OpenAI、Images 2.6を発表、残す特徴と変える場所、GIFと費用を読む

架空の店が、黄色いマフラーの猫を宣伝に使うとします。今回はキャラクターを作り直すのでなく、部屋の背景だけ海辺へ変えたい場面です。元の絵、保つ特徴、変える範囲を一緒に渡すと、望む差を伝えやすくなります。

画像マークアップは、絵への印で修正場所を指す方法です。OpenAIはChatGPTにあったこの方法をAPIにも導入したと説明しています。参照画像の保存は後の会話へ資料を呼び戻す便利さであり、顔・マフラー・文字が残ったかは編集前後で読みます。

%% 架空の店で編集前後を比べる順序 · 生成結果でなく依頼の説明図
flowchart TD
  A["編集前: 部屋にいる猫<br/>黄色いマフラーが参照資料"] --> B["人: 背景の範囲を指定<br/>顔とマフラーは維持を依頼"]
  B --> C["Images 2.6: 修正案を生成<br/>背景を海辺へ変える作業"]
  C --> D["人: 元の絵と修正案を比較<br/>マフラー・顔・文言を点検"]

APIには別々の調節項目があります。complexityは依頼に合わせて場面をどれだけ計画するか、qualityは描かれる細部や忠実さを調整します。一つの背景変更と、多くの物や文字の配置では必要な計画が違います。公式画像生成文書

文書は狭い範囲の編集に低い複雑度を検討し、要素が多い場面では高い設定を比較するよう案内します。省略時は両モデルともhighです。高くすると待ち時間が増えたり不要な変更が生じたりするため、画質まで一緒に上げ下げする一つの設定とは考えません。

発表の「最短6秒」はFlareのlow画質での条件です。文書は複雑な依頼に最大2分かかる場合もあるとしており、どの絵も6秒で終わる約束ではありません。

店の猫が手を振るGIFを作るとします。ChatGPTの会話で直接頼む方法と、店のアプリからAPIを通じてOpenAIに依頼する方法があります。

GIFアニメーションは複数の絵を決めた間隔で見せ、繰り返します。手を振る猫なら各場面の変化に加え、最後から最初へ戻る動きも見ます。次は架空の動作設計で、実際に生成されたフレームではありません。

画像APIでは、一つのGIFに2〜16枚のフレームを指定できます。 フレームは一枚の場面です。説明用に9枚を各200ms、つまり0.2秒ずつ見せるなら、一回の再生は9 × 0.2秒 = 1.8秒になります。これは生成待ち時間でなく再生の長さです。

%% 架空の手振り動作のつながり · 絵の順序を説明
flowchart TD
  A["開始: 手を下ろした猫"] --> B["途中: 手を上げて挨拶"]
  B --> C["最後: 最初の姿勢へ戻る"]
  C --> D["最初の絵から再び再生<br/>つなぎ目が跳ねないか点検"]

API文書はImages 2.6の画像出力を、課金対象100万トークン当たり30米ドルとしています。トークンは課金する使用量の単位で、画像一枚と同じ意味ではありません。次は出力が仮に1,000トークンだった場合の計算です。公式料金表

SVGは絵を点でなく図形や線などの情報で表す形式です。公式文書はSVG出力に、参照画像を扱う画像モデルとSVGを書くモデルの費用がかかると説明しています。複雑度やマークアップに別の追加料金がなくても、実使用量は記録する必要があります。