OpenAI Chat Completion API の申請および使用

OpenAI generation API guide - Ace Data Cloud

OpenAI ChatGPT は非常に強力な AI 対話システムであり、プロンプトを入力するだけで、わずか数秒で流暢で自然な応答を生成できます。ChatGPT はその優れた言語理解および生成能力により業界で際立っており、現在ではすでにさまざまな業界や分野で広く利用され、その影響力はますます顕著になっています。日常会話、創作執筆、専門的な相談、コードプログラミングのいずれにおいても、ChatGPT は驚くべきインテリジェントな支援を提供し、人間の作業効率と創造性を大幅に向上させます。

本ドキュメントでは、主に OpenAI Chat Completion API 操作の使用プロセスを紹介します。これを利用することで、公式 OpenAI ChatGPT の対話機能を簡単に使用できます。

​

GPT-6.1 Sol

model: "gpt-6.1-sol" を使用してこのモデルを選択します。ストリーミング出力、関数呼び出し、構造化出力、画像入力をサポートしています。初回公開から1週間以内は、認証済みの ACE T1+ 保有者（少なくとも 100,000 ACE）または認可されたユーザーのみに公開されます。具体的な公開時期はコンソールのアクセス案内に従います。

推論レベルは low、medium、high、xhigh、max をサポートしており、現時点では none または minimal はサポートしていません。reasoning_effort: "low" から開始することを推奨します。入力が 272,000 tokens を超える場合、リクエスト全体に長文コンテキスト料金が適用され、料金はコンソールの現在の価格に準じます。

​

申請プロセス

OpenAI Chat Completion API を使用するには、まず Ace Data Cloud コンソール で API Token を取得し、予備として保管してください。

まだログインまたは登録していない場合は、自動的にログインページへ移動し、登録とログインを促されます。完了後は自動的に現在のページへ戻ります。

1つの API Token でプラットフォームのすべてのサービスを呼び出すことができ、サービスごとに個別に申請する必要はありません。 初回申請時には無料枠が付与され、無料で体験できます。枠が不足した場合は、コンソール で共通残高をチャージできます。

📘 完全なドキュメント：OpenAI Chat Completion API →

​

基本的な使用方法

続いて、画面上で対応する内容を入力できます。図のように表示されます。

このインターフェースを初めて使用する際には、少なくとも3つの内容を入力する必要があります。1つ目は authorization で、ドロップダウンリストから直接選択できます。もう1つのパラメータは model で、model は使用する OpenAI ChatGPT 公式サイトのモデルカテゴリです。ここでは主に20種類のモデルがあり、詳細は提供しているモデルをご確認ください。最後のパラメータは messages であり、messages は入力する質問文の配列です。これは配列であり、複数の質問文を同時にアップロードできることを示します。各質問文には role と content が含まれており、role は質問者の役割を表します。提供している役割は user、assistant、system の3種類です。もう一方の content は、質問する具体的な内容です。

同時に、右側には対応する呼び出しコードが生成されていることに気付くことができます。コードをコピーして直接実行することも、「Try」ボタンを直接クリックしてテストすることもできます。

よく使用されるオプションパラメータ：

• max_tokens：1回の応答における最大 token 数を制限します。
• temperature：生成のランダム性で、0-2 の範囲です。値が大きいほど発散します。
• n：一度に生成する候補応答の数です。
• response_format：返却形式の設定です。

呼び出し後、返却結果は次のとおりです。

{
  "id": "chatcmpl-Cmd6uwSxN75F4PAdQSFEO8f2QPs4E",
  "object": "chat.completion",
  "created": 1765706120,
  "model": "gpt-5.5",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! What can I help you with today?",
        "refusal": null,
        "annotations": []
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 7,
    "completion_tokens": 13,
    "total_tokens": 20,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "audio_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "service_tier": "default",
  "system_fingerprint": null
}

返却結果には複数のフィールドがあり、以下のとおりです。

• id、今回の対話タスクの ID を生成し、今回の対話タスクを一意に識別するために使用されます。
• model 、選択した OpenAI ChatGPT 公式サイトのモデルです。
• choices、ChatGPT が質問文に対して提供する回答情報です。
• usage ：今回の質疑応答における token の統計情報です。

このうち choices には ChatGPT の回答情報が含まれており、その中の choices は ChatGPT です。図のように確認できます。

確認できるように、choices 内の content フィールドには ChatGPT が返信した具体的な内容が含まれています。

​

ストリーミングレスポンス

このインターフェースはストリーミングレスポンスにも対応しており、Web ページとの連携に非常に役立ち、Web ページ上で1文字ずつ表示する効果を実現できます。

レスポンスをストリーミングで返却したい場合は、リクエストヘッダー内の stream パラメータを true に変更できます。

図のように変更しますが、呼び出しコードもストリーミングレスポンスをサポートするために対応する変更が必要です。

stream を true に変更すると、API は対応する JSON データを行ごとに返却します。コードレベルでは、行ごとの結果を取得するために対応する変更を行う必要があります。

Python サンプル呼び出しコード：

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4",
    "messages": [{"role":"user","content":"hello"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

出力結果は以下のとおりです。

data: {"choices": [{"delta": {"role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "Hi", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " there", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "!", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " How", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " can", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " I", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " assist", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " you", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " today", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "?", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"role": "assistant"}, "finish_reason": "stop", "index": 0}], "created": 1721007349, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: [DONE]

レスポンス内には多数の data があり、data 内の choices が最新の回答内容であり、上記で紹介した内容と一致していることがわかります。choices は追加された回答内容であり、結果に基づいてご自身のシステムに連携できます。また、ストリーミングレスポンスの終了は data の内容によって判断され、内容が [DONE] の場合、ストリーミングレスポンスの回答がすべて終了したことを示します。返される data の結果には複数のフィールドがあり、以下のとおりです：

• id、この対話タスクを生成する ID。この対話タスクを一意に識別するために使用します。
• model 、選択した OpenAI ChatGPT 公式サイトのモデル。
• choices、ChatGPT が質問語に対して提供する回答情報。

JavaScript もサポートされています。たとえば、Node.js のストリーミング呼び出しコードは以下のとおりです：

const options = {
  method: "post",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json",
  },
  body: JSON.stringify({
    model: "gpt-4",
    messages: [{ role: "user", content: "hello" }],
    stream: true,
  }),
};

fetch("https://api.acedata.cloud/openai/chat/completions", options)
  .then((response) => response.json())
  .then((response) => console.log(response))
  .catch((err) => console.error(err));

Java サンプルコード：

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gpt-4");
jsonObject.put("messages", [{"role":"user","content":"hello"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/openai/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())

その他の言語については別途ご自身で書き換えることができ、原理はすべて同じです。

​

複数ターンの対話

複数ターンの対話機能を連携したい場合は、messages フィールドに複数の質問語をアップロードする必要があります。複数の質問語の具体例は以下の図のとおりです：

Python サンプル呼び出しコード：

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4",
    "messages": [{"role":"user","content":"こんにちは"},{"role":"assistant","content":"こんにちは！本日はどのようにお手伝いできますか？"},{"role":"user","content":"今何と言いましたか？"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

複数の質問文をアップロードすることで、簡単に複数ターンの会話を実現でき、以下のような回答を取得できます：

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "あなたは「こんにちは」と言いました。"
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1721323012,
  "id": "chatcmpl-NWZmOTA5MDlkZjBjNDRjNGEwMzRjYzA5NmM1MzQwMWY",
  "model": "gpt-4",
  "object": "chat.completion.chunk",
  "recipient": "all",
  "usage": {
    "prompt_tokens": 31,
    "completion_tokens": 6,
    "total_tokens": 37
  }
}

ご覧のとおり、choices に含まれる情報は基本的な使用方法の内容と一致しており、これは ChatGPT が複数の会話に対して返信する具体的な内容を含んでいます。これにより、複数の会話内容に基づいて対応する質問に回答できます。

​

OpenAI-Python との連携

OpenAI Chat Completion API は公式 OpenAI インターフェースとの互換性を維持しており、公式 SDK OpenAI-Python を直接使用して連携できます。本稿では使用方法を簡単に紹介します。

1. まずローカルの Python 環境を構築する必要があります。この手順は Google で検索できます。
2. 開発環境をダウンロードしてインストールします。たとえば VSCode エディタをインストールします。
3. OpenAI 環境変数を設定します。

• プロジェクトフォルダ内に .env という名前のファイルを作成して保存します
• .env ファイルの内容：

OPENAI_API_KEY="sk-xxx"
OPENAI_BASE_URL="https://api.acedata.cloud/openai"  # 再度注意：公式OpenAIのkeyを使用する場合は、このアドレスを使用しないでください。

sk-xxx は自分の key に置き換えてください。OPENAI_BASE_URL は OpenAI のプロキシインターフェースにアクセスするためのものです。

4. プロジェクトが依存するパッケージをインストールします

pip install openai

Mac OS でのコマンドは次のとおりです：

pip3 install openai

5. サンプルソースコードファイルを作成します

例として、index.py というサンプルコードを作成したと仮定します。具体的な内容は以下のとおりです：

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

response = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "こんにちは",
        }
    ],
    model="gpt-4",
)

print(response.text)

​

インターネット接続モデル

gpt-3.5-browsing および gpt-4-browsing モデルは他のモデルとは異なり、質問文に基づいてインターネット検索を行い、インターネット検索の結果を適切に調整して返すことができます。本稿では、具体的な例を通じてインターネット接続機能を説明します。続いて、OpenAI Chat Completion API 画面で対応する内容を入力できます。図のとおりです：

同時に、右側には対応する呼び出しコードの生成があることに気付くでしょう。コードをコピーして直接実行することも、「Try」ボタンを直接クリックしてテストすることもできます。

呼び出し後、返された結果は以下のとおりです：

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "今日の中国に関する最新ニュースについては、以下のような主要ニュースサイトを確認できます：\n\n- [BBCニュース中国](https://www.bbc.com/news/world/asia/china)\n- [CNN中国ニュース](https://edition.cnn.com/china)\n- [ロイター中国](https://www.reuters.com/news/archive/china-news)\n\nこれらの情報源には、中国の時事問題に関する最新情報があります。"
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1721009347,
  "id": "chatcmpl-YzA0M2RjZDVkYThlNDkxNTkzOThmZWQ4OGMzNzdhNzA",
  "model": "gpt-4-browsing",
  "object": "chat.completion.chunk",
  "recipient": "all",
  "usage": {
    "prompt_tokens": 325,
    "completion_tokens": 82,
    "total_tokens": 407
  }
}

ご覧のとおり、choices 内の回答情報はインターネット検索によって取得されたものであり、関連リンクも提示されています。choices 内の回答情報は markdown 構文でレンダリングする必要があり、そうすることで最適な体験を得られます。最後に、これは当社モデルのインターネット接続機能が持つ強力な利点も示しています。

​

ビジョンモデル

gpt-4o は OpenAI が開発したマルチモーダル大規模言語モデルであり、GPT-4 をベースに視覚理解能力を追加しています。このモデルはテキストと画像の入力を同時に処理でき、クロスモーダルな理解と生成を実現しています。

gpt-4o モデルのテキスト処理の使用方法は、上記の基本的な使用方法の内容と一致しています。以下では、モデルの画像処理能力を使用する方法について簡単に紹介します。

gpt-4o モデルの画像処理能力は、主に元の content 内容に type フィールドを追加することで使用します。このフィールドにより、アップロードされたものがテキストか画像かを判別し、gpt-4o モデルの画像処理能力を使用できます。以下では主に、Curl と Python の2つの方法でこの機能を呼び出す方法を説明します。

• Curl スクリプト方式

curl -X POST 'https://api.acedata.cloud/openai/chat/completions' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
    "model": "gpt-4o",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "この画像には何がありますか？"
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
            }
          }
        ]
      }
    ]
  }'

• Python スクリプト方式

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4o",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text", "text": "What's in this image?"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
                    }
                },
            ],
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

その後、以下の結果を取得できます。結果内のフィールド情報は上記と一致しており、具体的には以下の通りです：

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "model": "gpt-4-vision-preview",
  "system_fingerprint": "fp_44709d6fcb",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\nThis image shows a wooden boardwalk extending through a lush green marshland."
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}

回答内容が画像に基づいたものであることがわかるため、上記の2つの方法によって gpt-4-vision モデルのテキストおよび画像処理能力を簡単に利用できます。

また、gpt-4o のほかに、より低コストのモデルである gpt-4o-mini もあります。gpt-4o-mini は OpenAI が開発した最新世代の大規模言語モデルであり、応答速度が速いだけでなく、価格もより安く、マルチモーダルもサポートしています。vision 機能の使用については、上記の gpt-4o モデルの使用内容を参照できます。

​

GPT-4o 画像生成モデル

​

参照画像に基づく画像生成

以下は、1枚の画像に基づいてカスタムスタイルの画像を生成する例です。まず、入力する画像を見てみましょう。以下の図の通りです：

参照画像は実在人物の画像であることがわかります。これを別のスタイルに変化させることができます。たとえば、アニメ風の画像にする場合、具体的なリクエスト例は次の通りです：

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "生成动漫风格的图片，并且带上个帽子"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
  "id": "chatcmpl-89DPQxbLuyRNzH5YLCPYM5WElV3dm",
  "object": "chat.completion",
  "created": 1781020664,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 生成中...\n\n![https://platform.cdn.acedata.cloud/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png](https://platform.cdn.acedata.cloud/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png)\n\n[点击下载](https://platform.cdn.acedata.cloud/download/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 100,
    "completion_tokens": 122,
    "total_tokens": 222,
    "prompt_tokens_details": {
      "text_tokens": 93,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

このうち、choices 内の message.content が生成された完全な対話結果であり、画像は Markdown 形式でその中に含まれています（画像リンクは一時的なアドレスであるため、速やかにダウンロードして保存してください）。生成された画像が実際にアニメ風であることがわかります。具体的には以下の図の通りです：

​

テキストのみでの画像生成

プロンプトを通じて画像を生成し、対話形式の結果として返してもらうことができます。以下では、未来都市の夕日の画像を作成するを例として、具体的な例を示します：

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "创建一张未来城市日落的图片"
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
  "id": "chatcmpl-89DqkpQoPGkQqJ6kPKMKWejjLXVxQ",
  "object": "chat.completion",
  "created": 1781020587,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 生成中...\n\n![https://platform.cdn.acedata.cloud/20260609/ed2cca68732540fc99162ddc10ddc153.png](https://platform.cdn.acedata.cloud/20260609/ed2cca68732540fc99162ddc10ddc153.png)\n\n[点击下载](https://platform.cdn.acedata.cloud/download/20260609/ed2cca68732540fc99162ddc10ddc153.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 17,
    "completion_tokens": 104,
    "total_tokens": 121,
    "prompt_tokens_details": {
      "text_tokens": 10,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

結果がプロンプトに合致していることがわかります。具体的には以下の通りです：

​

複数画像から1枚の画像を生成

複数の参照画像を使用して1枚の画像を生成することもできます。たとえば、イケメンの画像とコーヒーの画像を使用し、この2枚の画像を利用してイケメンがコーヒーを飲む画像を生成できます。以下が具体的な参照画像です：

以下では、男性がコーヒーを持ち上げ、今にも飲もうとしている様子を生成するを例として、具体的な例を示します：

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "男性がコーヒーを持ち、今にも飲もうとしている様子を生成"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/pqquv3.jpg"
          }
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/h8j2i0.jpg"
          }
        }
      ]
    }
  ],
  "stream": false
}

サンプル結果：

{
  "id": "chatcmpl-89DnHbbzOIQvU1VzJrNjzMU8BRUgG",
  "object": "chat.completion",
  "created": 1781021018,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 生成中...\n\n![https://platform.cdn.acedata.cloud/20260610/f1d9ddee3c304230a9f92929f04b95be.png](https://platform.cdn.acedata.cloud/20260610/f1d9ddee3c304230a9f92929f04b95be.png)\n\n[クリックしてダウンロード](https://platform.cdn.acedata.cloud/download/20260610/f1d9ddee3c304230a9f92929f04b95be.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 193,
    "completion_tokens": 116,
    "total_tokens": 309,
    "prompt_tokens_details": {
      "text_tokens": 186,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

ご覧のとおり、生成された結果は確かに2枚の画像を組み合わせて生成されたものです。以下が具体的な結果です：

​

エラー処理

API を呼び出す際にエラーが発生した場合、API は対応するエラーコードと情報を返します。例えば：

• 400 token_mismatched：Bad request、パラメータが不足しているか無効である可能性があります。
• 400 api_not_implemented：Bad request、パラメータが不足しているか無効である可能性があります。
• 401 invalid_token：Unauthorized、認証トークンが無効または不足しています。
• 429 too_many_requests：Too many requests、レート制限を超過しています。
• 500 api_error：Internal server error、サーバーで問題が発生しました。

​

エラー応答の例

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

​

結論

本ドキュメントを通じて、OpenAI Chat Completion API を使用して公式 OpenAI ChatGPT の対話機能を簡単に実現する方法をご理解いただけたと思います。本ドキュメントが、この API の連携と利用により役立つことを願っています。ご不明な点がございましたら、いつでも当社の技術サポートチームまでお問い合わせください。