開発に影響する更新だけを、ひとつの場所に

• Claude Sonnet 5.5 が利用可能になりました。 Anthropic 最新の Sonnet（9 月 28 日リリース）を、1 つの OpenAI 互換エンドポイントで提供します。入力はテキストのみ、窓は 1,000,000 トークン、出力は最大 128,000 トークン（Sonnet 5 の 2 倍）です。返答は SSE でストリーミングでき、失敗したリクエストは課金されません。
• 24 回の内容テストで 24 回とも完全。 拒否も控えめな版もなく、成人どうしの親密な場面を求めた 9 回もすべて書き切りました。Sonnet 5 は直球と物語内の依頼をすべて断っていました。
• 6 段階の効きしろ。 reasoning_effort は none から max まで選べ、既定は medium です。none は返答前の思考を省き、xhigh と max は推論の内容も返します。tool_choice は auto か none のみで、temperature と top_p は受け付けません。
• Anthropic の定価どおりです。 100 万トークンあたり入力 $2、キャッシュ入力 $0.20、キャッシュ書き込み $2.50、出力 $10 で、Sonnet 5 の定価と同じです。

Alibaba の Wan 3.0 を大人向けのシーン用に調整した 2 つのバージョンが、SpicyAPI で使えるようになりました。どちらも 1 枚の開始フレームから、480p・720p・1080p で 2〜30 秒の動画を生成し、音声も生成されます。最後のフレームも任意で指定できます。

どちらを使うべきか。 ほとんどのクリップでは、まず標準版の Wan 3.0 か Wan 3.0 Prime から始めることをおすすめします。SpicyAPI では標準版も無検閲で、1 秒あたりの料金も安く（480p で Wan 3.0 は $0.045、Wan 3.0 Spicy は $0.057。Wan 3.0 Prime は $0.0612、Prime Spicy は $0.09）、服を着たままにするようプロンプトで指示すればそのまま保たれます。テキストから動画、参照から動画にも対応しています。Spicy 版は、指示しなくても大人向けに寄るモデルが欲しいときに選んでください。Prime については、標準版の Wan 3.0 Prime が検証で控えめにした親密な 2 人のシーンも、Prime Spicy は指示どおりに出力しました。

検証内容。 6 段階のコンテンツラダーを、両モデルで 480p で実行しました。肩紐が滑り落ちる、トップレス、全裸、親密な場面の成人 2 人、合意のうえの緊縛とスパンキング、映画的なゴア表現です。どの段階も両モデルで指示どおりに出力され、拒否も、隠されることも、別人にすり替わることもありませんでした。Wan 3.0 Prime Spicy では、以前のテストで標準の Wan 3.0 Prime が控えめな表現に変えてしまった、親密な 2 人の段階も含まれます。

公開前に知っておくべきこと。 どちらのモデルも、何もしなくても大人向けの方向に寄ります。服を着た開始フレームと、服を着たままにするよう指示したプロンプトで試したところ、Wan 3.0 Spicy は 6 本中 4 本、Prime Spicy は 4 本中 2 本で被写体が服を脱ぎました。サムネイルだけでなくクリップ全体を確認してください。衣装を保つ必要がある場合は、標準の Wan 3.0 を使ってください。

詳細。 2〜30 秒の整数秒で指定できます。アスペクト比は 16:9、9:16、1:1、4:3、3:4 から選べ、省略すると開始フレームに合わせます。last_image_url でクリップの終わり方を指定できます。最初の検証では、5 秒・480p のクリップの生成時間は Wan 3.0 Spicy で約 1 分半、Prime Spicy で約 2〜2.5 分でした。課金はリクエストした秒数に応じて行われます。

ByteDance の Seedream 5.0 Flash が 3 つのエンドポイントで SpicyAPI に登場しました。あわせて、1 枚の画像から背景を補完した「ベース画像」と最大 16 枚の透明 PNG レイヤーを取り出せるレイヤー分離が、Flash と Seedream 5.0 Pro の両方で使えるようになりました。

Seedream 5.0 Flash。 Seedream の軽量版です。1K、1.5K、2K はすべて $0.029 なので、デフォルトは最も精細な 2K にしています。プロンプトは最大 5,000 文字、アスペクト比は 1:3 から 3:1 までの 15 種類、出力は JPEG または PNG です。大人向けの表現に追加のスイッチや専用エンドポイントは不要で、ランジェリーやブドワール調など大人のシーンも、テキストから画像でも編集でも通常のプロンプトと同じように生成できます。

レイヤー分離。 画像を 1 枚送るだけで動きます。「タイトル文字とオウム」のように、分離したい要素を指定することもできます。結果は、指定した要素を取り除いて背景を補完したベース画像と、要素ごとの透明 PNG です。どのレイヤーも自由に移動、拡大縮小、色替え、差し替えができます。ポスターの見出しの変更、商品写真の背景の入れ替え、集合写真から 1 人だけを切り出す作業、アニメーション用の素材づくりなどに向いています。生成した画像から、そのまま「レイヤーに分割」へ進むこともできます。

レイヤー分離は Flash と Pro のどちらを選ぶか。 Pro は各レイヤーの名前とベース画像上の位置も返すため、Web の結果画面ではキャンバス上でレイヤーの表示切り替えやドラッグ移動ができ、表示中の組み合わせを 1 枚の PNG として書き出せます。Flash は位置情報のない独立した切り抜きを返し、1 枚ずつ、または zip でまとめてダウンロードできます。また、露出の多い入力画像は Flash では受け付けられませんが、Pro では処理できます。

課金。 ベース画像を含め、出力された画像 1 枚ごとに課金され、1 リクエストで最大 17 枚です。受付時に 17 枚分を確保し、実際の枚数が確定した時点で差額を返金します。1 回の実行で 3～9 枚出ることが多く、Flash なら $0.06～$0.18 です。

詳しくはこちら。 Seedream 5.0 Flash API 検証レポート ・ API で画像をレイヤーに分ける方法

5 つの音声モデルが新たに SpicyAPI で利用可能になりました。Gemini 2.5 Pro TTS に加わる形です。いずれもコンテンツフィルターを追加しておらず、検証では 5 モデルすべてが NSFW 台本をそのまま最後まで読み上げました。

• Gemini 3.8 Flash TTS — Google の最新音声モデルです。最大 5,000 文字、30 種類の音声、出力は WAV で、[whispering] や [sighs] のような角かっこ付きの指示を演技として反映します。料金は音声 1 秒あたり $0.00032 です。
• Gemini 3.8 Flash-Lite TTS — より高速で低価格な兄弟モデルです。同じ 30 種類の音声を使えますが、角かっこ付きのタグをそのまま読み上げてしまうことがあるため、音は文字で綴ってください。料金は音声 1 秒あたり $0.00021 です。
• Seed Speech 2.0（ByteDance）— 10 言語にわたる 41 種類のプリセット音声と、読み方についての平易な注記を用意しています。出力は MP3 です。料金は 1,000 文字あたり $0.072 です。
• Qwen3 TTS（Alibaba）— オープンソースで、日本語・韓国語と中国語方言話者 2 名を含む 9 種類の音声を用意しています。料金は 1,000 文字あたり $0.068 で、最低 100 文字からです。
• Chatterbox（Resemble AI）— 読み上げの表現力を調整するつまみが付いた、オープンソースの英語音声です。最大 1,000 文字まで、1 リクエストあたり定額 $0.036 です。

実行前に価格が確定します。 Seed Speech 2.0 と Qwen3 TTS は文字数単位で課金される初めてのモデルで、文字数はあらかじめ分かっているため、表示される見積もりがそのまま最終価格になります。Gemini の各モデルは返却された音声の秒数で課金され、生成できる最長分の保留がかかり、音声の長さが確定した時点で解放されます。

対応していないこと。 いずれのエンドポイントもボイスクローニングには対応しておらず、1 リクエスト内での 2 人の声によるダイアログにも対応していません。各セリフをそれぞれの声で生成し、ファイルを結合してください。

Google の Gemini 2.5 Pro 音声合成が、SpicyAPI で google/gemini-2.5-pro-tts/text-to-speech として利用できるようになりました。

• 入力： 最大 5,000 文字の台本。[sighs] のような角括弧内の指示は読み上げられず、演技として表現されます。
• 音声： 固定の個性を持つ 30 種類の既定音声から選べます。明るく力強いものから、吐息交じりの柔らかいものまで幅があります。
• 演出： スタイル（whisper、empathetic、vocalsmile、newscaster、promohype、deadpan のいずれか）、8 種類の英語アクセント、テンポ・雰囲気・話しかける相手を指定する自由記述の instructions を任意で指定できます。いずれも読み上げられません。
• 出力： 24kHz・16bit・モノラルの WAV ファイル 1 つ。
• 価格： 返却された音声 1 秒あたり $0.00045（1 分あたり約 $0.027）、Google の定価より 10% 安い価格です。タスク実行中は生成できる最長クリップ分の保留がかかり、音声の長さが確定した時点で解放されます。失敗したリクエストには課金されません。

踏み込む度合い。 独自のコンテンツフィルターは追加していません。検証では、直接的なセリフや語り口調のフィクション、吹息のような発声指示を含む NSFW 台本も、単語を飛ばさず最後まで読み上げました。このエンドポイントに 2 人の声によるダイアログ機能はなく、ボイスクローニングにも対応していません。1 リクエストにつき 30 種類の既定音声から 1 つを選びます。

Gemini 2.5 Pro TTS を試す →

Anthropic 最新の Opus（9 月 22 日リリース）が、SpicyAPI 上で anthropic/claude-opus-5.5/chat として、/v1/chat/completions の OpenAI 互換エンドポイント 1 つで利用できるようになりました。

• 価格： 入力 100 万トークンあたり $3.60、キャッシュ入力 $0.18、キャッシュ書き込み $4.50、出力 $18 で、Anthropic の定価より 10% 安い設定です。
• コンテキスト長： 入力 1,000,000 トークン、出力最大 128,000 トークン。
• 思考は常時オン： reasoning_effort は low・medium・high から選べ、デフォルトは medium です。
• ツール： 最大 128 個の定義に対応。tool_choice は auto または none のみ受け付けます。このモデルは特定ツールの強制呼び出しを拒否するためです。

どこまで書けるか。 私たちは独自のコンテンツフィルターを一切追加していません。ローンチ当日、3 種類のプロンプトスタイルにまたがる 24 件のアダルトコンテンツ検証を行い、拒否は 0 件でした。アダルトフィクション用のシステムプロンプト下ではすべての親密なシーンを最後まで書き切り、直接依頼した場合はたいてい控えめな表現に和らげて書きます——Claude Opus 5 はそこで拒否していました。

Claude Opus 5.5 を試す →

Kling の現行動画ラインナップが SpicyAPI に登場しました。米ドルで秒単位の課金で、事前に購入するパッケージはありません。

• Kling O3（kling/o3/text-to-video、/image-to-video、/reference-to-video、/video-edit）：Kling 3.0 Omni です。参照写真を最大 7 枚まで 1 カットに組み込めるほか、すでに持っているクリップ（3〜10 秒の元動画）の編集、スマートなマルチショット切り替えとネイティブ音声（最大 4K）にも対応します。
• Kling 3.0（kling/3.0/text-to-video、/image-to-video、/character-animation）：先頭フレームと末尾フレームを指定でき、最大 4K、音声の有無も切り替えられるフラッグシップモデルです。Motion Control は 3〜30 秒のクリップから動き・表情・ジェスチャーを抽出し、自分のキャラクターに反映します。
• Kling 3.0 Turbo（kling/3.0-turbo/text-to-video、/image-to-video）：すべてのクリップにネイティブ音声が付き、720p または 1080p に対応します。
• Kling 2.6（kling/2.6/text-to-video、/image-to-video、/character-animation）：Kling 初のネイティブ音声対応モデルで、1080p・5 秒または 10 秒、専用の Motion Control も使えます。
• Kling 2.5 Turbo（kling/2.5-turbo/text-to-video、/image-to-video）：低価格な 1080p・5 秒または 10 秒モデルで、終了フレーム、ネガティブプロンプト、ガイダンスに対応します。
• Kling 2.1（kling/2.1/image-to-video）と Kling 2.1 Master（kling/2.1-master/text-to-video、/image-to-video）：ひとつ前の世代で、720p の画像から動画に加え、Master では高精細な 1080p まで使えます。
• Kling Avatar 2.0（kling/avatar-2.0/talking-avatar）：1 枚のポートレートと音声トラックがあれば、音声が続く限り（最長で約 5 分）その人物を話させたり歌わせたりできます。

Kling はコンテンツを自ら審査します。示唆的なカットは通ることもありますが、それ以上に露骨なものは拒否され、拒否されたリクエストに課金されることはありません。成人向けコンテンツには Spicy シリーズのいずれかをご利用ください。

Kling O3、Kling 3.0、Kling 2.5 Turbo、Kling Avatar 2.0 は、Kling 自身の秒単位の定価よりも安く設定されています。

3 つの新しい画像モデルシリーズで、オープンモデルに自前の LoRA ファイルをリクエストごとに最大 3 つ読み込めます。強度はファイルごとに指定できます。料金はアスペクト比を問わず 1 枚ごとの一律です。

• Z-Image Turbo LoRA（alibaba/z-image-turbo-lora/text-to-image、/edit）：Alibaba の 8 ステップモデル Z-Image Turbo です。1 枚数秒、約 100 万画素で 9 種類のアスペクト比に対応し、強度を調整できる画像から画像も使えます。
• FLUX.1 Dev LoRA（black-forest-labs/flux-1-dev-lora/text-to-image）：Black Forest Labs の FLUX.1 [dev] です。Hugging Face に 1,000 以上のコミュニティ LoRA があるベースで、ガイダンスも調整できます。
• Qwen Image 2512 LoRA（alibaba/qwen-image-2512-lora/text-to-image、/edit）：Qwen-Image-2512 は長辺最大 1536 ピクセル。Qwen-Image-Edit-2511 による編集は 1〜3 枚の元画像を受け取り、新しいカメラアングルなどの編集用 LoRA も使えます。

LoRA は .safetensors ファイルへの直リンクで指定します。アップロードも許可リストも審査もありません。5 つのエンドポイントはすべて規制なしで、LoRA の読み込みに追加料金はかかりません。

9 月 26 日に、ひとつの作業に特化した 8 つのエンドポイントを公開しました。どれも手元の画像やクリップに対して 1 つの処理を行い、料金は定額です。他のモデルと同じく API で呼び出せるほか、Spicy Studio では「ツール」と各結果の操作メニューから使えます。

料金を左右するポイントは次のとおりです。

• 動画の高解像度化 は元クリップの長さで課金します。1 秒未満は切り上げ、最低 3 秒です。
• 話すアバターとリップシンク は返ってくる動画の長さで課金します。長さは音声と同じで、最低 3 秒です。リップシンクでは、音声より短いクリップはループさせます。
• 効果音 はクリップの長さではなく、指定した duration_seconds（1〜30、既定 8）で課金します。クリップの長さに合わせて設定してください。作るのは効果音と環境音で、セリフや音楽は作りません。
• 音声と動画の入力はファイルへの直接リンクが必要で、アップロードがもっとも確実です。許容範囲外の長さの入力は、課金前に拒否します。

xAI は 9 月 21 日に Grok 4.7 をリリースし、xai/grok-4.7/chat は 9 月 22 日から当社で呼び出せます。他の Grok エンドポイントと同じく、OpenAI のチャット形式と SSE ストリーミングに対応しています。

• xAI の公表価格より 40% 安い価格です（標準区分 $2 / $0.50 / $6）。ロングコンテキスト区分（$4 / $1 / $12）と比べると 60% 安くなります。
• このルートでは規制なしです。 9 月 22 日、当社のコンテンツテスト（全 5 段階）の第 4 段階にあたる創作文のプローブを、3 種類の書き方で 9 回送り、9 回とも拒否なしで場面を最後まで書き切りました。9 月 24 日には、最上段を含むほかの段階もすべて通過しました。当社独自のフィルターはかけていません。
• system ロールは有効です。 意図して確認しました。スレッドの冒頭で決めた設定は最後まで引き継がれます。
• 推論は出力として課金されます。 既定の high は見た目より高くつきます。会話なら low か medium のほうが読みやすく、安く済みます。

9 月 24 日から、MiniMax H3 Max の 2 つのエンドポイントは 768p に加えて resolution: "480p" を受け付けます。

価格は出力 1 秒あたりで、MiniMax 自身の公表価格と同じです。480p は縮小ではなくネイティブの解像度区分です。768p で払う前に、動きと構図を安く確かめられます。

5 つのコンテンツ表示が変わりました。 当社が提供しているルートでの追加のコンテンツテストが 9 月 24 日に終わり、次の表示が変わりました。

• 「置き換え」 は、モデル自身の上限を超えるリクエストが失敗せず、控えめな結果になって返ってくることを指します。成功と同じく課金されるので、ステータスコードではなく出力を確認してください。「フィルターあり」 は、リクエストが content_rejected で拒否され、返金されることを指します。
• 9 月 21 日のお知らせを見て、規制なしの用途に H3 Max の画像から動画を選んでいた場合は、minimax/h3/image-to-video（1 秒 $0.025 から）と Wan 2.5 の 2 つのエンドポイントが、いま「規制なし」の表示です。

4 つのファミリーが動画カタログに加わりました。いずれも出力 1 秒あたりの課金で、推測ではなく実測にもとづく内容ラベルが付いています。

• minimax/h3-max/image-to-video と text-to-video — 1 秒 $0.08。画像からの生成は Uncensored、テキストからの生成は Softened です。後者はアダルト寄りのプロンプトに対してエラーではなく控えめな結果を返し、それでも課金されます。ステータスコードではなく出力そのものを確認してください。
• alibaba/wan-2.6/text-to-video と image-to-video — 1 秒 $0.09、どちらも Uncensored。reference-to-video は 1 秒 $0.065 で Filtered、アダルト寄りの依頼は明確に拒否されます。
• alibaba/wan-2.6-flash/image-to-video — 1 秒 $0.0225、Uncensored。カタログ中、秒単価では群を抜いて安い動画です。
• lightricks/ltx-2.5/text-to-video と image-to-video — 1 秒 $0.09、どちらも Uncensored。
• vidu/q3-pro/image-to-video が 1 秒 $0.054、vidu/q3-turbo/image-to-video が 1 秒 $0.042、どちらも Uncensored。

ラベルは実際に配信しているルート上での実測にもとづくため、ルートが変われば付け替わります。ラベルのないモデルは、まだ実測していないという意味です。当てずっぽうで代弁するより、何も言わないほうを選びます。