人全員・60 枚すべてが合格（歩留まり 100%）。「正本プロンプトを渡せば、ほぼ毎回そのキャラが出る」が数字で言えました。
• Mei のスコアのばらつき（85〜100）は、主にそばかすの有無。細部の取りこぼしが起きるのはここです。
• Saki（濃色・情報量の多い衣装・左目にかかる前髪・指を唇に）はほぼ毎回満点。複雑な設計でも、設計図が明確なら再現できます。
• Elena・Nao も最低 90〜95 で、減点はどの回も 1 項目分（partial）程度。合格ライン 85 を割った回はありません。
• Mina・Marsha は 10 枚とも満点。色数が少なく輪郭のはっきりした設計ほど安定します。
• Sunburst は平均スコアがわずかに高い（Mei 92 → 95）が、歩留まりは同じ。

結果 2: quality 5 段階（Mei・Flare・1024×1024）​

• 出力トークン（＝生成コストの実体）は low → max で約 36 倍。
• トークン数はサイズではなく形状で変わり、正方形がいちばん高い。同じ high でも 1024×1024 = 1,756、1920×1088 = 1,325（画素数は約 2 倍なのに少ない）、1728×800 = 893、1536×512 = 535。横長バナーは正方形より安い。この表の数字は 1024×1024 のもの。
• 忠実度は low〜high でほぼ横ばい、xhigh で満点に跳ね上がる。max は xhigh の約 2.3 倍のトークンで忠実度は同じ。
• 実務の目安: 速く回すなら medium、細部まで確実に再現したいなら xhigh。max は必要な時だけ。

途中で分かったこと（正直に）​

• 「作り直し」はダメ。既存のリファレンスシートを "Recreate" させると、レイアウトごと描き直して崩れる。絵は作り直さず高画質化し、文字は画像生成に任せず PIL で合成する二段構えが正解（文字は画像モデルが崩す）。
• 正本プロンプトを使うと細部が来る。単体の参照画像＋汎用プロンプトでは Mei のショートパンツがスカートになった。正本の設計図プロンプトにしたら、ショートパンツまで再現された。
• 多人数同時は楽器・衣装の取り違えが起きる。6 人を 1 枚にすると、担当楽器（Mei＝ドラム、Mina＝キーボード、Saki＝ベース）が入れ替わることがある。キャラごとに楽器と衣装を明示し、直らない箇所は局所編集で 2 回目を回す。
• input_fidelity は GPT-Image-2.5 系（Flare / Sunburst）も gpt-image-2 も受け付けない（400 invalid_input_fidelity_model。gpt-image-1.5 系のパラメータ）。顔やロゴの忠実度は、プロンプトで参照画像の役割を書いて担保する。
• Flare と Sunburst は同じ設定なら消費トークンが同じ。差は品質と待ち時間だけ。

商品化判断の材料として​

• 正本プロンプト × GPT-Image-2.5 Flare で、6 キャラ・計 60 枚が歩留まり 100%（平均スコア 98）。Sunburst も 2 キャラ・10 枚で 100%。 「呼ぶたびに同じキャラが出る」がキャラクター API の前提条件で、それは満たせました。
• 残る詰めどころは「そばかす」のような微細な特徴の取りこぼし（最低スコア 85、Mei）。xhigh 指定、または判定軸で落ちた特徴をプロンプトで強調して 2 回目を回す、で埋まります。
• 結論: キャラクター API の生成エンジンとして GPT-Image-2.5 は採用に足る、が AiCutyBench の答えです。 採用の形（既定モデルの切替、quality の既定値、多人数構図の扱い）はこの結果をもとに決め、決まり次第この blog でお知らせします。

AiCutyBench のスクリプト・正本プロンプト・判定軸・結果 CSV は github.com/aicuai/AiCuty の bench/ にあります。同じ手順で再現できます。

api.aicu.ai は Image API（/v1/images/generations / /v1/images/edits）を OpenAI 互換で提供しています。 base_url を https://api.aicu.ai/v1、キーを aicu_live_... にすれば、下の Image API の例はそのまま動きます。 Responses API（会話内で画像を生成するツール）の例は OpenAI 直の呼び出しです。

概要​

この API では、テキストプロンプトから gpt-image-2.5-sunburst と gpt-image-2.5-flare で画像を生成・編集できます。 編集の精度が最重要なワークフローには Sunburst、速くて高品質な日常の生成には Flare を選びます。画像生成には 2 つの API があります。

Image API​

Image API は、役割の異なる 2 つのエンドポイントを提供します。

• Generations: テキストプロンプトから画像をゼロから生成
• Edits: 既存の画像を新しいプロンプトで部分的または全体的に変更

Responses API​

Responses API は、会話やマルチステップのフローの一部として画像を生成できます。 画像生成を組み込みツールとして扱い、文脈内で画像の入出力を受け付けます。

Image API に比べて次が加わります。

• マルチターン編集: プロンプトで高忠実度の編集を繰り返し重ねられる
• 柔軟な入力: バイト列だけでなく、画像の File ID も入力にできる

どちらの API を使うか​

• 1 つのプロンプトから 1 枚を生成・編集するだけなら Image API。
• 会話しながら編集できる画像体験を作るなら Responses API。

Image API では model に gpt-image-2.5-sunburst または gpt-image-2.5-flare を直接指定します。 Responses API では、トップレベルに対応するメインラインモデルを選び、画像生成ツールの model フィールドに gpt-image-2.5-sunburst / gpt-image-2.5-flare を指定します。

どちらの API でも、品質・サイズ・形式・圧縮を調整して出力をカスタマイズできます（Part 2）。

画像を生成する​

画像生成エンドポイントでテキストプロンプトから生成するか、 Responses API の画像生成ツールで会話の一部として生成します。 出力のカスタマイズ（サイズ・品質・形式・圧縮）は Part 2 を参照してください。

n パラメータで 1 リクエストに複数枚を生成できます（既定は 1 枚）。

Image API — 画像を生成する（api.aicu.ai では base_url を差し替えるだけ）

from openai import OpenAI
import base64

client = OpenAI()  # api.aicu.ai なら OpenAI(base_url="https://api.aicu.ai/v1", api_key="aicu_live_...")

prompt = """
A children's book drawing of a veterinarian using a stethoscope to
listen to the heartbeat of a baby otter.
"""

result = client.images.generate(model="gpt-image-2.5-sunburst", prompt=prompt)

image_base64 = result.data[0].b64_json
image_bytes = base64.b64decode(image_base64)

with open("otter.png", "wb") as f:
    f.write(image_bytes)

curl -X POST "https://api.aicu.ai/v1/images/generations" \
    -H "Authorization: Bearer $AICU_API_KEY" \
    -H "Content-type: application/json" \
    -d '{
        "model": "gpt-image-2.5-sunburst",
        "prompt": "A children'\''s book drawing of a veterinarian using a stethoscope to listen to the heartbeat of a baby otter."
    }' | jq -r '.data[0].b64_json' | base64 --decode > otter.png

import OpenAI from "openai";
import fs from "fs";
const openai = new OpenAI();

const result = await openai.images.generate({
  model: "gpt-image-2.5-sunburst",
  prompt: "A children's book drawing of a veterinarian using a stethoscope to listen to the heartbeat of a baby otter.",
});

fs.writeFileSync("otter.png", Buffer.from(result.data[0].b64_json, "base64"));

（原文には Go / Java / C# / Ruby / CLI の例もあります。）

Responses API — 画像を生成する（OpenAI 直）

from openai import OpenAI
import base64

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    input="Generate an image of gray tabby cat hugging an otter with an orange scarf",
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst"}],
)

image_data = [
    output.result
    for output in response.output
    if output.type == "image_generation_call"
]

if image_data:
    with open("otter.png", "wb") as f:
        f.write(base64.b64decode(image_data[0]))

マルチターンの画像生成​

Responses API では、画像生成の呼び出し結果を文脈に含める（画像 ID だけでも可）か、 previous_response_id パラメータを使って、 複数ターンにわたる画像生成の会話を組み立てられます。プロンプトを練り直し、新しい指示を加え、会話の進行に合わせて画像を育てていけます。

対応するツールモデルは、新しい画像を生成するか、文脈内の画像を編集するかを選べます。任意の action パラメータで制御します: action: "auto"（モデルに任せる・既定）、action: "generate"（常に新規生成）、action: "edit"（文脈に画像があるとき編集を強制）。

action で生成を強制する

response = client.responses.create(
    model="gpt-6-astra",
    input="Generate an image of gray tabby cat hugging an otter with an orange scarf",
    tools=[
        {"type": "image_generation", "model": "gpt-image-2.5-sunburst", "action": "generate"}
    ],
)

previous_response_id を使う

response = client.responses.create(
    model="gpt-6-astra",
    input="Generate an image of gray tabby cat hugging an otter with an orange scarf",
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst"}],
)
# ...最初の画像を保存...

# フォローアップ
response_fwup = client.responses.create(
    model="gpt-6-astra",
    previous_response_id=response.id,
    input="Now make it look realistic",
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst"}],
)

画像 ID を使う

response = client.responses.create(
    model="gpt-6-astra",
    input="Generate an image of gray tabby cat hugging an otter with an orange scarf",
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst"}],
)
image_generation_calls = [o for o in response.output if o.type == "image_generation_call"]

# フォローアップ: 前の画像生成呼び出しの id を文脈に渡す
response_fwup = client.responses.create(
    model="gpt-6-astra",
    input=[
        {"role": "user", "content": [{"type": "input_text", "text": "Now make it look realistic"}]},
        {"type": "image_generation_call", "id": image_generation_calls[0].id},
    ],
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst"}],
)

結果のイメージ: 「灰色のトラ猫がオレンジのマフラーのカワウソを抱きしめる」→ 2 ターン目「写実的にして」で、同じ構図のまま写実化された画像が返ります。

ストリーミング​

Responses API と Image API はどちらも画像生成のストリーミングに対応しています。生成途中の部分画像を受け取れるので、体験がインタラクティブになります。

partial_images パラメータで 0〜3 枚の部分画像を受け取れます。

• partial_images を 0 にすると、最終画像だけを受け取ります。
• 1 以上でも、最終画像の生成が速い場合は指定枚数より少ない部分画像しか届かないことがあります。

Responses API — 画像をストリームする

stream = client.responses.create(
    model="gpt-6-astra",
    input="Draw a gorgeous image of a river made of white owl feathers, snaking its way through a serene winter landscape",
    stream=True,
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst", "partial_images": 2}],
)

for event in stream:
    if event.type == "response.image_generation_call.partial_image":
        save_base64_image(f"river-partial-{event.partial_image_index}.png", event.partial_image_b64)
    elif event.type == "response.completed":
        image_data = [o.result for o in event.response.output if o.type == "image_generation_call"]
        if image_data:
            save_base64_image("river-final.png", image_data[0])

Image API — 画像をストリームする

stream = client.images.generate(
    prompt="Draw a gorgeous image of a river made of white owl feathers, snaking its way through a serene winter landscape",
    model="gpt-image-2.5-sunburst",
    stream=True,
    partial_images=2,
)

for event in stream:
    if event.type == "image_generation.partial_image":
        with open(f"river{event.partial_image_index}.png", "wb") as f:
            f.write(base64.b64decode(event.b64_json))

結果のイメージ: 部分画像 1 → 部分画像 2 → 最終画像、の順にだんだん精細になっていきます。

:::tip api.aicu.ai での長い生成 api.aicu.ai では、100 秒を超える生成は stream の X-AICU-Image-Id で id を受け取り、GET /v1/images/status/:id でポーリングして回収できます（Cloudflare のエッジ制限を越えるため）。status/:id は API キーが要ります。Cloudflare Pages Function から呼ぶ場合、stream: true で応答本文を途中で捨てる（body.cancel）と 502 になった実例があるので、Pages Function では stream を使わず同期応答の id を控えるか、flare のように 100 秒に収まるモデルを既定にしてください。 :::

Part 2（出力のカスタマイズ・画像の編集・マスク・透過・対応モデル・制約）に続きます。原文: Image generation。

api.aicu.ai は Image API（/v1/images/generations / /v1/images/edits）を OpenAI 互換で提供しており、参照画像・マスク・moderation はそのまま使えます。

改稿されたプロンプト（Revised prompt）​

Responses API の画像生成ツールでは、メインラインモデル（例: gpt-5.5）が性能向上のためにプロンプトを自動で改稿します。 改稿後のプロンプトは、画像生成呼び出しの revised_prompt フィールドで確認できます。

{
  "id": "ig_123",
  "type": "image_generation_call",
  "status": "completed",
  "revised_prompt": "A gray tabby cat hugging an otter. The otter is wearing an orange scarf. Both animals are cute and friendly, depicted in a warm, heartwarming style.",
  "result": "..."
}

画像を編集する​

画像編集エンドポイントでできること:

• 既存の画像を編集する
• 他の画像を参照として新しい画像を生成する
• 画像と、置き換える領域を示すマスクをアップロードして、画像の一部を編集する

参照画像から新しい画像を作る​

1 枚以上の画像を参照にして新しい画像を生成できます。例では 4 枚の入力画像（ボディローション・石けん・お香セット・バスボム）から、 それらを詰めたギフトバスケットの画像を作ります。

Responses API では入力画像を 3 通りで渡せます: 完全な URL／Base64 データ URL／File ID（Files API で作成）。

from openai import OpenAI
import base64

client = OpenAI()

def encode_image(file_path):
    with open(file_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

def create_file(file_path):
    with open(file_path, "rb") as file_content:
        result = client.files.create(file=file_content, purpose="vision")
    return result.id

prompt = """Generate a photorealistic image of a gift basket on a white background
labeled 'Relax & Unwind' with a ribbon and handwriting-like font,
containing all the items in the reference pictures."""

base64_image1 = encode_image("body-lotion.png")
base64_image2 = encode_image("soap.png")
file_id1 = create_file("bath-bomb.png")
file_id2 = create_file("incense-kit.png")

response = client.responses.create(
    model="gpt-6-astra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": prompt},
            {"type": "input_image", "image_url": f"data:image/png;base64,{base64_image1}"},
            {"type": "input_image", "image_url": f"data:image/png;base64,{base64_image2}"},
            {"type": "input_image", "file_id": file_id1},
            {"type": "input_image", "file_id": file_id2},
        ],
    }],
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-sunburst"}],
)

image_data = [o.result for o in response.output if o.type == "image_generation_call"]
if image_data:
    with open("gift-basket.png", "wb") as f:
        f.write(base64.b64decode(image_data[0]))
else:
    print(response.output_text)

Image API（api.aicu.ai 互換）なら、/v1/images/edits に image[] として複数枚を multipart で渡します:

curl -X POST "https://api.aicu.ai/v1/images/edits" \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -F model="gpt-image-2.5-sunburst" \
  -F "image[]=@body-lotion.png" -F "image[]=@soap.png" \
  -F "image[]=@bath-bomb.png" -F "image[]=@incense-kit.png" \
  -F prompt="Generate a photorealistic image of a gift basket on a white background labeled 'Relax & Unwind' with a ribbon and handwriting-like font, containing all the items in the reference pictures." \
  | jq -r '.data[0].b64_json' | base64 --decode > gift-basket.png

マスクで画像を編集する​

マスクで編集する領域を示せます。GPT Image でマスクを使うと、編集を導く追加の指示がモデルに送られます。

GPT Image のマスクは完全にプロンプトベースです。モデルはマスクを手がかりにしますが、その形状を完全な精度で守るとは限りません。 複数の入力画像がある場合、マスクは1 枚目に適用されます。

fileId = create_file("sunlit_lounge.png")
maskId = create_file("mask.png")

response = client.responses.create(
    model="gpt-6-astra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text",
             "text": "generate an image of the same sunlit indoor lounge area with a pool but the pool should contain a flamingo"},
            {"type": "input_image", "file_id": fileId},
        ],
    }],
    tools=[{
        "type": "image_generation",
        "model": "gpt-image-2.5-sunburst",
        "quality": "high",
        "input_image_mask": {"file_id": maskId},
    }],
)

例: 「プールのある日当たりのよいラウンジ」の画像＋プール部分のマスク → プールにフラミンゴ（浮き輪）が置き換わった画像。

マスクの要件​

• 編集する画像とマスクは同じ形式・同じサイズ（50MB 未満）。
• マスク画像はアルファチャンネルを含む必要があります。画像編集ツールで作る場合は、アルファ付きで保存してください。
• 白黒画像から、プログラムでアルファチャンネルを付けることもできます:

from PIL import Image
from io import BytesIO

# 1. 白黒マスクをグレースケールで読む
mask = Image.open("mask.png").convert("L")
# 2. RGBA に変換してアルファの器を作る
mask_rgba = mask.convert("RGBA")
# 3. マスク自身でアルファを埋める
mask_rgba.putalpha(mask)
# 4-5. PNG で保存
buf = BytesIO()
mask_rgba.save(buf, format="PNG")
with open("mask_alpha.png", "wb") as f:
    f.write(buf.getvalue())

出力のカスタマイズ​

設定できる出力オプション:

• Size: 画像の寸法（例: 1024x1024、1024x1536）
• Quality: レンダリング品質（例: low、medium、high）
• Format: 出力ファイル形式
• Compression: JPEG / WebP の圧縮率（0–100%）
• Background: 透過・不透過・自動

size quality background は auto に対応し、プロンプトに応じてモデルが最適な値を選びます。

サイズと品質​

gpt-image-2.5-sunburst と gpt-image-2.5-flare は xhigh と max の品質設定を追加しました。既定はどちらも auto。以前の GPT Image モデルは high までです。

両モデルとも 1536x864 のような任意寸法（幅x高さ）に対応します。幅・高さは 16 の倍数、縦横比は 1:3〜3:1、各辺 3840px 以下、 総ピクセル数は 655,360〜8,294,400（4K）。2560x1440 を超える解像度は実験的です。

透過背景は background: "transparent" と output_format: "png" または "webp" を指定します。 下書きには quality: "low"、最終アセットは高い設定を比較して、ディテール・待ち時間・コストの均衡点を探します。

:::note api.aicu.ai の現状 api.aicu.ai でも xhigh / max が使えます（2026-09-21 追記。それまでは価格未設定のため 400 quality_not_priced を返していました）。1024×1024 で xhigh 11,400 AP・max 25,600 AP。ただし 60 秒を超えることがあり、その場合は結果がメールで届きます。アプリの中でそのまま待つ用途には low / medium / high を使ってください。詳細は 料金 を参照。 :::

出力形式​

Image API は Base64 エンコードの画像データを返します。既定は png、jpeg / webp も指定できます。 jpeg / webp では output_compression（0–100%）で圧縮率を指定できます（例: output_compression=50 で 50% 圧縮）。 jpeg は png より速いので、待ち時間が気になるなら優先してください。

制限事項​

GPT Image は強力で汎用的ですが、次の制限があります。

• 待ち時間: 複雑なプロンプトは処理に最大 2 分かかることがあります。
• 文字の描画: 大きく改善しましたが、正確な配置と鮮明さで苦戦することがあります。
• 一貫性: 繰り返し登場するキャラクターやブランド要素の視覚的一貫性を、複数回の生成で保てないことがあります。
• 構図の制御: 指示追従は向上しましたが、レイアウトに敏感な構図で要素を正確に配置するのは難しい場合があります。

コンテンツモデレーション​

すべてのプロンプトと生成画像は、コンテンツポリシーに従ってフィルタリングされます。

GPT Image の画像生成では、moderation パラメータで厳しさを制御できます。

• auto（既定）: 年齢に不適切な可能性のある一部カテゴリの生成を制限する標準のフィルタリング
• low: より制限の緩いフィルタリング

ブロックされたリクエストとエラーの扱い​

画像生成の失敗も他の API エラーと同様に扱います: HTTP ステータス／SDK の例外型を確認し、リクエスト ID を記録し、認証・クォータ・レート制限・サーバー障害はエラーコードガイドを参照。 一時的なレート制限・サーバー障害はバックオフして再試行し、クォータエラーやリクエスト変更が必要なユーザーエラーは自動再試行しません。

ユーザー側で修正できる失敗は error.type = "image_generation_user_error" を返すことがあります。プロンプトや入力画像を変えずに自動再試行しないでください。 プログラムでは error.code を安定した判別子として使います。

error.code = "moderation_blocked" のとき、任意の error.moderation_details が付くことがあります:

{
  "error": {
    "type": "image_generation_user_error",
    "code": "moderation_blocked",
    "moderation_details": {
      "moderation_stage": "input",
      "categories": ["harassment"]
    }
  }
}

moderation_details は、内部の分類ラベルやスコアを露出せずに、粗いデバッグ文脈を提供します。

• moderation_stage: input（プロンプト・入力側でブロック）／output（生成画像・出力側でブロック）／unknown（判定困難な稀なケース）
• categories: 粗い公開ラベル（例: harassment、self-harm、sexual、violence）

多くのアプリでは、エンドユーザー向けメッセージは汎用にとどめ、moderation_details は開発者ログ・サポート・分析・軽い修正ヒントに使います。

try {
  await openai.images.generate({
    model: "gpt-image-2.5-sunburst",
    prompt: "Create a poster humiliating my coworker with insulting captions",
  });
} catch (error) {
  if (error?.code !== "moderation_blocked") throw error;
  const md = error.error?.moderation_details;
  const categories = md?.categories ?? [];
  const stage = md?.moderation_stage;
  let hint = "This request could not be completed because it did not meet safety requirements.";
  if (categories.includes("harassment")) hint = "Try removing abusive or targeting language and focus on neutral visual details instead.";
  else if (stage === "input") hint = "Try revising the prompt or input images and submit the request again.";
  else if (stage === "output") hint = "The generated result was blocked by a safety check. Try changing the prompt and generating again.";
  console.error("Image generation blocked", { request_id: error?.requestID, code: error?.code, moderation_details: md });
  console.log(hint);
}

対応モデル​

Responses API で画像生成を使う場合、gpt-5 以降のモデルは画像生成ツールに対応しているはずです。使いたいモデルの詳細ページで対応を確認してください。

コストと待ち時間（OpenAI 公式の公表値）​

Responses API のリクエストは、画像生成コストに加えてメインラインモデルのトークン使用量も含みます。

GPT Image 2.5 の 2 モデルは同じトークン単価です: 画像入力 $8 / 1M、画像入力（キャッシュ）$2 / 1M、画像出力 $30 / 1M、テキスト入力 $5 / 1M、テキスト入力（キャッシュ）$1.25 / 1M。 （最新は OpenAI の料金ページ。）

レスポンスの usage で、プロンプト・サイズ・品質ごとのトークン消費を測ってください。単価が同じでも 1 枚あたりのコストは同じではありません——トークン消費量はモデルと品質設定で変わります。

出力トークンの目安​

モデル・品質・サイズから出力トークンと画像出力コストを見積もれます。gpt-image-2.5-* の品質は low / medium / high / xhigh / max、gpt-image-2 は low / medium / high。 同じ品質設定でもモデルによってトークン数は異なり、画像出力トークンの単価は共通です。見積もりには auto でなく明示的な quality と size を使います。

• 例（公式の計算機）: gpt-image-2.5 の low・1024x1024 → 出力 196 トークン ≈ $0.00588 / 枚（画像出力 $30 / 1M 換算。テキスト・画像入力トークンと部分画像は除く）。この換算は 1024x1024 限定です。出力トークンは画素数ではなく形状で決まり、正方形がいちばん高く、横長ほど安くなります（実測: high で 1024×1024 = 1,756、1920×1088 = 1,325、1728×800 = 893、1536×512 = 535）。横長バナーは正方形より安い、と覚えておくと見積もりが狂いません。
• 部分画像のコスト: partial_images でストリーミングする場合、部分画像 1 枚につき 追加で 100 画像出力トークンがかかります。

以前の GPT Image モデル​

以下は Sunburst / Flare ではなく以前のモデルの情報です。新規の統合では GPT Image 2.5 を使ってください。

gpt-image-2 の quality は low / medium / high に加えて auto（既定）も指定できます。また input_fidelity は GPT-Image-2.5 系（Flare / Sunburst）と gpt-image-2 のどちらも受け付けません（400 invalid_input_fidelity_model。gpt-image-1.5 系のパラメータ）。参照画像の忠実度はプロンプトで役割を書いて担保します。

gpt-image-2 より前のモデルは、まず専用の画像トークンを生成してから画像を描きます。待ち時間もコストも、描画に必要なトークン数に比例します（大きいサイズ・高い品質ほど多い）。

入力トークン（プロンプトのテキスト、編集時の入力画像）も加算されます。gpt-image-2 は画像入力を常に高忠実度で処理するため、参照画像つきの編集は入力トークンが増えます。 最終コスト＝入力テキストトークン＋（編集時）入力画像トークン＋画像出力トークン。

旧モデルの 1 枚あたり価格例（OpenAI 公表）

非正方の大きい解像度が、同じ品質の小さい／正方の解像度より少ない出力トークンになることもあります。

本記事は OpenAI 公式ガイドの日本語訳です。掲載の料金は OpenAI の公表値で、AICU API の従量課金（AP）とは別です。原文: Image generation。

概要​

必要な画像から出発し、被写体・構図・スタイル・制約を記述します。編集では「何を変え」「何を変えないか」を明確にし、 一度に一つずつ調整して結果を確認します。

GPT Image 2.5 には 2 つのモデルがあります。GPT Image 2.5 Flare は速度に最適化した小型モデルで、画質は GPT Image 2 相当。 GPT Image 2.5 Sunburst は品質に最適化したベースモデルで、GPT Image 2 より高画質。両モデルとも精密な編集と被写体維持が向上しています。

モデルの選び方​

新しいワークフローでは、速度優先なら Flare、厳しい品質要件が優先なら Sunburst から始めます。要件を満たしたら、待ち時間を減らせないか検討します。

既存モデルからの移行では、いまの画質を出発点にします。両モデルとも生成・編集・透過背景に対応します。

Sunburst が要件を満たしたら、同じプロンプト・入力で Flare を試し、同等の品質かつ待ち時間が改善するなら Flare へ切り替えます。 Sunburst の品質優位が必要な場合はそのまま使います。応答時間と品質は自分のワークロードで測定してください（あるワークロードの速度改善が他でも同じとは限りません）。

モデルパラメータ​

API パラメータはプロンプトとは別に設定します。

任意解像度 幅x高さ の制約:

• 各辺は 3,840px 以下
• 各辺は 16 の倍数
• 長辺 : 短辺は 3:1 以下
• 総ピクセル数は 655,360〜8,294,400
• 3,686,400 px（2560x1440）超は実験的

品質は上記のモデル選択後に調整します。最初の比較では、両モデルが対応する品質設定を明示的に固定し、プロンプト・参照画像・出力サイズも揃えます （同じ品質ラベルでも、モデル間で画質・応答時間が同じとは限りません）。

不足なら高い品質設定を試し、要件を満たしたら低い設定でも許容できるか試します。xhigh / max は待ち時間の予算内で、満たせない品質要件を改善する時だけ使います。

:::note api.aicu.ai での xhigh / max api.aicu.ai でも xhigh / max が使えます（2026-09-21 追記。それまでは価格未設定のため 400 quality_not_priced を返していました）。1024×1024 で xhigh 11,400 AP・max 25,600 AP。ただし 60 秒を超えることがあり、その場合は結果がメールで届きます。アプリの中でそのまま待つ用途には low / medium / high を使ってください。詳細は 料金 を参照。 :::

透過アセットは background="transparent" を明示し、PNG か WebP を使います。デコード後のアルファチャンネル（髪・ガラス・影・輪郭）を確認します。output_compression は JPEG / WebP のみ（PNG には使わない）。

既存ワークフローの移行​

1. ベースラインを保存: 代表的な本番プロンプトと参照画像（難しい編集・正確なテキスト・顔・製品形状・透過アセットを含む）、現行モデル・設定・結果を記録。
2. 最初の候補を選ぶ: GPT Image 2 で足りていれば Flare から（待ち時間改善を確認）。複雑用途で足りなければ Sunburst から（まず品質を確認）。最初の比較はプロンプト・参照・寸法・出力形式を固定。
3. 完全な結果を確認: 指示追従、同一性・製品維持、テキスト精度、意図しない変化、透過を比較。同じ要求を繰り返して一貫性を測る。編集は個別ステップと連続シーケンスの両方を検証。
4. 品質が通ってから待ち時間を評価: Sunburst で始めて要件を満たしたら、同じ要件で Flare を評価。品質が許容でき待ち時間が改善する時だけ切替。
5. 一度に一設定だけ調整: プロンプト書き換えより先に品質レベルを比較。通常・遅い応答、失敗、リトライ、受理画像あたりのコストを測る。速いモデルが安いと決めつけず、現行料金を確認。
6. ワークフロー単位で段階展開: 受理基準を通ったら少量のトラフィックから始め、同じ指標を監視して徐々に拡大。ロールバック用に旧モデルを残す。

繰り返し編集は、保つはずの細部を変えてしまうことがあります。制約を再掲し、各結果を確認。ピクセル単位で不変にしたい領域は、プロンプト頼みでなく承認済みの編集を元画像に合成します。

プロンプトの基本（8 原則）​

1. 結果を定義する: 被写体と用途（製品写真・広告・図解など）を挙げ、構図・アスペクト比・重要な配置制約を指定。複雑なら「シーン／被写体／詳細／制約」のラベル付き節に整理。
2. 保守しやすい形式を選ぶ: 短文・記述段落・JSON 風・命令・タグ、どれでも同じ意図を表せる。特殊構文に頼らず、読みやすく更新しやすい形式を選ぶ。
3. 見える詳細を記述: 素材・照明・色・視覚媒体を挙げる。目的なら「photorealistic」「real photograph」を明示。カメラ諸元は「見た目のヒント」であって物理シミュレーションの保証ではない。広角・シネマ・低照度・雨・ネオンは、雰囲気語だけでなく規模・空気感・色を指定。
4. 人物と動作を指定: 身体のフレーミング、相対サイズ、視線、物との関わり。「full body visible, feet included」「looking down at the open book」「hands naturally gripping the handlebars」のように具体的に。
5. 正確なテキストを指定: 必要な文言を引用符で囲み、位置とタイポグラフィを記述。珍しい語・ブランド名は一文字ずつ綴る。余計なテキストは禁止と伝え、出力の綴り・可読性を確認。小さな文字・密な情報は medium と high を比較。
6. 変更と制約を分ける: 編集は「change only X」と言い、保つ詳細（同一性・幾何・レイアウト・照明・ラベル）を列挙。除外（不要なテキスト・ロゴ・透かし）も明示。精密な局所編集では、彩度・コントラスト・矢印・カメラ角度・周囲の物も「不変」と指定。
7. 参照に役割を割り当てる: 各入力を番号と用途（被写体・スタイル・服・背景）で識別。どう組み合わせ、どの要素をどこへ動かすかを説明。
8. 意図的に反復する: 前の出力を次の編集入力に渡し、一度に一つ変更し、保つ詳細を再掲。「same style as before」等は文脈を運ぶが、ドリフトしたら重要な制約を再掲。指示を足す前に結果を比較。

以下の例はそれぞれ別の技法を示します。プロンプトは起点として、自分の画像・要件に合わせて調整してください。

画像生成の例​

各例の設定と、そのまま使えるプロンプト（英語）を掲載します。

スタイルと照明の制御（size="1024x1536", quality="medium"）— 被写体・フレーミング・光・質感で写真を記述し、過度なレタッチを明示的に除外。

Create a photorealistic candid photograph of an elderly sailor standing on a small fishing boat.
He has weathered skin with visible wrinkles, pores, and sun texture, and a few faded traditional sailor tattoos on his arms.
He is calmly adjusting a net while his dog sits nearby on the deck. Shot like a 35mm film photograph, medium close-up at eye level, using a 50mm lens.
Soft coastal daylight, shallow depth of field, subtle film grain, natural color balance.
The image should feel honest and unposed, with real skin texture, worn materials, and everyday detail. No glamorization, no heavy retouching.

プロセスを図解する（1024x1536, medium）— 図・情報グラフィックはラベルと事実関係も検証。

Create a detailed Infographic of the functioning and flow of an automatic coffee machine like a Jura.
From bean basket, to grinding, to scale, water tank, boiler, etc.
I'd like to understand technically and visually the flow.

正確なテキストを描画（1024x1536, medium）— 文言を引用し、出現回数と視覚処理を指定。

Give me a cool in culture ad / fashion shot for a brand called Thread.
It's a hip young street brand. The ad shows a group of friends hanging out together with the tagline "Yours to Create."
Make it feel like a polished campaign image for a youth streetwear audience: stylish, contemporary, energetic, and tasteful.
Use clean composition, strong color direction, natural poses, and premium fashion photography cues.
Render the tagline exactly once, clearly and legibly, integrated into the ad layout.
No extra text, no watermarks, no unrelated logos.

再利用できるロゴを設計（1024x1536, medium, background="transparent", output_format="png", n=1）— ブランドと形状を記述、小さくても読める構図に。n で複数バリエーション。

Create an original, non-infringing logo for a company called Field & Flour, a local bakery.
The logo should feel warm, simple, and timeless. Use clean, vector-like shapes, a strong silhouette, and balanced negative space.
Favor simplicity over detail so it reads clearly at small and large sizes. Flat design, minimal strokes, no gradients unless essential.
Fully transparent background. Deliver a single centered logo with generous padding, clean alpha edges, and no solid backdrop, scenery, checkerboard, or watermark.

歴史・実世界の文脈（1024x1536, medium）— 場所と日付で時代設定。衣装・演出・環境の史実性を確認。

Create a realistic outdoor crowd scene in Bethel, New York on August 16, 1969.
Photorealistic, period-accurate clothing, staging, and environment.

物語をコマ漫画に（1024x1536, medium）— 物語を「1 コマ 1 ビート」の明確な視覚に分解。

Create a short vertical comic-style reel with 4 panels.
Panel 1: The owner leaves through the front door. The pet is framed in the window behind them, small against the glass, eyes wide, paws pressed high, the house suddenly quiet.
Panel 2: The door clicks shut. Silence breaks. The pet slowly turns toward the empty house, posture shifting, eyes sharp with possibility.
Panel 3: The house transformed. The pet sprawls across the couch like it owns the place, crumbs nearby, sunlight cutting across the room like a spotlight.
Panel 4: The door opens. The pet is seated perfectly by the entrance, alert and composed, as if nothing happened.

UI プレビュー（1024x1536, medium）— 「既に存在する製品」として記述。レイアウト・階層・余白・実際の UI 要素に集中し、コンセプトアート語を避ける。

科学・教育ビジュアル（1536x1024, high）— 授業設計ブリーフのように、対象・学習目標・形式・必須ラベル・科学的制約を定義。密なラベルは high。

Create a simple biology diagram titled "Cellular Respiration at a Glance" for high school students.
Show how glucose turns into energy inside a cell. Include glycolysis, the Krebs cycle, and the electron transport chain.
Use arrows to connect the steps, and label the main molecules: glucose, pyruvate, ATP, NADH, FADH2, CO2, O2, and H2O.
Make it look like a clean classroom handout or slide, with a white background, simple icons, clear labels, and easy-to-read text.
Avoid tiny text, extra decoration, or anything that makes the diagram hard to understand.

スライド・図表・チャート（1536x864, high）— 「成果物の仕様書」として、正確なテキスト・データを与える。小さな文字・凡例・軸・脚注があるなら high。数値・出典はダミーであり、使用前に検証済みデータに差し替える。

画像編集の例​

client.images.edit（参照入力画像つき）を使います。マスクが要る局所編集はマスク編集を参照。

• レイアウトを保って翻訳（1024x1536, high）: Translate the text in the infographic to Spanish. Do not change any other aspect of the image.
• スタイル転写（1024x1536, medium）: 参照画像に「パレット／質感／媒体」の役割を割り当て、新しい被写体は別に記述。Use the same style from the input image and generate a man riding a motorcycle on a white background.
• 同一性を保って服だけ変える（1024x1536, medium）: 人物写真＋服の参照を渡し、「顔・肌・体型・ポーズは不変、服だけ変更」と明示。
• 参照を合成（1024x1536, medium）: image 1=シーン、image 2=対象、動かす要素と保つ要素を指定。
• 透過の切り抜き（1024x1536, medium, background="transparent", output_format="png"）: プロンプトで被写体の分離を要求し、API で透過を指定。市松模様は透過ではない。
• 線画→写実（1024x1536, medium）: レイアウト・比率・遠近を保ち、素材と照明で写実化。Do not add new elements or text.
• 物体を消す（1024x1536, medium）: Remove the flower from man's hand. Do not change anything else.
• 人物をシーンに挿入（1024x1536, medium）: 同一性を保ちつつ新しいシーンへ。保つ顔の特徴と比率を明示（gpt-image-2 では input_fidelity を省く＝常に高忠実度）。
• ターンをまたいで洗練: 1 つの出力を次の入力にし、変更は毎回一つに絞る。

そのほかのワークフロー​

• 部屋の家具を変える（1536x1024, medium）: カメラ角度・照明・影・周囲を保ち、1 つの物だけ差し替える「外科的な写実」。
• ホリデーカード（1024x1536, medium）: シーン・情感・素材・照明・正確なコピーを記述。カード文言は verbatim で。
• コレクタブル商品（1024x1536, medium）: 素材・パッケージ・印刷の鮮明さを製品写真の語彙で。オリジナルで非侵害に。

キャラクターの一貫性を保つ​

複数の挿絵がある本などでは、再利用できるキャラクター参照を作り、シーン・ポーズ・ページをまたいで見た目を保ちます。 まずキャラの外見・比率・衣装・トーンを確立し（generation）、続く各シーンで外見の制約を再掲しながら環境と物語だけ変えます（edit）。

大量生成（バッチ）のサンプル — api.aicu.ai​

Flare は「ラピッドプロトタイピング・大量生成」に向いています。api.aicu.ai は OpenAI 互換なので、 同じプロンプトの複数バリエーションや、多数のプロンプトを一括で回すのも簡単です。下は同時実行で まとめて生成する Python サンプル（AICU_API_KEY を使用）。

import os, base64, concurrent.futures as cf, urllib.request, json

API = "https://api.aicu.ai/v1/images/generations"
KEY = os.environ["AICU_API_KEY"]          # aicu_live_...

def generate(i, prompt):
    body = json.dumps({"model": "gpt-image-2.5-flare",
                       "size": "1024x1024", "quality": "high",
                       "prompt": prompt}).encode()
    req = urllib.request.Request(API, data=body, method="POST")
    req.add_header("Authorization", f"Bearer {KEY}")
    req.add_header("Content-Type", "application/json")
    d = json.load(urllib.request.urlopen(req, timeout=180))
    open(f"out_{i:02d}.png", "wb").write(base64.b64decode(d["data"][0]["b64_json"]))
    return i

prompts = [f"a cute mascot robot, pose variation {i}, studio lighting, no text"
           for i in range(10)]

# 同時 4 本で 10 枚を一括生成（大量生成・歩留まり評価にも使える形）
with cf.ThreadPoolExecutor(max_workers=4) as ex:
    for done in ex.map(lambda a: generate(*a), enumerate(prompts)):
        print("done", done)

• 残高（AP）は成功呼び出しに応じて消費され、残高ゼロで自動停止します（想定外の請求は出ません）。
• 100 秒を超える生成は、stream の X-AICU-Image-Id で id を受け取り /v1/images/status/:id でポーリングして回収できます（大量・高解像度で有効）。

:::note バッチと料金について（OpenAI 公式） GPT-Image-2.5（Flare / Sunburst）には「バッチ料金」の設定がありません。＝非同期 Batch モードは無く、標準の同期生成のみ。十分に高速だからバッチ枠を設けていない、という位置づけです（バッチ枠があるのは旧 gpt-image-2）。 また Flare と Sunburst は同一料金（画像 入力 $8 / キャッシュ $2 / 出力 $30、テキスト $5 / $1.25・いずれも 1M tokens 単位）。価格差はなく、違いは「品質」と「待ち時間」だけ。だから「大量生成」は上のように同時実行で回すのが実務的です。（最新の公式料金は OpenAI API pricing。） :::

結果を確認する​

使う前に、要件に照らして確認します。

• 必要なテキストは正確・可読か。図のラベルと関係は正しいか。
• 同一性・製品形状・ラベル・参照の細部は保たれているか。
• 編集は要求した箇所だけを変えたか。
• 透過が必要なら、塗られた背景でなくアルファチャンネルを含むか。

プロンプトやモデルを変えるときは、代表的な入力で品質・待ち時間・コストを比較します（現行の料金は OpenAI の公式料金ページ を参照）。

本記事は OpenAI 公式「GPT Image 2.5 prompting guide」の日本語訳です（原文）。例のプロンプトは起点として自由に調整してください。

メイ: ではいってみよー！ 今日は新しい gpt-image-2.5-flare で、AiCuty のみんなを作ってみるよ。 エレナ: よろしくね。参照は github.com/aicuai/AiCuty の公式リファレンス。 全部ホンモノの結果だよ。API は POST /v1/images/edits、model に gpt-image-2.5-flare を渡すだけ。

1. まずは一人ずつ​

メイ: 各メンバーを、公式リファレンスから 1 枚ずつ。顔・髪・衣装・色をどれだけ保てるか、だね。

生成条件（全部この設定。再現するときはここを合わせてね）:

使ったプロンプト（各キャラのリファレンスを image[] に渡す）:

Full-body portrait of this AiCuty character. Keep the face, hairstyle,
outfit and colors faithful to the reference. Friendly confident pose,
clean soft-lit studio background. No text, no watermark.

2. 6 人いっしょに（多人数同時）​

メイ: ここが本番！ 多人数は顔の混同とか人数の間違いが起きやすい難所なんだ。6 人を 1 枚にしてみるよ。

プロンプト（6 人分のリファレンスを image[] にまとめて渡す）:

Group shot of these six AiCuty idol characters standing together as a unit,
Halloween night in a neon Shibuya-like city at sunset, jack-o-lanterns and
playful ghosts, cinematic lighting. Keep each character's face, hairstyle,
outfit and colors faithful to the six reference images. Cheerful confident
poses. Landscape composition. No text, no watermark.

メイ: ……あれ？ わたし、ショートパンツのはずがスカートになってる！ 見た目はかわいいけど、 再現性でいうとちょっと残念ショットだね。こういうときは もう一回まわしてみるよ！ プロンプトに「wearing shorts, not a skirt」って足すのも効くんだ。 エレナ: 6 人が 1 枚にちゃんと並ぶのはすごいけどね。細かい衣装は 2 回目でそろえていこ。

ステージ版はこう指定したよ:

An idol-unit key visual of these six AiCuty characters performing together
on a bright concert stage, dynamic band formation, colorful stage lighting
and confident expressions. Each of the six must match their own reference
exactly, with no mixing between characters, exactly six. Wide cinematic
landscape. No text.

3. 服だけ着替える（局所編集）​

メイ: 変えたいところ以外はそのまま、っていうのが得意になったの。エレナの 1 枚を入力に、衣装だけ変えてみるね。

プロンプト（さっき作ったエレナの画像を image[] に渡す）:

Change ONLY her outfit to a cute Halloween witch costume (hat and cape).
Keep her face, hairstyle, pose, and the background exactly the same as the
input. No text.

エレナ: 顔と雰囲気は私のまま、服だけ変わってる。表情差分やコスチューム替えが作りやすいね。

4. スプライトシート（同じキャラで 9 ポーズ）​

メイ: ゲーム素材みたいに、わたしを 3×3 のポーズ集にしてみるよ。

A 3x3 sprite sheet of this exact character showing nine different full-body
poses and expressions (idle, waving, jumping, surprised, thinking, pointing,
victory sign, bowing, cheering). Keep the character's face, hairstyle, outfit
and colors identical in every cell. Evenly spaced grid, clean flat
illustration, plain light background. No text.

エレナ: 待機もジャンプもびっくりも、全部メイのまま！

5. 1 枚から 4 コマ物語​

メイ: エレナのリファレンスから、起きる → 出会う → 作る → 完成、の 4 コマ。

A 2x2 four-panel manga telling a short story with this exact character:
panel 1 she wakes up sleepy, panel 2 she discovers AI image generation on a
laptop and is amazed, panel 3 she creates art excitedly, panel 4 she smiles
proudly holding the finished picture. Keep her face, hairstyle, outfit and
colors consistent across all four panels. Clean anime/manga style.

エレナ: コマごとに表情が変わるのに、私は私のまま。絵コンテやショート漫画に使えそう。 メイ: 完璧じゃない絵も出るけど、プロンプトを足したりもう一回まわせば近づけられるよ。 これ全部 api.aicu.ai の POST /v1/images/edits に model: gpt-image-2.5-flare で叩けるから、 ぜひ試してみてね（GPT-Image-2.5 の技術レポートはこちら）。 じゃ またね！ いつも元気な AiCuty 画像生成担当、メイ・ソレイユでした〜！バイバイ！👋💛

OpenAI が 2026-09-08 に ChatGPT Images 2.5 を発表し、API に 2 つの新しい画像モデル GPT-Image-2.5 Flare と GPT-Image-2.5 Sunburst が追加されました。この記事では、 公式ドキュメントの内容をそのまま日本語 API マニュアルに翻訳し、AICU API（api.aicu.ai）での 使い方をまとめた技術レポートです。

出典（公式）: ご紹介 ChatGPT Images 2.5 ／ API Docs: gpt-image-2.5-flare ／ gpt-image-2.5-sunburst ／ Image generation guide

2 → 2.5 で何が変わったか​

OpenAI の発表（公式）を要約すると、GPT-Image-2.5 は次の点で GPT-Image-2 を上回ります。

• 参照写真の忠実度 — 参照写真の被写体（人・場所・特徴）をより忠実に保ちながら、新しい 場面・スタイル・構図へ変換できる。参照画像を軸にしたワークフローの信頼性が上がる。
• 精密な編集 — 複雑な被写体・背景でも、ほかのディテールを変えずに指定箇所だけを 正確に編集できる（商品・背景・コピーなど 1 要素だけの更新）。
• 複数ターン編集の一貫性 — 長い会話でも以前の変更を保ったまま編集を重ねられ、画質が劣化 しにくい。
• 応答速度 — 生成の待ち時間を Images 2.0 比で最大 50% 短縮（Flare）。
• 品質段階の追加 — xhigh と max が増え、任意解像度（16 の倍数・縦横比 1:3〜3:1・ 最長辺 3840px）にも対応。
• 透明背景・複雑なレイアウト・スタイル再現性の向上。

API の 2 モデル — Flare と Sunburst の使い分け​

迷ったら Flare。厳密な編集制御や高精度が要る制作物だけ Sunburst を選ぶ、が基本です。

API マニュアル（公式ドキュメントの日本語訳）​

エンドポイント​

両モデルとも上記2つに対応します。

パラメータ（generations / edits 共通）​

編集（edits）で追加されるパラメータ​

編集の画像入力はファイルアップロードのほか、Responses API 経由なら base64 データ URL や Files API の File ID でも渡せます。

課金の考え方​

GPT-Image-2.5 はトークン課金です（テキスト出力は課金されず、画像出力のトークンが中心）。 最新の単価は OpenAI 公式ページを参照してください（OpenAI API pricing）。

AICU API（api.aicu.ai）での使い方​

AICU API は OpenAI 互換です。キー（aicu_live_...）を用意し、model に上記 ID を渡すだけで 切り替えられます（リリース後。下記「リリース予定」参照）。

# テキストから生成（Flare 推奨）
curl -X POST https://api.aicu.ai/v1/images/generations \
  -H "Authorization: Bearer aicu_live_xxx" \
  -H "Content-Type: application/json" \
  -d '{
        "model": "gpt-image-2.5-flare",
        "prompt": "a cheerful mascot character, studio lighting, clean background",
        "size": "1024x1024",
        "quality": "high"
      }'

# 参照画像つき（キャラクター一貫性）— 精密な編集は Sunburst
curl -X POST https://api.aicu.ai/v1/images/edits \
  -H "Authorization: Bearer aicu_live_xxx" \
  -F model="gpt-image-2.5-sunburst" \
  -F "image[]=@reference.png" \
  -F input_fidelity="high" \
  -F prompt="Keep the character's appearance. Change only the background to a night city."

character（キャラクタープリセット）でも 2.5 を指定できます（gpt-image-2.5-flare プリセットを 用意予定）。100 秒を超える生成は非同期経路（/v1/images/status/:id でポーリング）で受け取れます。

提供状況​

GPT-Image-2.5（Flare / Sunburst）は api.aicu.ai で利用可能です。/v1/images/models に gpt-image-2.5-flare / gpt-image-2.5-sunburst が並び、上記 curl が通ります（OpenAI 互換）。

AiCuty 6 人で試す GPT-Image-2.5 Flare​

AICU 公式キャラクター AiCuty の 6 人を、それぞれの公式リファレンス（github.com/aicuai/AiCuty）から gpt-image-2.5-flare で生成しました。参照忠実度（顔・髪・衣装・色を保つ）を、実際のキャラクターで確かめています。

6 人同時（複数リファレンスを 1 回の生成に渡した集合ショット）:

:::note 実装メモ gpt-image-2.5-flare は images/edits で参照画像を受け取れますが、input_fidelity パラメータは 非対応（指定すると 400）。参照忠実度はモデル側で担保されます（gpt-image-2 とはここが異なります）。 :::

この記事は公式ドキュメント（2026-09-08 発表）の日本語訳と、AICU API での使い方をまとめた技術レポートです。

Method — use audio whose ground truth already exists​

The hardest part of any STT benchmark is producing the ground truth. So we took the article announcing AiCuty's newest member — Marsha Arancia's appointment as AICU STUDY navigator (3,023 characters) — and turned it into audio by having Marsha herself read it aloud (AICU API TTS, voice: "marsha"). 8.2 minutes, 7.9 MB of mp3. The script is the ground truth, so CER can be computed mechanically.

• CER = character error rate (lower is better). Levenshtein distance after NFKC normalization and removal of punctuation and whitespace, divided by the ground truth character count
• Every provider received the same file, once. The proper-noun hint (prompt) was identical as well
• Quirks in the TTS reading (for example, how "AiCuty" gets pronounced) are a handicap shared by all providers — so read this as a relative comparison

Results​

The 64.97% via the current backend is not a reflection of model quality: roughly 40% of the body text was dropped at the seams where long audio is split internally (whisper-1, from the same model family, scored 21.89%). We are reviewing how that path should be handled, and as a first step we have documented the limits (30 MB / 30 minutes per request) and a chunking recipe in /skills/stt.

What Scribe got right​

• Nothing dropped: no omissions across the full 8.2 minutes. It holds up on long audio (the spec allows up to 10 hours / 3 GB per file)
• Strong on spoken language: it picks up colloquial phrasing and hesitations accurately — lines like "……と名乗ったところで気づいたんだけど"
• Word- and character-level timestamps, speaker diarization (up to 32 speakers), and audio event tags such as laughter

For balance, one weakness: it likes to romanize personal names ("マーシャ・アランチャ" → Marcia Arancja). For subtitling, that is well within what a post-processing dictionary can absorb.

What AICU API will do​

1. No automatic fallback. The backend will be selectable explicitly via the model parameter (silently switching you to a different model is the scariest outcome of all — that is our design principle)
2. Evaluating a high-accuracy lane on Scribe (pricing to be announced separately)
3. Pricing change, announced in advance: from 2026-09-09 05:00 UTC, transcription will be billed at 3 AP per 10 seconds of audio (≈ $0.11 per hour, under the cost×3 policy). Details on News

The reproduction script and the full logs live in the repository at scripts/stt-benchmark.py and docs/internal/stt-benchmark-2026-08.md (internal). Round two will be measured on real meeting audio.

Thanks to Marsha Arancia (AiCuty's editorial and publishing member / AICU STUDY navigator) for lending her voice to the audio source.