開発に影響する更新だけを、ひとつの場所に

chat エンドポイントが 3 本加わり、既存のテキストモデルの推論設定も、各提供元が実際にサポートしている内容に揃えました。

• zai/glm-5.3/chat — 100 万トークンあたり入力 $1.05 / キャッシュ $0.195 / 出力 $3.30。Z.ai の公表価格より 25% 安い価格です。内容ラベルは Light、制限は緩めですが、テキストのみのプロンプトでは一部制限が残る場合があります。
• zai/glm-5.3-flash/chat — 100 万トークンあたり $0.1275 / $0.0255 / $0.425、Uncensored。
• deepseek/v4.1-flash/chat — 現在の価格は 100 万トークンあたり $0.30 / $0.006 / $1.20、Uncensored です。

reasoning effort は、どこかから一律にコピーした一覧ではなく、モデルごとの実態に合わせました。 Claude 4.5 と 4.6 には Anthropic が型番ごとに公表している段階を、Gemini には minimal を追加しました。DeepSeek は none を受け付け、これは推論を弱めるのではなく本当に止めることを実測で確認しています。提供元にない段階はこちらでも掲げません。たとえば Grok 4.5 と 4.6 は reasoning_effort: none を上流で拒否しますが、4.3 は受け付けます。

見積もりで足をすくわれやすい点をひとつ。推論トークンは max_tokens に算入されます。 150 語程度の回答を求めるプロンプトでも、effort を高く設定すれば数千トークンを消費し得ます。読みたい回答の長さではなく、モデルが実際に吐く量を見込んで上限を決めてください。

オープンウェイト版 MiniMax H3 に、手持ちの LoRA ファイルをリクエストごとに最大 3 つ読み込める 3 つの新しいモデルシリーズです。強度はファイルごとに 0〜4 で指定できます。

• MiniMax H3 LoRA（minimax/h3-lora/text-to-video、/image-to-video、/reference-to-video）：3〜15 秒、480p・540p・768p・1080p。ステレオ音声を同じ生成で出力します。参照から動画は画像 9 枚、クリップ 3 本、音声 3 本まで受け付けます。
• MiniMax H3 Singularity LoRA（minimax/h3-singularity-lora/image-to-video、/reference-to-video）：HDR で追加学習したコミュニティ製の H3 ファインチューンです。速いアクション、ダンス、顔を崩したくない引きのショット向けで、H3 用の LoRA がそのまま読み込めます。
• MiniMax H3 Image LoRA（minimax/h3-image-lora/text-to-image、/edit）：H3 を 1k・2k の静止画モデルとして使えます。編集は参照画像 9 枚まで対応します。ここでキーフレームを作り、同じ LoRA で動画にできます。

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。7 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。

Alibaba が本日 Qwen-Image-2.1 をオープンソースで公開しました。同日カタログに追加しています。画像生成と参照編集、それぞれに通常版と、指定した重みファイルを読み込む LoRA 版の計 4 エンドポイントです。

• 自前の重みをそのまま使える。 1 リクエストにつき LoRA を最大 3 つ、それぞれ強度を指定して渡せます。.safetensors への HTTPS 直リンク、または Hugging Face のリポジトリで指定します。アップロード手順も、許可リストも、承認待ちもありません。
• プロンプトとモデルのあいだには何もありません。 4 つとも無制限です。モデルの手前にフィルタはなく、成人向けフラグもリクエストごとの申告もありません。
• アスペクト比 15 種類、解像度 3 段階。 3:1 や 21:9 の横長から 1:3 や 9:21 の縦長まで、1k / 1.5k / 2k で指定できます。
• 編集では参照画像を最大 10 枚。 送信前に表示される見積もりには 1 枚ずつ反映されるので、効いている参照だけを残してください。

入れ替え系に 6 つのエンドポイントが加わりました。うち 3 つは動画向けです。違いは「どこまで移動するか」にあります。

画像

• spicyapi/face-swap-pro-v1/edit — 動くのは顔のパーツだけ。対象の髪型、生え際、頭部のシルエット、ポーズ、衣装、照明、背景はそのまま残ります。1 枚 $0.16。
• spicyapi/face-swap-v1-plus/edit — 顔を移したうえで、2 枚の画像間の肌の色を転送の一部として調整します。顔だけを馴染ませるか頭部ごと馴染ませるかは、仕上がりの良いほうをエンジンが選びます。1 枚 $0.16。
• 従来の spicyapi/face-swap-v1/edit と spicyapi/head-swap-v1/edit は 1 枚 $0.013 のままです。

動画

• spicyapi/face-swap-video-v1/video-edit — 参照画像 1 枚のパーツを全フレームに反映します。演者の髪型、頭部のシルエット、動き、衣装、照明には手を付けません。出力 1 秒あたり $0.0325。
• spicyapi/head-swap-video-v1/video-edit — 髪、頭の形、人物の同一性まで変わります。出力 1 秒あたり $0.064。
• spicyapi/character-swap-v1/video-edit — 衣装を含め、人物まるごとが入れ替わります。出力 1 秒あたり $0.064。

複数人が映る動画の 2 つは、意図的に 2 段階です。 まず対応する video-analyze（1 回 $0.08）を呼びます。クリップ中で認識できた人物を全員追跡し、1 人につき 1 枚のプレビュー静止画を固定順で返します。1 枚目が position 0、2 枚目が position 1 です。そのうえで選んだ position と、それぞれに 1〜3 枚の参照写真を渡します。どの人物に適用されるかを推測で決める余地はありません。

xAI の 3 モデル、それぞれ chat エンドポイントが 1 つずつ。いずれも OpenAI 互換のフォーマットでストリーミングに対応します。

• すべての区分で xAI の公表価格より 40% 安い価格です。2026 年 9 月 19 日に同社の価格ページと突き合わせています。
• reasoning_effort: none を受け付けるのは 4.3 だけです。 4.5 と 4.6 では上流が拒否します。他の 4 段階は 3 モデルとも使えます。
• 4.5 はキャッシュ入力が 4.6 より安く（100 万トークンあたり $0.18 対 $0.30）、それ以外は同等です。
• 20 万トークン以上のプロンプトは、xAI と同じくロングコンテキスト料金が適用されます。推論トークンは max_tokens に算入されるため、その分を見込んでください。
• このルートはテキストと画像を受け付けます。ファイルや PDF のパートには対応していません。

画像エンドポイントが 5 本、価格帯は 4 倍の開きがあります。サムネイル 1 枚に最上位料金を払わずに、用途に合わせた段階を選べます。

• bytedance/seedream-4.0/text-to-image と bytedance/seedream-4.0/edit — 1 枚 $0.03、どちらも Uncensored。edit は既存の画像と文章による指示を受け取ります。
• krea/2-large/text-to-image — 1 枚 $0.06、Filtered。
• krea/2-medium/text-to-image — 1 枚 $0.03、Softened。
• krea/2-medium-turbo/text-to-image — 1 枚 $0.015、Filtered。入れ替え系を除けば、カタログ中で最も安い画像エンドポイントです。

選ぶ前に知っておきたい点が 2 つ。Krea の各段階は価格だけでなく受け付ける内容も違います。Filtered はアダルト寄りの依頼を明確に拒否し、Softened は控えめな結果を返したうえで課金します。後者ではステータスコードではなく出力を確認してください。もう 1 つ、画像サイズは後付けの調整項目ではありません。各モデルページの生成例には、その構図がどのサイズ向けに書かれたものかが明記されています。縦長を前提に組み立てたプロンプトは、横長に「リサイズ」すれば済むというものではないからです。

heartmula/transcribe/speech-to-text は音声ファイル中の歌唱歌詞を書き起こし、タスクのテキストとして返します。通常の話し声ではなく、音楽に乗った歌声に合わせて調整されています。

• 入力は audio_url ひとつで、音声ファイルに直接解決する URL である必要があります。他に渡すものはありません。言語ヒントもタイムスタンプ指定も話者分離スイッチもありません。
• 結果はタスク上のテキストです。メディア資産は生成されません。 ダウンロードするファイルはなく、メディア保持期間の対象にもなりません。
• 行ごとのタイミング、信頼度、話者ラベルはいずれもありません。
• 1 回の書き起こしにつき $0.05。音声の長さには依存しません。

カタログの中で、出力がファイルではなくテキストである最初のエンドポイントでもあります。完了したタスクには必ずダウンロード可能な資産がある、という前提で組んだ実装があれば、ここで露見します。組み込む前に結果処理のコードを一度見ておくとよいでしょう。