開発に影響する更新だけを、ひとつの場所に

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。

レビューセンターは、スペックの多さではなく、出力そのものの見え方の良さでモデルを順位付けするようになりました。

• 出力品質が Spicy Index の85%を占めます。 公開されている人による投票ランキング（arena.ai、Artificial Analysis、Design Arena）と、当社独自のブラインドテストを組み合わせています。ブラインドテストでは112件のプロンプトを全モデルに同一条件で与え、モデル名を伏せた状態で、異なるモデル開発元出身の3人の審査員が採点します。解像度、長さ、対応入力といったスペックは15%を占め、解像度はネイティブ1080pを上限として評価します。
• ブラインドテストは人による投票と突き合わせて検証しています。 当社の審査員の評価が公開の人による投票ランキングと十分に一致しない分野では、ブラインドテストの比重を下げ、ブラインドテストの結果しかないモデルは表示はされますが順位は付けません。今回は動画がこれに該当します。審査員が確認できるのはサンプリングされたフレームが中心で、カメラワークまでは見きれないためです。どのルールが適用されたかは、各テストレポートに明記されています。
• 音声も評価対象です。 6件の音声プロンプトについて、発話の明瞭さ、リップシンク、感情表現、そして音が正しいタイミングで鳴っているかを評価しました。
• 10言語で69件の新規レビュー： 画像・動画モデル32件、言語モデル20件、ツール17件。それぞれに当社独自のテスト結果と現在の価格を掲載しています。
• アリーナに106件の新規プロンプトを追加、投票対象の出力は1,693件です。

詳しいルールは方法論ページに掲載しています。

Spicy Studio の「ツール」パネルに、すべてのツールが「画像から」「動画から」「人物・顔」に分けて並び、パネルから実行できるツールにはそれぞれ価格が表示されるようになりました。ツールを選んだら、自分の結果を選ぶか、ファイルをアップロードします。

Studio で新しく使えるもの：

• 写真のフェイススワップは 3 段階です。 スタンダードは速く、写真の髪型と頭の形をそのまま残します。プラスは肌の色を合わせ、顔だけを入れ替えるか頭部ごと入れ替えるかを写真ごとに判断します。プロは顔の細部をもっとも忠実に残します。
• 動画のヘッドスワップとキャラクタースワップは 2 段階で進みます。 まず Studio がクリップに映っている人物をすべて見つけ、入れ替える人をあなたが選んでから、入れ替えを実行します。最初のステップで誰も見つからなかった場合、その料金は返金され、次のステップは実行されません。

実在の人物の顔を扱うツール（トーキングアバターとリップシンクを含みます）を初めて使うときは、次の 3 つのルールへの同意をお願いしています。使うのはご自身の顔か、同意を得た人の顔だけにすること。18 歳未満の人の写真は決して使わないこと。他人になりすましたり、人を誤解させたりする目的で使わないこと。同意はその端末で記憶されます。

キャンバス からキャンバスを開くと、画面いっぱいに広がるようになりました。ドット方眼の上にショットがノードとして並び、操作ボタンは画面の端にまとまっています。

• どこにでもノードを追加できます。 何もない場所をダブルクリックか右クリックするか、下のツールバーの + を押すか、N キーを押します。画像、動画、画像の編集、メモ、4 ショットのシーンを追加できるほか、アップロードした画像、マイ作品の結果、テンプレート、スタイル、エフェクトも取り込めます。
• どの結果からでも展開できます。 画像と動画の右側にある + は「このノードから生成」を開きます。画像から動画を作る、編集する、別のルックにする、動画の最終フレームを画像にする、使えるツールを実行する、といった操作ができます。プロンプトノードの左側にある + は入力を追加します。アップロード、マイ作品、キャンバス上の別のノードから選べます。
• 実行する前に段取りを組めます。 画像ノードを動画ノードにつなぐと、画像ができた時点でその画像から動画が始まります。プロンプト欄には、このステップの価格と 2 つ合わせた価格が表示されます。
• その場でプロンプトを書けます。 プロンプトノードを選ぶとすぐ横にプロンプト欄が開き、モデル、参照画像、スタイル、設定、そして送信ボタン上の価格がそろっています。つないだ画像には番号が付くので、@ を入力して @image2 のように指定できます。終了フレームに対応した動画モデルでは、2 枚の画像を開始・終了フレームとして使うか、参照画像として使うかを選べます。
• ツールバーはひとつ。 選択、手のひら、ライブラリ、マイ作品、ツール、元に戻す・やり直しは下のバーに、拡大・縮小、画面に合わせる、ミニマップは隅にあります。ノード間の線の表示とストーリーボード表示は上部で切り替えます。

生成ボタンを押すまで何も実行されず、どの実行も先に価格が表示されます。

Spicy Studio の入力欄は、どのモデルも 4 つの形と 3 つの長さに絞って見せるのをやめ、選んだモデルが実際に受け付ける値をそのまま表示するようになりました。

• 比率は数字で表示します。 1:1、4:5 から 9:16、21:9 まで、モデルが対応する比率をすべて並べ、それぞれに実際の比率どおりの小さな枠を添えています。モデルが形を自分で決められる場合や写真に合わせられる場合は、先頭に「自動」が表示されます。
• 対応する長さはすべて選べます。 7 つまではボタンで、それより多い場合や範囲で指定するモデルではスライダーで選びます。モデルが長さの「自動」に対応している場合は、最長で何秒になるかも表示されます。
• モデルを切り替えても、やり直す必要はありません。 新しいモデルが今の比率や長さに対応していない場合は、いちばん近い値に切り替え、何を変えたかをお知らせします。
• 動画テンプレートをプレビューできます。 20 個の動画テンプレートすべてに実際のサンプル動画が付き、カードにカーソルを合わせると再生されます。どれもテンプレート自身のプロンプトから MiniMax H3 で作ったもので、テンプレートを開くと MiniMax H3 が選ばれます。テンプレート一覧は「画像」と「動画」で切り替えられます。
• スタイルのカードは、カーソルを合わせても被写体が変わりません。 比べられるのは人物ではなく、ルックそのものです。

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。

リップシンク（spicyapi/lip-sync-v1/lip-sync）は、返ってくる動画ではなく、送った音声の秒数で課金するようになりました。返ってくる動画は音声より 0.5 秒ほど長くなることが多いのですが、その分はもう課金されません。

単価は変わらず 1 秒 $0.012 で、1 秒単位の切り上げ、最低 3 秒です。たとえば 4.5 秒の音声は 5 秒分の $0.06 になります。返ってくる動画の長さで数えると、6 秒分の $0.072 になることがありました。リクエストの書き方は変わらず、Spicy Studio でも同じ基準で課金されます。

9 月 26 日、spicyapi.ai/create で Spicy Studio を公開しました。モデルも 1 回ごとの価格も API と同じで、組み込みではなく制作のために作ったワークスペースです。

• 1 行書いて「生成」を押すだけ。 画像か動画を選び、見たいものを書くか、Tab キーで例文を使います。各モードは用途に合ったモデルで開き、いつでも切り替えられます。プロンプトはそのまま引き継がれます。ボタンに表示される価格はその実行の上限額で、押すまで課金されません。
• 97 のルック、4 つの仕上げ、12 のエフェクト。 ルックは被写体の描写に、光・色・画材の検証済みの言い回しを加えます。フィルム、エディトリアル、アニメ、絵画、3D、After Dark のセットがあり、実行前にプロンプト全文を確認できます。料金は上乗せされません。エフェクトは写真 1 枚を完成したショットにします。プッシュイン、オービット、ドローンで上昇、雨、雪、16mm フィルム風などです。
• 13 グループ、150 のテンプレート。 セット、光、レンズまで書き込んだ完成済みのブリーフで、あとは画面に誰がいるかを書くだけです。
• キャンバス は複数ショットの作品向けです。どのフレームからでも動画、編集、バリエーションへ枝分かれでき、クリップの最後のフレームを次のクリップの始まりにして、テイクをシーンにまとめて絵コンテとして通し再生できます。サンプルプロジェクトではすべてのプロンプトを確認でき、まるごとコピーできます。
• すべての結果にツール。 背景除去からリップシンクまでの新しい 8 つのツールが、「動かす」「バリエーション」と並んでいます。
• 「磨き上げ」 は、1 行のアイデアを選んだモデル向けの詳しいプロンプトに書き直してから実行します。料金は別で、ボタンに表示される少額です。
• 最初から非公開。 フィードやギャラリーには何も公開されません。結果は「マイ作品」に 14 日間残り、アップロードした素材は 1 日後に削除されます。「タップするまでぼかす」設定で結果を隠しておくこともできます。

アカウントがなくても、閲覧、例の読み込み、正確な価格の確認ができます。生成にはアカウントが必要ですが、登録中も下書きは保持されます。Studio での実行はすべて同じパラメーターの API 呼び出しでもあるので、ここで決めたルックをそのままコードに移せます。

あわせてサイトのヘッダーも モデル · スタジオ · ランキング · 開発者 · 料金 に変わりました。これまで「探索」にあったモデルのまとめは、モデルメニューの「コレクション」に移りました。

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。