マルチモーダル AI ガイド — 1つの OpenAI 互換 API でテキスト、画像、動画、音声

多くのLLMアグリゲーターはテキストで止まります。製品で画像の生成、写真の編集、静止画の動画化、広告の音声化、音楽の作曲が必要になった瞬間、さらに3社のベンダー、3つの請求、3つのSDKを管理することになります。Kunavoなら、すべてを同じOpenAI互換APIで利用できます。このガイドでは、どのモダリティをいつ使うか、各モダリティのモデルメニュー、そしてそれらを本番マルチモーダルパイプラインに連結する方法を説明します。

モダリティメニュー（用途別）

• テキスト生成 — Claude Opus/Sonnet/HaikuとGPT。推論、チャット、構造化出力に使用します。/docs/chat
• 画像生成（text-to-image） — Nano Banana Pro、GPT-Image-2、Nano Banana 2。用途によって選択が異なります（以下の比較を参照）
• 画像編集（image-to-image） — Nano Banana Edit、GPT-Image-2 Edit。パッケージ上のテキスト置換、背景変更、スタイル変更に使用します
• 動画生成 — Veo 3 Lite/Fast/Quality、Seedance 2およびSeedance 2 Fast、Wan 2.7。text-to-videoとimage-to-videoの両方に対応します
• 音声 — 音楽 — Suno V5 / V5.5。プロンプトから完全な楽曲を生成します

完全なカタログは/modelsで確認できます。

画像モデルの選び方 — 30秒ルール

• 画像上に鮮明なテキストが必要（UIモックアップ、ポスター、看板）ですか？ → Nano Banana Pro。議論の余地はありません
• 文字どおりで詳細なプロンプトですか？ → GPT-Image-2。プロンプト理解に優れ、すべての解像度で定額です
• コストが重要な大量処理ですか？ → Nano Banana 2。1Kで最安、忠実度も十分です
• 奥行きのある映画的表現ですか？ → Nano Banana Pro。ボケが本当に映画的です

詳細な比較は、画像モデル比較（ライブ画像モデル比較）をご覧ください。

動画モデルの選び方

現在利用できるのは3つのファミリーで、それぞれ異なる単位で課金されます。Veo 3は動画単位、SeedanceとWanは出力秒数単位です。以下の価格はカタログ料金です：

エンドポイントはモデルに依存しないため、ファミリーの切り替えはmodelフィールドを変更するだけで、他は何も変わりません。動画のクイックスタートはVeo 3動画クイックスタート、モデル別の詳細はSeedance APIおよびWan APIガイドをご覧ください。

画像の生成 — 基本

# Text-to-image: same OpenAI SDK, different model slug
img = client.images.generate(
    model="nano-banana-pro",          # Google's flagship — best text rendering
    prompt="a marketing hero for a fintech app, isometric, soft blue palette",
    size="1024x1024",
)
print(img.data[0].url)  # 24h temporary URL — download immediately

結果URLは一時的です（画像は24時間、動画はfiles.kunavo.com CDN経由で永続）。画像はすぐにダウンロードし、自分のCDNに保存してください。

Image-to-video — 既存アセットを動かす

サイト上に商品写真がすでにあります。Veo 3なら、そのどれでも8秒の商品クリップにアニメーション化できます：

# Image-to-video: upload a hero image, animate into an 8-second product clip
# (every Veo clip is 8 seconds; the Veo models ignore "duration").
# The OpenAI SDK has no method for the video route, so post to it with the
# same client.
video = client.post(
    "/video/generations",
    body={
        "model": "veo-3",
        "prompt": "camera slowly orbits, soft cinematic light, product hero shot",
        "image_url": hero_image_url,
        "aspect_ratio": "9:16",   # vertical for Reels / TikTok / IG short
        "resolution": "1080p",
    },
    cast_to=object,
    options={"timeout": 600.0},   # a clip takes minutes
)
print(video["data"][0]["url"])

以前は動画撮影1回に500～1500ドルを費やしていたマーケティングチームも、クリップの制作費を$0.18+（Veo 3.1 Lite）から$1.60+（Veo 3.1 Quality）の範囲に抑え、約30秒の計算時間を加えるだけで済みます。Eコマースのヒーローアニメーション、App Store / Play Storeのスクリーンショット、ソーシャルメディアの商品紹介に特に適しています。

モダリティの連結 — 真の強み

興味深いワークフローは、モダリティを順番に組み合わせます。マーケティングクリップの制作ライン：

# Pipeline: GPT-Image generates a marketing hero, Veo 3 animates it,
# Suno scores the BGM. One API, one bill.
# Here client is AsyncOpenAI(api_key=..., base_url="https://api.kunavo.com/v1").
async def make_marketing_clip(product: dict) -> dict:
    # 1. Hero image
    img = await client.images.generate(
        model="gpt-image-2",
        prompt=f"hero shot of {product['name']}, premium aesthetic",
        size="1024x1792",
    )

    # 2. Animate to 8s vertical (the length of every Veo clip). The SDK has
    #    no method for the video and music routes, so post to them directly.
    video = await client.post(
        "/video/generations",
        body={
            "model": "veo-3",
            "prompt": f"camera orbits {product['name']}, cinematic lighting",
            "image_url": img.data[0].url,
            "aspect_ratio": "9:16",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    # 3. BGM
    bgm = await client.post(
        "/audio/music",
        body={
            "model": "suno-v5",
            "prompt": "upbeat synth, 30 seconds, brand-friendly",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    return {"video": video["data"][0]["url"], "bgm": bgm["data"][0]["url"]}

asyncio.gather()で100個のSKUに対して並列実行すれば、マーケティングカタログの制作パイプラインになります。エンドツーエンドの総コストはSKUあたり約1～2ドルです。クリエイティブエージェンシーのアセットあたり500～2000ドルと比較してください。

実用上の考慮事項

• 結果URLの有効期間：画像は24時間で期限切れ（CDNに再ホスト）、動画はKunavoのfiles.kunavo.com上で永続
• 生成時間：画像約5～30秒、動画約30秒～3分、音楽約30秒。サーバー側ではforce-dynamicを使用し、ユーザーに進捗を表示します
• 失敗した生成は無料 — Kunavoは4xx/5xxに課金しないため、プロンプトを自由に反復できます
• 動画内のテキスト描画：Veo 3は動画内の複数語テキストが苦手です。モデルに描画させるのではなく、ポスト処理（CapCut、Final Cut、ブラウザ側canvas）でテキストを追加してください
• 実在の顔 / IP：主要モデルはすべて、著名人、政治的内容、著作権のあるキャラクターの生成を拒否します。オリジナルキャラクターまたはライセンス済みIPを使用してください
• アスペクト比：9:16（縦型ショート）、16:9（横長）、1:1（フィード）、4:5（Instagramポートレート）。動画ではaspect_ratio、画像ではsize="1024x1792"などを通じて渡します。

一般的なマルチモーダルの用途（開始プロンプト付き）

• Eコマースの商品ヒーローアニメーション — image-to-video、軌道カメラ、8秒、9:16
• 不動産のバーチャルステージング — 画像編集で空室に家具を追加
• マーケティングカルーセル / Reels制作 — ブランドスタイルでの画像一括生成 + Veoアニメーション
• 教育用解説クリップ — スライドを画像として生成し、Veo 3でアニメーション化し、Sunoで音楽を付ける
• ポッドキャストのイントロ & オーディオブランディング — プロンプトから生成したSunoの音楽ベッドとジングルを番組に使用
• ゲーム / アプリのアセット生成 — Nano Banana Pro / GPT-Image-2でキャラクターのポートレート、アイテムアイコン、環境背景を生成

マルチモーダルを使用すべきでない場合

• 厳密なブランドアセット — 厳密なプロンプトでもモデルの出力はずれます。マスターを置き換えるのではなく、人間がデザインしたマスターのバリエーションにAIを使ってください
• 実在人物の顔 — 主要モデルはすべて拒否します。回避すると法的/IPリスクがあります
• ライブ動画 / リアルタイム生成 — 現在のモデルは1クリップあたり30秒～3分かかります。ライブ用途にはまだ適していません
• 高い正確性が求められる用途 — 医療画像、法的証拠、科学出版。マルチモーダル生成は創作であり、事実に基づくものではありません

1つの請求にまとめたマルチモーダル対応こそが、Kunavoの本来の用途です。エンドポイントのリファレンスは/docs/imagesまたは/docs/videoから、カテゴリで絞り込んだモデル一覧は/modelsから確認できます。

これらのパイプラインの基礎となるモデル別価格表は、画像生成API比較および動画生成API比較をご覧ください。

よくある質問