画像生成・編集用 GPT Image 2 API

GPT Image 2 とは

画像生成と編集のための OpenAI モデル

私たちは GPT Image 2 を、画像制作のための生成・編集モデルと位置付けています。文章から新しい画像を作ったり、参考画像を受け取って指示どおりに場面を調整したりできます。

実際には、イベントの文案入りポスター、製品の使用場面、アプリのホーム画面の視覚案など、要件をさらに磨ける画像に変えられるかを重視しています。

文章と高精細な参考画像から視覚的な要件を理解

GPT Image 2 の主な特徴は、参考画像と文章による指示を一緒に扱えることです。OpenAI の公式ガイドでは、入力画像を自動的に高忠実度で処理するため、ネイティブ API では input_fidelity を省略するよう説明しています。これによって元画像の人物、製品、スタイルの情報を活用しやすくなります。

各参考画像の役割を説明することをお勧めします。たとえば最初の画像は製品の外観、次の画像は背景の雰囲気を示し、文章で変更可能な部分を指定します。単に「見栄えを良くして」と頼むより、結果を確認し、修正しやすくなります。

柔軟なサイズと複数の品質レベル

GPT Image 2 は正方形の商品画像、縦長の表紙、横長のポスターなど、複数の出力サイズに対応します。公式 API は最大 3840×2160 の横長画像と対応する縦長サイズを提供し、品質は low、medium、high、auto です。

最終的な表示場所に合わせてサイズを選び、細部の要求と費用に応じて品質を選んでください。構図がまだ変わる下書きでは低解像度で方向を確認し、被写体、文字、配置が決まってから高解像度の完成版を作ることをお勧めします。

RequestBeam の GPT Image 2 オンラインツールと API

RequestBeam を通じて、自分のタスクでの GPT Image 2 の実力を早く把握していただきたいと考えています。ログインして少額をチャージすれば、先に API 連携コードを書いたり短期評価用の固定契約を買ったりせず、オンラインツールで画像を生成・編集できます。結果が要件を満たしたら API Key を作ってアプリに組み込め、複数のモデルプラットフォームのアカウント管理の手間も減らせます。

GPT Image 2 の主な機能と強み

中国語と多言語の文字：ポスターの文案とビジュアルを同時に生成

私たちは画像内に直接文字を配置する GPT Image 2 の能力を評価しています。お客様の実例では、GPT Image 2 の中国語の文字描画は以前の gpt-image 版から大きく改善しました。一方、「小笼包」（シャオロンバオ）の「笼」や一部の小さい文字には、まだ誤りがあると指摘されています。

イベントポスター、商品の訴求画像、多言語の表紙では、確定した文案を渡し、各文章の位置、相対的な大きさ、言語を指定することをお勧めします。短い見出しは画像と一緒に生成して試せます。価格、日付、長文、完全な正確さが必要な文字は一字ずつ確認し、必要なら後から手動で組版や修正を行ってください。

複雑な構図：被写体、配置、細かな制約をまとめて処理

GPT Image 2 は一枚の画像に複数の明示的要件がある仕事をうまく扱うと考えています。あるお客様は複数ウィンドウ、文字、ASCII グラフィックを含むデスクトップ場面を共有し、その後もブラウザーウィンドウの内容と中の犬の図を修正しました。

商品宣伝画像では、被写体、背景、文案の配置、余白をまとめて指定することをお勧めします。たとえば「商品は右、左に見出し用の余白、下に三つの訴求点」とします。私たちの GPT Image 2 の利用経験では、要件をできるだけ詳しく説明すると、うまく実行できます。

参考画像の編集：既存素材を継続して磨く

背景交換、配色の試行、別のビジュアルスタイルの検討など、既存素材の変更に GPT Image 2 をお勧めします。公開の議論では、参考画像からモックアップを作り、業務に十分な写実性だと感じたユーザーがいました。一方、蛇の特定のうろこの色と形を変えさせたユーザーは、結果に失望しています。参考画像の使用感 · 細かな局所編集の失敗

この声から、まず目標が明確で変化を確認しやすい作業をお勧めします。商品の背景を替えるなら、ボトルの比率、ラベル文字、配置を変えないと指定してください。生成後は元画像と並べ、特にロゴ、輪郭、反射を比較します。ある領域を厳密に保つ必要があるなら、必要な変更だけを後から元画像に合成できます。

UI のラフと視覚案：製品アイデアを早く議論に持ち込む

多くのお客様が Images 2.0 で製品アイデアの UI ラフを作り、結果を好意的に受け止めています。

管理画面、アプリのホーム、ゲームのメニューを計画するなら、まず GPT Image 2 に複数の配置案を作らせ、画像を使って情報の優先順位、配色、視覚的な強調を話し合うことをお勧めします。個人開発者にもアイデアを伝えやすくなります。方向が決まったら、本物のコンポーネント、操作、レスポンシブ配置で実装してください。生成画像自体にその開発作業は含まれません。

キャラクターと絵コンテ：同じ被写体を軸に連続画像を作成

GPT Image 2 はキャラクター設計や小規模な絵コンテの検討に試す価値があると考えています。あるお客様は擬人化した人物像を作り、横顔と動作画像を追加し、外観の維持に満足していました。

一枚のキャラクター参考画像を確定し、正面、側面、重要な動作を試して、それぞれの顔、服装、色、背景の質感を確認することをお勧めします。主要カットが合格してから全体へ広げてください。複数画像の物語では、すでにずれた結果を繰り返し編集するより、元のキャラクター参考画像を保持することもお勧めします。

GPT Image 2 のベンチマークと性能

ランキングのバージョンと品質レベルを残し、正式なブラインド評価、小さな個人テスト、利用経験を区別します。

テキストからの画像生成のブラインド評価：AA の High で 1172 Elo

Artificial Analysis の AA-Image-T2I v2.0 では、GPT Image 2 の high は 1172±8 Elo で現在第三位です。同じランキングの GPT Image 1.5 の high は 1107±8、Nano Banana 2 は 1126±7 です。この評価のプロンプトと人の好みによる基準では、GPT Image 2 に競争力があると示しています。AA のテキスト画像生成ランキング

商品ポスター、コンテンツの表紙、明確な構図が必要な画像では、早期に試すモデルへ含めることをお勧めします。Image 1.5 を使うチームは、以前最も手戻りが多かった要件から比較し、文字、配置、被写体の細部が改善するかを見てください。これは high の結果であり、低い品質レベルへ直接当てはめません。

単一画像の編集：Arena の Medium で 1462 点

2026-10-06 の Arena 単一画像編集ランキングでは、GPT Image 2 の medium は 1462±3 で第三位です。一方、AA-Image-Editing v2.0 の high は 1125±8 Elo で第六位、順位区間は第五～第七位です。タスク、品質設定、採点尺度が異なるため、順位の違いは具体的な編集要件を別に検証すべきことを教えてくれます。Arena の単一画像編集ランキング · AA の画像編集ランキング

要求した変更が正しいかと、変えてはいけない内容まで変わっていないかを一緒に確認することをお勧めします。商品の背景交換なら、新背景の自然さだけでなく包装の文字、形、色も確認してください。元の細部を厳密に保つ仕事では、一括処理の予定を組む前に小さく試します。

生成速度：品質と縦横比に合わせて待ち時間を計画

お客様の中には、API の high で複雑な画像を生成するのに約二分待った方がいます。OpenAI の GPT Image 2 ガイドも、通常は正方形が最速で、実際の時間はサイズとリクエスト条件によるとしています。API High の利用経験 · 公式モデル設定

先にサイズと品質を固定し、普段のタスクで送信から完全な画像を受け取るまでを記録することをお勧めします。繰り返し編集する機能では medium を先に評価し、複雑な完成品では high に待つ価値があるか比較してください。待ち時間が使い心地を明らかに損なうなら、後述の GPT Image 2.5 Flare も試すことをお勧めします。

生成費用：同じモデルでも品質レベルで大きな価格差

OpenAI が示す GPT Image 2 の画像一枚あたりの出力費用例は次のとおりです。テキストと参考画像の入力費用は含まず、RequestBeam の実価格でもありません。OpenAI の公式費用例

私たちは medium から high に上げたときの 1024×1024 の変化を重視します。出力費用例は約四倍ですが、見た目も同じ割合で改善するとは限りません。まず medium を基準に、小さな文字や複雑な材質などの具体的な問題で high と比較してください。最終的に使える一枚の総費用には編集と再試行も含めます。

GPT Image 2 と GPT Image 1.5、Nano Banana 2、GPT Image 2.5 Flare、GPT Image 2.5 Sunburst の比較

GPT Image 1.5 との比較：手戻りの多いタスクから更新

AA の同じランキングの high 比較では、GPT Image 2 はテキスト画像生成で Image 1.5 を上回りますが、費用差はサイズ次第です。OpenAI の公式例では 1024×1024 の high の出力費用はそれぞれ USD 0.211 と USD 0.133、1536×1024 の high は USD 0.165 と USD 0.200 です。AA のテキスト画像生成比較 · 同サイズの公式費用表

包装の文字、ポスター配置、複雑な構図で頻繁に作り直すなら、Image 2 を先に試すことをお勧めします。すでに安定して合格画像が得られる単純な仕事なら、当面は既存の流れを維持できます。

Nano Banana 2 との比較：品質レベルと一括処理予算を併せて比較

Nano Banana 2 は Google の gemini-3.1-flash-image に対応し、公式には速度、効率、高スループットを重視しています。標準課金の 1K 画像の出力費用は約 USD 0.067 です。上の Image 2 の公式例と比べると high の USD 0.211 より安く、medium の USD 0.053 より高いため、費用比較では品質レベルの明示が必要です。Google の公式モデルと料金

大量の SNS 画像、サムネイル候補、素早く試したいアイデアでは Nano Banana 2 を比較に含めることをお勧めします。イベントの主ビジュアル、複雑な配置、文字の多い画像では GPT Image 2 を先に試してください。

GPT Image 2.5 Flare との比較：反復編集する製品では再評価の価値あり

OpenAI は2026-09-08の Image 2.5 公開時、Flare は GPT Image 2 より高い画質と、API 生成遅延の 50% 削減を実現すると発表しました。提供元による比較であり、発表には全テスト条件が載っていません。自分のタスクでは、自分のサイズと品質設定で改めて測定してください。OpenAI の Image 2.5 発表

背景交換、色変更、別案の試行を繰り返すオンライン画像ツールを作るなら、同じタスク群を GPT Image 2.5 Flare と GPT Image 2 に渡し、待ち時間と編集後の被写体の変化を比較することをお勧めします。すでに Image 2 を連携済みのチームにとって、Image 2.5 Flare は早めに小規模比較する価値があります。

GPT Image 2.5 Sunburst との比較：細かな編集では細部の維持が重要

OpenAI は Sunburst を、完成した販促素材や商品写真の修整など、より細かな編集制御が必要な仕事に位置付け、生成は Flare より長くかかると説明しています。AA の現在の編集ランキングでは Sunburst の max は 1183±8 Elo、Image 2 の high は 1125±8 Elo です。OpenAI のモデルの位置付け · AA の編集評価

お客様の声では GPT Image 2.5 Sunburst の用途は Image 2 より複雑な傾向があります。Image 2.5 Sunburst は何度も細かく磨くブランド素材に向いています。より複雑な細部を扱うなら、GPT Image 2.5 Sunburst に更新して試すことをお勧めします。

GPT Image 2 API のよくある質問

RequestBeam から GPT Image 2 API を呼び出すには？

まず RequestBeam にログインして API Key を作成し、ドキュメントを読むか、AI に接続設定を手伝ってもらうことをお勧めします。

オンラインツールで最小限の生成テストを行い、その後で RequestBeam の現在の GPT Image 2 API 文書に従って連携してください。導入前に業務要件を満たすか確認でき、他社のエンドポイントやパラメーターを誤って持ち込むことも避けられます。

枚数、マスク、サイズの設定で 400 になるのはなぜですか？

まず旧コードが別の API のパラメーターを渡していないか確認してください。RequestBeam の GPT Image 2 は現在 n: 1 のみ対応し、独立した /images/edits ルートはなく、multipart/form-data も受け付けません。mask、mask_url、maskUrl は 400 になります。編集には前述の image_urls と文章による指示を使ってください。RequestBeam のパラメーター制限

サイズは size: "16:9" と resolution: "2k" を組み合わせられます。ピクセル数を直接指定すると解像度レベルより優先されます。品質は auto、low、medium、high を選び、Image 2.5 の xhigh や max は使いません。文書にある組み合わせから始め、一度に多くを変えて問題を切り分けにくくするより、一つずつ調整することをお勧めします。RequestBeam のサイズと品質設定

結果に b64_json がなく、ストリーミングの画像はどう読み取ればよいですか？

stream: false では、この RequestBeam エンドポイントは生成完了を待って画像 URL を返すため、data[0].url を読んでください。URL があることを確認してからダウンロード・保存することをお勧めします。ネイティブの OpenAI Images API は異なる Base64 構造を返すので、その解析コードを直接コピーできません。RequestBeam の応答構造 · OpenAI ネイティブの応答構造

stream: true では SSE の処理を続け、image_generation.completed イベントを待って画像 URL を読み、[DONE] まで継続します。このエンドポイントは最初に jobId を返さないため、画像取得のために /v1/jobs/{id} をポーリングしないでください。「接続済み」と「画像生成済み」は別の状態として扱うことをお勧めします。RequestBeam の結果処理

タイムアウト直後に再試行すべきでない理由と、調査方法は？

タイムアウトや待機停止は、クライアントが結果を待ち続けなかったことだけを意味し、サーバーが生成を中止した証拠ではありません。結果が不明なまま有料リクエストを繰り返さないよう、利用可能な履歴とアカウント使用量を確認してから再送信を判断してください。成功後は画像を自分のストレージへ保存し、返された URL を永続保存先と見なさないでください。RequestBeam のタイムアウトと保存

明示的なエラーでは状態コードから確認します。401 は API Key、402 は残高、404 はモデルの存在・有効化、429 は呼び出し頻度を見て、5xx は具体的なエラーでサービスまたは生成の問題を判断してください。リクエスト時刻、モデル、パラメーター、エラー詳細を保持することをお勧めします。単にタイムアウトを伸ばしたり、すべてのエラーを同じ再試行方法にしたりしないでください。RequestBeam のエラーコード