1本の動画で複数のモデルを呼び出す?役割分担はOK、請求は1つの窓口で確認

著者注:動画を1本作るには、文字起こし、映像の確認、カバー画像の生成、テキストの修正が必要で、モデルはそれぞれ役割を分担できますが、課金の発生するステップは同じ base_url にまとめたほうが、請求額が正しく一致します。

長尺動画を1本きちんと作ったことがある人なら、おそらくある現象に気づくはずです。文字起こしはA社、映像の確認はB社、カバー画像の生成はまた別のC社、タイトルやテキストの修正でさらに別のウィンドウを開く。一つひとつのステップを見れば合理的ですが、月末に突き合わせると、基準の異なる4〜5枚の請求書になります。あるものはトークン単位、あるものは回数単位、中にはサブスクと混ざっているものもあります。この記事でお伝えするのは 役割分担は残し、請求は一つにまとめる という考え方です。まずどのステップがローカルに残せるのか、どのステップが実際に費用を生むのかを見分け、そのうえで課金の発生するステップを同じ呼び出しエントリに集約します。

これは1つのモデルだけを使えという話ではありません。环节ごとに本来異なるモデルが適しており、本当に統一すべきなのは課金エントリと突合の基準であって、モデルそのものではありません。

核心価値:この記事を読むと、動画パイプラインの「ローカル/課金」切り分け表、2026-11-20 時点で確認した型番と価格の対照表、そして課金ステップを同じ base_url に切り替える操作方法が手に入ります。

multi-model-video-pipeline-one-billing-entry-ja-image-0


1本の動画で複数モデルを使い分ける核心ポイント

今回の議論のきっかけは、MindStudio が 2026-11-19 に紹介した動画編集スキルです。著者自身の説明によると、高度なマルチモーダルパイプラインを使って長編動画を1本仕上げるのに約2.71ドルかかったとのこと。ここは明確にしておきますが、この数字はあくまで著者の主張で、OpenRouter を経由したものです。APIYI の請求額でも、本記事の測定結果でもありません。参考になるのは、動画1本のモデルコストを非常に低い水準に抑えられるという点です。ただし、どの工程にお金がかかっているかを把握していることが前提です。

要点 説明 価値
まずローカルと有料を分ける 文字起こしはローカル Whisper を使えばモデル費用は不要 請求書が1枚減り、データを外部に送るリスクも減る
有料工程を集約する 画面確認、文案の修正、カバー画像生成を同じ base_url で 管理画面1つで全消費を確認
モデル変更はIDだけ インターフェースは OpenAI 互換、切り替え時は model フィールドを変更 役割分担をいつでも調整でき、コードを書き直さない
従量課金とトークン課金を分けて計算 カバー画像は1回ごと、テキストと視覚はトークン単位 予算見積もりの基準が明確
ラインナップ外の工程は別途記録 音声クローンは APIYI のラインナップ外 照合時に誤計算しない

動画パイプラインにおける役割分担のポイント

最初のポイントは「役割分担」そのものです。動画の画面を見て、ショットの内容を理解するには、マルチモーダル理解力が高く、長いコンテキストを扱えるモデルが必要です。カバー画像の生成には画像生成モデルが要ります。文案の修正は、文章の品質とコストへの感度が高い処理です。これらのタスクを無理やり1つのモデルに押し込めると、どこかの工程で品質が落ちたり、コストが高くなったりしがちです。だから役割分担自体は合理的で、問題は各社ごとに別アカウントを開き、別々にチャージし、別々に請求されることだけです。

2つ目のポイントは「集約」です。APIYI apiyi.com は大規模言語モデル向けのAPIアグリゲーションプラットフォームで、1つのAPIキーで OpenAI、Claude、Gemini などの主要モデルを呼び出せます。インターフェースは OpenAI 互換、従量課金です。動画パイプラインにとっては、画面確認、文案の修正、カバー画像生成という有料工程で1つのキー、1つの base_url を共有でき、消費は一箇所にまとめて記録されるということです。モデルを変えるときはモデルIDを変えるだけで、ベンダーやSDKを替える必要はありません。

multi-model-video-pipeline-one-billing-entry-ja-image-1


1本の動画で複数のモデルを呼び出すときのクイックスタート

ステップ1:動画パイプラインをローカルと有料の2つに分ける

APIを接続する前に、各ステップが課金対象かどうかを明確にしておきましょう。以下の表は、典型的な長尺動画パイプラインの分割方法です。ご自身のフローに合わせて追加・削除してください。

工程 推奨実行場所 モデル料金の発生 課金基準
音声書き起こし ローカルWhisper なし 本機の計算リソースのみ
編集・結合・書き出し ローカル編集ツール なし なし
映像確認・ショット理解 統一APIエントリ あり 入力/出力トークン単位
タイトル修正・概要作成 統一APIエントリ あり 入力/出力トークン単位
サムネイル生成 統一APIエントリ あり 1回ごと
音声クローン その他サービス あり APIYIのラインナップ外、個別に計上

このように分割すると、実際にコストを集約すべき有料工程は3つだけになります。書き起こしをローカルに置けば、モデル料金を支払う必要がなく、元の音声をアップロードする必要もありません。音声クローンが本当に必要な場合は、それは独立した請求項目になります。予算にはこれを別途確保しておき、統一エントリに含めないようにしてください。

ステップ2:型番と価格の確認

次は型番を調べ、価格を照合します。以下の価格は 2026-11-20 時点で確認したもので、出典は APIYI のモデル総表 docs.apiyi.com/models.md(この版は 2026-11-19 10:59、UTC+8 に更新)と、価格API api.apiyi.com/api/pricing(バージョン shell-api-modelmak-v1)です。価格APIでは model_ratio が 1 のとき入力 2ドル/100万トークンに対応するので、これをもとに自分で換算できます。

モデルID 入力(ドル/100万トークン) 出力 キャッシュ読み取り 適した工程
gemini-4-hydrogen 1.5 7.5 0.075 画像の確認、文案の修正。コスト重視
gemini-4-carbon 2 10 0.1 画像の確認、文案の修正。紹介価格は 2026-11-30 まで
gemini-4-argon 2 10 0.1 テキスト・理解系のタスク
gemini-4-neon 3 15 0.15 より強力な能力が必要なときの代替候補
claude-fable-5-2 / claude-fable-5-2-thinking 8 40 0.2 長文の推敲、複雑な書き換え
gpt-6.2-astra 8(272000 トークン超は 16) 40 0.4 要求の高いテキストタスク

特に気をつけたい点が2つあります。gemini-4-carbon の 2 / 10 / 0.1 は、Google の 2026-11-30 までの紹介価格と一致しています。12月1日からは Google の標準価格が入力 4、出力 20 になるため、その時点でコストは倍になります。長期間のバッチ処理を回す前には再確認してください。gpt-6.2-astra は 272000 トークンを超えると、総表では入力 16 と記載されていますが、価格APIではこの区分で出力 60、キャッシュ読み取り 0.8 も示されています。両者の差異については、実際に呼び出したときのバックエンド側の課金を基準にしてください。gemini-4-neon はこの版の総表には載っていませんが、価格APIには記録があり、換算結果は Google の定価と一致しています。

カバー画像の工程は1回ごとの課金なので、別途表にまとめます:

カバーモデルID 1回あたり価格(ドル) 適したシーン
MAI-Image-2.6 0.12 メインカバー、より高品質が必要な場合
MAI-Image-2.6-Flash 0.06 複数バージョンの試作
gemini-3.1-flash-lite-image 0.025 一括でのラフスケッチ
gemini-2.5-flash-image 0.02 低コストで素早く画像を出す

注意してください。MAI-Image-2.7 は現時点では存在しないので、呼び出し可能なモデルとしてスクリプトに書き込まないでください。Kling、Muse および gemini-4-flash-lite も総表と価格APIのいずれにも存在しないため、パイプラインを計画する際は最初から除外します。

multi-model-video-pipeline-one-billing-entry-ja-image-2

ステップ3:課金のあるステップを同じ base_url に切り替える

このステップの変更はごくわずかです。従来 OpenAI 公式 SDK を使っていたなら、変更するのは次の2か所だけです。

  1. api_key を APIYI の管理画面で生成した APIキーに置き換える。
  2. base_url を https://api.apiyi.com/v1 に設定する。

その後は、映像確認のリクエストでは model に gemini-4-hydrogen を指定し、文案修正のリクエストでは claude-fable-5-2 または引き続き Gemini を、カバー画像生成では MAI-Image-2.6-Flash を指定します。3つの工程は1つのクライアントオブジェクトを共用し、違うのはモデル ID だけです。対話型リクエストは OpenAI 互換の /chat/completions を利用します。画像モデルの具体的なパラメータと戻り値の形式は、モデルドキュメントの記載に従ってください。

ステップ別の設定チェックリストを見る

– **クライアント**:初期化は1回だけ行い、`base_url` は変えず、APIキーは環境変数(例:`APIYI_API_KEY`)に置きます。
– **映像確認**:キーフレームのスクリーンショットとローカルで文字起こしした字幕をまとめて入力し、`model` は `gemini-4-hydrogen` に設定します。予算に余裕がある場合や、より高度な理解が必要な場合は `gemini-4-carbon` に切り替えます。
– **文案修正**:前のステップで出力したショット概要をコンテキストとして、`model` には `claude-fable-5-2` を選びます。多段階の推論が必要な長い文案では `claude-fable-5-2-thinking` を使えます。
– **カバー画像生成**:まず `gemini-2.5-flash-image` で数案の下書きを生成し、確定後に `MAI-Image-2.6` で正式なカバー画像を生成します。
– **キャッシュ**:同じ動画の字幕は複数の工程で繰り返し読み込まれるため、共通部分はできるだけ同じプレフィックスにそろえ、キャッシュ読み取り料金が適用されるようにします。
– **ログ**:リクエストごとにモデル ID と返却されたトークン使用量を記録し、月末に管理画面の消費量と項目ごとに照合します。

🚀 クイックスタートの提案:まず APIYI(apiyi.com)で新規ユーザー向けの無料テスト枠を使い、1本のショート動画を上記の3ステップで最後まで実行してみてください。各工程の実際のトークン使用量を記録してから、長尺動画でどのグレードのモデルを使うべきかを判断しましょう。

ステップ4:動画1本の予算を見積もる

見積もりの際は、トークン課金と回数課金を分けて計算します。仮の例として、映像の確認と文案の修正で合計100万入力トークン、10万出力トークンを消費した場合、gemini-4-hydrogen で計算すると 1.5 + 0.75 で、約2.25ドルになります。サムネイルを Flash で4案のラフ、正式版1枚を出力する場合は、4 × 0.06 + 0.12、つまり0.36ドルです。ここでのトークン数はあくまでデモ用の仮定値であり、実際の使用量は動画の長さ、フレーム抽出の密度、文案の修正回数によって変わります。

この見積もり方法の利点は、各項目を管理画面の請求明細と1行ずつ照合できることです。一方、4つの工程を4社に分散した場合、為替レート、課金単位、引き落としのタイミングがそれぞれ異なり、合計額が大きくなくても照合に時間がかかります。


よくある質問(FAQ)

Q1:1本の動画で複数のモデルを呼び出すとき、具体的にどの工程を指しますか?

通常は文字起こし、映像チェック、コピー文案の修正、カバー画像生成の4ステップで、フローによってはナレーションや音声クローンが加わることもあります。このうち文字起こしはローカルの Whisper で完結でき、モデル利用料は発生しません。実際にモデル費用がかかるのは、たいてい映像チェック、カバー画像生成、文案修正の部分です。

Q2:役割分担と窓口の一本化は矛盾しませんか?1つのモデルだけを使うほうが手間が少なくないですか?

矛盾しません。役割分担は「品質とコストのマッチング」を、窓口の一本化は「請求と突合」を解決するものです。1つのモデルだけを使えば確かに楽ですが、映像チェック・文案作成・画像生成では求められる能力が大きく異なるため、無理に統一するとかえって割に合わないことが多いです。より合理的なのは、モデルは用途ごとに選び、呼び出しの入口は1つに保つという形です。

Q3:長尺動画1本あたり2.71ドルという数字は、そのまま予算として当てはめていいですか?

そのまま当てはめるのはおすすめしません。これは MindStudio が伝えた著者本人の自己申告値で、OpenRouter 経由の話であり、APIYI の請求ではありません。モデルの組み合わせや動画の長さ、切り出したフレーム数も、あなたの条件と一致するとは限りません。より確実なのは、本文のステップ4に従って、自分のトークン使用量と現在の単価から計算し直す方法です。

Q4:映像チェックには gemini-4-hydrogen と gemini-4-carbon のどちらを選ぶべきですか?

予算優先なら `gemini-4-hydrogen` です。入力1.5、出力7.5、キャッシュ読み取り0.075で、この組み合わせの中では最も単価が安くなります。より高度な理解が必要な場合は `gemini-4-carbon` を選びますが、その2 / 10は2026-11-30時点の紹介価格である点に注意してください。Google は12月1日から標準価格として入力4、出力20を適用するため、長期利用の前には価格を再確認する必要があります。

Q5:既存のスクリプトを統一入口に切り替えるにはどうすればいいですか?

APIYI apiyi.com で登録して APIキーを発行し、SDK の `base_url` をプラットフォームの呼び出しアドレスに変更したうえで、工程ごとに `model` フィールドを書き換えるだけです。既存のリクエスト構造はほぼそのまま使えます。新規ユーザーには無料テスト枠もあるので、まずは短い動画1本でパイプライン全体を検証してみるとよいでしょう。

Q6:音声クローンもこの入口からまとめて利用できますか?

できません。音声クローンは現在 APIYI のラインナップにないため、必要な場合は他のサービスを利用し、別途計上するしかありません。予算を組むときは独立した1行として計上し、統一入口の消費と混ざらないようにするのがおすすめです。

Q7:事前に避けておくべき既知の制限はありますか?

いくつかあります。`MAI-Image-2.7` は現時点で存在せず、Kling、Muse、`gemini-4-flash-lite` も一覧表や料金APIのどこにも見つからないため、スクリプトに書き込まないでください。`gpt-6.2-astra` は272000トークンを超えると単価が上がり、一覧表と料金APIで示される段階の詳細がやや異なるので、実際の課金額を基準に判断してください。価格は変動するため、バッチ実行の前には当日のモデル一覧表でもう一度確認しておくと安心です。


1本の動画で複数モデルを呼び出す際の重要なポイント

  • まず分解してから接続:文字起こしと編集はローカルに残し、費用が発生する工程だけをAPIに接続します。
  • 役割分担は維持:映像確認、コピー修正、カバー画像生成はそれぞれ最適なモデルを選び、無理に統一する必要はありません。
  • 入口を集約:課金対象のステップは1つのAPIキーとbase_urlを共有し、モデルを変えるときはモデルIDだけを変更します。
  • 計算基準を分ける:テキストとビジョンはトークン単位、カバー画像は回数単位で計算し、予算は2つの欄に分けて見積もります。
  • 期間限定価格に注意:gemini-4-carbon の導入価格は2026-11-30までで、その後は標準価格に値上げされます。
  • ラインナップ外は別枠:音声クローンは共通の入口の対象外なので、必ず別会計にします。
  • 外部の数字は参考程度:2.71ドルは著者がOpenRouter上で述べたもので、APIYIの請求額ではありません。

まとめ

1本の動画で複数のモデルを動かすこと自体に問題はありません。問題は、請求が分断されて突き合わせが合わなくなることです。整理すると次の3点になります。

  1. ローカル優先:文字起こしはローカルWhisper、編集はローカルで完結。この2工程ではモデル費用は発生しません。
  2. 課金の集約:映像確認、コピー修正、カバー画像生成はすべて1つのbase_urlを通し、モデルIDで役割を分けます。
  3. 当日の価格で計算:トークン単位と回数単位に分けて見積もり、バッチ実行前に価格と販売中のモデルを再確認します。

まず短い動画1本でパイプライン全体を試し、各工程の実使用量を記録してから、長い動画に拡大することをおすすめします。APIYI apiyi.comの無料テスト枠でこの検証を完了するのがおすすめです。役割分担はそのままに、請求は1つの入口だけを見ます。


📚 参考資料

  1. APIYI モデル一覧:モデルと単価の概要

    • リンク:docs.apiyi.com/models.md
    • 説明:本文の価格の主な出典です。この版は 2026-11-19 10:59(UTC+8)に更新されました
  2. APIYI 価格取得API:倍率換算によるリアルタイム価格

    • リンク:api.apiyi.com/api/pricing
    • 説明:バージョン shell-api-modelmak-v1、model_ratio が 1 の場合、入力は100万トークンあたり2米ドルに相当します
  3. MindStudio 動画編集スキルの紹介記事:2026-11-19 公開

    • 説明:長尺動画1本あたり2.71米ドルという記述は、同記事で紹介された作者自身の説明によるもので、OpenRouter を経由した利用です

著者:APIYI 技術チーム
技術交流:APIYI 公式サイトのトップページからお気軽にお問い合わせください。その他のモデルや呼び出し方法については、docs.apiyi.com のドキュメントセンターをご覧ください

コメントする