期間限定オファー:PixVerse V6 Maxが20%オフ。終了:11月30日。 Playgroundで試す
AI モデル API をわかりやすく解説します。モデルの種類ごとの役割、リクエストと課金の仕組み、送信するパラメーターを説明し、各ページで対象となる提供中のモデルを紹介します。
LLM APIを使用すると、アプリケーションはメッセージのリストとして、画像、動画、ドキュメントを含む多くのモデルに会話を送り、その生成されたテキストを受け取ることができます。リクエストごとにモデルを選択し、使用量は入力および出力トークンでカウントされます。
画像生成APIはテキストプロンプトから画像を作成し、多くのモデルでは提供した画像を編集または結合します。アスペクト比や解像度などの設定とともにプロンプトを送信すると、APIは完成した画像をURLまたはbase64データとして返し、画像ごとに請求されます。
動画生成APIはテキストプロンプトから動画クリップを作成し、多くのモデルでは提供した画像、動画、音声から動画を作成します。ジョブを送信し、動画が準備完了するまで投票を行い、ほとんどのモデルは解像度で設定されたレートで1秒あたりの出力を請求します。
画像からビデオへの生成は、静止画像を短いビデオクリップにアニメーションさせます。画像は通常最初のフレームとなり、プロンプトは動きやカメラの動きを説明することで、被写体やフレーミング、写真のスタイルがビデオに反映されます。
text-to-speech(TTS)APIは、書かれたテキストを音声に変換します。テキスト、音声、言語や速度などの設定を送信すると、APIは音声ファイルを返すか、音声をストリーミングして、文章全体が準備完了する前に再生を開始できるようにします。
speech-to-text APIは音声を文字起こしします。録音をアップロードしたりURLを渡したり、ライブ音声をストリーミングすると、APIは対応モデルにタイムスタンプ、スピーカーラベル、字幕ファイル付きの文字起こしを返します。
リアルタイム音声APIは、1つのWebSocket接続上でライブの双方向音声セッションを保持します。アプリはマイク音声をモデルにストリーミングし、モデルが届くと音声応答を再生します。ユーザーはいつでも返信を中断でき、同じエンドポイントがライブ文字起こしも提供します。
AI音楽生成APIは、スタイル、ムード、楽器、テンポのテキスト説明から音声を作成し、一部のモデルでは歌詞、参考録音、またはスコアリング用の動画から音声を作成します。ジョブを提出し、完了するまで投票を行い、生成トラックをダウンロードします。
3D生成APIは、オブジェクトの1枚以上の画像から、また一部のモデルではテキストプロンプトから3Dモデルやテクスチャメッシュを作成します。ジョブを送信し、完了するまで投票を行い、GLB、OBJ、FBX、USDZ、STLなどの形式でアセットをダウンロードします。
埋め込みAPIはテキストや一部のモデルでは画像や動画を、類似した意味を近接した数値のベクトルに変換します。最良のマッチを再評価するリランカーにより、セマンティックサーチおよび検索拡張生成の検索ステップを形成します。
AI検索APIはアプリケーションのライブウェブ検索を実行し、言語モデル向けに順位付けされたページ、引用された短い回答、または複数段階の研究レポートなど、検索結果を返します。AIアプリケーションには、モデルの学習データよりも新しい情報が提供されます。
トークンとは、言語モデルが読み書きする単位のことです。単語、単語の断片、数字、句読点などです。テキストモデルは入力トークンと出力トークンを100万トークンごとに別々の料金で請求するのに対し、多くのメディアや検索モデルは画像、2、文字、分、またはリクエストごとに請求します。
コンテキストウィンドウとは、言語モデルが1つのリクエストで処理できる最大トークン数のことであり、読み取りたすべてのもの(命令、会話履歴、文書やツール定義)と、書いたトークンの数を数えます。合わないリクエストは短縮または分割する必要があります。
推論モデルは、最終的な答えを書く前に中間的な推論トークンで問題を解決します。これにより、数学、コード、計画といった多段階作業の結果が向上し、より多くの出力トークンと時間が使用され、推論努力などの設定がそれを制御します。
温度とtop_pがモデルが次のトークンを選ぶ方法を制御します。値が低いほど出力が焦点が絞られ再現可能になり、値が高いほど変化が増します。シードはランダムな選択を固定するため、同じシードで同じリクエストでも同じか非常に似た結果が返されます。
構造化出力は、フリーテキストではなくコードが解析可能なJSONを言語モデルに返します。JSONモードでは構文的に有効なJSONオブジェクトを返し、さらにJSONスキーマは、レスポンスを定義したスキーマと必須のフィールドや型に一致させるという進化をさらに進めます。
関数呼び出し(ツール呼び出しとも呼ばれる)は、言語モデルがアプリケーションに関数の実行を依頼するものです。各関数を JSON スキーマで記述し、モデルが関数名と引数を返し、コードがそれを実行し、モデルはその結果を使って続行または応答します。
プロンプトキャッシュは、モデルがプロンプトの冒頭部分を以前に処理したものを再利用します。リクエストが最近のトークンと同じトークンで開始する場合、キャッシュされたトークンは1つをリストするモデルではより低いキャッシュ読み取りレートで請求し、残りは通常の入力レートで請求します。
バッチ推論は、複数のモデルリクエストを1回の非同期ジョブとして実行します。リクエストのファイルをアップロードし、完了ウィンドウ内で実行し、結果ファイルをダウンロードします。これは即時の回答を必要としない大規模なジョブに適しています。
ご自身のモデルを当社のスタックに展開したい方は、ぜひご価格をご覧ください。