GPT Image 2.6 Flare API：生成、編集、および料金体系

Flareの設計目的

Flareは、迅速なドラフト作成、頻繁なプレビュー、およびインタラクティブな修正を行うために位置付けられています。製品写真の背景の検討、キャンペーン構成のテスト、そして最終的な1枚を決定する前に複数のビジュアル案を作成するといった用途に適しています。 GPT Image 2.6 Sunburstは、同じファミリー内で詳細と一貫性を重視した代替モデルです。これは単なる「イラストモード」ではなく、Flareもフォトリアリズムに限定されるものではありません。ラベルの忠実度、レイアウト、承認済み被写体の保持、必要な修正回数など、承認を決定づける詳細に基づいて比較してください。 現在の利用状況についてはモデルカタログをご確認ください。共有アカウントであっても、すべてのモデルの入力、タスクルート、または出力設定が同一であるとは限りません。

APIキーのセットアップ

GPT Proto APIキーダッシュボードでキーを作成し、サーバーサイドのアプリケーションから利用できるようにします：

export GPTPROTO_API_KEY="your_api_key_here"

キーはブラウザコードやバージョン管理に含めないでください。環境変数またはデプロイ先のシークレットストアから読み込んでください。ローカルの.envファイルを使用する場合は、そのファイルをコミット対象から除外してください。 本ガイドでは、APIのオリジンはhttps://gptproto.comです。以下の生成および編集パスには既に/api/v3が含まれています。/v1を先頭に追加したり、チャット補完用のベースURLに置き換えたりしないでください。 モデルリストの要求が成功したからといって、画像ルートでジョブが完了できるとは限りません。バッチ処理を追加する前に、小さなリクエストで送信から結果までのフロー全体を検証してください。

画像を生成する

Flareのテキストから画像へのルートは、以下のエンドポイントを公開しています：

POST https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/text-to-image

リクエストを検証しやすいように、1枚の画像と明示的な設定から始めてください：

curl --request POST \
  "https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/text-to-image" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "prompt": "A square studio product photo of a matte navy insulated bottle on a pale gray plinth. Soft side lighting, warm off-white background, room for copy on the left. No text.",
    "n": 1,
    "quality": "medium",
    "size": "1024x1024",
    "enable_sync_mode": false,
    "response_format": "url"
  }'

モデルはURLによって選択されます。この公開ルートでは個別のmodelフィールドは不要であり、sizeは必須の第3フィールドではなくオプションです。

リクエストフィールド

結果の取得

送信および結果の取得には、code、message、および data を含むエンベロープが使用されます。HTTPの成功は、生成が完了したことを意味するものではありません。予測ステータスだけでなく、ビジネスレベルの code も確認してください。

GET https://gptproto.com/api/v3/predictions/{result_id}/result

ポーリング時も同じBearer認証を使用してください。response_format: "url" の場合、完了した出力はファイルURLになります。b64_json の場合、ドキュメント化された出力配列にBase64文字列が含まれることがあります。このGPT Protoルートでは、OpenAIのネイティブな前提である data[0].b64_json は使用されません。 保持する必要があるアセットは保存し、実際のメディアタイプを維持してください。また、文書化されていないホストURLの有効期間に依存しないでください。

Python: 送信とポーリング

アプリケーション環境に requests をインストールします。以下の例では、一度リクエストを送信し、返された結果URLをポーリングして、完了した出力URLを表示します。なお、5分という期限はこの例で使用しているアプリケーション側のタイムアウト設定であり、サービスの保証時間ではありません。

import os
import time
from urllib.parse import urlparse
import requests
ORIGIN = "https://gptproto.com"
API_KEY = os.environ["GPTPROTO_API_KEY"]
HEADERS = {"Authorization": f"Bearer {API_KEY}"}
def read_envelope(response):
    response.raise_for_status()
    body = response.json()
    if body.get("code") != 200:
        raise RuntimeError(f"GPT Proto request failed: {body.get('message')}")
    data = body.get("data")
    if not isinstance(data, dict):
        raise RuntimeError("Missing prediction data")
    return data
def submit_and_poll(scene, payload, timeout_seconds=300):
    if scene not in {"text-to-image", "image-edit"}:
        raise ValueError("Unsupported scene")
    endpoint = f"{ORIGIN}/api/v3/openai/gpt-image-2.6-flare/{scene}"
    response = requests.post(
        endpoint,
        headers={**HEADERS, "Content-Type": "application/json"},
        json=payload,
        timeout=(10, 120),
    )
    prediction = read_envelope(response)
    prediction_id = prediction.get("id")
    deadline = time.monotonic() + timeout_seconds
    while True:
        status = prediction.get("status")
        if status == "completed":
            outputs = prediction.get("outputs")
            if not isinstance(outputs, list) or not outputs:
                raise RuntimeError("Completed prediction has no outputs")
            return outputs
        if status == "failed":
            raise RuntimeError(
                f"Prediction {prediction_id} failed: {prediction.get('error')}"
            )
        if status not in {"created", "running"}:
            raise RuntimeError(f"Unexpected prediction status: {status}")
        if time.monotonic() >= deadline:
            raise TimeoutError(f"Check prediction {prediction_id} before resubmitting")
        result_url = prediction.get("urls", {}).get("get")
        parsed = urlparse(result_url or "")
        if (
            parsed.scheme != "https"
            or parsed.netloc != "gptproto.com"
            or not parsed.path.startswith("/api/v3/predictions/")
        ):
            raise RuntimeError("Unexpected result URL; check the route documentation")
        time.sleep(2)
        prediction = read_envelope(
            requests.get(result_url, headers=HEADERS, timeout=(10, 60))
        )
if __name__ == "__main__":
    outputs = submit_and_poll(
        "text-to-image",
        {
            "prompt": "A square product photo of a navy bottle on a pale plinth, soft side lighting, no text",
            "n": 1,
            "quality": "medium",
            "size": "1024x1024",
            "enable_sync_mode": False,
            "response_format": "url",
        },
    )
    for output_url in outputs:
        print(output_url)

このスクリプトを flare_example.py として保存しておくと、以下の編集例でヘルパー関数を再利用できます。このスクリプトは、課金対象となる可能性のある生成処理を自動的に再送信するのではなく、リクエストエラーが発生した時点で停止するように設計されています。本番環境で使用する場合は、元の予測が存在するかを確認した上で、適切な操作に対してリトライ処理を追加してください。

Node.js: 生成の送信

fetchおよびAbortSignal.timeoutをサポートする最新のNode.jsランタイムを使用すれば、SDK固有の画像ラッパーなしで同じJSONを送信できます。この例を.mjsファイルとして保存してください：

const apiKey = process.env.GPTPROTO_API_KEY;
if (!apiKey) throw new Error("Set GPTPROTO_API_KEY first");
const response = await fetch(
  "https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/text-to-image",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${apiKey}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      prompt: "A square product photo of a navy bottle, soft side lighting, no text",
      n: 1,
      quality: "medium",
      size: "1024x1024",
      enable_sync_mode: false,
      response_format: "url",
    }),
    signal: AbortSignal.timeout(120000),
  },
);
if (!response.ok) throw new Error(`HTTP ${response.status}`);
const body = await response.json();
if (body.code !== 200 || !body.data) {
  throw new Error(body.message || "Prediction submission failed");
}
console.log(JSON.stringify(body.data, null, 2));

これは予測結果を出力するものであり、完成した画像ファイルではありません。認証済みのポーリングにはそのurls.get値を使用し、上記のワークフローに従ってステータスがcompletedになった後にのみoutputsを読み取ってください。

参照画像の編集

Flare画像編集ルートは、生成とは別になっています：

POST https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/image-edit

これには、必須のimagesフィールドとpromptフィールドを含むJSONが必要です。GPT Protoではimagesを文字列の配列として定義しており、最大16枚の参照画像を指定できます。生成ルートと同じ品質、サイズ、同期、配信設定がリストされています。 サポートされているアップロードフローを通じて参照画像を準備し、生成されたリクエストを確認してください。それらの参照文字列をimagesで使用してください。期待される入力表現を確認せずに、ローカルファイルパス、任意のBase64エンコーディング、またはimageという名前のマルチパートフィールドを代用しないでください。 例えば、そのフローからの参照文字列をGPTPROTO_REFERENCE_IMAGESにJSON配列として保存し、Pythonヘルパーを再利用します：

import json
import os
from flare_example import submit_and_poll
references = json.loads(os.environ["GPTPROTO_REFERENCE_IMAGES"])
if (
    not isinstance(references, list)
    or not 1 <= len(references) <= 16
    or not all(isinstance(item, str) and item for item in references)
):
    raise ValueError("Provide 1–16 valid reference strings from the upload flow")
outputs = submit_and_poll(
    "image-edit",
    {
        "images": references,
        "prompt": "Replace only the tabletop with light oak. Preserve the bottle shape, printed label, camera angle, reflections, and shadow direction.",
        "n": 1,
        "quality": "medium",
        "size": "1024x1024",
        "enable_sync_mode": False,
        "response_format": "url",
    },
)
print(outputs)

マスクとマークアップは互換性がありません

現在のGPT Proto編集スキーマには、maskやmarkupフィールドは記載されていません。白黒のマスクや透明な注釈レイヤーを送信しても、それが編集境界として解釈されるとは限りません。 OpenAIは画像生成ガイドの中でマークアップによる編集について説明していますが、アップストリームでのサポートが、GPT ProtoのJSONルートで同じ制御が可能であることを保証するものではありません。このルートを使用する場合は、サポートされている参照入力と正確な編集指示から始めてください。変更を加えないはずだった領域を含め、出力結果を元画像と比較してください。

品質、サイズ、配信は個別に選択する

要件を満たす安価なドラフト作成にはlowを使用し、最終的なアセットにはmedium以上の設定を比較してください。これはワークフローの推奨事項であり、設定を高くすれば常に最高の画像が得られる、あるいは特定のレイテンシが保証されるというものではありません。

公開されているサイズセレクターには、正方形、横長、縦長のオプションが含まれています。その寸法ガイダンスでは、各辺が16で割り切れること、最大辺が3,840ピクセルであること、アスペクト比が3:1を超えないこと、総ピクセル数が655,360から8,294,400の間であることが求められます。任意のカスタム幅や高さが受け入れられると想定するのではなく、リストされているプリセットから始めてください。

response_formatは、urlまたはb64_jsonによる配信を制御します。これはPNG、JPEG、WebP、GIF、SVGを選択するものではありません。現在のGPT Protoリクエストスキーマには、output_format、frame_count、frame_duration_ms、complexity、またはnegative_promptは記載されていません。

OpenAIは、SVGやアニメーションGIF出力を含む追加機能について文書化していますが、使用しているGPT Protoルートで明示的に公開されるまでは、それらをアップストリームの機能として扱ってください。リクエストに文書化されていないフィールドを追加したり、これらの形式をこのルートの確定した出力として説明したりしないでください。

承認済み画像1枚あたりの価格とコスト

料金は2026年11月8日（太平洋時間）時点のものです。GPT Protoの現在のモデルリファレンスに記載されている画像トークンレートに基づいています。価格は変更される可能性があります。

テキスト入力は別途課金されます。ジョブ全体のコストを見積もる前に、最新のレートと表示されている精度を確認してください。モデルページでは現在、定価より5%低いレートが提示されていますが、これはモデル固有の価格設定であり、すべてのモデルに対する保証された割引や、生成されるすべての画像に対する固定的な節約を意味するものではありません。 例として、100万トークンあたり$28.50の画像出力トークン1,000個は$0.0285となります。これは出力のみを対象とした算術的な例であり、特定の画像が何トークン消費するかを予測するものではありません。テキスト入力、参照画像の処理、および繰り返し生成は、合計コストに加算されます。

現在のルートリファレンスには、予測エンベロープ内の usage フィールドに関するドキュメントはありません。アカウントで利用可能な課金情報を使用してください。未確認のレスポンスフィールドに基づいてコストレポートを構築しないでください。より高品質な出力、より大きな出力、および追加の参照によって消費量は変化する可能性がありますが、ここで固定の乗数や段階的な画像価格が設定されているわけではありません。

ワークフローを比較するには、総支出を承認済みアセット数で割って算出してください。修正を繰り返す必要がある安価なドラフトは、高品質な初回結果よりもコストがかかる場合があります。まずは n: 1 で開始し、配置に必要な寸法を使用し、出力品質と課金の両方を確認した後にのみボリュームを増やしてください。現在のアカウントレベルの支払い条件については、GPT Protoの価格 を参照してください。

評価可能なプロンプトの作成

アセット、被写体、構図、照明、スタイル、制約事項を平易な言葉で記述してください。編集を行う場合は、変更を希望する箇所と、変更してはならない詳細を分けて記述してください。特定の単語順序にドキュメント化されたトークン加重の利点があると想定しないでください。

製品キャンペーン： 「マットネイビーの断熱ボトルの正方形のスタジオ広告を作成してください。淡い灰色の台座の右3分の1に配置してください。左半分はコピー用に空けておいてください。柔らかなサイドライティングと温かみのあるオフホワイトの背景を使用してください。画像にはテキストを含めないでください。」

集中的な修正： 「テーブルトップのみを明るいオーク材に変更してください。カメラアングル、ボトルの形状、印刷されたラベル、反射、影の方向は変更しないでください。既存の照明に合わせてください。」

正確なテキスト： 「『NIGHT MARKET』という見出しを正確に記載した、縦型のイベントポスターを作成してください。上部に大きな見出しを1つ、中央に製品写真を1つ配置し、下部には後で日付を追加できるようにスペースを空けておいてください。」

フルサイズで文字を確認し、最終的なトリミングを検査してください。視覚的に説得力のある出力であっても、ラベルが間違っていたり、コピーエリアが使用できなかったりする場合があります。GPT Image 2.5プロンプトガイド には関連するプロンプトの演習が記載されていますが、その例はFlare 2.6のベンチマークではありません。

重複したジョブを作成せずにエラーを処理する

HTTPレスポンスと予測エンベロープの両方を確認してください。リクエストの受け入れ、生成の完了、アセットの取得はそれぞれ別個のステップです。

再試行可能な操作には、ジッター（揺らぎ）を伴う制限付きの再試行ポリシーを使用してください。遅延、試行回数、アプリケーションの期限は、GPT Protoが保証するデフォルト値ではなく、お客様が設定を選択するものです。すべてのレスポンスに特定のレート制限ヘッダーが含まれていると想定しないでください。

予測ID、レスポンスステータス、タイミング、およびサニタイズされたエラー詳細をログに記録してください。APIキー、完全な参照画像、またはリクエストペイロード全体をログに記録しないでください。ネットワークタイムアウトが発生した場合は、可能な限り既知の予測を復旧してから再送信してください。重複した生成は追加料金が発生する可能性があります。

既存のワークフローをFlare 2.6に移行する

アップグレードは、単にモデル文字列を置き換えるだけではありません。GPT Proto は、ルートパスを通じてこのモデルとタスクを選択します。代表的なプロンプトと参照を使用して新しい生成または編集ルートをテストする間は、既存の統合を維持してください。

明示的なサイズ、品質、画像数、および配信設定を使用してください。テキストの正確性、製品詳細の保持、承認された結果までの時間、およびリビジョンごとの総コストを比較してください。本番環境のトラフィックを移行する前に、レスポンスの解析とポーリングの動作を再確認してください。

OpenAIネイティブの画像クライアントから移行する場合は、ペイロードと結果の処理をGPT Protoの data.status および data.outputs エンベロープに適応させてください。client.images.generate() や client.images.edit() が、これらのネイティブGPT Protoルートをそのまま呼び出せると想定しないでください。