TokenLabがGPT Image Edit APIのサポートを拡大

TokenLabは、画像編集APIを拡張し、gpt-image-2向けのマルチ画像入力や非同期タスクポーリングなど、最新のGPT Image編集ワークフローをサポートしました。GPT Imageモデル上で編集機能を構築している場合、編集エンドポイントはマルチパートアップロードとJSON画像参照の両方を処理できるようになり、大規模または低速なジョブ向けに非同期モードも利用可能になりました。

主なポイント

• 画像編集エンドポイントは、サポートされているモデルファミリーに対して、マルチパートファイルアップロードとJSON画像参照の両方を受け付けます。
• gpt-image-2は、1つの編集リクエスト内で複数のソース画像をサポートしています。
• 非同期モードでは、完了をポーリングするためのタスク参照が返されます。これは、マルチ画像編集や高レイテンシの編集において推奨される方法です。
• 標準の編集エンドポイントに基づいて構築された既存の統合は、変更なしで引き続き動作します。非同期サポートは追加機能です。

変更点

画像編集は、あらゆるAI製品において最も要求の厳しい部分の1つとなっています。ユーザーは写真をアップロードし、変更内容を記述して、すぐに結果を得たいと考えていますが、複数の参照画像や高解像度の出力を伴う編集リクエストは、通常の同期HTTP呼び出しで許容される時間よりも長くかかります。そのギャップが、TokenLabを通じてGPT Imageモデル上に構築するチームにとっての主な摩擦点となっていました。

今回のアップデートはこの問題に直接対処しています。/images/editエンドポイントは、リクエストがgpt-image-2向けであることを認識し、2つのパスを提供します。シンプルな単一画像編集のための標準的な同期呼び出しと、それ以上の複雑な処理のための非同期モードです。複数のソース画像、より大きなキャンバス、または重いプロンプト指示を伴うリクエストは、完了までに時間がかかり、クライアント接続を開いたまま待機させたくないため、非同期モードの自然な候補となります。

これは破壊的な変更ではありません。統合がすでに編集エンドポイントを同期的に呼び出している場合、そのまま動作し続けます。非同期パスはオプトイン方式で、リクエストパラメータによってトリガーされ、同期呼び出しのレスポンス形式に変更はありません。

マルチパートアップロードとJSON画像参照

注目すべき実用的な改善点として、編集エンドポイントは2通りの方法で画像を受け付けるようになり、スタックに適した方を選択できます。

マルチパートフォームアップロード。ユーザーアップロードや生成されたアセットなど、アプリケーションがすでに画像バイトを保持している場合、それらをマルチパートフォームデータとして直接送信できます。これは、クライアントアップロードから直接ファイルをプロキシするサーバーサイドコードにとって、よりシンプルなパスです。

JSON画像参照。画像がすでにURLでアクセス可能な場所に存在する場合、または以前のTokenLabリクエストで生成済みで再利用可能な参照がある場合は、JSONボディでその参照を渡すことができます。これにより、すでに保持しているバイトの再アップロードを回避でき、生成と編集のステップをチェーンするパイプラインにとって一般的に優れた選択肢となります。

どちらのアプローチもGPT Image編集リクエストで機能します。どちらを使用するかは、機能的なトレードオフではなく、データの形式がどのようになっているかによって決まります。画像を生成し、チェックしてから編集するパイプラインを構築している場合、JSON参照パスを使用すると、通常は冗長なアップロードステップを省略できます。

gpt-image-2によるマルチ画像編集

より大きな機能追加は、gpt-image-2のマルチ画像サポートです。単一のソース画像を編集する代わりに、1つの編集リクエストで複数の画像を渡し、モデルにそれらを組み合わせて使用させることができます。例えば、被写体の写真と参照背景を組み合わせたり、2枚目の画像をガイダンスとして使用してスタイル転送を適用したりすることが可能です。

マルチ画像編集はリクエストあたりの処理量が増えるため、非同期モードを使用する最も明確なケースでもあります。複数の画像と複雑な指示セットを同期呼び出しで送信すると、モデルが必要とする時間だけ接続を開いたままにする必要があり、ほとんどのクライアントタイムアウトやロードバランサーの設定には適していません。非同期モードはこの問題を回避します。リクエストを送信し、すぐにタスク参照を受け取り、独自のスケジュールで結果をポーリングします。

非同期モード：使用時期と方法

非同期モードは、TokenLab APIのサポートされているすべての部分で同じように機能します。asyncフラグを設定して編集リクエストを送信すると、最終的な画像を待つ代わりに、すぐにタスク識別子が返されます。そこから、タスクが完了したと報告されるまでステータスエンドポイントをポーリングし、完了した時点でレスポンスに結果が含まれます。

非同期モードを使用すべき場合：

• 1つの編集リクエストで複数のソース画像を送信する場合。
• プロンプトや指示が複雑で、生成時間が予測できない場合。
• ライブのユーザー向けリクエストではなく、バックグラウンドジョブ、キュー、またはバッチプロセスで編集を実行している場合。
• クライアントのリクエストライフサイクルを、モデルの実際の処理時間から切り離したい場合。

同期モードを維持すべき場合：

• 短いプロンプトでシンプルな単一画像編集を行っている場合。
• アプリケーションに短いタイムアウト予算があり、ポーリングするよりも迅速に失敗させることを好む場合。

統合チェックリスト

ワークフローをgpt-image-2編集に切り替える前に、以下を確認してください：

• /images/editエンドポイントをターゲットにし、正しいモデルを指定していることを確認する。
• パイプライン内の現在の画像の場所に基づいて、マルチパートアップロードとJSON参照のどちらで送信するのが最適かを決定する。
• 編集に複数のソース画像が含まれる場合は、同期レスポンスを想定せず、非同期モードを有効にする。
• タイトなポーリングではなく、適切なバックオフを伴うポーリングループを非同期タスク用に実装する。
• クライアントコード内で、最終的なエラーや成功状態とは別に、タスク保留状態を明示的に処理する。
• 本番環境にリリースする前に、想定される最大画像数とプロンプト長でテストする。

リクエスト例

curl -X POST https://api.tokenlab.sh/v1/images/edit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "images": ["ref://your-image-reference-1", "ref://your-image-reference-2"],
    "prompt": "combine these into a single edited scene",
    "async": true
  }'

参照値とプロンプトを実際のパイプラインに合わせて調整してください。マルチパートアップロードの場合は、JSON画像参照を標準のマルチパートフォームボディに置き換えてください。

FAQ

非同期モードはgpt-image-2編集の出力品質や形式を変更しますか？ いいえ。非同期モードは結果の取得方法を変更するだけです。モデルはリクエストを同じ方法で処理します。開いている接続を待つ代わりに、完成した画像をポーリングするだけです。

1つのリクエスト内でマルチパートアップロードとJSON画像参照を混在させることはできますか？ エンドポイントは、リクエストごとに1つの入力スタイルを受け付けるように構築されています。画像データが現在どこにあるかに一致する方を選択し、両方の形式からソースを組み合わせる必要がある場合は変換してください。

既存の単一画像編集の統合を変更する必要がありますか？ いいえ。単一画像の同期編集呼び出しは、これまで通り機能します。非同期モードとマルチ画像サポートは、必要なときにオプトインする追加機能です。

ソースと鮮度

このアップデートは、2026年7月7日時点でのTokenLab APIの動作を反映しています。現在のエンドポイントリファレンスについては、画像編集APIドキュメントおよび画像生成ガイドを参照してください。より広範なモデル比較については、Best AI Image Models API 2026を参照してください。

はじめに

画像編集機能を構築しており、GPT Image、Nano Banana Pro、その他の画像モデル全体で単一のAPIサーフェスを求めている場合、TokenLabは同期および非同期ワークフローの両方をサポートする1つの統合ポイントを提供します。ドキュメントを確認し、APIキーを取得して、今すぐgpt-image-2編集のテストを開始してください。

関連資料と次のステップ

GPT Image Editをより広範な画像パイプラインにどのように適合させるかを決定している場合は、いくつかのリソースが役立ちます。Best AI Image Models API Guide: How to Choose Image Generation and Editing Modelsから始めて、主要プロバイダーとその編集機能の比較を確認してください。OpenAIの提供物とGoogleの提供物を比較検討している場合は、GPT Image API vs Gemini Image API: How to Chooseが、それぞれの強み、価格構造、ユースケースを詳しく解説しています。また、GPT Imageと並んで高速で低コストな編集オプションが必要な場合は、Nano Banana API Guide: Image Generation and Editing Through TokenLabでセットアップと実用的な例をカバーしています。

モデルの可用性、レート制限、価格は変更される可能性があるため、ワークフローを大量生産にスケールさせる前に現在の詳細を確認してください。

構築を開始する準備はできましたか？APIキーを作成し、他のサポートされているモデルと並んでGPT Image Editを数分でテストしてください。