OpenAI GPT Image 2 Edit API: 完全開発者ガイド

GPT-4oベースの画像編集APIが2025年春にリリースされた。既存のgpt-image-1モデルに対して何が変わったか、本番環境への移行を検討しているエンジニアが知るべき情報をすべてまとめる。

---

前バージョンからの主な変更点

gpt-image-1（旧DALL-E 3ベースのimages.edit）と比較した場合の具体的な差異は以下の通り。

指標	DALL-E 3 (dall-e-3)	gpt-image-1
テキスト描画精度	低〜中（文字化けが多発）	大幅改善（単語レベルで正確）
指示追従性	プロンプト改変あり	プロンプトをそのまま反映
透明PNG対応	非対応	対応（透過背景の維持）
マスクなしinpainting	非対応	対応（自動領域推定）
最大出力解像度	1024×1024	1536×1024（landscape）
アスペクト比の自由度	1:1 / 16:9 / 9:16 のみ	autoオプションで入力画像準拠

OpenAIの公式発表（2025年3月）によると、gpt-image-1はChatGPTの画像生成と同一のモデルであり、長年の最大の課題だったテキストのレンダリング精度が実用水準に達した点が最大の改善点とされている。具体的なFIDスコアや定量ベンチマークはOpenAIから公式に開示されていないが、独立した評価（後述）で確認できる。

---

技術仕様テーブル

パラメータ	詳細
エンドポイント	POST https://api.openai.com/v1/images/edits
モデル名	gpt-image-1
入力フォーマット	PNG, WEBP, JPEG（非アニメ）
最大入力ファイルサイズ	25MB（1リクエストあたり）
入力画像枚数	最大16枚（複数画像合成対応）
マスク画像	オプション（PNG、透明ピクセルが編集領域）
出力解像度	1024x1024, 1536x1024, 1024x1536, auto
出力クオリティ	low, medium, high, auto
出力フォーマット	png, jpeg, webp
レスポンス形式	url（1時間有効）または b64_json
レスポンス速度	qualityにより異なる（low: ~5s, high: ~30s 目安）
ストリーミング	非対応（polling方式）
認証	Bearer token（OPENAI_API_KEY）
アクセス要件	全developer tierで利用可能、ただしID検証が必要

**nパラメータ（バッチ生成）**はgpt-image-1で廃止されている。1リクエスト1枚生成が前提。

---

ベンチマーク比較

OpenAIが独自に公開しているEval結果と、サードパーティの比較（The Vergeその他の実写テスト、2025年3〜4月）をまとめる。

テキスト描画精度（OCR正確率・目視評価）

モデル	テキスト描画精度	出典・備考
gpt-image-1	高（単語・句読点レベルで正確）	OpenAI公式Eval
Ideogram 2.0	高（業界最高水準として知られる）	独立比較テスト
DALL-E 3	低〜中（実用困難なケースが多い）	OpenAI従来評価
Midjourney v6.1	中（短文は可、長文は崩れやすい）	MJ公式ドキュメント外の実写評価

指示追従性（Instruction Following）

OpenAIの内部ベンチマークでは、gpt-image-1は従来のdall-e-3と比較してプロンプトの書き換え（rewriting）を行わない設計に変更されており、複雑な指示への準拠率が向上している。ただしこの数値はOpenAIが公開していないため、具体的な%値は確認できない。

画像品質（FID / VBench相当）

gpt-image-1のFIDやVBenchスコアはOpenAIが非公開。競合との定量比較は現時点で困難。独立した実写評価（The Verge, 2025年3月）では、フォトリアリスティックな人物・製品写真においてgpt-image-1がMidjourney v6.1と同水準、またはそれ以上と評価されている。ただしスタイリッシュなアート生成ではMidjourney v6.1が依然優位とされる。

---

料金比較

gpt-image-1の料金はトークンベース課金に変更されている点が重要。入力（テキスト＋画像）と出力それぞれにトークン料金が発生する。

出力画像コスト（1枚あたり）

モデル / サービス	低品質	中品質	高品質
gpt-image-1 (edit)	$0.02	$0.07	$0.19
dall-e-3 (1024×1024)	—	—	$0.04
dall-e-2 (1024×1024)	—	—	$0.020
Stability AI (Stable Image Core)	—	—	$0.03/credit
Midjourney (Basic Plan)	—	—	~$0.016/image（月200枚換算）

注意: gpt-image-1は入力トークン（テキスト: $5/1Mトークン、画像: $10/1Mトークン）も別途発生する。edit APIで高解像度の参照画像を複数渡す場合、入力コストが予想以上に積み上がる。事前に/v1/responses/input_tokens/countエンドポイントでトークン数を見積もること。

---

最適なユースケース

1. eコマース製品画像の背景差し替え・バリエーション生成

マスク画像で背景領域を指定し、季節・キャンペーンに応じた差し替えを自動化できる。同一製品の広告バリエーションを大量生成するパイプラインに向いている。

2. UIモックアップへの素材合成

デザイナーが用意したWireframe画像に対して、テキストラベルや製品イメージを自然に合成するワークフロー。gpt-image-1のテキスト描画精度が活きる。

3. ユーザーアップロード画像への非破壊スタイル変換

ユーザーが送った写真にフィルターや雰囲気変換を施すB2Cアプリ。マスクなしでも全体スタイルを変えられるため、実装コストが低い。

4. マーケティングクリエイティブの自動生成

メールキャンペーン・SNS投稿用の画像を複数サイズで一括生成。output_formatとsizeを変えて同一コンテンツを複数フォーマットに展開する用途。

5. カスタマーサポート向けビジュアルアシスト

eesel AIの事例のように、サポートチケットに添付された画像に対してアノテーションや補足情報を合成するワークフロー自動化。

---

最小動作コード例

import openai, base64, pathlib

client = openai.OpenAI()  # OPENAI_API_KEY を環境変数から読み込む

with open("product.png", "rb") as img, open("mask.png", "rb") as msk:
    result = client.images.edit(
        model="gpt-image-1",
        image=img,
        mask=msk,
        prompt="Replace the background with a clean white studio backdrop",
        size="1024x1024",
        quality="medium",
    )

image_bytes = base64.b64decode(result.data[0].b64_json)
pathlib.Path("output.png").write_bytes(image_bytes)

mask.pngは透明ピクセル（alpha=0）が編集対象領域。不透明ピクセルは保持される。マスクを渡さない場合、モデルが編集領域を自動推定するが、精度は保証されない。

---

制限事項と使うべきでないケース

APIの構造的制限

• nパラメータ非対応: バッチで複数バリエーションを1リクエストで生成できない。並列リクエストで対処するが、コスト管理が複雑になる。
• ストリーミング非対応: high品質では応答まで30秒前後かかるケースがある。UXの観点からポーリングまたはWebhookによる非同期設計が必要。
• URLの有効期限: レスポンスのurlは1時間で失効する。永続化が必要な場合は即座にb64_jsonで受け取るか、自前のストレージに保存すること。
• ID検証必須: 全developer tierで利用可能だが、OpenAIによるID検証を完了していないアカウントはアクセス不可。

使うべきでないケース

• 高スループット・低レイテンシが必要なリアルタイム処理: high品質での応答時間はStability AIや自ホスティングのSDXLと比較して遅い。ゲームや動画の毎フレーム処理には不向き。
• コスト最優先の大量生成: dall-e-2やdall-e-3と比較してgpt-image-1のhigh品質は4〜9倍高価。品質要件が低い大量バッチならDALL-E 3で十分。
• 厳格なスタイル一貫性が必要なキャラクターIP管理: モデルがプロンプトを書き換えなくなった点は改善だが、同一キャラクターの外見を長期間・大量に一貫させるには依然として追加の制御（LoRAなど）が必要で、クローズドAPIでは対応不可。
• 医療・法的証拠画像の改変: OpenAIのUsage Policyにより、実在人物の欺瞞的な改変や医療診断への利用は制限対象。

---

結論

gpt-image-1のedit APIは、テキスト描画精度の実用化とマスクなしinpaintingの追加により、マーケティングクリエイティブ・eコマース画像処理のパイプラインで即戦力になる水準に達している。ただしトークンベースの料金体系とnパラメータの廃止により、大量生成ワークフローのコスト設計は旧モデルからの単純な移行では済まないため、本番投入前に実際の使用パターンでコスト試算を行うことを強く推奨する。

---

参照: OpenAI API Reference - Image Edit / OpenAI Image Generation Guide / eesel AI - OpenAI Image Edit API Guide

メモ： 複数の AI モデルを一つのパイプラインで使う場合、AtlasCloud は Kling、Flux、Seedance、Claude、GPT など 300+ モデルへの統一 API アクセスを提供します。API キー一つで全モデル対応。新規ユーザーは初回チャージで 25% ボーナス（最大 $100）。