Choose your path
CometAPI で GPT Image 2.6 の API ワークフローを学ぶ：SVG 生成、透過 PNG、複数画像の編集、マークアップ、パラメータ、料金、移行。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)GPT Image 2.6 API は CometAPI 上で、Sunburst と Flare の2つのバリアントによって、画像生成と編集への実用的なルートを開発者に提供します。
Python と CometAPI キーで画像アセットを構築します: まずはラスタ生成リクエストから始め、ルートが対応していれば SVG 出力、参照画像、または透過 PNG の注釈レイヤーを追加します。サンプルは Python 3.10 以降を使用し、API キーはサーバー側に保持します。
最も重要な区別: 透過PNGの出力は完成アセットであり、透過PNGのマークアップファイルは、どこを編集するかをモデルに指示する入力です。
OpenAI は 2026年11月4日に GPT Image 2.6 を発表しました。このモデルファミリーは、ビジュアルの生成と改稿のためにテキストと画像の入力を受け付けます。
2つのバリアントはワークフロー志向という役割を共有しますが、優先順位は異なります。
| 仕様 | Sunburst | Flare |
|---|---|---|
| API 識別子 | gpt-image-2.6-sunburst | gpt-image-2.6-flare |
| 主眼 | 詳細なビジュアル作業 | 高速な反復 |
| 入力モダリティ | テキストと画像 | テキストと画像 |
| 出力モダリティ | 画像 | 画像 |
| 実務上の出発点 | 最終アセットと丁寧な改訂 | ドラフトと対話的編集 |
| 音声対応 | なし | なし |
小さく明示的な構成から始めましょう。
| パラメータ | 生成リクエスト | 実用上の使い方 |
|---|---|---|
| model | バリアント識別子を明示 | モデル選択を再現可能に保つ |
| prompt | テキスト指示 | アセットと制約を記述 |
| quality | low, medium, high から開始 | レンダリング品質を調整 |
| complexity | low, medium, high | 計画工数を調整 |
| size | 例: 1024x1024 | 比較のため寸法を固定 |
| n | 最初は 1 を使用 | テストとコスト確認を簡素化 |
| output_format | PNG, JPEG, WebP, SVG, GIF（エンドポイントの対応に依存） | 下流のアセットに合わせる |
| background | auto, opaque, transparent | ラスタ出力の背景挙動を制御 |
編集では、リクエストにソース画像も含めます。image-edit schema は最大 16 個の参照画像をサポートします。
最初の生成では complexity はデフォルトのままにします。特定のオブジェクトのリカラーのようなピンポイントの編集では、low から始めて、周辺のディテールが保たれているか確認しましょう。
CometAPI のセットアップガイドに従ってキーを作成し、以下の環境変数に保存します。編集のサンプルにはローカルの PNG ソースファイルも必要です。
サンプルは Python requests を使用し、JSON とマルチパートのリクエストボディを直接示します。
これらのサンプルは CometAPI を経由して OpenAI の Image API リクエスト形式を使用します。実行前に、選択した CometAPI ルートが例で使用するモデルとフィールドに対応していることを確認してください。
pip install requests pillow
シェルでキーを設定:
export COMETAPI_KEY="YOUR_COMETAPI_KEY"
PowerShell の場合:
$env:COMETAPI_KEY = "YOUR_COMETAPI_KEY"
共通ヘルパーを image_workflows.py として保存します。各ワークフロー例は別スクリプトに入れ、必要なヘルパーをインポートしてください。テストしたいワークフローだけを実行します。
import base64
import os
from pathlib import Path
import requests
BASE_URL = "https://api.cometapi.com/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['COMETAPI_KEY']}"}
MODEL = "gpt-image-2.6-flare"
def save_result(response, destination):
response.raise_for_status()
payload = response.json()
Path(destination).write_bytes(
base64.b64decode(payload["data"][0]["b64_json"], validate=True)
)
print(f"Saved: {destination}; usage: {payload.get('usage', 'Not returned')}")
def generate(prompt, destination, **options):
response = requests.post(
f"{BASE_URL}/images/generations", headers=HEADERS,
json={"model": MODEL, "prompt": prompt, "n": 1, "size": "1024x1024",
"quality": "medium", "complexity": "low", **options},
timeout=(15, 300),
)
save_result(response, destination)
このヘルパーは、失敗した HTTP 応答や無効な base64 データに対してエラーを送出します。data[0].b64_json を想定しています。ルートが異なる構造を返す場合は、保存関数を変更する前にその応答を確認してください。
返却された usage 記録は出力と一緒に保持しましょう。リクエストがタイムアウトした場合は、再送信する前にそのステータスまたは課金記録を確認してください。タイムアウトは生成が失敗したことを意味しません。
共通ヘルパーの後にこの呼び出しを実行して、単一のプロダクト画像を生成し、cup.png として保存します。
後続の編集例のため、同じ作業ディレクトリにある cup.png のコピーを product.png として作成してください。cup.png はオリジナルとして変更しないまま保持します。代わりにご自身のプロダクト写真を product.png として使用しても構いません。
setting.png は別途準備します: カップを配置したい背景やシーンの PNG 写真を使用し、プロダクトのための十分な空きスペースを確保してください。アップロードの権限がある画像を使用します。product.png と同じ場所に保存してください。マルチ参照リクエストでは、これは2つ目のプロダクト参照ではなくシーン用に使用されます。
generate(
prompt=(
"Create a studio product photograph of an unbranded teal "
"ceramic travel cup on a warm cream background. "
"Show one cup, a clean silhouette, and a soft contact shadow. "
"No text or decorative objects."
),
destination="cup.png",
output_format="png",
)
結果を短い受け入れチェックリストで確認します: カップが1つ、正しい色、シルエットがクリーン、余計なオブジェクトがない。
編集可能なベクターアセットにはSVG 出力を使用します。生成エンドポイントで n=1 を指定して要求し、応答をデコードして .svg ファイルに保存します。SVG 出力はストリーミングに対応していません。
generate(
prompt=(
"Design an original minimalist icon of a teal travel cup "
"with a small leaf motif. Use simple closed vector shapes, "
"two flat colors, and generous negative space. "
"No text, gradients, photographs, or background scenery."
),
destination="cup-icon.svg",
output_format="svg",
)
有用な SVG の受け入れテストは、ファイルを開くだけにとどまりません:
SVG をラスタ編集の入力として送り返さないでください。ベクターの改訂と画像編集のワークフローは分離しましょう。
切り抜きには、PNG 出力と透過背景を要求します。公式のtransparent-logo の例は、クリーンなアルファエッジと、描画されたチェッカーボードが存在しないことも強調しています。
generate(
prompt=(
"Create a single teal ceramic travel cup as an isolated "
"e-commerce asset. Center the entire cup with generous padding. "
"Keep clean edges and a fully transparent background. "
"No floor, backdrop, checkerboard pattern, or text."
),
destination="cup-transparent.png",
output_format="png",
background="transparent",
)
実際の透過を検証します:
from PIL import Image
with Image.open("cup-transparent.png") as image:
alpha = image.convert("RGBA").getchannel("A")
minimum, maximum = alpha.getextrema()
if minimum == 255:
raise RuntimeError("The output contains no transparent pixels.")
if maximum == 0:
raise RuntimeError("The output is entirely transparent.")
print("The output contains visible content and transparency.")
これは、切り抜きのふりをした不透明画像を検出します。エッジ品質は評価しないため、明るい背景と暗い背景の両方でアセットを目視確認してください。
各参照に具体的な役割を与えます。この例では、最初の画像がプロダクトのアイデンティティを提供し、2番目の画像が望むシーンを提供します。
with (
open("product.png", "rb") as product,
open("setting.png", "rb") as setting,
):
response = requests.post(
f"{BASE_URL}/images/edits",
headers=HEADERS,
data={
"model": "gpt-image-2.6-sunburst",
"prompt": (
"Use the cup in the first image as the exact product "
"reference. Use the second image only for the setting. "
"Place the cup naturally in that setting. Preserve its "
"silhouette, lid, color, and printed details. "
"Do not copy other products from the second image."
),
"quality": "high",
"complexity": "medium",
"output_format": "png",
},
files=[
("image[]", ("product.png", product, "image/png")),
("image[]", ("setting.png", setting, "image/png")),
],
timeout=(15, 300),
)
save_result(response, "product-in-setting.png")
マルチパートの例は image[] を使用します。JSON 編集リクエストは images 配列を使用します。2つのエンコーディングを混在させないでください。
再現性あるテストのため、参照の順序は固定しましょう。元のプロダクトと出力をフル解像度で比較し、とくに取っ手、ラベル、エッジ、反射を確認します。
マークアップは注釈レイヤーです。別の透過 PNG 上に円などの視覚的指示を描画し、そのファイルを元画像とともに送信します。
マークアップ ワークフローは、注釈を最初の入力画像に適用します。オーバーレイは、その向きに合わせた寸法と一致し、透過ピクセルを含み、元画像とは分離されていなければなりません。markup を mask や prompt_rewriter と併用しないでください。
OpenAI のデモでは、花瓶にマークが付いています:
結果の編集は花瓶を変更します:
これらは公式のデモ画像であり、以下のコードからの出力ではありません。
以下のバウンディングボックスは注釈の楕円を定義しています。編集したい対象を囲むように座標を調整し、送信前にオーバーレイを確認してください。
from PIL import Image, ImageDraw, ImageOps
with Image.open("product.png") as source:
oriented = ImageOps.exif_transpose(source).convert("RGBA")
oriented.save("product-oriented.png")
overlay = Image.new("RGBA", oriented.size, (0, 0, 0, 0))
draw = ImageDraw.Draw(overlay)
width, height = oriented.size
region = (
int(width * 0.25),
int(height * 0.15),
int(width * 0.75),
int(height * 0.85),
)
draw.ellipse(region, outline=(255, 0, 0, 255), width=6)
overlay.save("markup.png")
with (
open("product-oriented.png", "rb") as source,
open("markup.png", "rb") as markup,
):
response = requests.post(
f"{BASE_URL}/images/edits",
headers=HEADERS,
data={
"model": MODEL,
"prompt": (
"Change the body of the cup inside the red circle "
"to matte cobalt blue. Preserve the lid, shape, "
"lighting, and surrounding scene. "
"Remove the annotation from the finished image."
),
"quality": "medium",
"complexity": "low",
"output_format": "png",
},
files={
"image": ("product.png", source, "image/png"),
"markup": ("markup.png", markup, "image/png"),
},
timeout=(15, 300),
)
save_result(response, "cup-edited.png")
重要な設計上のポイントは、要求する変更と保持すべき詳細の両方を指定することです。注釈は対象を特定し、テキストは操作内容を定義します。
両方のバリアントは、以下の OpenAI 公開トークンレートを共有します。
| トークンカテゴリ | Sunburst のレート（100万トークンあたり） | Flare のレート（100万トークンあたり） |
|---|---|---|
| テキスト入力 | $5.00 | $5.00 |
| キャッシュ済みテキスト入力 | $1.25 | $1.25 |
| 画像入力 | $8.00 | $8.00 |
| キャッシュ済み画像入力 | $2.00 | $2.00 |
| 画像出力 | $30.00 | $30.00 |
これは OpenAI のレートであり、CometAPI の正式な見積もりではありません。
非キャッシュのリクエストに対応する計算は次のとおりです:
Cost =
(text input tokens × $5
+ image input tokens × $8
+ image output tokens × $30)
÷ 1,000,000
たとえば、テキスト入力トークンが 1,000、画像入力トークンが 0、画像出力トークンが 2,000 のラスタリクエストのコストは $0.065 です。
CometAPI の GPT Image 2.6 API では、選択したルートに表示される価格を使用し、リクエストに記録された課金を確認してください。上記の OpenAI レートは参照計算であり、CometAPI の見積もりではありません。
有用なビジネスメトリクスは次のとおりです:
Cost per accepted asset =
total workflow spending ÷ number of approved assets
却下された生成や改訂ラウンドも分子に含めましょう。
すでに GPT Image 2.5 を使用している場合は、まずモデル識別子を更新し、エンドポイントとレスポンス処理を明示的に維持してください。基本的なリクエストが成功した後にのみ、オプションの出力形式を追加します。
デフォルトモデルに依存せず、model="gpt-image-2.6-flare" または model="gpt-image-2.6-sunburst" を設定します。最初の応答を確認しながら、既存の入力ファイルとプロンプトを維持してください。
SVG については、生成エンドポイントを使用し、デコードしたバイトを .svg 拡張子で保存し、ストリーミングは省略します。ラスタ編集では、ソース画像を編集リクエストに含め続けます。別の透過オーバーレイを準備した後にのみ markup を追加します。
ファイル配信レイヤーも更新してください: SVG アセットと PNG アセットではメディアタイプが異なります。元のソースと承認済みの改訂を保持します。新しい編集は、保持したい変更を含むバージョンを起点に開始してください。
まずはプロダクト画像の例から始め、その後、目的の出力に合ったワークフローを選びましょう: 編集可能なベクター作品には SVG、切り抜きには透過PNG、複合入力には参照画像、局所的な変更にはマークアップ。Flare と Sunburst を同じプロンプトと設定で比較し、承認アセットあたりのコストを追跡します。
サーバーが処理を続けている最中にタイムアウトが発生することがあります。リクエスト ID を保存し、再試行の前にプロバイダのリクエストログを確認して、重複作業や重複課金を避けてください。
ヘルパーは data[0].b64_json を含む JSON 応答を想定しています。まず HTTP ステータスと応答構造を確認してください。ルートが画像 URL を返す場合は、その URL を base64 デコーダに渡すのではなく、ドキュメント化された URL ダウンロードフローを実装します。保存する拡張子は要求した形式と一致させてください。
ソース、オーバーレイ、各出力を別名で保存します。たとえば、product-source.png、product-markup.png、product-edit-01.png を使用します。出力の隣にプロンプトを保存します。これにより、オリジナルを失わず、注釈付きプレビューを誤ってソースとしてアップロードすることも避けながら、特定の改訂を再訪できます。
ターゲットのレンダラでアセットを開き、通常の SVG 検証ツールで XML を検査します。公開前に、寸法、クリッピング、パス、テキストを確認してください。アプリケーションの SVG サニタイズポリシーを適用し、適切なメディアタイプで提供し、インターフェースで使用する最小サイズでも可読性が保たれていることを検証します。