GPT Image APIの使い方｜gpt-image-2.5の実装・料金と旧モデルの移行期限

OpenAIの画像生成API（GPT Image API）は、2026年9月8日に gpt-image-2.5-sunburst と gpt-image-2.5-flare が出たことで、また基準が変わりました。公式ガイドのサンプルはすべて2.5系に書き換わり、gpt-image-1 は10月23日、gpt-image-1.5 などは12月1日にAPIから消え、その推奨移行先も2.5系です。この記事は2026年10月21日時点の公式ドキュメント・APIリファレンス・料金表と、手元で動かした openai-python 3.35.1 の挙動を根拠に、モデルの選び方から最小コード、パラメータ、料金、移行の期限までをまとめます。

まとめ

• 新規実装のモデルは、編集の精度を重視するなら gpt-image-2.5-sunburst、速度重視の日常生成なら gpt-image-2.5-flare。どちらも既定スナップショットは 2026-09-08 版で、トークン単価は gpt-image-2 と同じです。
• gpt-image-1 は2026年10月23日、gpt-image-1.5・gpt-image-1-mini・chatgpt-image-latest は12月1日に削除されます。公式の推奨移行先はいずれも2.5系の2モデルで、gpt-image-2 には削除の告知がありません。
• Azure OpenAI（Foundry）では停止日が別です。gpt-image-1-mini はAzureなら2027年4月7日まで残り、gpt-image-1.5 は12月16日です。
• 品質の xhigh と max は2.5系だけの値です。GPT Imageモデルは常にbase64で返し、URLでは受け取れません。seed パラメータはSDKにもAPIにもありません。
• 画像生成は組織認証（API Organization Verification）が要る場合があり、レート制限は最下位の有料ティア Build で毎分20枚です。

GPT Image APIのモデル一覧と停止日（2026年10月時点）

gpt-image-2.5のSunburstとFlareの選び分け

OpenAIのモデル一覧は、GPT-Image-2.5 Sunburst を「Our most capable model for image generation and editing」、Flare を「Fast, high-quality everyday image generation」と説明しています。2026年9月8日のAPI変更履歴は、編集の精度が最も重要なワークフローにSunburst、速く高品質な日常の生成にFlareを使うよう案内しています。

2モデルはモデルページの記載上、料金・対応エンドポイント・レート制限がまったく同じで、違いは用途の説明だけです。そのため料金表では選べません。迷ったら編集を含むワークロードはSunburst、テキストから1枚ずつ量産するワークロードはFlareで始め、同じプロンプト・同じ品質で両方を数十枚出して usage の出力トークンと所要時間を比べてから固定するのが確実です。公式ガイドは「単価が同じでも1枚あたりの費用は同じにならない」と明記しており、同じ品質設定でもモデルによって消費トークンが違います。

本番コードでは、エイリアスの gpt-image-2.5-flare ではなく gpt-image-2.5-flare-2026-09-08 のように日付付きのスナップショットを指定しておくと、次の版が出たときに出力の傾向が勝手に変わりません。製品としての gpt-image-2 そのもの（ChatGPT Images 2.0）の特徴や日本語の描画精度はGPT Image 2（ChatGPT Images 2.0）とは？使い方・料金・日本語精度と旧版の違いで扱っています。

旧モデルの停止日と推奨の移行先

OpenAIの廃止予定一覧に載っている画像モデルは次のとおりです。

削除の順番は版番号どおりではありません。gpt-image-1 は gpt-4 や o4-mini と同じ4月22日告知の旧スナップショット一括廃止に入っており、1.5系とminiは6月2日告知の別の回です。古い1が先に止まり、新しい1.5とminiが後まで残ります。コードベースを検索するときは gpt-image-1 のリテラルを最優先で潰してください。前方一致で検索すると gpt-image-1.5 や gpt-image-1-mini も引っかかるので、検索結果を「10月23日組」と「12月1日組」に分けて対応日を決めます。DALL-E系が先に退役した経緯はdall-e の最新はどうなった？OpenAI画像生成の現在地（DALL-E 3廃止・gpt-image-2へ）にまとめています。

2026年9月までに書かれた移行手順の多くは「移行先は gpt-image-2」と書いています。gpt-image-2 は削除の告知がないので移行先として誤りではありませんが、廃止一覧の推奨は2.5系に書き換わっています。今から移すなら、公式の推奨移行先である2.5系を第一候補にし、品質・費用・既存機能との互換性を確認して判断してください。

OpenAI直販とAzure Foundryで異なる停止日

同じモデル名でも、Azure OpenAI（Microsoft Foundry）で使っている場合は停止日が違います。Microsoft Learn のモデル引退スケジュール（2026年9月21日更新）とOpenAIの廃止一覧を並べると、次のようになります。

Azureの表には gpt-image-2 や2.5系にも、提供開始から1年から1年半後の引退日が入っています。OpenAI直販の「告知なし」と並べて「Azureのほうが先に止まる」と読むのは早計で、両方の表を四半期ごとに見直すのが現実的です。注意したいのは片方だけ見て移行計画を立てるケースです。Azureで gpt-image-1-mini を使う部署がOpenAI直販の12月1日に合わせて急ぐ必要はなく、逆に直販で使うチームがAzureの2027年4月を前提にすると12月1日に止まります。Azure側のモデル選びはAzure OpenAI Serviceのモデル一覧と選び方で整理しています。

GPT Image APIの料金と1枚あたりの目安

料金表のトークン単価（100万トークンあたり・標準処理）は次のとおりです。Batch APIを使うと、すべて半額になります。

1枚あたりの目安は、公式ガイドの料金計算機が代表的な3サイズで示しています（単位はドル）。gpt-image-2 はトークン課金のため同じサイズで比べるための参考値です。2.5系はこの比較表に載っていません。Sunburst・Flareのモデルページは「GPT Image 2の計算機は2.5のトークン消費を見積もらない」と注意しているので、2.5系を見積もるときは現行ガイドの出力トークン計算機で2.5系のモデルを選ぶか、実際の usage で測ります。

移行で費用が最も跳ねるのは gpt-image-1-mini からです。画像出力の単価が8ドルから30ドルへ約3.8倍になり、medium・正方形の目安でも0.011ドルが gpt-image-2 で0.053ドルと約5倍です。miniのmediumを大量に回していた用途は、移行先・サイズ・枚数によっては月額が数倍になりえます。2.5系へ移す場合は gpt-image-2 の参考値を流用せず、2.5系で実際に見積もってください。low同士で比べればminiの0.005ドルに対し gpt-image-2 は0.006ドルで差は2割程度なので、12月1日までに「lowで足りる用途」と「品質が必要な用途」を分けておくべきです。gpt-image-2 の medium では縦長の1024×1536（0.041ドル）が正方形（0.053ドル）より安く、画素数の多いほうが安い場合がある点も見積もりで外さないでください。

請求額は、プロンプトのテキスト入力、編集時の画像入力、画像出力の各トークンの合計です。gpt-image-2 以降の2モデル系統では、キャッシュ入力の割引が効くのは Responses API の画像生成ツール経由だけで、Images API への直接リクエスト（v1/images/edits を含む）には適用されません。

Pythonで画像を生成する最小実装

組織認証とAPIキーの準備

公式の画像生成ガイドは、GPT Imageモデルを使う前に開発者コンソールから組織認証（API Organization Verification）を済ませる必要がある場合があると書いています。テキスト生成が通るキーでも画像生成だけ拒否されうるので、コードを書く前に組織設定の画面を確認してください。APIキーの発行と環境変数 OPENAI_API_KEY の設定、SDKの導入手順はOpenAI Python SDKの使い方｜インストールから最新クライアント・Responses APIまでと共通です。

images.generateの最小コードとbase64の保存

モデルIDを指定してプロンプトを渡し、返ってきたbase64文字列をデコードしてファイルに書き出すのが最小構成です。生成エンドポイントのリファレンスは「Specify a model explicitly」としており、model は省略せずに書きます。

import base64
from openai import OpenAI

client = OpenAI()  # 環境変数 OPENAI_API_KEY を読む

result = client.images.generate(
    model="gpt-image-2.5-flare-2026-09-08",
    prompt="明るい木のテーブルに置かれたベージュのマグカップ、真上からの商品写真",
    size="1536x1024",
    quality="medium",
)

with open("mug.png", "wb") as f:
    f.write(base64.b64decode(result.data[0].b64_json))

1回で複数枚が必要なら n に1から10を指定します。prompt の上限は32,000文字で、長い指示書をそのまま渡せます。

openai-python 3.35.1で確かめたパラメータとseedの扱い

2026年10月18日公開の openai-python 3.35.1 を Python 3.12 に入れ、型定義と送信内容をローカルのモックサーバーで確認しました。client.images.generate が受け付ける引数は次の15個です（extra_headers などの共通引数を除く）。

prompt, background, model, moderation, n, output_compression, output_format,
partial_images, quality, response_format, safety_identifier, size, stream, style, user

モデル名の型 ImageModel には gpt-image-2.5-sunburst・gpt-image-2.5-flare と各 2026-09-08 版が入っており、quality の型にも xhigh と max が入っています。古いSDKのまま型チェッカーを通している場合は、SDKを更新しないとこの2値が型エラーになりうるので、2.5系に移るときはSDKの更新を同じ変更に含めてください。

この一覧に seed はありません。実際に seed=1 を渡すと、リクエストを送る前に TypeError: Images.generate() got an unexpected keyword argument 'seed' で止まります。一方、extra_body={"seed": 1} のように型の外から渡すと、SDKは止めずにそのままJSONに入れて送信しました（モックサーバーで受信したボディは {"model":"gpt-image-2.5-flare","prompt":"test","seed":1}）。APIリファレンスの生成・編集のどちらにも seed は無いので、このキーが再現性を与えることはありません。他社APIの癖で extra_body に残っているコードがあれば消してください。

出力を制御するパラメータ

qualityの値とモデルごとの上限

quality は low・medium・high・auto（既定）に加え、2.5系だけが xhigh と max を受け付けます。gpt-image-2 以前のモデルは high が上限です。公式ガイドは下書きに low を使い、最終素材は上位の品質を比べてから決めるよう勧めています。max を既定にすると1枚あたりの出力トークンと待ち時間がどこまで増えるかは料金表からは読めないので、本番に入れる前に usage で実測してください。公式の制限事項は、複雑なプロンプトでは処理に最大2分かかりうるとしています。

sizeの制約（任意解像度）

gpt-image-2 と2.5系は、標準の 1024x1024・1536x1024・1024x1536 に加えて、次の条件を満たす任意の解像度を 1536x864 のような文字列で受け付けます。

• 幅と高さがともに16の倍数
• 縦横比が1:3から3:1の範囲
• 長辺が3840px以下（最大 3840x2160）
• 総画素数が655,360以上8,294,400以下

2560x1440 を超える解像度は実験的な扱いです。4Kを顧客向けの確定仕様として約束するのは避け、2K程度までを本番の常用値にしておくのが無難です。gpt-image-1 系は標準の3サイズしか受け付けないので、任意解像度を前提にしたコードを旧モデルで流すと弾かれます。

出力形式・圧縮・背景透過

既定の出力形式は png で、jpeg と webp も選べます。jpeg と webp では output_compression に0から100を指定でき、既定は100です。公式ガイドは jpeg のほうが png より速いとしているので、待ち時間が気になる画面では jpeg を選びます。

背景透過は background="transparent" を指定し、形式を png か webp にします。リファレンスでは2.5系は透過と不透過の両方に対応と書かれていますが、gpt-image-2 の透過はプレビュー扱いです。透過アセットの自動生成を製品機能にするなら、2.5系で組むほうが仕様上の足場が固くなります。

画像内の文字描画の限界

公式の制限事項は、文字描画について「Although significantly improved, the model can still struggle with precise text placement and clarity」と書いています。バナーやサムネイルの文言を機械生成して無検査で配信する運用は避け、文字は後段で重ねるか、公開前に目視確認を挟みます。キャラクターやブランド要素を複数枚で揃えることも苦手な項目として挙げられています。

images.editによる既存画像の編集と入力条件

マスク画像の要件とアルファチャンネル

部分編集は v1/images/edits にマスク画像を渡して行います。編集する画像とマスクは同じ形式・同じサイズで、いずれも50MB未満にする必要があり、マスクはアルファチャンネルを含んでいなければなりません。公式ガイドには白黒画像にアルファチャンネルを足すPillowのコードが載っており、手元で1024×1024の白地に黒い正方形を描いたマスクを通すと、モードが L から RGBA になり、黒い部分のアルファが0、白い部分が255になりました。

from PIL import Image

mask = Image.open("mask.png").convert("L")   # 白黒マスクをグレースケールで読む
mask_rgba = mask.convert("RGBA")
mask_rgba.putalpha(mask)                       # 黒=アルファ0、白=アルファ255
mask_rgba.save("mask_alpha.png")

もう1点、公式ガイドは「GPT Imageのマスクは完全にプロンプトベースで、形を正確にはなぞらない場合がある」と書いています。マスクの境界をピクセル単位で守らせる用途には向かないので、描き直したい対象と残したい対象をプロンプトでも言葉で指定してください。

result = client.images.edit(
    model="gpt-image-2.5-sunburst-2026-09-08",
    image=open("lounge.png", "rb"),
    mask=open("mask_alpha.png", "rb"),
    prompt="中央のソファだけを青いベルベットのソファに置き換える。床と窓はそのまま",
)

複数画像の合成とinput_fidelityの扱い

編集エンドポイントの image にはファイルを配列で渡せ、GPT Imageモデルでは最大16枚まで受け付けます。SDK 3.35.1 で2枚を渡すと、image[] という名前の multipart フィールドとして送信されました。マスクを付けた場合は1枚目の画像にだけ適用されます。JSONで送る場合は images に image_url か file_id を並べる形式も使えます。

入力画像の細部をどれだけ保つかを決める input_fidelity は、リファレンス上 gpt-image-1 と gpt-image-1.5 が high・low、gpt-image-1-mini は low のみで、gpt-image-2 では指定してはいけません（常に高忠実度で処理されるため）。2.5系について対応値の記載はないので、2.5系に移すときは指定を外しておくのが安全です。gpt-image-2 以降は入力画像を常に高忠実度で扱うため、参照画像を渡す編集は生成だけの場合より入力トークンが増えます。

編集エンドポイントの既定モデルはsunburst

生成では model を必ず指定しますが、編集のリファレンスは model の既定を gpt-image-2.5-sunburst と書いています。model を省略した旧コードの編集リクエストは、現在は2.5のSunburstで処理されます。旧モデルのつもりで出力の傾向や課金を見積もっていると食い違います。モデルの版を固定したいなら、編集でもスナップショット付きのモデルIDを明示してください。費用は入力画像・品質・サイズ・消費トークン数によって変動します。

Image APIとResponses APIの使い分け

1つのプロンプトから1枚を生成・編集するだけなら Image API が最短です。会話の流れで画像を出し、対話で修正を重ねる体験を作るなら Responses API の画像生成ツールを使います。Responses API はトップレベルで gpt-5 以降のメインラインモデルを選び、ツールの model に gpt-image-2.5-sunburst などを指定する構造です。モデルページの対応表では2.5系の Responses エンドポイントが「Not supported」になっていますが、これはトップレベルのモデルとして指定できないという意味で、画像生成ツールのモデルとしては使えると変更履歴に書かれています。

response = client.responses.create(
    model="gpt-5.6-sol",
    input="雨上がりの京都の路地を水彩画で",
    tools=[{"type": "image_generation", "model": "gpt-image-2.5-flare"}],
)

Responses API 経由では、画像生成の費用に加えてメインラインモデルのトークンも課金されます。一方で、前述のキャッシュ入力の割引が効くのはこちらだけです。同じ画像を何度も参照しながら修正を重ねるなら Responses API、枚数を一括で出すだけなら Image API と分けるのが費用面でも合理的です。生成結果には書き換え後のプロンプトが revised_prompt として付きます。Responses API 自体の設計はOpenAI Responses APIとChat Completions APIの違い｜移行手順と見送る条件で整理しています。

画像返却・ストリーミング・エラー処理の仕様

base64限定の画像返却とvariationsの廃止

response_format はパラメータ一覧に残っていますが、リファレンスは「Legacy response format parameter for retired image models. Unsupported for GPT image models, which always return base64-encoded images」と説明しています。URLで画像を受け取る手段は、DALL-E系の削除とともに無くなりました。同じ理由で v1/images/variations も「retired and no longer available」で、既存画像の派生を作るには編集エンドポイントに画像とプロンプトを渡します。

アプリ側は、base64をデコードして自前のストレージに置き、そのURLを配信する設計にします。生成レスポンスをそのままフロントへ流すと1枚あたり数百KBから数MBの文字列が乗るため、API Gatewayのレスポンスサイズ上限やログ基盤への出力量を先に確認しておくべきです。

partial_imagesは1枚につき100トークンの追加課金

生成途中の画像を受け取るストリーミングは、stream=True にしたうえで partial_images に0から3を指定します。Image API のイベント型は image_generation.partial_image です。

stream = client.images.generate(
    model="gpt-image-2.5-flare",
    prompt="白いフクロウの羽でできた川が冬の雪原を流れる風景",
    stream=True,
    partial_images=2,
)

for event in stream:
    if event.type == "image_generation.completed":
        with open("river-final.png", "wb") as f:
            f.write(base64.b64decode(event.b64_json))
    elif event.type == "image_generation.partial_image":
        with open(f"river{event.partial_image_index}.png", "wb") as f:
            f.write(base64.b64decode(event.b64_json))

公式ガイドは、部分画像1枚ごとに画像出力トークンが100追加されると明記しています。速く生成し終われば指定枚数より少なく届くこともあります。利用者が待機画面を見るフローでだけ有効にし、夜間の一括生成では0のままにするのが妥当です。

moderationとmoderation_detailsによるエラー処理

コンテンツの厳しさは moderation で auto（既定）か low を選べますが、low も無制限ではありません。エラー処理では、レート制限やサーバーエラーはバックオフ付きでリトライしてよい一方、error.type が image_generation_user_error のものはプロンプトか入力画像を変えない限り結果が変わらないので自動リトライしません。分岐にはエラーメッセージの文面ではなく、安定した識別子である error.code を使います。error.code が moderation_blocked のときは moderation_details が付くことがあり、moderation_stage（input・output・unknown）で、プロンプト側で止まったのか生成画像側で止まったのかを切り分けられます。利用者への表示は汎用の文言にし、この詳細は開発者用のログに残すよう公式は勧めています。ChatGPT側の性的表現の扱いはChatGPTのNSFWはどこまで許される？アダルトモード凍結後の性的表現の制限と誤検知の対処で別に扱っています。

userは非推奨、safety_identifierに置き換え

エンドユーザーを識別する値は、user が非推奨になり safety_identifier へ移りました。ガイドは、個人向けにサービスを提供するアプリでは、ユーザー名やメールアドレスをハッシュ化した128文字以内の値を毎リクエストに付けるよう勧めています。user は引き続き受け付けられ、safety_identifier が空のときだけ使われます。新しいコードでは safety_identifier を使ってください。

レート制限とBatch APIの使いどころ

使用量ティアは Build・Launch・Grow の3段階に再編されています。レート制限のガイドによると、累計のクレジット購入額が5ドルで Build、100ドルで Launch、500ドルで Grow に自動で上がります。GPT Imageの各モデルページに載る上限は共通で、IPMは1分あたりの画像枚数です。

モデルページの表で Free は「Not supported」なので、画像生成には少なくとも Build が要ります。その Build でも毎分20枚なので、検証段階でループを回すとすぐ 429 に当たります。初期実装からバックオフを入れておいてください。リアルタイム性が要らない大量生成は Batch API に回すと、画像出力が100万トークンあたり15ドルと標準の半額になり、レート制限の圧力も下げられます。2.5系もモデルページで Batch に対応しています。

ChatGPTの画像生成とAPIの違い

ChatGPTの画面で画像を作る操作とAPIは、同系統のモデルを使っていても別の提供形態です。ChatGPTはコード無しで生成と修正ができますが、モデルIDやサイズ、品質、背景透過を出力条件として固定できません。自社サービスの中で画像を量産し、サイズや形式を機械的に揃えるならAPIを、担当者が数枚の素材を作るだけならChatGPTを使います。ChatGPTで作った画像をプログラムから取り出す目的で、ブラウザの通信に見える内部のエンドポイントを叩く方法が出回っていますが、公式のAPIリファレンスに載っていない経路は予告なく変わるので、業務の仕組みはAPIで組むべきです。

画像生成をCMSや社内システムに組み込む場合は、生成・保存・配信の各段で失敗時の扱いを決めておく必要があります。こうした外部APIの組み込みはAPI開発・システム連携の支援でも相談を受けています。他社の画像生成APIと比べるなら、Nano Banana 2（Gemini 3.1 Flash Image）とは？GA版モデルIDと料金・API実装を解説で料金と編集機能の軸を確認できます。

よくある質問

gpt-image-1はいつまで使えますか？

OpenAI APIでは2026年10月23日に削除されます。同じ日に gpt-4 や o4-mini など旧モデルの一部もまとめて停止します。推奨の移行先は gpt-image-2.5-sunburst か gpt-image-2.5-flare です。Azure Foundryでも引退日は同じ10月23日です。

gpt-image-2.5のSunburstとFlareはどちらを選べばよいですか？

公式は、編集の精度が最も重要な用途にSunburst、速く高品質な日常の生成にFlareを勧めています。料金・レート制限・対応エンドポイントは同じなので、同じ条件で両方を試し、usage の出力トークンと所要時間で決めてください。

生成した画像をURLで受け取れますか？

受け取れません。GPT Imageモデルは常にbase64で返し、response_format の url 指定には対応しません。デコードして自前のストレージに保存し、そのURLを配信します。

seedパラメータで同じ画像を再現できますか？

できません。APIリファレンスに seed はなく、openai-python 3.35.1 では seed を渡すと TypeError になります。気に入った画像は生成時点で保存し、一貫性が必要なら確定した画像を参照画像として images.edit に渡します。

APIキーがあればすぐに画像生成を呼べますか？

組織認証（API Organization Verification）が必要になる場合があります。テキスト生成が通るキーでも画像生成が拒否されることがあるので、実装前に開発者コンソールの組織設定を確認してください。

関連記事

• GPT Image 2（ChatGPT Images 2.0）とは？使い方・料金・日本語精度と旧版の違い【2026年最新】
• dall-e の最新はどうなった？OpenAI画像生成の現在地（DALL-E 3廃止・gpt-image-2へ）
• OpenAI Python SDKの使い方｜インストールから最新クライアント・Responses APIまで
• OpenAI Responses APIとChat Completions APIの違い｜移行手順と見送る条件【2026年10月】
• Azure OpenAI Serviceのモデル一覧と選び方｜GPT-6・GPT-5.6・推論・埋め込み・音声を用途別に整理【2026年10月】